Diez Garcia Rafael - Guia Didactica de Estadistica Descriptiva para Las Cs

Rafael Dez
Vicente Coll
Olga M Blasco
Gua didctica de
Estadstica Descriptiva
para las
Ciencias Sociales
Eumed.net
Universidad de Mlaga
2008
Gua didctica de Estadstica Descriptiva para las

Ciencias Sociales
Rafael Dez Garca, Vicente Coll Serrano y Olga M Blasco
Blasco
Diseo de cubierta:
Rafael Dez Garca
Vicente Coll Serrano
Olga M Blasco Blasco
Reservados los derechos para todos los pases. De conformidad con lo
dispuesto en el artculo 270 del Cdigo penal vigente, podrn ser
castigados con multas y privacin de libertad quienes reprodujeren o
plagiaren, en todo o en parte, una obra literaria, artstica o cientfica
fijada en cualquier tipo de soporte sin la preceptiva autorizacin. Ninguna
parte de esta publicacin, incluido el diseo de la cubierta, puede ser
reproducida, almacenada o transmitida de ninguna forma, ni por ningn
medio, sea ste electrnico, qumico, mecnico, electro-ptico,
grabacin, fotocopia o cualquier otro, sin la previa autorizacin escrita
por parte de los autores.
ISBN:
Depsito Legal:
Maquetacin: Rafael Dez Garca
Vicente Coll Serrano
Olga M Blasco Blasco
ndice
ndice analtico.
Pgina
TEMA 1. INTRODUCCIN.
Ficha del tema 1.
Objetivos de aprendizaje.
Bibliografa bsica para complementar el tema.
Programacin de la gua didctica:
1.1. Estadstica: concepto, contenido y relaciones con el rea econmica y empresarial.
1.2. La investigacin estadstica. Anlisis descriptivo, modelizacin e inferencia.
1.3. Datos estadsticos: naturaleza, descripcin numrica y representacin grfica.
Conceptos clave.
Ejemplos.
16
17
18
19
28
32
43
44
TEMA 2. ANALISIS DE DATOS UNIDIMENSIONALES.

Ficha del tema 2.
53
54
Rafael Dez, Vicente Coll y Olga Blasco
Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

2.1. Principales medidas de posicin, dispersin y de forma o perfil.
2.2. Transformaciones lineales y tipificacin de variables.
2.2.1. Transformaciones lineales.
2.2.2. Tipificacin de variables.
2.2.3. Regla de Tchebysheff.
2.3. Otras medidas de posicin: moda y cuantiles (mediana).
Conceptos clave.
Ejemplos.
7
Pgina
55
56
76
76
83
86
88
95
96
TEMA 3. MEDIDAS DE CONCENTRACIN.

Ficha del tema 3.
3.1. Introduccin: concepto, instrumentos, concentracin mnima y
mxima.
119
3.2. Curva de Lorenz.
122
116
117
118
ndice analtico.
Pgina
3.3. ndice de Gini.

Conceptos clave.
Ejemplos.
123
124
125
TEMA 4. ANLISIS DE DATOS BIDIMENSINALES.

Ficha del tema 4.
4.1. Representacin de datos multidimensionales: matriz de datos, tablas de correlacin y contingencia, grfico de dispersin.
4.2. Distribuciones conjuntas, marginales y condicionadas. Independencia estadstica.
4.3. Momentos. Vector de valores medios y matriz de varianzascovarianzas.
4.4. El coeficiente de correlacin lineal simple. Matriz de correlacin.
4.5. Asociacin.
Conceptos clave.
Ejemplos.
128
129
130
131
134
146
155
158
163
164
9
Pgina
TEMA 5. ANLISIS DE REGRESIN.

Ficha del tema 5.
176
177
178
5.1. Introduccin.
179
5.2. Regresin mnimo-cuadrtica: caso lineal.
187
5.3. Anlisis de la bondad de un ajuste: capacidad explicativa de una
ecuacin de regresin. Coeficiente de determinacin. Caso lineal.
199
5.4. Regresin no lineal: potencial y exponencial.
211
Conceptos clave.
216
Ejemplos.
217
TEMA 6. TASAS DE VARIACIN Y NMEROS NDICE.

Ficha del tema 6.
224
225
226
10
ndice analtico.

6.1. Introduccin.
6.2. Tasas de variacin.
6.3. Nmeros ndices: clasificacin y propiedades.
6.3.1. Definicin y clasificacin.
6.3.2. ndices simples.
6.3.3. ndices complejos.
6.3.4. Propiedades.
6.4. ndices de precios y cantidades ms importantes.
6.4.1. ndice de precios complejo ponderado.
6.4.2. ndice de cantidad complejo ponderado.
6.4.3. ndice complejo de valor.
6.5. Cambio de base, renovacin y enlace.
6.6. Deflactacin de series estadsticas.
Conceptos clave.
Ejemplos.
Pgina
227
229
230
230
231
233
236
237
239
240
241
242
244
248
249
TEMA 7. ANLISIS CLSICO DE SERIES TEMPORALES.

Ficha del tema 7.
256
7.1. Introduccin.
7.2. Componentes de una serie. Descomposicin.
7.3. Anlisis de la tendencia.
7.3.1. Tendencia anual.
7.3.2. Tendencia k-esimal.
7.4. Anlisis de la variacin estacional. Desestacionalizacin.
7.4.1. Obtencin de los IVE.
7.4.2. Desestacionalizacin.
7.5. Prediccin. Correccin por estacionalidad.
7.5.1. Prediccin de la tendencia.
7.5.2. Correccin por estacionalidad.
Conceptos clave.
Ejemplos.
11
Pgina
257
258
259
260
262
265
267
270
272
275
276
276
277
278
279
12
PRLOGO
El texto de Estadstica que se presenta con el nombre de Gua Didctica de Estadstica Descriptiva para las Ciencias Sociales, tiene una estructura que lo sita entre un conjunto de fichas resumen de los contenidos de una materia y un libro de texto. Es mucho ms amplio que un mero resumen de conceptos y frmulas, pero no supone un desarrollo exhaustivo de los epgrafes de una
programacin; tampoco contiene demostraciones salvo alguna conveniente excepcin. No por ello
deja de ser un texto riguroso y sistemtico, ajustado a una programacin. Hemos diseado esta
Gua didctica de forma que su contenido sirva de refuerzo a la clase presencial de un curso de introduccin de Estadstica.
La Gua Didctica pretende ser un texto que acompae y encamine a los estudiantes en el estudio de la materia, aportndoles informacin concreta y precisa sobre los conceptos clave y tcnicas de la Estadstica Descriptiva. Cada uno de estos conceptos viene acompaado por ejemplos
ilustrativos que ayudarn al estudiante a asimilarlos.
13
Se encuentra tambin disponible, como material complementario de esta Gua Didctica, las Fichas Tcnicas de Estadstica Descriptiva para las Ciencias Sociales.
Cmo utilizar la Gua Didctica de Estadstica Descriptiva para las Ciencias Sociales.
La Gua Didctica se compone de un total de 7 temas. En cada tema se facilita una ficha que
presenta su estructura-organizacin:
Programacin del tema.
Conceptos clave.
Ejemplos.
Los apartados de la ficha estn hipervinculados. Tambin estn vinculados los ejemplos propuestos que aparecen en el desarrollo de los epgrafes de cada tema. Observar que el puntero de
ratn cambia de forma. Al hacer clic sobre el texto vinculado se acceder a la parte del documento
donde se desarrolla el contenido.
14
A pie de pgina aparecen dos o tres iconos.
Para acceder al ndice de la Gua Didctica.

ndice
Para volver a la ficha del tema.

Ficha
Para volver al texto (solo disponible en los enunciados de ejemplos)

Texto
Esperamos que los contenidos tratados en la Gua Didctica de Estadstica Descriptiva para las
Ciencias Sociales resulten de utilidad al lector.
Contacto con los autores:

Rafael Dez Garca: Rafael.Dez@uv.es
Vicente Coll Serrano: Vicente.Coll@uv.es
Olga Blasco Blasco: Olga.Blasco@uv.es
TEMA 1
INTRODUCCIN
16
Introduccin.
Ficha del tema 1.

1.1. Estadstica: concepto, contenido y relaciones con el rea econmica y
empresarial.
1.2. La investigacin estadstica. Anlisis descriptivo, modelizacin e inferencia.
1.3. Datos estadsticos: naturaleza, descripcin numrica y representacin
grfica.
Conceptos clave.
Ejemplos.
ndice
Ficha
17
OBJETIVOS DE APRENDIZAJE.
Conocer y distinguir las dos ramas bsicas de la estadstica, la estadstica
descriptiva y la inferencia estadstica, intuyendo como interacciona entre
ambas la teora matemtica de la probabilidad creando modelos.
Distinguir entre datos de tipo cualitativo y cuantitativo, discreto y continuo,
aprendiendo a ordenarlos en distribuciones de frecuencias agrupadas y sin
agrupar.
Construir histogramas y polgonos acumulativos partir de una distribucin de
frecuencias agrupada en intervalos.

ndice
Ficha
18
Introduccin.
BIBLIOGRAFA BSICA (teora y problemas)

ESTEBAN, J.; y otros.: Estadstica Descriptiva y nociones de Probabilidad, Ed. Thomson, 2005.
Tema 1. (Con ejercicios, cuestiones de autoevaluacin y problemas
resueltos y propuestos).
MONTIEL, A.M.; RIUS, F.; BARN F.J.: Elementos bsicos de Estadstica
Econmica y Empresarial, Ed. Prentice Hall, Madrid 1997.
Captulos 1 y 2.

ndice
Ficha
19
1.1. ESTADSTICA: CONCEPTO, CONTENIDO Y RELACIONES CON EL

REA ECONMICA Y EMPRESARIAL.
Ejemplo introductorio. Se ha contabilizado el nmero de das de baja, durante un trimestre, de los trabajadores de dos empresas obtenindose los
siguientes resultados:
DATOS empresa A
0 2 1 1 3
2 0 1 5 2
2 3 3 2 1
4 2 2 1 3
DATOS empresa B
0 1 1 2 9 1
0 0 1 1 0 0
1 1 0 1 1 1
9 9 9 0 0 1
0 0 1 1 9 0
Compara el nmero de das de baja en las dos empresas:

Distribucin frecuencias.
Media aritmtica
Varianza

ndice
Ficha
20
Introduccin.
La ESTADSTICA, como ciencia, compara series de datos y ayuda a tomar

decisiones ante lo incierto, es decir, a resolver casos de incertidumbre. La
informacin estadstica se utiliza muy a menudo para validar o avalar que
las decisiones que pretendemos tomar son las ms verosmiles o probables.

ndice
Ficha
21
N das baja
empresa A N trabajadores
Valores
Frecuencia
0
1
2
3
4
5
Porcentaje
2
5
7
4
1
1
20
Total
n trabajadores A
8
7
6
5
4
3
2
1
0
10
25
35
20
5
5
100
Porcentaje
acumulado
10
35
70
90
95
100
7
5
4
2
n das de baja A
ndice
Ficha
22
Introduccin.
N das baja
empresa B N trabajadores
Valores
Frecuencia
0
1
2
9
11
13
1
5
30
Total
14
n trabajadores
12
Porcentaje
11
36,67
43,33
3,33
16,67
100,00
Porcentaje
acumulado
36,67
80,00
83,33
100,00
13
10
8
5
6
4
1
2
0
0
n das de baja B

ndice
Ficha
23
Clculo de la Media y la Varianza.

N das
baja A
N trabajadores
Valores
0
1
2
3
4
5
Total
Frecuencia
Porcentaje
2
5
7
4
1
1
20
10
25
35
20
5
5
100
N das
baja B
N trabajadores
Valores
Frecuencia
0
1
2
9
Total
Porcentaje
11
13
1
5
30
36,67
43,33
3,33
16,67
100
Porcentaje
Clculo de
acumulado
Media
10
0
35
5
70
14
90
12
95
4
100
5
40
Clculo de
Varianza
Porcentaje
Clculo de
acumulado
Media
36,67
0
80,00
13
83,33
2
100,00
45
60
Clculo de
Varianza
44
13
0
245
302
8
5
0
4
4
9
30

ndice
Ficha
24
Introduccin.
DATOS EMPRESA A
Media
2,00
Varianza
1,5
Desviacin tpica 1,22
DATOS EMPRESA B
Media
2,00
Varianza
10,0667
Desviacin tpica 3,17

ndice
Ficha
25
La Estadstica tiene aplicaciones importantes en el mbito de la economa y

la empresa:
ECONOMA: el anlisis de datos generados por variables como la productividad econmica, inflacin, tipos de inters, empleo desempleo....
James Hechman y Daniel McFadden compartieron el premio Nobel de
Economa en el ao 2000 por desarrollar mtodos de anlisis de datos estadsticos, utilizados actualmente para estudiar comportamientos individuales en economa. Se utilizan mtodos estadsticos para construir
ndices como el IPC, para medir y predecir la inflacin. Asimismo, la estadstica es una herramienta indispensable para la econometra y el
anlisis de series temporales (estudio de variaciones estacionales y cclicas de magnitudes econmicas). El premio Nobel de Economa de 2003
lo ganaron Robert Engle, por desarrollar mtodos de anlisis de series
temporales con volatilidad variante en el tiempo (ARCH) Y Clive Granger
por sus trabajos en el anlisis de series temporales con tendencias comunes (cointegracin).

ndice
Ficha
26
Introduccin.
DIRECCIN DE EMPRESAS: se utilizan mtodos de control de calidad

estadsticos para dirigir y perfeccionar constantemente el proceso de
produccin y por consiguiente el rendimiento de la compaa. En 1986
W. Edwards Deming y otros abogaron por una filosofa total de la calidad
con un perfeccionamiento continuo de la misma.
CONTABILIDAD, AUDITORA: toma de decisiones en cuanto al estado
de las cuentas, liquidez de las empresas, inventario... etc., basndose en
el anlisis estadstico, donde los datos a analizar son las tasas de variacin de las finanzas (cuentas de la empresa). Los anlisis estadsticos
pueden demostrar si las tasas de variacin de las finanzas en algunas
empresas difieren significativamente de las que son tpicas o usuales
en el grupo industrial de empresas determinado. Los directivos de las
empresas, los inversionistas y los empleados deben estar interesados en
conocer este tipo de resultados ya que las compaas con unos ndices de
variacin en sus finanzas atpicos suelen ir a la quiebra.

ndice
Ficha
27
GESTIN Y RECURSOS HUMANOS: evaluar y comparar la capacidad

de colectivos de trabajadores para realizar tareas (reparto de tareas),
utilizar resultados de un test de aptitud para complementar la informacin subjetiva de los candidatos a un empleo.
MARKETING: los fabricantes de productos de consumo dirigen la investigacin en marketing a recoger y analizar datos relacionados con las
tcnicas de venta y distribucin de bienes y servicios. La investigacin en
marketing a menudo incluye el mercado potencial y estudios de la cuota de mercado, investigacin acerca del producto, de la promocin y distribucin. Utiliza cuestionarios y encuestas por correo, telfono o entrevista personal para obtener informacin que ayude a las empresas a
decidir si deberan y cmo deberan poner un producto en el mercado.

ndice
Ficha
28
Introduccin.
1.2. LA INVESTIGACIN ESTADSTICA. ANLISIS DESCRIPTIVO,

MODELIZACIN E INFERENCIA.
Podemos distinguir tres fases implicadas cuando se aplica el mtodo estadstico:
1. MUESTREO: LA RECOPILACIN DE LOS DATOS SIN ELABORAR.
MUESTRA POBLACIN
Tcnicas muestreo
MUESTRA
ALEATORIA
DE
TAMAO ADECUADO.

ndice
Ficha
29
2. ESTADSTICA DESCRIPTIVA: presentacin en informe.

El objetivo de la Estadstica Descriptiva es describir un conjunto de datos:
ORDENAR LOS DATOS
RECOPILARLOS EN TABLAS ESTADSTICAS: DISTRIBUCIONES DE
FRECUENCIAS.
GRFICOS DE LA DISTRIBUCIN DE FRECUENCIAS.
CLCULO DE ESTADSTICOS: RESUMEN DE DATOS.
INTERPRETAR RESULTADOS: PRESENTACIN INFORME.
El organizar los datos de forma tal que se puedan ver las tendencias y
normas, se pueda dibujar grficos, calcular estadsticos y redactar informes se llama ESTADSTICA DESCRIPTIVA.
ndice
Ficha
30
Introduccin.
Estadstico: una medida que se pueda calcular a partir de los datos reales generados por una variable y que resuma y d una propiedad de
ese conjunto de datos.

ndice
Ficha
31
3. INFERENCIA ESTADSTICA: exposicin de predicciones y toma de decisiones.

El objetivo de la Inferencia Estadstica es hacer afirmaciones sobre la
POBLACIN basadas en la informacin disponible en la MUESTRA.
PREDICCIN. PROBABILIDAD.
ESTIMACIN DE PARMETROS. Parmetro: propiedad de la poblacin.
TOMA DE DECISIONES.
Al no haber absoluta certeza de la veracidad de tales afirmaciones sobre
la poblacin, se ha de utilizar el trmino PROBABILIDAD como una medida de la incertidumbre de esas conclusiones: el propsito de la estadstica es ayudar al que toma la decisin a tener razn ms veces que lo contrario. Darle una idea sobre el peligro que hay de que no tenga razn
cuando toma una decisin particular.
ndice
Ficha
32
Introduccin.
1.3. Datos estadsticos: naturaleza, descripcin numrica y representacin grfica.
CARCTER: el aspecto, fenmeno, propiedad que se desea estudiar de la

poblacin.
MODALIDAD: diferentes formas de manifestarse el carcter.
VARIABLE ESTADSTICA
X: el carcter medido sobre los elementos.
DATOS
xi

ndice
Ficha
33
1.3.1. Clasificacin de los DATOS (VARIABLES) por su NATURALEZA.

CUALITATIVOS: MODALEDADES no numricas, CATEGORAS
VARIABLES CUALITATIVAS:
ORDINALES
NOMINALES o ATRIBUTOS
CUANTITATIVOS: MODALIDADES numricas, VALORES

VARIABLES CUANTITATIVAS: DISCRETAS
CONTINUAS
Ejemplo 1.1.
Ejemplo 1.2.
Ejemplo 1.3.

ndice
Ficha
34
Introduccin.
1.3.2. DESCRIPCIN NUMRICA de los datos (variables cuantitativas)
VARIABLE
N DATOS
sin elaborar
( xi )iN=1
x1 , x2 ,L , x N
k DATOS diferentes
ordenados
de menor a mayor
( xi )
k
i =1
x1 < x 2 < L < x k
DISTRIBUCIN
DE
FRECUENCIAS

ndice
Ficha
35
DISTRIBUCIN DE FRECUENCIAS
Organizacin de la serie de DATOS
SIN AGRUPAR:
POCOS DATOS DIFERENTES

(k pequeo comparado con N).
Ejemplo 1.4.
AGRUPADA en intervalos: MUCHOS DATOS DIFERENTES (k grande).

Ejemplo 1.5.

ndice
Ficha
36
Introduccin.
FRECUENCIA: conteo. TIPOS DE FRECUENCIA.

FRECUENCIAS ABSOLUTAS:
ni
Ni
(frecuencia absoluta)
i
Ni = n j
frecuencia
(frec. absoluta acumulada)
frecuencia acumulada (i
j =1
= 1, 2,, k)
FRECUENCIAS RELATIVAS:
fi
ni
fi =
N
Fi
Ni
Fi = f j ; Fi =
j =1
N
i
fi 100
porcentaje
Fi 100
porcentaje
(frecuencia relativa)
acumulado
(i = 1, 2,, k) (frec. relativa acumulada)

ndice
Ficha
37
Distribucin de frecuencias SIN AGRUPAR .
VARIABLE X : ( xi , n
k
i i =1
x1 < x 2 < L < x k
(k pequeo comparado con N)
Tabla estadstica: valores diferentes ordenados de menor a mayor y frecuencia.

Ejemplo 1.4.

ndice
Ficha
38
Introduccin.
Distribucin de frecuencias AGRUPADA EN INTERVALOS.

Cmo agrupar en intervalos muchos datos diferentes:
Observar valor mnimo xm y valor mximo xM.
Recorrido de la variable (amplitud total):
Nmero de intervalos (k):
Amplitud intervalos (a):
Re = x M x m
ln N
Sturges k =
+1
ln 2
k = N (N no muy grande)
Re
a=
k

ndice
Ficha
39
NOTACIN INTERVALOS
Intervalo isimo:
[Li 1 , Li [ (i = 1, 2,, k).
Marca de clase (m.d.c.):
Li 1 + Li
m.d .c = x i =
2
(punto medio del in-
tervalo).
Amplitud del intervalo isimo:
a i = Li Li 1 .
Ejemplo 1.5.

ndice
Ficha
40
Introduccin.
1.3.3. Representacin grfica (variables cuantitativas).
DATOS SIN AGRUPAR:
grfico de barras.
Diagrama en escalera (acumulativo).
DATOS AGRUPADOS:
HISTOGRAMA.
Polgono acumulativo.

ndice
Ficha
41
HISTOGRAMA (grfico de REA)

Rectngulos yuxtapuestos.
Un rectngulo para cada intervalo.
rea de rectngulo representa la frecuencia del intervalo.
Altura de rectngulo i - simo:
ni
densidad de frecuencia d i =
ai
fi
di =
ai
Si la amplitud de todos lo intervalos es la misma (a constante), la altura de cada rectngulo puede ser la frecuencia del intervalo.
Ejemplo 1.6.
Ejemplo 1.7.

ndice
Ficha
42
Introduccin.
ni
di =
ai
densidad frecuencia
HISTOGRAMA
rea
ni
ai
Li 1
Li
Intervalos
ndice
Ficha
43
Conceptos clave.
Datos de naturaleza continua.
Datos de naturaleza discreta.
Densidad de frecuencia.
Distribucin de frecuencias agrupada.
Distribucin de frecuencias sin agrupar.
Estadstica Descriptiva.
Frecuencia absoluta acumulada.
Frecuencia absoluta.
Frecuencia relativa (porcentaje).
Frecuencia relativa acumulada.
Histograma.
Inferencia Estadstica.
Intervalo.
Marca de clase.
Polgono acumulativo.
Variables cualitativas.
Variables cuantitativas.
ndice
Ficha
44
Introduccin.
EJEMPLOS.
Ejemplo 1.1. Clasifica las siguientes variables en cualitativas o cuantitativas, identificando posibles valores de esas variables y elementos de la poblacin o muestra sobre la que observaramos o mediramos la variable:
a) Edad
b) Forma de pago al realizar una compra
c) Estado civil
d) Nmero de habitaciones por casa
e) Salario mensual percibido por los supervisores de ventas de una consultora.
f) Medio de transporte utilizado para ir a clase por los estudiantes del campus de Tarongers
ndice
Ficha
Texto
45
g) Grado de riesgo de los fondos de inversin de una entidad financiera (1 =

riesgo menor, 5 = riesgo mayor)
h) Dimetro de las tuercas que produce una mquina. (Las tuercas deberan
tener todas 6 mm de dimetro)
i) Nmero de defectos encontrados en n ordenadores porttiles fabricados
durante un mes.

ndice
Ficha
Texto
46
Introduccin.
Ejemplo 1.2. Indicar de las variables siguientes cuales generaran datos

discretos y cuales datos continuos:
a) Nmero de acciones vendidas cada da en un mercado de valores.
b) Temperaturas registradas cada media hora en un observatorio.
c) Censos anuales del colegio de profesores.
d) Longitud de 1.000 cerrojos producidos en una fbrica.
e) 30 analistas financieros dan una prediccin de las ganancias por accin
(en euros) de cierta empresa para el ao prximo.

ndice
Ficha
Texto
47
Ejemplo 1.3. Preguntadas 300 personas acerca de su estado civil, 145 contestaron estar solteras, 100 casadas, 30 divorciadas y 25 viudas.
a) Identifica la variable estadstica (V.E.) y clasifcala, modalidades del carcter.
b) Clasifica la V.E. en una tabla estadstica o distribucin de frecuencias: obtener frecuencias absolutas, relativas y acumuladas.
Solucin: a) X: Estado Civil. Variable cualitativa con cuatro modalidades: Soltera, Casada, Divorciada, Viuda.

ndice
Ficha
Texto
48
Introduccin.
Ejemplo 1.4. El departamento de prevencin de riesgos laborales de una

gran empresa de la construccin ha recogido informacin sobre el nmero
de accidentes laborales diarios con baja laboral que se han producido durante los 44 das siguientes a la aplicacin de nuevas normas de seguridad,
obteniendo los siguientes resultados:
Nmero de accidentes diarios 44 das)
2 1 0 3 3 4 4 3 7 4 4
1 0 4 2 4 0 2 2 4 3 2
0 3 0 3 5 1 5 0 0 3 0
7 5 4 5 3 9 3 10 3 0 9
Obtener:
a) La tabla estadstica o distribucin de frecuencias.
b) Diagramas de barras (con frecuencias absolutas y relativas).
c) Diagrama en escalera o acumulativo.

ndice
Ficha
Texto
49
Ejemplo 1.5. El departamento de personal de una empresa aplica un test

de habilidad mental a sus empleados con el objetivo de seleccionar a un
nmero determinado de ellos para la realizacin de ciertas tareas. Las puntuaciones obtenidas han sido las siguientes:
43 40 41 50 62 35 38 50 32 35 36 45 58 30 33 45
49 46 47 51 64 36 39 51 51 48 49 53 66 38 41 43
71 45 46 55 68 40 53 55 52 49 50 59 62 45 48 60
32 30 40 39 42 30 35 40 38 36 46 45 68 50 69 69
a) Forma una distribucin de frecuencias con 7 intervalos.
b) Histograma.

ndice
Ficha
Texto
50
Introduccin.
Ejemplo 1.6. Dada una distribucin con 128 valores:

a) Determnese, mediante la frmula de Sturges, el nmero de intervalos en
que puede agruparse.
b) Si el recorrido de la distribucin es de 48 unidades, cul ser la amplitud
de cada intervalo?.
Solucin: a) K= 8 ; b) 6

ndice
Ficha
Texto
51
Ejemplo 1.7. Al representar mediante un histograma la siguiente distribucin de frecuencias:

Intervalos
ni
0-10
100
10-50
200
El intervalo de 0 a 10 se representa por un rectngulo de 18 cm. de altura

Cul debe ser la altura del intervalo de 10 a 50?
vas.

ndice
Ficha
Texto
TEMA 2
ANLISIS DE DATOS
UNIDIMENSIONALES
53
Ficha del tema 2.

2.2. Transformaciones lineales y tipificacin de variables.
2.3. Otras medidas de posicin: moda y cuantiles (mediana).
Conceptos clave.
Ejemplos.

ndice
Ficha
54
Anlisis de datos unidimensionales.
Aprender a calcular e interpretar los estadsticos descriptivos ms importantes.
Conceptos de dispersin absoluta y dispersin relativa.
Comparar dispersin y datos tipificados entre dos o ms variables.
Informacin que aportan la media y la varianza en cuanto a la distribucin
de los datos de una variable alrededor de la media (Regla de Tchebysheff).
Estudiar cmo se ven afectados los estadsticos y coeficientes al transformar
linealmente los datos de una variable.

ndice
Ficha
55

Tema 2. (Con ejercicios, cuestiones de autoevaluacin y problemas
resueltos y propuestos).
Captulos 3 y 4.

ndice
Ficha
56

2.1.1. Principales medidas de posicin y dispersin.
POSICIN: LA MEDIA ARITMTICA.
Variable estadstica con N datos en total
X : (x
Distribucin de frecuencias
X : ( xi , n
1 N
x = xi
N i =1
N
i i =1
k
i i =1
1 k
x = x i ni
N i =1
k
Tambin:
x = xi f i
i =1
Se utilizar preferentemente la primera expresin.

En una distribucin agrupada en INTERVALOS:
x i m.d .c.
ndice
Ficha
57
PROPIEDADES DE LA MEDIA
1. La media es el CENTRO DE GRAVEDAD de la distribucin (c.d.g):
N
( xi x ) = 0 (medida de posicin central).

i =1
2. Poblacin con N datos, subdividida en p subpoblaciones disjuntas de

tamaos
N 1 , N 2 ,L ,N p
con
dia total se puede determinar:

Ver ejemplo en:
Nj = N
y medias
j =1
x1 , x2 ,L , x p ,
la me-
1 p
xT = x j N j
N j =1
Tema 2, pgina 29 (ejemplo 2.4)

ndice
Ficha
58
CONSIDERACIONES SOBRE LA MEDIA.

1. La media es un resumen de los N datos de la variable (PROMEDIO).
Datos homogneos (cercanos a la media), media representativa.
Datos heterogneos (alejados de la media, extremos), media no representativa.
2. La media es un ESTADSTICO de tipo ABSOLUTO que tiene la misma unidad de medida que la variable. Adems su valor estar dentro del recorrido de la variable:
Re : x m a x M

ndice
Ficha
59
DISPERSIN: LA VARIANZA.
En una V.E. con N datos
X : (x
N
i i =1 ,
las medidas de DISPERSIN miden la
amplitud, diseminacin o VARIABILIDAD de los DATOS, en su conjunto.

Miden la posicin que ocupan los datos respecto a un punto de inters que
tomamos como referencia. La referencia ms apropiada, ptima para la varianza, es la media aritmtica, por ser el centro de gravedad de la distribucin.

ndice
Ficha
60
VARIANZA
s2:
media de los cuadrados de las desviaciones de los datos a su media.

Variable estadstica con N datos en total:
X : (x
N
i i =1
1 N
2
s = ( xi x )
N i =1
2
Distribucin de frecuencias:
X : ( x i , n i )i = 1
k
1 k
2
s = ( x i x ) ni
N i =1
2
Tambin:
s = ( xi x ) f i
2
i =1
Se utilizar preferentemente la primera expresin.

ndice
Ficha
61
En una distribucin agrupada en INTERVALOS: x i m.d .c .

DESVIACIN TPICA
s:
Desviacin tpica s = + varianza

PROPIEDADES DE LA VARIANZA Y LA D.T.
1. s
0 ; s 0 . Son cero cuando todos los datos son iguales.
2. Se demuestra que:
1 N 2
s = xi x 2
N i =1
2
o bien
1 k 2
s = x i ni x 2 . Esta
N i =1
2
expresin resulta til para el clculo de la varianza sobre una distribucin

de frecuencias.
Ejemplo 2.1.
ndice
Ficha
62
CONSIDERACIONES SOBRE LA VARIANZA Y LA DESVIACIN TPICA.

1. La varianza
s2
es una medida de DISPERSIN ABSOLUTA. Tiene la uni-
dad de medida de la variable al cuadrado.

La desviacin tpica
s , sin embargo, tiene la misma unidad de medida que
la variable y es directamente comparable con la media.

2. La desviacin tpica
s,
como medida de DISPERSIN aporta informacin
estadstica sobre la VARIABILIDAD de los DATOS en relacin a su media.

Nos dar informacin acerca de la homogeneidad o heterogeneidad de los
datos en relacin al valor medio de los mismos.
pequea en relacin al valor de la media: media representativa, datos
homogneos.
ndice
Ficha
63
s grande en relacin al valor de la media: media no representativa, datos

heterogneos.
3. COMPARAR DISPERSIN entre dos o ms variables: las desviaciones tpicas de dos o ms variables son comparables directamente si las variables
tienen la misma unidad de medida y el mismo valor para la media.

ndice
Ficha
64
DISPERSIN RELATIVA. EL COEFICIENTE DE VARIACIN

Para comparar la dispersin entre diferentes series de datos (variables) independientemente de sus unidades de medida y del valor de sus medias se utilizar una medida
de DISPERSIN RELATIVA.
Dada una variable X
: ( x i )i =1 ,
N
su media
x 0
y su desviacin tpica
s,
se
define el coeficiente de variacin de Pearson:
g0 =
s
|x|
Habr mayor dispersin relativa donde g0 sea mayor.

Ejemplo 2.2.
Ejemplo 2.3.
Ejemplo 2.4.

ndice
Ficha
65
2.1.2. Momentos.
Dada una variable estadstica
X : (x
N
i i =1 ,
X : ( xi , n
k
i i =1
con su media
x,
se definen:
MOMENTOS ORDINARIOS DE ORDEN p
1 N p
a p = xi
N i =1
1 k p
a p = x i ni
N i =1
con p entero p 0
MOMENTOS ORDINARIOS que se van a utilizar:
1 N
p = 1 a1 = xi = x
N i =1
1 N 2
p = 2 a2 = xi
N i =1
(media)

ndice
Ficha
66
MOMENTOS CENTRALES DE ORDEN p
1 N
p
m p = ( xi x )
N i =1
1 k
p
m p = ( x i x ) ni
N i =1
con p entero p 0
MOMENTOS CENTRALES que se van a utilizar:
p = 1 m1
p = 2 m2
p = 3 m3
p = 4 m4
1 N
= ( xi x ) = 0
N i =1
1 N
2
= ( xi x ) = s 2
N i =1
1 N
3
= ( xi x )
N i =1
1 N
4
= ( xi x )
N i =1
( varianza)

ndice
Ficha
67
LA VARIANZA EN FUNCIN DE LOS MOMENTOS.

En funcin de la segunda propiedad dada para la varianza y de las definiciones de los momentos ordinarios y centrales se tiene que:
1 N
1 N 2
2
s = m2 = ( xi x ) = xi x 2 = a 2 a12
N i =1
N i =1
2

ndice
Ficha
68
2.1.3. Medidas de forma o perfil.

ASIMETRA: perfil horizontal de la distribucin.
La media es el c.d.g. de la distribucin (de la variable, de la serie de datos
ordenada) y se desplazar hacia donde haya mayor densidad de datos. Se
estudia la simetraasimetra de la distribucin tomando como referencia el
c.d.g.
Si hay mayor densidad de datos al principio de la distribucin (datos menores), la
media se desplaza hacia la izquierda, dejando una cola de datos a su derecha:
ASIMETRA A LA DERECHA DE LA MEDIA.
Si hay mayor densidad de datos al final de la distribucin (datos mayores), la
media se desplaza hacia la derecha, dejando una cola de datos a su izquierda:
ASIMETRA A LA IZQUIERDA DE LA MEDIA.
Si la distribucin de datos es igual a izquierda y derecha de la media: SIMETRA
ndice
Ficha
69
ASIMETRA A LA DERECHA
ASIMETRA A LA IZQUIERDA
media
media
SIMETRA
media

ndice
Ficha
70
COEFICIENTE DE ASIMETRA DE FISHER.

A partir del momento central de orden impar
1 N
3
m 3 = ( xi x )
N i =1
se define
el coeficiente de asimetra de FISHER:
m3
g1 = 3
s
Si m3 > 0 g 1 > 0 ASIMETRA A LA DERECHA
SIMETRA m3 = 0 g 1 = 0 (observar grfico)
Si m3 < 0 g 1 < 0 ASIMETRA A LA IZQUIERDA

ndice
Ficha
71
APUNTAMIENTO O CURTOSIS: perfil vertical de la distribucin.

Las medidas de apuntamiento proporcionan informacin estadstica de la
distribucin, relativa a la densidad de datos que hay en las proximidades de
la media (c.d.g.).
Si la densidad de datos alrededor de la media es muy dominante: distribucin MUY APUNTADA, rectngulos del histograma centrales con mucha
altura.
Si la densidad de datos alrededor de la media no es dominante: distribucin POCO APUNTADA, rectngulos del histograma centrales con poca altura.

ndice
Ficha
72
COEFICIENTE DE APUNTAMIENTO O CURTOSIS DE FISHER.

A partir del momento central de orden cuatro
1 N
4
m 4 = ( xi x )
N i =1
se defi-
ne el coeficiente de apuntamiento de FISHER:
m4
g2 = 4
s
Para medir con este coeficiente el grado de apuntamiento de una distribucin se utilizarn dos MODELOS de distribucin de REFERENCIA:
MODELO NORMAL: distribucin campaniforme con un apuntamiento de
g 2 = 3.
MODELO UNIFORME: distribucin horizontal con un apuntamiento de
g 2 = 1,8 .
ndice
Ficha
73
Apuntamiento = 3
MODELO NORMAL
Apuntamiento = 1,8
MODELO UNIFORME

ndice
Ficha
74
De esta forma se seguirn los siguientes criterios para medir el apuntamiento de una
distribucin:
Si g 2 > 3 ms apuntada que el modelo NORMAL (leptocrtica)

Si g 2 = 3 mismo apuntamiento que el modelo NORMAL (mesocrtica)
Si g 2 < 3 menos apuntada que el modelo NORMAL (platicrtica)
Apuntamiento >3
Apuntamiento<3 y >1,8

ndice
Ficha
75
Si g 2 = 1,8 mismo apuntamiento que modelo UNIFORME (horizontal).

Si g 2 < 1,8 forma de " U" (ms densidad de datos en los extremos) .
Ejemplo 2.5.
Ejemplo 2.6.
Apuntamiento <1,8

ndice
Ficha
76
2.2.Transformaciones lineales y tipificacin de variables.

2.2.1. Transformaciones lineales.
Dada una V.E.
X : ( x i )i = 1
N
y dos nmeros reales k, c, se distinguirn tres tipos de
transformaciones lineales de la variable X en otra variable X:
1.
N
X : ( xi )i =1 X ( xi = xi + c )
2.
X : (x
3.
X : ( xi )i =1 X ( xi = kxi + c )
) X ( xi = kxi )
N
i i =1
cambio de origen o unidad
cambio de escala
transforma cin lineal completa
EN GENERAL LO PODEMOS EXPRESAR:
1. X' = X + c
2. X' = kX
3. X' = kX + c
(cambio de origen)
(cambio de escala)
(transformacin lineal completa)
ndice
Ficha
77
PROPIEDADES DE TRANSFORMACIN LINEAL.

Si transformamos linealmente los datos de una variable, los estadsticos de la misma
(media, varianza, momentos, coeficientes) se ven afectados como sigue:
1. x ' = x + c
MEDIA
VARIANZA
2. x ' = kx
3. x = kx + c
(cambio de origen)
(cambio de escala)
1. s X2 = s X2
(cambio de origen)
2. s X2 = k 2 s X2
(cambio de escala)
3. s X2 = k 2 s X2

ndice
Ficha
78
DESVIACIN
TPICA
1. s X = s X
(cambio de origen)
2. s X = k s X
(cambio de escala)
3. s X2 = k s X
1. m p ( X ) = m p ( X )
MOMENTOS
( cambio de origen)
2. m p ( X ) = k p m p ( X ) ( cambio de escala)
3. m p ( X ) = k p m p ( X ) ( transformacin lineal completa)
Ejemplo 2.7.
Ejemplo 2.8.

ndice
Ficha
79
COEFICIENTE DE VARIACIN DE PEARSON
1. X' = X + c
(cambio de origen)
sX
sX
1. g 0 ( X ) =
=
g0 ( X )
| x | | x + c |
2. X' = kX
(cambio de escala)
sX | k | sX sX
2. g 0 ( X ) =
=
=
= g0 ( X )
| x | | k || x | | x |
3. X' = kX + c (transformacin lineal completa)

sX
| k | sX
3. g 0 ( X ) =
=
g0 ( X )
| x | | kx + c |
ndice
Ficha
80
COEFICIENTE ASIMETRA DE FISHER
1. X' = X + c
(cambio de origen)
m3 ( X ) m3 ( X )
1. g 1 ( X ) =
=
= g1( X )
3
3
sX
sX
2. X' = kX
(cambio de escala)
m 3 ( X ) k 3 m 3 ( X ) m 3 ( X )
=
=
= g1(X )
Si k > 0 g 1 ( X ) =
3
3 3
3
sX
k sX
sX
2.
3
3
Si k < 0 g ( X ) = m 3 ( X ) = k m 3 ( X ) = k m 3 ( X ) = g ( X )
1
1
3
3
3
3 3
|
|
s
k
s
k
s
X
X
X
Si k es negativo cambia el signo de la asimetra, pero el grado de asimetra no.

ndice
Ficha
81
3. X' = kX + c
Lo mismo que en 2.:
m 3 ( X ) k 3 m 3 ( X ) m 3 ( X )
=
=
= g1(X )
Si k > 0 g 1 ( X ) =
3
3 3
3
sX
k sX
sX
3.
3
3
(
)
(
)
m
X
k
m
X
k
m3 ( X )
Si k < 0 g ( X ) = 3
3
=
=
= g1(X )
1
3
3
3
3 3
k sX
| k | sX
sX
El coeficiente de asimetra es invariante por transformacin lineal, salvo en el signo.

ndice
Ficha
82
COEFICIENTE DE APUNTAMIENTO DE FISHER
1. X' = X + c
(cambio de origen)
m4 ( X ) m4 ( X )
1. g 2 ( X ) =
=
= g2( X )
4
4
sX
sX
2. X' = kX
(cambio de escala)
m4 ( X ) k 4 m4 ( X )
2. g 2 ( X ) =
=
= g2( X )
4
4 4
sX
k sX
3. X' = kX + c
m4 ( X ) k 4 m3 ( X )
3. g 2 ( X ) =
=
= g2( X )
4
4 4
sX
k sX
El coeficiente de apuntamiento es invariante por transformacin lineal.
ndice
Ficha
83
2.2.2. Tipificacin de variables.

Sea X : ( x i )i =1 una V.E. y
N
x , s2
su media y varianza respectivamente.
Para cada valor x i de la variable se define su PUNTUACIN TIPIFICADA

como:
zi =
zi
xi x
s
es un valor relativo y mide la distancia del valor
xi
a la media x , en
unidades de desviacin tpica.

Si un valor
zi
es positivo, el valor
Si un valor
zi
es negativo, el valor
xi
xi
ser mayor que la media.

ser menor que la media.

ndice
Ficha
84
Si se tipifican los N valores de una V.E., se obtendrn N puntuaciones tipificadas que constituyen otra variable que se denominar:
VARIABLE ESTADSTICA TIPIFICADA
Z : ( z i )i =1
N
PROPIEDADES DE LA VARIABLE TIPIFICADA.

1. La media de la V.E. tipificada es cero:
z =0
2. La varianza de la V.E. tipificada es uno:
s Z2 = 1
Por tanto cualquier variable que tipifiquemos se transforma en otra de media

cero y desviacin tpica uno:

ndice
Ficha
85
X (x )
x sX
N
i i =1
VARIABLE TIPIFICADA
Z (z i )
Y ( y i )i =1
y sY
N
N
i =1
z = 0 sZ = 1
LOS VALORES TIPIFICADOS se utilizarn para:

Comparar valores de diferentes variables, independientemente de la
unidad de medida de las mismas y del valor de sus medias y desviaciones tpicas.
Para medir la dispersin relativa de un valor concreto de una variable.
Ejemplo 2.9.
Ejemplo 2.10.
Ejemplo 2.11.

ndice
Ficha
86
2.2.3. Regla de Tchebysheff.
Dada una variable estadstica cualquiera X : ( x i )i =1 con N observaciones, de

N
media
y desviacin tpica s, y dado un nmero real positivo k mayor que
1; al menos un porcentaje
de 1 2
k
cuentra dentro del intervalo de valores
x 100 de las observaciones se en-
x ks ,
es decir, entre k desviacio-
nes tpicas alrededor de la media aritmtica.

Ejemplo 2.12.

ndice
Ficha
87
UTILIDAD DE LA REGLA DE TCHEBYSHEFF

Si de una V.E. X no se tiene informacin de sus valores concretos, ni de
su distribucin de frecuencias, pero se conoce el valor de su media x y
la desviacin tpica s se puede obtener informacin sobre el recorrido de
los datos de la variable dando intervalos de valores alrededor de la media x ks .
As por ejemplo:
Para
Para
Para
1
= 0 ,75 ms del 75% de los datos de una V.E. estar
2
k
en el intervalo x 2 s .
1
k = 2,5 1 2 = 0 ,84 ms del 84% de los datos de una V.E. estar
k
en el intervalo x 2 ,5 s
k=2
k=3
1
k
= 0,8889 ms del 88%-89% de los datos de una V.E.

estar en el intervalo
x 3s .

ndice
Ficha
88
2.3. Otras medidas de posicin: moda, cuantiles (mediana).

MODA (Mo):
La moda es una medida de posicin que identifica en la distribucin de una
V.E. el valor o la zona de valores ms frecuente o de mayor densidad de frecuencia (zona modal). En una misma distribucin puede haber ms de una
moda o zonas modales.
DETERMINACIN DE LA MODA:
En una distribucin con pocos datos diferentes, y por tanto, SIN AGRUPAR, la MODA es el valor (o valores) de la distribucin con mayor frecuencia.
En distribuciones con muchos datos diferentes y, por tanto, AGRUPADA
en intervalos, se determinar el INTERVALO, ZONA o CLASE MODAL
ndice
Ficha
89
[Li 1 , Li [ como aquel intervalo con mayor densidad de frecuencia

frecuencia
d i (o
ni , si todos tienen la misma amplitud).
Como valor representante de la MODA dentro de la clase modal i-sima
[Li 1, Li [ de densidad d i
y amplitud
a i se dar el siguiente:
d i +1
ai
Mo = Li 1 +
d i 1 + d i + 1
Ejemplo 2.13.

ndice
Ficha
90
CUANTILES: Q
DEFINICIN GENERAL: Dada una V.E.
X : ( x i )i = 1
N
NADOS DE MENOR A MAYOR y dado un nmero real

que el valor
con N valores ORDE-
(0 < < 1), se dir
x del recorrido de la variable es un CUANTIL DE ORDEN si:
como mnimo, un porcentaje del

o iguales que
( 100 )
de los valores son menores
x.
y, como mnimo, un porcentaje del

mayores o iguales que
(( 1 ) 100 )
de los valores son
x.
NOTACIN:
Q = x
(cuantil de orden

ndice
Ficha
91
DETERMINACIN DE CUANTILES.
Sea una V.E.
X : ( xi )i =1
N
con N valores, y sea
X : ( xi , ni , N i , Fi )i =1
k
su dis-
tribucin de frecuencias con los datos ordenados de menor a mayor.

REGLA GENERAL: se tomar como cuantil de orden ,
lor
xi
Q , el primer va-
de la distribucin de frecuencias que tenga asignada una frecuen-
cia relativa acumulada

taje acumulado
acumulada
Ni
Fi
superior al orden del cuantil
( Fi 100 )
superior a
superior al
( 100 ),
. (O un porceno una frecuencia
N ).

ndice
Ficha
92
CASO ESPECIAL: si un valor
xi
de la distribucin de frecuencias tiene
asociada una frecuencia relativa acumulada

te con el orden del cuantil
Fi
( Fi = ),
que coincide exactamense tomar como cuantil
xi + xi +1
Q =
, es decir el punto medio entre x i
2
la distribucin x i +1 .
y el siguiente valor de

ndice
Ficha
93
Si la distribucin contiene muchos datos diferentes, AGRUPADOS EN INTERVALOS y se pretende determinar los cuantiles manualmente sobre la
distribucin agrupada, se proceder como sigue:
se determinar el intervalo o clase del cuantil
[Li 1 , Li [
como el
Fi
superior
primer intervalo con una frecuencia relativa acumulada

al orden del cuantil
y, dentro de ese intervalo se dar como una
aproximacin al cuantil:
Fi 1
Q = Li 1 +
ai
fi
o tambin, la expresin equivalente:
N N i 1
Q = Li 1 +
ai
ni
ndice
Ficha
94
FAMILIAS DE CUANTILES MS UTILIZADAS:

LA MEDIANA (Me): la mediana es el cuantil de orden
= 0 ,5
Me = Q0 ,5
Es decir, la MEDIANA es un valor que divide por la MITAD la distribucin (MEDIDA DE POSICIN CENTRAL).
CUARTILES (Ci): los cuartiles son tres cuantiles que dividen la distribucin en cuartos. Son los cuantiles de rdenes
C1 = Q0 ,25 C 2 = Q0 ,50
: 0,25 , 0,50 y 0,75.
C 3 = Q0 ,75
PERCENTILES (Pi): 99 cuantiles que dividen en 100 partes la distribucin.
P1 = Q0 ,01 ,L P30 = Q0 ,30 ,L P50 = Q0 ,50 ,L P80 = Q0 ,80 ,L P99 = Q0 ,99

Ejemplo 2.14.
Ejemplo 2.15.
ndice
Ficha
95
Conceptos clave.
Apuntamiento o curtosis (coeficientes de Fisher).

Asimetra.
Coeficiente de variacin.
Cuantil.
Desviacin tpica.
Dispersin absoluta.
Dispersin relativa.
Media (aritmtica).
Mediana.
Moda.
Puntuacin tipificada.
Transformacin lineal.
Varianza.

ndice
Ficha
96
EJEMPLOS.
Ejemplo 2.1.
2.1.A. Calclese la media y la varianza de las siguientes series de valores:
X: 1
Y: 6
Z: -19
W: 2
Solucin:
2
7
4
2
3
8
7
3
4
9
12
2
x = 3 s X2 = 2
z = 5 s Z2 = 177 ,2
5
10
21
6
y = 8 sY2 = 2
w = 4 sW2 = 4 ,2857

ndice
Ficha
Texto
97
2.1.B. Calclese la media y la varianza de la siguiente distribucin de frecuencias agrupada:

Intervalos
Solucin:
x = 3 ,5
Frecuencia
23
10
34
40
45
10
1
s = = 0 ,33
3
2

ndice
Ficha
Texto
98
2.1.C. Calcula la media de la siguiente distribucin de frecuencias agrupada:

Intervalos
Frecuencia
0 15
Solucin:
15 25
12
25 30
12
x 20 ,5
2.1.D. Calclese la media y la varianza de la siguiente distribucin:

xi
fi
frecuencia relativa
0,2
0,4
0,3
0,1
Solucin: media 5,4 y varianza 4,44.

ndice
Ficha
Texto
99
Ejemplo 2.2.
2.2.A. Las dos muestras siguientes tienen la misma dispersin absoluta
(desviacin tpica y varianza) pero diferente dispersin relativa (coeficiente
variacin):
a) 1
b) 1321
1322
1323
1324
1325
1326
1327
Sin realizar ningn clculo: razona cul de ellas tendr menor dispersin relativa, es decir, qu conjunto de datos es ms homogneo. Tiene algo que
ver con la distancia de los datos al origen y el valor de las medias respectivas?
Por qu tienen la misma dispersin absoluta? (distancia de los datos a la
media).
En un cambio de origen, la dispersin absoluta (S) no cambia pero la disper-
s
sin relativa s . Calcula la media y varianza de las dos series de datos y
x
comprueba lo anterior.

ndice
Ficha
Texto
100
2.2.B. Las dos muestras siguientes tienen diferente dispersin absoluta pero
la misma dispersin relativa:
a) 1
b) 5
10
15
20
25
30
35
Sin realizar ningn clculo: razona cul de ellas tendr menor dispersin absoluta.
Por qu tienen la misma dispersin relativa? Guardan alguna proporcin
los datos de a) con los datos de b)? Tiene esto algo que ver con un cambio
de escala?
En un cambio de escala, la dispersin absoluta s cambia pero la relativa no
cambia. Calcula la media y varianza de las dos series de datos y comprueba
lo anterior.
ndice
Ficha
Texto
101
Ejemplo 2.3. Un fabricante de detergentes quiere comprar una mquina

empaquetadora que realice la operacin de llenar bolsas de 250 gramos. La
casa A le ofrece una mquina con la cual realiza unas pruebas y obtiene los
siguientes resultados: 250, 252, 248, 253, 247.La casa B le ofrece otra y,
realizando pruebas, obtiene los siguientes resultados: 258, 252, 247, 248,
245. Qu mquina le interesa ms comprar? (Calcular media y varianza y
comparar dispersin).
Solucin:
x A = 250 gr . s A = 2 ,28 x B = 250 gr . s B = 4 ,604
Como las medias son iguales y tienen la misma unidad de medida,

las desviaciones tpicas son comparables directamente: la de A es
menor que la de B.

ndice
Ficha
Texto
102
Ejemplo 2.4. En dos empresas se ha observado al colectivo de trabajadores

que causa baja laboral por motivos de enfermedad. El nmero medio de
horas perdidas por este motivo en la empresa A ha sido de 130h y en la
empresa B de 40h. As mismo, las desviaciones tpicas respectivas han sido
de 60h y 45h. En qu empresa hay mayor dispersin relativa en el nmero
de horas perdidas? Dnde es ms representativa la media?

ndice
Ficha
Texto
103
Ejemplo 2.5. Calcula los coeficientes de asimetra y curtosis de Fisher de

los valores:
a) 1
2
3
4
5
b) 1
c) 1

ndice
Ficha
Texto
104
Ejemplo 2.6. Explica cul de las siguientes variables estadsticas tiene una
curva de frecuencias ms aproximada al modelo normal, comentando en cada caso la forma de la curva de frecuencias correspondiente (asimetra y
apuntamiento):
1
1
2
3
A ) m2 = ( xi x ) ni = 144 m3 = ( xi x ) ni = 0
N
N
1
4
m4 = ( xi x ) ni = 103.680
N
B ) s = 12
m3 = 936 m4 = 20.736
s = 10
C)
m3 = 85 m4 = 29.740
Sol.: La C es la ms aproximada al modelo normal.

ndice
Ficha
Texto
105
Ejemplo 2.7. Dada la variable estadstica X de media 15 y varianza 4, calcular la media y la varianza de las siguientes variables:
a) Z = X + 3
b) Y = 4 X
c) Y = -4X
d) W = 6 X 1
En qu variable el coeficiente de variacin de Pearson sern igual al de X?
Solucin:
a)
z = 18
s Z2 = 4
b)
y = 60
sY2 = 64
c)
y = 60
sY2 = 64
d)
w = 89
sW2 = 144 )

ndice
Ficha
Texto
106
Ejemplo 2.8. Analizadas las ventas (en miles de u.m.) en 1999 de 100
empresas de un determinado sector se ha obtenido una media de 500 u.m.
y una desviacin tpica de 3,5 u.m.
Calcular la media y la varianza para el ao 2000 en los siguientes supuestos:
a) Las ventas sufren un aumento del 20% en todas las empresas.
b) Las ventas se incrementan en todas las empresas en 100 miles de u.m.
Solucin: a)
y = 600, sY2 = 17,64
b)
y = 600, sY2 = 12,25

ndice
Ficha
Texto
107
Ejemplo 2.9. Tipifica los valores obtenidos en el ejemplo 2.3 para la casa B
y comprueba que la media de las puntuaciones tipificadas es 0 y la desviacin tpica 1.

ndice
Ficha
Texto
108
Ejemplo 2.10. Los estudiantes de un grupo determinado de primer curso

de la licenciatura en ECO han realizado dos pruebas, A y B. La calificacin
media en la primera de ellas es de 6,5 puntos con una desviacin tpica de
2,36, mientras que en la segunda prueba, la media y la desviacin tpica han
sido respectivamente de 5 y 1,32 puntos. Un estudiante ha obtenido una calificacin de 7,5 en la prueba A y de 7 en la prueba B. En qu examen ha
obtenido una nota relativa ms alta?

ndice
Ficha
Texto
109
Ejemplo 2.11. Cristina y Ral, dos compaeros de un grupo de Estadstica,

mantienen la siguiente conversacin:
Cristina: creo que como estudiante universitaria soy ms alta que t, Ral.
Ral: lo dudo, cunto mides?
1,70 m. contest Cristina- y t?
1,76 m., replic Ral mientras diriga su mirada hacia los zapatos de
Cristina- las apariencias engaan.
S, puede ser que las apariencias engaen, pero la Estadstica no
argument Cristina-. He ledo un estudio sobre la estatura de los estudiantes de la Universidad de Valencia y da como resultado que la altura media
de las chicas es de 168 cm. con una desviacin tpica de de 5 cm., mientras que las de los chicos son de 174 y 10 centmetros respectivamente.
y? pregunt Ral-.
Contestar a Ral (con instrumentos estadsticos).

ndice
Ficha
Texto
110
Ejemplo 2.12. Se lleva a cabo un estudio para determinar el tiempo necesario para realizar una operacin especfica en una empresa. El tiempo necesario (en minutos) para realizar la operacin se midi para N = 40 trabajadores (entre los que ests incluido t) y los resultados fueron los siguientes:
x = 13,8
s = 1,7
Describir aproximadamente los datos aplicando el coeficiente de variacin de

Pearson y los intervalos
x ks (regla de Tchebysheff).
Si t has tardado en realizar ese trabajo 10 minutos solamente, Consideras

que tu tiempo est muy por debajo de la media, o por el contrario crees que
est dentro de unos lmites normalmente razonables?

ndice
Ficha
Texto
111
NOTA: REGLA DE TCHEBYSHEFF: Dada una variable estadstica cualquiera

X(xi) con N observaciones, de media
y desviacin tpica s, y dado un n-
mero real positivo k mayor que 1; al menos un porcentaje de 1 2 x100

k
de las observaciones se encuentra dentro del intervalo de valores x ks , es

decir, entre k desviaciones tpicas alrededor de la media aritmtica.

ndice
Ficha
Texto
112
Ejemplo 2.13. Calclese la MODA de los siguientes conjuntos de datos y

distribuciones:
a)
X : 2, 2, 3, 2, 6, 7, 6
b)
1,5 2,5
12
Intervalos
0,2 0,3
0,3 0,4
2,5 3,0
12
0,4 0,5
Intervalos
0,0 1,5
Solucin:
Frecuencia
a ) Mo = 2
Frecuencia
10
40
8
b ) Mo = 2 ,5 Mo = 0 ,35 o 0 ,344

ndice
Ficha
Texto
113
Ejemplo 2.14. Se les pide a doce economistas que den una prediccin sobre el incremento del IPC para el ao 2003. Dichas predicciones fueron:
4,0
3,9
3,2
3,5
3,8
3,3
3,5
3,4
3,7
3,6
3,4
3,2
Calclese la mediana, la moda y el primer cuartil de dichas predicciones.

ndice
Ficha
Texto
114
Ejemplo 2.15. Calclese la moda y los cuantiles de orden 0,25, 0,50 (mediana) y 0,75 (cuartiles) en los ejemplos 4 y 5 del tema 1.

ndice
Ficha
Texto
TEMA 3
MEDIDAS DE CONCENTRACIN
116
Medidas de concentracin.
Ficha del tema 3.

3.1. Introduccin: concepto, instrumentos, concentracin mnima y mxima.
3.2. Curva de Lorenz.
3.3. ndice de Gini.
Conceptos clave.
Ejemplos.

ndice
Ficha
117
Estudiar como se reparte o distribuye la masa o volumen total de la variaN
ble, x n , entre los N elementos de la muestra o poblacin tanto grfica

i
i =1
(curva de Lorenz) como analticamente (ndice de Gini)

ndice
Ficha
118

Tema 2 (2.6, pgina 55). (Con ejercicios, cuestiones de autoevaluacin y problemas resueltos y propuestos).
Captulo 4 (4.5, pgina 102).

ndice
Ficha
119
3.1. INTRODUCCIN. CONCEPTO. INSTRUMENTOS. CONCENTRACIN

MNIMA Y MXIMA.
Concepto: dada una variable estadstica X (x ) y su distribucin de frecuencias (x , n ) , con los datos ordenados de menor a mayor, estudiar la concentracin de la V.E. consiste en medir cmo est repartida (distribuida) la
masa o volumen total de la variable entre los N elementos de la poblacin.
N
i i =1
k
i i =1
El volumen total de la variable es la agregacin de todos los valores y lo

llamamos
v = xn
k
i =1
i i
Instrumentos para medir la concentracin: la concentracin se medir comparando dos indicadores que se obtendrn a partir de la distribucin de frecuencias de los valores de la variable:
Uno relativo a los N elementos de la poblacin y que se obtiene a partir
de las frecuencias acumuladas:
ndice
Ficha
120
N i = n j pi =
j =1
Ni
x100
N
(i = 1, 2,, k)
pk=100 siempre.
pi representa el porcentaje acumulado de elementos de la poblacin
hasta el lugar i-simo (Fi x 100).
El otro relativo a la masa o volumen de variable y que se obtiene a partir de la cantidad de variable (xi ni) que van acumulando los elementos
de la poblacin:
i
vi = x j n j qi =
j =1
vi
x100
vk
(i = 1, 2,, k)
qk=100 siempre.
qi representa el porcentaje acumulado de volumen de variable hasta el
lugar i-simo.
vi es la cantidad de variable acumulada hasta el lugar i-simo de la distribucin (ordenada de menor a mayor).
ndice
Ficha
121
Concentracin mnima y mxima:

Mnima: cuando el volumen total vk est equidistribuido entre los N elementos de la poblacin. En este caso cada elemento acumulara el misxn
v
mo volumen de variable: =
=x
k
i =1
i i
Entonces: pi = qi (i = 1, 2,, (k-1)). (pK = qk siempre).

Mxima: en este caso el volumen vk total lo acumulara un solo elemento y los (N-1) restantes nada. Como los valores de la distribucin estn
ordenados de menor a mayor, este elemento aparecera al final de la
distribucin y entonces:
Para cada pi , qi = 0 (i = 1, 2,, (k-1)).

ndice
Ficha
122
3.2. CURVA DE LORENZ...

La curva de Lorenz es la representacin grfica de la concentracin: se obtiene al representar en unos ejes de coordenadas los valores (pi , qi).
La concentracin mnima vendra representada por la bisectriz pi = qi (i = 1,

2,, (k-1))
La concentracin mxima dara lugar a una curva pegada al eje de abscisas.
Ejemplo 3.1.
ndice
Ficha
123
3.3. ndice de Gini.

El ndice de Gini es el cociente entre el rea que encierra la curva de Lorenz
con la bisectriz y el rea del tringulo OPQ.
Una aproximacin del ndice de Gini es:
k 1
IG =
(p
i =1
qi )
k 1
p
i =1
Concentracin mnima I = 0
Concentracin mxima I = 1
G
Ejemplo 3.2.

ndice
Ficha
124
Conceptos clave.
Concentracin.
Curva de Lorenz.
ndice de Gini.

ndice
Ficha
125
EJEMPLOS.
Ejemplo 3.1. Observa las curvas de Lorenz representadas a continuacin:
q
Cul de las dos situaciones representa una distribucin ms equitativa?

ndice
Ficha
Texto
126
Ejemplo 3.2. Los salarios (en euros) de los obreros de cierta empresa se
distribuyen como sigue:
n obre- Masa
ros
salarial
540 660
4
2280
660 780
6
4200
780 900
5
4320
Salarios
Obtener la curva de concentracin y el ndice de Gini.

Solucin. Ig=0,131

ndice
Ficha
Texto
TEMA 4
ANLISIS DE DATOS
MULTIDIMENSIONALES
128
Anlisis de datos bidimensionales.
Ficha del tema 4.

4.1. Representacin de datos multidimensionales: matriz de datos, tablas de
correlacin y contingencia, grfico de dispersin.
4.2. Distribuciones conjuntas, marginales y condicionadas. Independencia
estadstica.
4.3. Momentos. Vector de valores medios y matriz de varianzas-covarianzas.
4.4. El coeficiente de correlacin lineal simple. Matriz de correlacin.
4.5. Asociacin.
Conceptos clave.
Ejemplos.
ndice
Ficha
129
Manejo de tablas de correlacin o distribuciones de frecuencias conjuntas
para dos variables numricas.
Obtencin de las distribuciones marginales y condicionadas a partir de la
conjunta.
Clculo e interpretacin de los estadsticos de la variable bidimensional, especialmente de la covarianza y del coeficiente de correlacin lineal.
Aspecto y propiedades de la matriz de varianzas covarianzas.
Clculo de los estadsticos de una variable combinacin lineal de otras dos.
Cmo observar la independencia entre dos variables o atributos a partir de
la distribucin conjunta.
Estudio del grado de asociacin entre dos atributos a partir de la tabla de
contingencia, calculando el estadstico ji cuadrado y el coeficiente de contingencia de Pearson.

ndice
Ficha
130

ESTEBAN, J.; y otros.: Estadstica Descriptiva y nociones de Probabilidad, Ed. Thomson, 2006 (segunda impresin).
Tema 3 para tema 4. (Con ejercicios, cuestiones de autoevaluacin y
problemas resueltos y propuestos).
Captulo 5 para tema 4.
MARTN PLIEGO, F.J.: Introduccin a la Estadstica Econmica y Empresarial, Ed. Thomson. Madrid 2004 (3 edicin).
Captulo 14 (pgina 564, tablas de contingencia) para epgrafe 5.
Asociacin.

ndice
Ficha
131
4.1. Representacin de datos bidimensionales: matriz de datos, tablas de correlacin y contingencia, grfico de dispersin.
VARIABLE ESTADSTICA BIDIMENSIONAL (V.E.B.):
Si se observan y miden simultneamente dos caractersticas o propiedades
sobre los mismos elementos de una poblacin se obtiene una V.E.B. (X, Y)
que generar una serie de N datos de aspecto bidimensional
( xi , yi )iN=1
N datos sin elaborar
V.E.B.
(X, Y)
(x , y )
i
N
i =1
( x1 , y1 ),( x 2 , y 2 ),L ,( x N , y N )

ndice
Ficha
132
MATRIZ DE DATOS
X
x1
x2
M
Y
y1
y2
M
xi
M
xN
yi
M
yN
Si X tiene k valores
diferentes.
Si Y tiene m valores
diferentes
( xi , y j ) nij
i = 1 ,2 , L , k
j = 1 ,2 , L , m
Vector de valores que

se repite
nij
veces
TABLA DE CORRELACIN
y1
y2
x1
n11
n12
L n1 j
L n1 m
x2
n 21
n 22
L n2 j
L n2 m
M
xi
M
ni 1
nij
M
L nim
xk
nk 1
ni 2
yj
ym
M
nk 2
L n kj
k
L n km
m
n = N
i =1 j =1
ij
Tambin se podran agrupar los valores de X en k intervalos y los de Y en m intervalos.

ndice
Ficha
133
GRFICO DE DISPERSIN
N
Parejas de valores ( xi , y i )i =1
grfico dispersin
Ejemplo 4.1.

ndice
Ficha
134
4.2. Distribuciones conjuntas, marginales y condicionadas. Independencia estadstica.

DISTRIBUCIN CONJUNTA: la distribucin conjunta de una V.E.B. (X, Y)
puede venir representada tanto por la matriz de datos como por la tabla de
correlacin, con las parejas de valores y sus frecuencias.
( X ,Y ) :
(( x , y
); nij ) nij frecuencia absoluta conjunta

nij
i = 1 ,2 , L , k
frecuencia relativa conjunta
f ij =
j = 1 ,2 , L , m
N
i
Ejemplo 4.1.

ndice
Ficha
135
DISTRIBUCIONES MARGINALES.
X \Y
y1
y2
x1
n11
n12
n1j
n1m n1
x2
n21
n22
n2j
n2m n2
yj
ym
ni
MARGINAL X
valores
frecuencia
xi
ni
ni = suma
por filas
(n )
ij
xi
ni1
ni2
nij
nim
ni
xk
nk1
nk2
nkj
nkm nk
nj
n1
n2
nj
nm
ni = nij
j =1
ni
f i =
N
frec. relativa

ndice
Ficha
136
X \Y
y1
y2
x1
n11
n12
n1j
x2
n21
n22
n2j
xi
ni1
ni2
yj
nij
ym
ni
MARGINAL DE Y:
n1m n1 valores
frecuencia
n2m n2
n j = suma
nim
ni
yj
n j
por columnas
(n )
ij
n j = nij
i =1
xk
nk1
nk2
nkj
nkm
nk
nj
n1 n2
nj
nm
f j =
n j
N
frec. relativa

ndice
Ficha
137
DISTRIBUCIONES CONDICIONADAS
Y
X
VARIABLE X CONDICIONAy1
y2
yj
ym
ni
x1
n11
n12
n1j
n1m n1
x2
n21
n22
n2j
n2m n2
xi
ni1
ni2
nij
nim
ni
xk
nk1
nk2
nkj
nkm
nk
nj
n1
n2
nj
nm
DA A UN VALOR DE Y.
X/yj (j fijo):
valores
frecuencia :
columna j - sima nij
( i = 1,2 ,L , k )
xi
ni / j
fi / j
nij
=
n j
frec. relativa cond.
fi / j
f ij
=
f j

ndice
Ficha
138
Y
X
VARIABLE Y CONDICIONADA A
y1
y2
yj
ym
ni
x1
n11
n12
n1j
n1m n1
x2
n21
n22
n2j
n2m n2
xi
ni1
ni2
nij
nim
ni
xk
nk1
nk2
nkj
nkm
nk
nj
n1
n2
nj
nm
Ejemplo 4.2.
UN VALOR DE X.
Y/xi (i fijo):
yj
valores
frecuencia :
fila i - sima nij
nj / i
( j = 1,2 ,L , m )
f j/i
nij
=
ni
f j/i
f ij
=
f i
Ejemplo 4.3.
ndice
Ficha
139
INDEPENDENCIA ESTADSTICA.
CARCTERIZACIN DE LA INDEPENDENCIA. Dada una V.E.B.
Y
X
( X ,Y ) :
y1
y2
yj
ym
ni
x1
n11
n12
n1j
n1m n1
x2
n21
n22
n2j
n2m n2
(( x , y
i
); nij )i =1 j =1
k
X e Y son INDEPENDIENTES
si:
f ij = f i f j i , j
es decir:
xi
ni1
ni2
nij
nim
ni
xk
nk1
nk2
nkj
nkm
nk
nj
n1
n2
nj
nm
nij ni n j
=
i , j
N N N
Equivalente a:
nij =
ni n j
N

ndice
Ficha
140
PROPIEDAD.
Si dos variables X e Y son independientes, la frecuencias relativas condicionadas coinciden con las respectivas marginales.
(f )
(f )
i=
= ( f i )i =1
X e Y independientes entonces:
i/ j
j/i
j =1
= ( f j ) j =1
(para cada
X / yj )
(para cada Y / x )
i
Es decir:
las columnas de frecuencias relativas condicionadas coinciden entre s y,
a su vez, con las frecuencias relativas de la marginal X.
las filas de frecuencias relativas condicionadas coinciden entre s y, a su
vez, con las frecuencias relativas de la marginal Y.
ndice
Ficha
141
CONSIDERACIONES SOBRE LA INDEPENDENCIA.

En general, una variable bidimensional (X, Y) (su distribucin conjunta)
se obtiene al medir simultneamente las dos variables sobre los mismos
elementos de una poblacin. Si se miden (estudian) por separado las variables X e Y y se obtienen las distribuciones unidimensionales de X e Y
(marginales), a partir de ellas no se puede construir la distribucin conjunta de (X, Y).
Pero si las variables X e Y son independientes, la caracterizacin de la
independencia indica que lo conjunto se descompone en producto de lo
marginal
f ij = f i f j i , j , por tanto:
Si las variables X e Y son independientes, se puede obtener fcilmente la

distribucin conjunta a partir de las marginales:
f i f j = f ij i , j

ndice
Ficha
142
EJEMPLO DE VARIABLES INDEPENDIENTES:

Sea la siguiente distribucin conjunta de dos variables (X, Y):
Comprubese que son independientes a partir de
Y
X
la caracterizacin de la independencia y de la propiedad que relaciona las distribuciones condicionadas con las marginales.
Solucin:
Obsrvese que las columnas de frecuencias conjuntas son claramente proporcionales, al igual que las filas de frecuencias conjuntas.

ndice
Ficha
143
POR LA CARACTERIZACIN DE LA INDEPENDENCIA:
nij =
Y
X
ni
12
nj
6 8
4=
12
ni n j
N
Por ejemplo:
n 2 n 1
n21 =
N
38
2=
12
y as sucesivamente, lo cumplen todas las frecuencias conjuntas.
(Basta comprobarlo para (k-1)x(m-1) celdas nij). En este caso: 2x1.

Por tanto las variables son independientes.
ndice
Ficha
144
POR LA PROPIEDAD QUE RELACIONA LAS CONDICIONADAS CON LAS MARGINALES:

Distribuciones condicionadas X/y y marginal X (frecuencias relativas):
Y
1
fi
2/8
1/4
3/12
2/8
1/4
3/12
4/8
2/4
6/12
nj
12
ni
f i =
N
nij
fi / j =
n j
frec. relativa
2 1 3
= =
8 4 12
Coinciden las dos columnas de distribuciones condicionadas con

la marginal X.
ndice
Ficha
145
Distribuciones condicionadas Y/x y marginal Y (frecuencias relativas):

Y
1
ni
2/3
1/3
2/3
1/3
4/6
2/6
fj
8/12
4/12
12
f j =
f j/i
n j
N
nij
=
ni
frec. relativa
2 2 4 8
= = =
3 3 6 12
Coinciden las tres filas de distribuciones condicionadas con la marginal Y.

ndice
Ficha
146
4.3.MOMENTOS. VECTOR DE VALORES MEDIOS Y MATRIZ DE VARIANZAS COVARIANZAS.

MOMENTOS DE UNA V.E.B. (X, Y).
Dada una V.E.B.
( X ,Y ) :
( xi , y i )
(( x , y
N parejas
( k m) parejas diferentes
N
i =1
); nij )i =1 j =1
k
Definimos:
MOMENTOS ORDINARIOS DE ORDEN (p + q)
1 N p q
a pq = xi y i
N i =1
1 k m p q
a pq = xi y j nij
N i =1 j =1
con p y q enteros
p,q 0
(Se utilizar preferentemente la primera expresin)

ndice
Ficha
147
1 N
1 N
a10 = xi = x a01 = y i = y medias marginales
N i =1
N i =1
1 N
1 k m
o bien a11 =
xi y j nij
a 20 a02
a11 = xi y i
N i =1
N i =1 j =1

ndice
Ficha
148
MOMENTOS CENTRALES DE ORDEN (p + q)
1 k m
p
q
o m pq =
(
x
x
)
(
y
y
)
nij
i
j
N i =1 j =1
con p y q enteros p , q 0
1 N
m pq = ( xi x ) p ( y i y ) q
N i =1
(Se utilizar preferentemente la primera expresin).

VARIANZA marginal de X
1 N
m20 = ( xi x ) 2 = s X2
N i =1
VARIANZA marginal de Y
1 N
m02 = ( y i y ) 2 = sY2
N i =1
COVARIANZA sXY
1 N
m11 = ( xi x )( y i y )
N i =1
1 k m
o bien m11 =
( xi x )( y j y )nij
N i =1 j =1
s XY = m11
ndice
Ficha
149
LA COVARIANZA sXY
La covarianza es el momento central de orden dos m11.
s XY
1 N
= m11 = ( xi x )( y i y )
N i =1
La covarianza es un estadstico conjunto que mide la covariacin (variabilidad conjunta) lineal de las variables X e Y.
La covarianza puede ser positiva o negativa. Su signo marca la direccin
de la covariacin.
s XY > 0 , covariacin positiva: si la variable X crece, entonces la tendencia de la variable Y es a crecer tambin.
s XY < 0 ,
covariacin negativa: si la variable X crece, entonces la ten-
dencia de la variable Y es a decrecer (o viceversa).

ndice
Ficha
150
grfico dispersin
grfico dispersin
covarianza positiva
2,71
covarianza negativa
y3
y3
0
0
4
x
-2,71

ndice
Ficha
151
s XY = 0 ,
covariacin nula: no hay una variabilidad conjunta lineal domi-
nante (positiva o negativa) entre X e Y.

grfico dispersin
grfico dispersin
covarianza cero pero dependientes
covarianza cero e independencia
y 2
y
2
4; 2
4; 2
medias
c.d.g.
PROPIEDAD: si las variables X e Y son independientes estadsticamente, la

covarianza es cero. El recproco no es necesariamente cierto.
X e Y independientes
s XY = 0

ndice
Ficha
152
PROPIEDADES DE LA COVARIANZA.
1. Clculo de la covarianza: se demuestra fcilmente que la covarianza se
puede determinar como:
s XY
o en forma de momentos:
s XY
1 N
= xi y i x y
N i =1
= m11 = a11 a10 a01
2. Transformacin lineal:
X = k1 X + c1
s X ' Y ' = k1k 2 s XY
Y = k 2Y + c2
siendo
k 1 , k 2 , c1 , c 2
nmeros reales
Por tanto la covarianza es sensible al cambio de escala y su valor depende de las unidades de medida de las variables X e Y. Es un estadstico de
tipo absoluto.
3. Obviamente
s XY = sYX .
ndice
Ficha
153
VECTOR DE VALORES MEDIOS
r x
m=
y
MATRIZ DE VARIANZAS COVARIANZAS
sX
S =
s XY
2
s XY
2
sY
La matriz de varianzas covarianzas es simtrica y semidefinida positiva det( S ) 0 .
Medias y varianzas marginales y covarianza

en funcin de los momentos:
Ejemplo 4.4.
Ejemplo 4.6.
x = a 10
y = a 01
s X2 = m 20 = a 20 a 102
sY2 = m02 = a 02 a 012
s XY = m11 = a 11 a 10 a 01

ndice
Ficha
154
PROPIEDADES DE COMBINACIN LINEAL DE VARIABLES.

Sea (X, Y) una V.E.B. y sean
r x
m=
y
sX
S =
s XY
s XY
2
sY
su vector de me-
dias y matriz de var cov respectivamente.

Sea
Z = k 1 X + k 2Y + c
una COMBINACIN LINEAL de X e Y con k1, k2 y c
nmeros reales.
La MEDIA y la VARIANZA de Z se pueden determinar como sigue:
z = k1 x + k 2 y + c
s Z2 = k 12 s X2 + k 22 sY2 + 2k 1 k 2 s XY
Solo si la covarianza es cero
s Z2 = k12 s X2 + k 22 sY2 .
As, si X e Y independientes
s XY = 0
y entonces:
s Z2 = k12 s X2 + k 22 sY2 .
Ejemplo 4.8.
ndice
Ficha
155
4.4. EL COEFICIENTE DE CORRELACIN LINEAL. MATRIZ DE CORRELACIN.

EL COEFICIENTE DE CORRELACIN LINEAL SIMPLE.
sX
S =
s XY
2
Dada (X, Y) una V.E.B. y
s XY
2
sY
su matriz de var cov, se define
el coeficiente de correlacin lineal de Pearson como:

El coeficiente
s XY
rXY =
s X sY
r tiene el mismo signo que la covarianza.
r es un estadstico de tipo relativo, es decir, independiente de las unidades de medida de las variables X e Y.

ndice
Ficha
156
Mide la intensidad de la variabilidad conjunta lineal entre X e Y es decir

la correlacin lineal.
PROPIEDADES DEL COEFICIENTE DE CORRELACIN.
1. El coeficiente de correlacin lineal est acotado:
correlacin perfecta positiva
1 r 1.
correlacin perfecta negativa
r=1
r = -1

ndice
Ficha
157
2. Transformacin lineal:
X = k 1 X + c1
rX ' Y ' = rXY .
Y = k 2Y + c2
Donde k1 , k2 y c
son nmeros reales, con k1 y k2 del mismo signo. Es decir, que el coeficiente
es invariante por transformacin lineal (salvo en el signo).
MATRIZ DE CORRELACIN.
Dada (X, Y) una V.E.B. y el coeficiente de correlacin lineal
define:
rXX
R=
rYX
rXY 1
=
rYY rXY
s XY
, se
rXY =
s X sY
rXY
MATRIZ DE CORRELACIN
Es una matriz simtrica y semidefinida positiva
det( R ) = 1 rXY2 0
Ejemplo 4.9.
ndice
Ficha
158
4.5. ASOCIACIN.
TABLA DE CONTINGENCIA
B
A
Sean dos atributos
b1
b2
bj
bm
ni
a1
n11
n12
n1j
n1m n1
a2
n21
n22
n2j
n2m n2
(A, B): (ai, bj); nij con k y m

categoras respectivamente, organizados en una tabla de contingencia (distribucin conjunta). Se estudiar la asociacin
ai
ni1
ni2
nij
nim
ni
entre A y B utilizando el criterio

de independencia estadstica.
ak
nk1
nk2
nkj
nkm
nk
nj
n1
n2
nj
nm
N
ndice
Ficha
159
A\B
b1
b2
bj
bm
ni
a1
n11
n12
n1j
n1m n1
a2
n21
n22
n2j
n2m n2
A y B independientes si
nij =
ni n j
N
ESTADSTICO
ai
ni1
ni2
nij
nim
ni
ak
nk1
nk2
nkj
nkm
nk
nj
n1
n2
nj
nm
i , j .

ndice
Ficha
160
Se denominar:
nij
a la frecuencia real u observada y
ni n j
Eij =
N
a la frecuencia esperada o terica: frecuencia que se
tendra en caso de independencia.

El estadstico 2 compara las frecuencias reales con las tericas:
k
2 =
I =1 j =1
( Eij nij )2
Eij
2 0

ndice
Ficha
161
EL COEFICIENTE DE CONTINGENCIA DE PEARSON

Se define a partir del estadstico 2:
2
N + 2
CP =
El coeficiente de contingencia de Pearson mide la intensidad de la asociacin entre dos atributos.

Est acotado:
0 C P < 1, pero su mximo no alcanza el valor de 1.
VALOR MXIMO DEL COEFICIENTE CP.

El valor mximo del coeficiente de contingencia de Pearson CP depende del
tamao de la tabla de contingencia
( k m ) . Cuanto mayor es el nmero de
filas y columnas ms se acerca a 1.

ndice
Ficha
162
Se demuestra que en tablas de contingencia cuadradas

mximo es
C MAX
(kk )
su valor
k 1
=
.
k
Ejemplo 4.11.

ndice
Ficha
163
Conceptos clave.
Coeficiente de contingencia de Pearson.

Coeficiente de correlacin lineal.
Combinacin lineal de variables.
Covarianza.
Distribucin conjunta.
Distribuciones condicionadas.
Distribuciones marginales.
2
Estadstico .
Independencia estadstica.
Matriz de correlacin.
Matriz de varianzas-covarianzas.
Tabla de contingencia.
Tabla de correlacin.
Transformacin lineal.

ndice
Ficha
164
EJEMPLOS
Ejemplo 4.1. Ordenar la siguiente serie de datos bidimensionales en una
distribucin conjunta o distribucin de frecuencias bidimensional (tabla de
correlacin):
X
Y
Solucin:
1
1
1
2
2
1
2
2
3
1
3
2
1
1
2
1
3
2
2
1
Y
X
1
2
3
1
2
3
1
2
1
1
2

ndice
Ficha
Texto
165
Ejemplo 4.2.
a) Obtener las distribuciones de frecuencias marginales de X e Y a partir de
la distribucin conjunta del ejemplo 4.1.
b) Obtener las siguientes distribuciones condicionadas a partir de la conjunta
del ejemplo 4.1.: X / y = 1 e Y / x = 2

ndice
Ficha
Texto
166
Ejemplo 4.3. Hemos observado la retribucin mensual de los 40 trabajadores de una empresa segn su antigedad en la misma obteniendo la siguiente tabla de correlacin o distribucin de frecuencias bidimensional:
Y: retribucin mensual (en euros.)
X: antigedad en la empresa (en aos)
a) Qu porcentaje de emY 420-600 600-780 780-960 960-1200
pleados tiene una antigeX
mdc 510
690
870
1080
dad entre 2 y 4 aos y una
retribucin entre 600 y 780
02
7
3
1
0
mdc 1
euros? (conjunta)
24
3
46
5
b)Cuntos empleados tienen

una antigedad entre 4 y 6
aos? (marginal)
0
2
3
6
c) Observa la retribucin de
los empleados con una antigedad entre 0 y 2 aos y comprala con la retribucin de los que tienen una antigedad entre 4 y 6 aos (condicionada).
1

ndice
Ficha
Texto
167
Ejemplo 4.4. Determina el vector de medias y la matriz de varianzas covarianzas de la siguiente distribucin conjunta obtenida en el ejemplo 4.1.
Y
X
1
2
3
r 2
Solucin: m =
1
,
4

0 ,6
S =
0 ,1
1
2
3
1
2
1
1
2
0 ,24
0 ,1

ndice
Ficha
Texto
168
Ejemplo 4.5. Son independientes las variables del Ejemplo 4.3? Calcula la
media de las retribuciones de los empleados con menor antigedad y comprala con la media marginal de las retribuciones de todos los trabajadores.
Cmo habran sido las medias anteriores en caso de independencia?

ndice
Ficha
Texto
169
Ejemplo 4.6. Es posible que la siguiente matriz:

zas-covarianzas? Razona la respuesta.
16
24
24
sea
25
de varian-
Solucin: No.

ndice
Ficha
Texto
170
Ejemplo 4.7. Dada la siguiente distribucin de frecuencias bidimensional:

Y
X
-5
0
5
2
1
0
1
4
0
1
0
a) Estn X e Y incorreladas?
b) Son estadsticamente independientes X e Y?
Solucin: 1) s, 2) no

ndice
Ficha
Texto
171
Ejemplo 4.8. De dos variables X e Y se conocen los siguientes datos:
r 10
vector de valores medios m = ; matriz de varianzas-covarianzas
15
16 2
S =
. Hallar la media y la varianza de la variable: Z = 2 X + 3Y + 8
2 25
Solucin: z = 73
S Z2 = 265

ndice
Ficha
Texto
172
Ejemplo 4.9. Calcula el coeficiente de correlacin lineal en el ejemplo 4.4. e

interpreta el resultado. Obtener la matriz de correlaciones.
Solucin: 0,265

ndice
Ficha
Texto
173
Ejemplo 4.10. A partir de la siguiente matriz de datos para las variables X1,
X2, X3, obtener:
Observacin
1
2
3
4
5
6
7
8
9
10
X1
1
0
0
2
1
0
0
1
1
2
X2
2
2
2
3
3
2
1
3
1
1
X3
-1
-1
-1
0
1
0
-1
-1
0
1
a) Las distribuciones marginales

b) Algunas de las distribuciones
condicionadas
c) El vector de medias y la matriz
de varianzas-covarianzas
d) La matriz de correlaciones
0 ,8
0 ,56 0 ,10 0 ,34
1 0 ,17 0 ,58
r
0 d) = 0 ,17
1
0
Solucin: c) m = 2 S = 0 ,10 0 ,60
0 ,3
0 ,34
0 ,58
0
0 ,61
0
1

ndice
Ficha
Texto
174
Ejemplo 4.11. Un fabricante de herramientas compra una serie de piezas a

tres proveedores diferentes. Cada pieza es analizada para detectar si presenta alguno de los tres tipos de defectos ms usuales, antes de ser introducida en la cadena de produccin. Durante un mes se han recogido datos
relativos al tipo de defecto encontrado en las piezas compradas a cada uno
de los tres proveedores obtenindose la siguiente tabla de contingencia:
Proveedor
Tipo de
Defecto
I
II
III
A
19
25
12
B
30
45
15
C
20
33
20
Analizar si existe alguna relacin entre el tipo de defecto y el proveedor.

Si la asociacin fuese mxima qu aspecto tendra la tabla de contingencia?
Solucin: Cp = 0,117 para un mximo de 0,8165

ndice
Ficha
Texto
TEMA 5
ANLISIS DE
REGRESIN
Anlisis de Regresin.
176
Ficha del tema 5.

5.1. Introduccin.
5.2. Regresin mnimo-cuadrtica: caso lineal.
5.3. Anlisis de la bondad de un ajuste: capacidad explicativa de una ecuacin de regresin. Coeficiente de determinacin. Caso lineal.
Conceptos clave.
Ejemplos.

ndice
Ficha
177
Estudio exhaustivo de la regresin lineal simple (dos variables X, Y): clculo
de los parmetros a, b, a, b de las rectas de regresin Y* = a + bX y
X* = a + bY a partir del principio de mnimos cuadrados.
Expresin de esos parmetros en funcin de los estadsticos de la variable
bidimensional (X, Y).
Interpretacin de los coeficientes de regresin b y b.
Obtencin de una medida de la bondad del ajuste efectuado a partir de la
relacin existente entre la varianza total y las varianzas residual y de la regresin: coeficiente de determinacin R2 (capacidad explicativa de una ecuacin de regresin).
Relacin entre el coeficiente de determinacin y los coeficientes de regresin
b y b.
Introduccin a la regresin no lineal: casos potencial y exponencial.
ndice
Ficha
178

Captulo 6.
MARTN PLIEGO, F.J.: Introduccin a la Estadstica Econmica y Empresarial, Ed. Thomson. Madrid 2004 (3 edicin).
Captulo 10 para punto 4 (pgina 273).

ndice
Ficha
179
5.1. INTRODUCCIN.
El estudio conjunto de dos variables (X, Y) tiene como objetivo fundamental determinar si estn relacionadas esas variables y, si hay alguna relacin, cuantificar esa relacin. Cmo primer paso se puede observar el grfico de dispersin:
la nube de puntos nos puede ayudar a buscar un modelo de relacin adecuado.
grfico de dispersin
correlacin lineal
datos no correlacionados

ndice
Ficha
180
relacin no lineal
relacin no lineal
relacin potencial
relacin exponencial
relacin parablica
y

ndice
Ficha
181
Para CUANTIFICAR la relacin entre X e Y se utilizarn dos teoras fundamentales:

Teora de la CORRELACIN: clculo de estadsticos conjuntos y coeficientes que midan la intensidad o el grado de relacin entre X e Y
(como el coeficiente de correlacin lineal definido en el tema 4).
Teora de la REGRESIN: una vez elegido el modelo de relacin que
se desea estudiar y cuantificar entre X e Y (lineal, exponencial), con
la teora de la REGRESIN se obtendr la ecuacin de la funcin, del
tipo elegido, que mejor relacione a las variables X e Y. Este tipo de
ecuaciones se denominan ECUACIONES DE REGRESIN. Estas ecuaciones cuantifican la RELACIN ESTADSTICA entre X e Y.

ndice
Ficha
182
RELACIN ESTADSTICA RELACIN FUNCIONAL.

Antes de estudiar cmo se obtienen las ecuaciones de regresin, conviene
distinguir entre una relacin estadstica y una, ms conocida, relacin funcional entre dos variables:
Una relacin funcional entre X e Y
y = f ( x ) es una corresponden-
cia exacta, tal que cada valor de X est asociado con un nico valor
de Y.
Una relacin estadstica entre dos variables X e Y es una correspondencia no necesariamente exacta, tal que cada valor de X
tiene asociado la prediccin de un valor de Y que se identificar como
y.
Este valor se obtendr a partir de la ecuacin de regresin
y = f ( x )
ndice
Ficha
183
Relacin funcional
120
y
y = 2x + 7
100
80
60
40
20
0
0
10
15
20
25
30
35
40
45
50

ndice
Ficha
184
Dada una serie de datos bivariantes
Relacin estadstica
(X, Y) la ecuacin de regresin
y
y* = f(x)
y* = f ( x ) cuantifica la relacin estadstica entre X e Y.
(x,y)
En este contexto:
y
e=y - y*
X es la variable independiente
y*
(variable control)
Y es la variable dependiente
x
(variable respuesta).
Cada valor de X tendr asociado:
y i valor real de la variable Y ( xi , y i )

e
=
y
y
i
i
i
X xi
y i valor de prediccin (terico, estimado) RESIDUO

ndice
Ficha
185
AJUSTE.
Para obtener las ecuaciones de regresin
y* = f ( x )
se utilizan mtodos
matemticos de ajuste: hallar la ecuacin de un tipo de funcin que mejor

ajuste a la nube de puntos del grfico de dispersin.
MTODO DE AJUSTE: PRINCIPIO DE MNIMOS CUADRADOS (P.M.C.)
Dada una serie de datos bidimensionales
po de funcin que queremos ajustar
( X ,Y ) : ( xi , y i )iN=1
y* = f ( x ),
y elegido el ti-
la ecuacin que mejor
ajusta a la nube de puntos es la que minimiza la suma de los cuadrados de

los residuos.

ndice
Ficha
186
RESDUOS
e=y - y*
y* = f(x)
2
e
=
(
y
i i)
i =1
2
i
i =1
MNIMA
y
A
y*
y = f ( x )
la
llamare-
mos:
Ecuacin de regresin
mnimo cuadrtica
de Y sobre X.

ndice
Ficha
187
5.2. REGRESIN MNIMO CUADRTICA: CASO LINEAL.

elegida
y* = f ( x )
( X ,Y ) : ( xi , y i )iN=1 , si el tipo de funcin
para relacionar las variables X e Y es una RECTA, su
ecuacin en forma explcita es:
y = a + bx
a ,b nmeros
reales .
Aplicando el P.M.C. como mtodo de ajuste: la ecuacin de la recta
y = a + bx
que mejor ajustar a la nube de puntos
( xi , y i )iN=1
del grfico
de dispersin ser la que minimice la suma de los cuadrados de los residuos.

N
e = ( yi y ) = ( yi ( a + bxi ))
N
i =1
2
i
i =1
MNIMA
i =1

ndice
Ficha
188
Regresin lineal
y* = a + bx
yi
yi*
x
N
e = ( y y ) = ( y ( a + bx ))
N
i =1
2
i
i =1
i =1
MNIMA

ndice
Ficha
189
OBTENCIN DE LA RECTA DE REGRESIN DE Y SOBRE X.

N
Sea la funcin:
H ( a ,b ) = ( y i ( a + bxi ))
Los posibles valores de
i =1
que minimicen
a y b parmetros.
H(a, b)
sern los que anulen
las derivadas parciales:

N
N
N
H
= 2 ( y i ( a + bxi )) = 0 y i = N a + b xi
i =1
a
i =1
i =1
N
N
N
N
H
2
= 2 ( y i ( a + bxi ))xi = 0 xi y i = a xi + b xi
i =1
i =1
i =1
i =1
SISTEMA DE ECUACIONES NORMALES

ndice
Ficha
190
La resolucin del sistema de ecuaciones anterior da los siguientes valores

para los parmetros
a y b:
s XY
b= 2
sX
a = y b x
Se demuestra adems que son un mnimo:
(Cf.: ESTEBAN, J.; y otros.: Estadstica Descriptiva y
nociones de Probabilidad, Ed. Thomson, 2005, 2006 segunda impresin, pginas 156-157).
Por tanto la recta de regresin de Y sobre X que mejor ajusta a la nube

N
de puntos ( xi , y i )i =1 es:
y = a + bx
s XY
b = 2
sX
a = y bx
Expresin que se utilizar para dar la recta de regresin.

ndice
Ficha
INTERPRETACIN DE LOS PARMETROS
a = y b x
191
a y b: y = a + bx
representa el valor de la ordenada Y en el origen.
COEFICIENTE DE REGRESIN: representa la variacin experimentada por
s XY
b= 2
sX
la variable Y para un incremento unitario de X. Por cada incremento unitario de la variable X, la variable Y cambia su valor b unidades (de promedio).
(Tambin es la pendiente de la recta).

Ejemplo 5.1.
(a partir de los datos del problema 4.1.)
ndice
Ficha
192
OTRAS EXPRESIONES PARA LA RECTA DE REGRESIN de Y sobre X:

Sustituyendo los valores obtenidos de
a y b en y = a + bx
queda:
s XY
y = a + bx = y bx + bx = y + 2 ( x x )
sX
sY
s XY
rXY =
y = y + rXY ( x x )
s X sY
sX
PREDICCIN.
Con la recta de regresin de Y sobre X,
lores de prediccin de Y,
y = a + bx , se pueden obtener va-
sustituyendo en la ecuacin el valor
x de X.

ndice
Ficha
193
EJEMPLO DE RECTA DE REGRESIN DE Y SOBRE X. PRCTICA.

Obtngase la recta de regresin mnimo cuadrtica ajustada a los tres datos bivariantes que aparecen en el siguiente grfico:
Regresin de Y sobre X
y* = 1+0,5x
R2 = 0,75
7; 5
4
Y3
1; 2
4; 2
1
0
0
X
ndice
Ficha
194
REGRESIN DE X SOBRE Y.
Si quisiramos obtener valores de prediccin de X,
la variable Y
a partir de valores de
y se necesitara la recta de regresin de X sobre Y:
x = a + by .
Para obtener esta recta se permutaran los papeles de las variables X e Y.
Ahora Y sera la variable independiente (control) y X la variable dependiente
(respuesta).
En este caso la suma de los cuadrados de los residuos sera:
N
e = ( xi x ) = ( xi ( a + by i ))
=
i =1
i =1
N
2
i
MNIMA
i 1

ndice
Ficha
Al minimizar la expresin anterior se obtendran los parmetros
195
a y b:
s XY
b = 2
x = a + by
sY
a = x by
s XY
b = 2
sY
COEFICIENTE DE REGRESIN de X sobre Y: representa la va-
riacin experimentada por la variable X para un incremento unitario de Y.

ndice
Ficha
196
OTRAS EXPRESIONES PARA LA RECTA DE REGRESIN de X sobre Y:

Sustituyendo los valores obtenidos de
a y b en x = a + by
x = a + by = x by + by = x +
queda:
s XY
(y y)
2
sY
s XY
sX
rXY =
x = x + rXY ( y y )
sY
s X sY

ndice
Ficha
197
RELACIN ENTRE LA REGRESIN Y LA CORRELACIN LINEALES.
s XY
b= 2
sX
rXY = b b
s XY
b = 2
sY
Teniendo en cuenta que el signo de rXY sera el mismo que el de b y b.
PROPIEDADES DE LAS RECTAS.
sY
y = y + rXY ( x x )
sX
Se cruzan en el punto
( x , y ) (si se representan en unos mismos ejes coordenados (X, Y)).
Son perpendiculares si
Son iguales si
sX
x = x + rXY ( y y )
sY
rXY = 0 ,
y = y
x = x
rXY = 1.

ndice
Ficha
198
EJEMPLO DE LAS DOS RECTAS DE REGRESIN. PRCTICA.

Determnese la recta de regresin mnimo cuadrtica de X/Y ajustada a los
tres datos bivariantes del siguiente grfico. (Es el mismo que el de Y/X de la pag. 180).
Dos rectas de regresin
x* = -0,5+1,5y
7; 5
4
medias; (4; 3)
Y3
y* = 1+0,5x
1; 2
4; 2
2
1
0
0

ndice
Ficha
199
5.3. ANLISIS DE LA BONDAD DE UN AJUSTE: CASO LINEAL.

Coeficiente de determinacin.
Sea
( X ,Y ) : ( xi , y i )iN=1 una serie de datos bivariantes.
Supongamos que se ha obtenido una ecuacin de regresin de
sobre
y = f ( x ). Con esta ecuacin se obtienen valores de prediccin de Y, y i .

El anlisis de la bondad de un ajuste consiste en obtener una medida de la
similitud de los valores reales de la variable
variable
Y : ( y i ),
Y : ( yi ) con los estimados de la
variable de la regresin. En la comparacin de estos va-

ndice
Ficha
200
lores jugar un papel esencial la variable que conforman los residuos
E : (ei = y i y i ), variable residual.
Se partir de la siguiente relacin: los valores de la variable dependiente
Y : ( yi )
se pueden descomponer en
y i = y i + ei
y la medida de la bon-
dad del ajuste se obtendr de la comparacin de la variabilidad de esas tres

variables:
Y : ( yi ) Y : ( y i ) E : (ei = y i y i ).
Para ello se estudiar el aspecto de sus medias y varianzas, que dependern

del tipo de ecuacin de regresin que ajustemos.

ndice
Ficha
VARIABLE
Valores
Media
yi
201
Varianza
1 N
s = ( yi y )2
N i =1
2
Y
VARIABLE REGRESIN
Valores
y i = f ( x )
Y*
Media
VARIABLE RESIDUAL
Valores
ei = y i y i
Varianza de la regresin
Varianza residual
1 N
s = ( yi y )2
N i =1
1 N
s = ( ei e ) 2
N i =1
2
Y*
E = Y-Y*
Media
2
E

ndice
Ficha
202
CASO LINEAL: BONDAD DEL AJUSTE.

En el caso lineal, la recta de regresin de Y sobre X es:
y = a + bx
La media
y la varianza
siendo
s E2
s XY
b= 2
sX
de la variable residual
a = y b x
E = Y Y
tienen el si-
guiente aspecto:
La variable residual
E = Y Y = Y ( a + bX ) = Y bX a , es decir, es
combinacin lineal de
X e Y, por tanto:
e = y b x a = y b x ( y b x ) = 0
2
2
s
s
s
s E2 = sY2 + b 2 s X2 2bs XY = sY2 + 2XY 2 s X2 2 XY2 s XY = sY2 XY2
( sX )
sX
sX
ndice
Ficha
203
Es decir:
e =0
2
s
2
2
s E = sY XY2
sX
Por otra parte, la media
y la varianza
sY2*
de la variable de la regresin
toman el siguiente aspecto en la regresin lineal:
La variable de la regresin
Y = a + bX , es una transformacin lineal de X
por tanto:
y = a + bx = y bx + bx = y
2
2
s
s
sY2* = b 2 s X2 = 2XY 2 s X2 = XY2
( sX )
sX
es decir:
y = y
2
s
2
sY * = XY2
sX

ndice
Ficha
204
Por tanto en la regresin lineal de Y sobre X, las medias y varianzas de las

variables implicadas en el estudio quedan:
VARIABLE
VARIABLE de la regresin
y = y
media y
1 N
2
2
N
=
s
(
y
y
)
1
Y*
i
=
i
1
sY2 = ( y i y ) 2
N
2
N i =1
s
sY2* = XY2
varianza total
sX
varianza de la regresin
VARIABLE residual
e =0
1 N
s = ( y i y i ) 2
N i =1
2
s
s E2 = sY2 XY2
sX
2
E
varianza residual
Es decir, que se obtiene la siguiente relacin entre las varianzas:
s =s s s =s +s
2
E
2
Y
2
Y*
2
Y
2
Y
2
E

ndice
Ficha
205
Esta relacin nos permite descomponer la variabilidad total de los valores

reales de
Y : ( yi ) en la variabilidad de los valores de Y : ( y i ) (obtenidos a
partir de
X con la recta de regresin y i = a + bxi ) y la variabilidad de los
residuos
E : (ei = y i y i ).
Obviamente cuanto menor sea la varianza residual
s E2
mejor ser el
ajuste.
Si
s E2 = 0
el ajuste ser ptimo y si
s E2 = sY2
(su valor mximo) el
ajuste ser psimo.

El peso de estas varianzas en la relacin anterior se medir mejor con un
indicador de tipo relativo.
ndice
Ficha
206
EL COEFICIENTE DE DETERMINACIN R2.

Expresamos en trminos relativos la relacin entre las tres varianzas:
2
2
2
2
2
s
s
s
s
s
2
2
2
sY = sY + s E Y2 = Y2 + E2 1 = Y2 + E2
sY sY sY
sY sY
El primer cociente
sY2
sY2
representa la parte de la variabilidad de
Y : ( yi ) explicada por la regresin.

El segundo conciente
2
E
2
Y
s
s
, complementario del anterior, representa la
parte de la variabilidad de
Y : ( yi ) que queda por explicar.

ndice
Ficha
207
El coeficiente de determinacin se define precisamente a partir de esas rela-
ciones:
2
2
s
s
R 2 = Y2 = 1 E2
sY
sY
PROPIEDADES DE COEFICIENTE.
En general, en los tipos de regresiones donde se cumpla la relacin
sY2 = sY2 + s E2 , se define el coeficiente de determinacin
entre varianzas
de esta forma:
2
s
R 2 = 1 E2 .
sY
0 R 2 1: se deduce fcilmente de la definicin, teniendo en cuenta

que
R2
0 s E2 sY2
y que es cociente de varianzas (siempre positivas).
proporciona una medida de la bondad del ajuste.

ndice
Ficha
208
Interpretacin del coeficiente:

2
2
2
2
s
R
0
s
s
=
=
(residuo mximo) ajuste
2
E
Y
E
R = 1 2 2
2
R
1
s
=
= 0 ajuste ptimo
sY
R 2 100
diente
psimo
mide el porcentaje de la variabilidad de la variable depen-
Y : ( yi )
que explica la regresin
Y : ( y i = a + bx i ).
otra forma: en qu medida la informacin de la variable

independiente) determina los valores de
travs de la ecuacin de regresin
En este sentido se
Dicho de
X (variable
Y (variable dependiente) a
y = f ( x ).
X ( y = f ( x )) Y
2
interpreta tambin R como
una medida de la ca-
pacidad explicativa de la ecuacin de regresin.

ndice
Ficha
209
EL COEFICIENTE DE DETERMINACIN EN LA REGRESIN LINEAL.

Teniendo en cuenta que en la regresin lineal:
2
s
s E2 = sY2 XY2
sX
2
s
sY2* = XY2
sX
y el coeficiente de correlacin
s XY
rXY =
s X sY
2
2
s
s
R 2 = Y2 = 2XY 2 = rXY2
sY s X sY
Es decir, en la regresin lineal el coeficiente de determinacin coincide con

el de correlacin lineal al cuadrado.
Adems las varianzas de la regresin y residual se pueden determinar tambin en funcin de
rXY2 :
2
Y*
= r s
2
XY
2
Y
s = (1 r ) s
2
E
2
XY
2
Y

ndice
Ficha
210
Por tanto la BONDAD DEL AJUSTE en la regresin lineal se medir a partir

de
R 2 = rXY2 , coeficiente de determinacin:

rXY2 100
diente
mide el porcentaje de la variabilidad de la variable depen-
Y : ( yi ) que explica la regresin Y : ( y i = a + bxi ).
( 1 rXY2 ) 100
representa el porcentaje de la variabilidad de
Y : ( yi ) que queda por explicar (residuo).

Ejemplo 5.2.
Cotas del coeficiente de correlacin: el coeficiente de correlacin lineal
rXY
est acotado entre -1 y 1 ya que:
0 R 2 1 0 rXY2 1 1 rXY 1.
ndice
Ficha
211

elegida
( X ,Y ) : ( xi , y i )iN=1 , si el tipo de funcin
y* = f ( x ) para relacionar las variables X e Y es una funcin poten-
cial o exponencial, su ecuacin en forma explcita tendr el aspecto:
Ajuste potencial
y = a x b a y b parmetros.
Ajuste exponencial
y = a b x a y b parmetros.

ndice
Ficha
212
AJUSTE POR UNA FUNCIN POTENCIAL.
y = a xb
Para determinar los parmetros
La expresin
y = a xb
a y b, se procede como sigue.
se reduce a forma lineal tomando logaritmos:
ln y * = ln a + b ln x .
Sobre la expresin anterior se opera un ajuste lineal:
llamando
u = ln x
v = ln y
= A + b u,
v
v = ln y
A = ln a
recta de regresin de
es decir, se obtiene la
V sobre U.
ndice
Ficha
Se obtienen
riable
213
A y b ajustando una recta por mnimos cuadrados a la va-
( U ,V ) (ln X ,ln Y ):
sUV
b= 2
sU
A = v bu .
Finalmente se determina el parmetro
a:
A = ln a a = anti ln A a = e A .
Ejemplo 5.4.

ndice
Ficha
214
AJUSTE POR UNA FUNCIN EXPONENCIAL.
y = a bx
Para determinar los parmetros
La expresin
y = a bx
a y b, se procede como sigue.
se reduce a forma lineal tomando logaritmos:
ln y * = ln a + x ln b .
Sobre la expresin anterior se opera un ajuste lineal:
llamando
v = ln y
v = ln y
= A + Bx ,
v
A = ln a
B = ln b
recta de regresin de
es decir, se obtiene la
V sobre X.
ndice
Ficha
Se obtienen
variable
215
ajustando una recta por mnimos cuadrados a la
( X ,V ) ( X ,ln Y ):
s XV
B= 2
sX
A = v B x.
Finalmente se determinan los parmetros
a y b:
A = ln a a = anti ln A a = e A
.
B
B = ln b b = anti ln B b = e
Ejemplo 5.5.

ndice
Ficha
216
Conceptos clave.
Ajuste
Bondad de ajuste
coeficiente de determinacin.
Coeficiente de regresin.
Correlacin
Error cuadrtico medio (ECM).
Principio mnimos cuadrados.
Recta de regresin mnimo-cuadrtica
Regresin
Regresin no lineal
Residuo
Varianza de la regresin
Varianza residual

ndice
Ficha
217
EJEMPLOS
Ejemplo 5.1. Se ha estudiado las calificaciones de 100 alumnos en dos
asignaturas: Estadstica (variable X) y Matemticas Financieras (variable Y),
obtenindose los siguientes datos:
x =110
y = 2,5
SX =10
SY = 0,5
Adems se sabe que el coeficiente de correlacin entre ambas es
rXY = 0,85.
Obtener la recta de regresin de Y/X.

ndice
Ficha
Texto
218
Ejemplo 5.2. Analizar la bondad de los ajustes efectuados en el ejemplo

anterior calculando la varianza residual, la varianza de la regresin y el coeficiente de determinacin. (Capacidad explicativa de la recta de regresin).

ndice
Ficha
Texto
219
Ejemplo 5.3. En la estimacin de los parmetros de un modelo de regresin

lineal se han obtenido los siguientes valores:
x=5
y=8
s XY = 15
s = 20 r = 0 ,9
2
Y
A partir de los datos anteriores determnese:

1. La varianza de X
2. La recta de regresin X/Y
3. La recta de regresin Y/X.
Solucin: 1) 12,5
2) a=-1, b=0,75
3) a =2, b =1,2

ndice
Ficha
Texto
220
Ejemplo 5.4. Dada la siguiente distribucin bidimensional:

X
Realizar un ajuste potencial del tipo
Solucin:
33 260 840
yi* = a x ib
yi* = 4 x i3

ndice
Ficha
Texto
221
Ejemplo 5.5. Dada la siguiente distribucin bidimensional
16
Se pide:
a) Realizar un ajuste exponencial del tipo
y* = a b x
b) El error cuadrtico medio e interpretar el resultado obtenido.
Solucin:
a)y = 2
*
b ) ECM = 0

ndice
Ficha
Texto
222
Ejemplo 5.6. A partir de los siguientes datos de las variables X1, X2 y X3,
obtener:
X1
X2
X3
-1
-1
-1
a) El plano de regresin de X1/X2,X3 y la bondad del ajuste efectuado.

b) La matriz de correlacin.
c) El coeficiente de correlacin parcial entre X1 y X2.
Solucin: a) X1* = 3 - 0,5 X2 0,5 X3
RX2
=1
c) r12.3= -1

ndice
Ficha
Texto
TEMA 6
TASAS DE VARIACIN Y
NMEROS NDICES
224
Tasas de Variacin y Nmeros ndice.
Ficha del tema 6.

6.1. Introduccin.
6.2. Tasas de variacin.
6.3. Nmeros ndices: clasificacin y propiedades.
6.4. ndices de precios y cantidades ms importantes.
6.5. Cambio de base, renovacin y enlace.
6.6. Deflactacin de series estadsticas.
Conceptos clave.
Ejemplos.
ndice
Ficha
225
Definir el concepto de nmero ndice y tasa de variacin.
Estudiar los tipos de nmeros ndices complejos ms relevantes tipo Laspeyres y Paasche, haciendo especial hincapi en los ndices de precios.
Acercar el perodo de referencia o la base de una serie de ndices al perodo
actual, operando cambios de base.
Enlace de series de ndices utilizando el cambio de base.
Deflactacin de magnitudes econmicas expresadas en u.m. corrientes, utilizando ndices de precios.

ndice
Ficha
226

Captulo 7.

ndice
Ficha
227
6.1. INTRODUCCIN.
Los instrumentos que se van a definir, servirn para medir la evolucin del
valor de una variable en el tiempo o en el espacio.
Normalmente se tratar de variables de tipo socioeconmico. Una variable
de esta naturaleza se denominar magnitud.
Se comparar el valor de una magnitud en dos situaciones (habitualmente
temporales):
Situacin inicial: perodo de referencia o BASE, se denotar por 0
Situacin final: perodo actual que se pretende comparar con el base,
se denotar por t

ndice
Ficha
228
TIPOS DE MAGNITUDES:
MAGNITUD SIMPLE: variable unidimensional
Y valores : y0 , y1 ,... , yt ,..., yT

perodos : t = 0 ,1, 2 ,... ,T
MAGNITUD COMPLEJA: variable n dimensional
(Y ,Y ,...,Y ,...,Y )
1
valores :
perodo
0 ( y10 , y20 ,..., yi 0 ,..., yn 0 )
perodo
t ( y1t , y2 t ,..., yit ,..., ynt )

ndice
Ficha
229
6.2. TASA DE VARIACIN.

Sea
Y magnitud simple y sean los valores y0 , yt 1 e yt .
Tasa de variacin de
Tasa de variacin de
y t y t 1
yt
=Yt =
=
1
y t 1
y t 1
(t 1) t
TV
0t
y t y0 y t
TV =
= 1
y0
y0
t
t 1
t
0
TASAS DE VARIACIN EN TANTO POR UNO

(X 100) EN PORCENTAJE

ndice
Ficha
230
6.3. NMEROS NDICES. CLASIFICACIN Y PROPIEDADES.

6.3.1 Definicin y clasificacin.
NMERO NDICE: medida estadstica de tipo relativo (en tanto por uno o
porcentaje) que sirve para comparar el valor de una magnitud (variable) en
dos situaciones, una de las cuales se considera de referencia (base).
Los nmeros ndices se escriben en PORCENTAJE, tomando como referencia
el 100.
NMEROS
SIMPLES
NDICES
SIN PONDERAR
COMPLEJOS
PONDERADOS (ponderaciones
)
i

ndice
Ficha
231
6.3.2. ndices simples

Sea Y una magnitud simple y sean
y0 e y t
el valor de la magnitud en el pe-
rodo BASE y el perodo ACTUAL.

Se denotar el NDICE SIMPLE del perodo 0 al perodo t por:
yt
I =
y0
t
0
(en tanto por uno).
Los nmeros ndices se escriben en porcentaje:
I 0t 100
(en porcentaje).
Relacin entre la tasa de variacin y en nmero ndice:
yt y0 yt
TV =
= 1 = I 0t 1
y0
y0
t
0

ndice
Ficha
232
NOTA: las series de ndices se suelen expresar de dos formas fundamentalmente:

INDICES CON BASE FIJA 0:
NDICES EN CADENA:
I tt1
I 0t
(con base el ao inmediatamente ante-
rior).
Ejemplo 6.1.

ndice
Ficha
233
6.3.3. ndices complejos.

Dada una magnitud compleja
(Y ,Y ,...,Y ,...,Y ), sean dos valores de esa

1
magnitud en el perodo 0 y en el perodo t:
0 ( y10 , y 20 ,..., y i 0 ,..., y n 0 )

.
t ( y1t , y 2 t ,..., y it ,..., y nt )
Destacamos dos formas de definir INDICES COMPLEJOS:
1. Como MEDIA ARITMTICA de ndices simples.
2. Como MEDIA AGREGATIVA.

ndice
Ficha
234
Si se denota por
y it
Ii = I ( i ) =
yi 0
t
0
el ndice simple de los valores de la varia-
ble i sima (i = 1, 2,, n), las formas de definir ndices complejos SIN
PONDERAR y PONDERADOS quedan como siguen:
INDICES COMPLEJOS SIN PONDERAR.
1. MEDIA ARITMTICA de ndices simples:
1 n
1 n y it
I = Ii =
n i =1
n i =1 y i 0
n
2. MEDIA AGREGATIVA:
IA =
y
i =1
n
y
i =1
it
io

ndice
Ficha
235
NDICES COMPLEJOS PONDERADOS.

Se denotar por i la ponderacin de la variable i sima de la magnitud
compleja.
1. MEDIA ARITMTICA ponderada:
2. MEDIA AGREGATIVA ponderada:
IA
=
y
i
i
i0
it

ndice
Ficha
236
6.3.4. Propiedades.
1. EXISTENCIA: el valor de un ndice ha de ser finito y distinto de cero.
2. IDENTIDAD: cuando
3. INVERSIN: Dado
0t
el ndice ha de ser 1 (o 100)
I 00 = I tt = 1
1
I I = t
I0
t
0
4. PROPORCIONALIDAD:
0
t
y t y t' = y t + kyt = ( 1 + k ) y t
I 0t' = ( 1 + k )I 0t
5. CCLICA: dados tres perodos (o ms) distintos 0, h y t se ha de cumplir que
I 0h I ht = I 0t .
Esta propiedad se utilizar para operar con NDICES
EN CADENA (ndices con base el perodo inmediatamente anterior).

ndice
Ficha
237
6.4. NDICES DE PRECIOS Y CANTIDADES.

Se van a definir ndices complejos ponderados para magnitudes tipo
PRECIO Y CANTIDAD utilizando la siguiente notacin:
Magnitud PRECIO:
Magnitud CANTIDAD:
Pi ( i = 1,2 ,...,n ) con ndice SIMPLE
p it
I (i ) =
pi0
Qi ( i = 1,2 ,...,n ) con ndice SIMPLE
qit
I (i ) =
qi 0
t
0
t
0
Se destacarn los dos tipos de ndices complejos ponderados ms importantes para precio y cantidad: TIPO LASPEYRES y TIPO PAASCHE,
que sern medias aritmticas ponderadas de ndices simples.

ndice
Ficha
238
Tambin se definir un ndice complejo de VALOR sin ponderar:

Magnitud VALOR:
Vi ( i = 1,2 ,...,n ) con ndice SIMPLE
vit
pit qit
I (i ) =
=
vi 0 p i 0 q i 0
t
0
Se definir el ndice complejo de valor como una media agregativa sin ponderar.

ndice
Ficha
239
6.4.1. ndices de PRECIOS complejos ponderados.

PONDERACIN TIPO LASPEYRES: ponderacin fija
i = pi 0 qi 0
PONDERACIN TIPO PAASCHE: ponderacin variable
i = pi 0 qit
NDICE DE LASPEYRES DE PRECIOS
NDICE DE PAASCHE DE PRECIOS
p it
p it
p i 0 q it
pi 0 qi 0
t
t
I 0 ( i )i
pi0
I 0 ( i )i
pi 0
t
t
=
P0 ( P ) =
L0 ( P ) =
=
i
p i 0 q it
i
pi 0 qi 0
p q
L (P)=
p q
t
0
it
i0
i0
i0
p q
P (P)=
p q
t
0
it
it
i0
it

ndice
Ficha
240
6.4.2. ndices de CANTIDAD complejos ponderados.

PONDERACIN TIPO LASPEYRES: ponderacin fija
i = q i 0 p i 0
PONDERACIN TIPO PAASCHE: ponderacin variable
i = q i 0 p it
NDICE DE LASPEYRES DE CANTIDAD
NDICE DE PAASCHE DE CANTIDAD
q it
q it
q i 0 p it
qi 0 pi 0
t
t
I 0 ( i )i
qi0
I 0 ( i )i
qi 0
t
t
P0 ( Q ) =
L0 ( Q ) =
=
=
i
qi 0 pi 0
i
q i 0 p it
q p
L (Q ) =
q p
t
0
it
i0
i0
i0
q p
P (Q )=
q p
t
0
it
it
i0
it
Ejemplo 6.2.
ndice
Ficha
241
6.4.3. ndice complejo de valor.

Se define el ndice complejo de valor como una media agregativa: cociente
entre el valor de la magnitud compleja en el perodo t (actual) y el valor
de la magnitud compleja en el perodo 0 (referencia).
NDICE DE VALOR
v
p q
IV =
=
v p q
t
0
it
it
it
i0
i0
i0
PROPIEDAD: INDICE DE PRECIO X NDICE DE CANTIDAD = NDICE DE VALOR.
Concretamente es fcil comprobar que se cumple la siguiente relacin entre

los ndices de Laspeyres y Paasche:
Lt0 ( P ) P0t ( Q ) = Lt0 ( Q ) P0t ( P ) = IV0t

Comprobar en Ejemplo 6.2.
ndice
Ficha
242
6.5. CAMBIO DE BASE, RENOVACIN Y ENLACE.

Sea una serie de ndices
I 0t
con base fija en el perodo 0, es decir,
I 00 = 100 .
Si se quiere cambiar la base de la serie de ndices del perodo 0 a un perodo h posterior (h>0) se proceder como sigue:
Teniendo en cuenta la propiedad cclica para los perodos 0, h y t
se tiene la siguiente relacin:
I 0h I ht = I 0t .
Por tanto los nuevos ndices con base el perodo h se obtendrn:

t
I
0 h I ht = 0h
I0

ndice
Ficha
243
Al ndice que relaciona las dos bases se le denomina ENLACE
I 0h .
Obviamente si se quisiera devolver la base del perodo h al 0 se

procedera:
h 0 I 0h I ht = I 0t
Los cambios de base se utilizan para RENOVAR la base (acercarla a un

perodo ms actual) o para ENLAZAR O EMPALMAR series de ndices
que aparecen en distintas bases y expresarlos en una NICA base.
Ejemplo 6.3.
PROBLEMA 6.2

ndice
Ficha
244
6.6. DEFLACTACIN.
Concepto: transformar el valor de una magnitud en precios corrientes
del perodo t (valor nominal) a un valor en precios constantes de un
perodo fijo 0 (valor real).
De esta forma se puede comparar de una manera ms homognea y
realista como va evolucionando el valor de una magnitud en diferentes
perodos de tiempo.
Esto se consigue dividiendo el valor a precios corrientes por un ndice
de precios adecuado que denominaremos DEFLACTOR.
valor a precios corrientes(t)
deflactor ( ndice de precios base perodo 0)
= valor a precios constantes (0)

ndice
Ficha
245
Con ndices simples la operacin es obvia:

Si llamamos
vt = pt q t
al valor de la cantidad qt de la magnitud a precios
corrientes del perodo t (NOMINAL).

Llamamos
v ot = p0 q t
al valor de la misma cantidad qt, pero a precios
del perodo 0 (REAL).

Y llamamos
pt
I =
p0
t
0
al ndice de precios del perodo
vt v ot
0t
se tiene que:
vt pt qt
=
= p 0 q t = v ot .
t
pt
I0
p0

ndice
Ficha
246
Deflactacin con ndices de precios complejos (Laspeyres y Paasche)

n
Sea
Vt = p it q it
el valor de una magnitud compleja a precios corrien-
i =1
tes del perodo t.

n
Sea
V0 t = p i 0 q it
el valor de la magnitud compleja a precios constan-
I =1
tes del perodo 0.

NDICE DE PRECIOS DE PAASCHE COMO DEFLACTOR
Vt
p it q it
=
= p i 0 q it = V0 t
t
P0 ( P ) p it q it
p i 0 q it
ES UN DEFLACTOR EXPLCITO
Se obtiene el valor de la magnitud a precios constantes del perodo 0.
ndice
Ficha
247
Se puede comprobar fcilmente que si se deflacta con el ndice de precios de

LASPEYRES el resultado no es tan explcito pero se utiliza igualmente.
Ejemplo 6.5.

ndice
Ficha
248
Conceptos clave:
Cambio de base.
Deflactacin.
ndice de Laspeyres.
ndice de Paasche.
ndice simple y complejo.
ndices de precios.
ndices en cadena.
Nmero ndice.
Perodo base.
Serie de ndices con base fija.
Tasa de variacin.

ndice
Ficha
249
EJEMPLOS.
Ejemplo 6.1. Los salarios anuales (en euros) de los oficiales administrativos
en una empresa han evolucionado durante el perodo 2001-2005 de la forma
siguiente:
Aos
Salarios
Anuales
2001
15.350,00
2002
2003
2004
2005
15.887,25
16.363,87
17.018,42
17.648,10
a) Construye una tabla de ndices simples salariales
con base el ao 2001.

b) Construye otra serie de ndices con base el ao inmediatamente anterior.
c) Por ltimo construye otra tabla que indique la tasa
de variacin del salario anual respecto al ao inmediatamente anterior.

ndice
Ficha
Texto
250
Ejemplo 6.2. Una empresa fabrica tres tipos de artculos: A, B y C. La siguiente estadstica nos proporciona los precios y las cantidades producidas
de dichos artculos durante los aos 1990-1992.
Aos
Artculo
1990
pi0
1991
qi0
pit
1992
qit
pit
qit
10
15
20
12
10
10
a) s de Laspeyres y Paasche de 1991 y 1992, tomando como base 100 el
ao 1990.
b) Comprubese que: L p Pq = Pp Lq

ndice
Ficha
Texto
251
Ejemplo 6.3. Los siguientes ndices salariales reflejan la evolucin de los

salarios en un determinado sector durante 7 aos, consecuencia de las negociaciones entre los sindicatos y los empresarios del sector:
aos
a) Expresa la serie de ndices

1998
b) Expresa los ndices con base
mente anterior
c) Qu porcentaje aumentaron
al 96?
d) Qu porcentaje aumentaron
al 98?
e) Y del 2000 al 2001?
ndice
Base 95
1995
100,00
1996
105,00
1997
109,20
1998
113,02
1999
117,54
2000
121,07
2001
124,10
Solucin: c) el 5%
d) el 13,02%
con base el ao
el ao inmediatalos salarios del 95
los salarios del 95
e) el 2,5%

ndice
Ficha
Texto
252
Ejemplo 6.4. El valor de un bien en 1992 es un 20% superior al que tena

en 1986 y un 9% superior a su valor en 1990. Cul era el valor relativo de
ese bien en 1990 respecto a 1986?
90
Solucin: un 10% superior, I 86 = 1,10

ndice
Ficha
Texto
253
Ejemplo 6.5. El salario mnimo interprofesional, en euros corrientes, ha sufrido las siguientes variaciones durante el perodo 2001 2006:
Aos
2001
2002
2003
2004
2005
2006
Salario mnimo 433,45 442,20 451,20 460,50 513,00 540,90

Si el I.P.C. durante esos mismos aos fue:
Aos
I.P.C.
2001
2002
2003
2004
2005
2006
100,00 103,54 106,68 109,93 113,63 117,62
(Fuente: Boletn de Estadsticas Laborales. Ministerio de Trabajo y Asuntos

Sociales. Contacto: www.ine.es)
Estdiese la evolucin del salario mnimo en trminos reales y nominales durante el perodo 01 06. (En valor absoluto y en porcentaje).
Obtngase la tasa de variacin interanual del salario (real y nominal).
Solucin: El salario mnimo pasa de 433,45 a 459,87 constantes
del 01, lo que, en trminos relativos, equivale a un aumento del
6,1%.
ndice
Ficha
Texto
254
Ejemplo 6.6. Las pensiones se revalorizan anualmente segn la expectativa

de crecimiento del IPC nacional. Si una pensin es de 540 euros/mes en el
ao actual y la inflacin esperada para el ao que viene es del 3,2%, cul
deber ser el importe de dicha pensin el ao prximo?
Solucin: 557,28

ndice
Ficha
Texto
TEMA 7
ANLISIS CLSICO DE
SERIES TEMPORALES
256
Anlisis Clsico de Series Temporales.
Ficha del tema 7.

7.1. Introduccin.
7.2. Componentes de una serie. Descomposicin.
7.3. Anlisis de la tendencia.
7.4. Anlisis de la variacin estacional. Desestacionalizacin.
7.5. Prediccin. Correccin por estacionalidad.
Conceptos clave.
Ejemplos.

ndice
Ficha
257
Descomposicin de una serie temporal en cuatro componentes siguiendo un
esquema multiplicativo.
Obtencin de la ecuacin de tendencia anual aplicando el principio de mnimos cuadrados a la serie temporal (t, Y).
Obtencin de la ecuacin de tendencia k esimal a partir de la anual. Cambios de origen en las ecuaciones de tendencia.
Utilidad de las ecuaciones de tendencia para hacer predicciones.
Los ndices de variacin estacional (IVE) como indicadores de la componente
estacional de una serie, bajo hiptesis de estacionalidad estable.
Utilidad de los IVE para corregir por estacionalidad las predicciones de la
tendencia.

ndice
Ficha
258

Captulo 8 para tema 7.

ndice
Ficha
259
7.1. INTRODUCCIN.
Una SERIE TEMPORAL se puede definir como una sucesin de valores ordenados en el tiempo y generados por una variable cuya referencia es una
unidad temporal.
A la variable objeto de estudio se la denomina VARIABLE DE INTERS:
Y.
A la variable tiempo se la representar por: t.

Se considerar al par
un valor de
(t ,Y ) como una variable estadstica bidimensional y a
Y en el tiempo t se denotar por yt.
( t , y ) yt
Ejemplo 7.1.
ndice
Ficha
260
7.2. COMPONENTES DE UNA SERIE TEMPORAL.

El anlisis clsico de series temporales distingue cuatro componentes para el
estudio descriptivo de la misma.
1. TENDENCIA
Tt :
direccin que toma la serie temporal al largo plazo, es
decir, si crece, decrece o permanece estable en largos perodos de tiempo

y sin oscilaciones.
2. CCLICA
Ct :
fluctuaciones de la serie en perodos de tiempo superiores
al ao (CICLOS o variaciones cclicas).

ndice
Ficha
261
3. ESTACIONALIDAD S t : movimientos oscilatorios de la variable de inters

Y en perodos inferiores al ao. (Variaciones estacionales). Cuando son
repetitivos cada ao se habla de la regularidad de la componente estacional (estacionalidad estable).
4. IRREGULAR
It
o variaciones irregulares: recoge los movimientos de la
variable de inters que no explican el resto de componentes (deficiencias

del modelo).
DESCOMPOSICIN DE UNA SERIE TEMPORAL.
MODELO ADITIVO:
Yt = Tt + Ct + S t + I t
MODELO MULTIPLICATIVO:
Yt = Tt Ct S t I t .
Se asumir un modelo multiplicativo con estacionalidad estable.

ndice
Ficha
262
7.3. ANLISIS DE LA TENDENCIA
Tt
Mtodo que se va a utilizar para determinar la tendencia de la serie:

MTODO ANALTICO.
Otros mtodos: medias mviles y alisado exponencial.
El MTODO ANALTICO consiste en la obtencin de la ecuacin de una
funcin que ponga la variable de inters
Y en funcin del tiempo:
y t* = f ( t )
Esta funcin se obtendr por medio de un ajuste lineal mnimo cuadrtico:
y t* = a + bt
Recta de regresin de
Y sobre t
ndice
Ficha
263
La TENDENCIA de la serie
Tt
la proporcionarn los valores estimados de
Y: y t
Tt = y t*
Tt = a + bt
ecuacin de tendencia (recta de tendencia)
proporciona la tendencia lineal de la serie a largo plazo.

ndice
Ficha
264
Su interpretacin depender de la unidad de medida del tiempo
t.
Se analizar la TENDENCIA desde una doble perspectiva:

ANUAL: tiempo t en aos.
K ESIMAL: tiempo
t en unidades inferiores al ao,
SEMESTRES k = 2 tendencia semestral.

CUATRIMESTRES k = 3, tendencia cuatrimestral.
TRIMESTRES k = 4 tendencia trimestral.
BIMESTRES k = 6 tendencia bimensual.
MESES k = 12 tendencia mensual.

ndice
Ficha
265
7.3.1. Tendencia anual.

La ecuacin de tendencia anual se obtendr por una ajuste lineal mnimo
cuadrtico en la variable
(t ,Y ).
PASOS A SEGUIR:
1. El tiempo vendr en aos y los datos sern anuales. Si los valores de la
serie
res
yt
yt
se tuvieran por k simos, en cada ao se sumaran los k valo-
para obtener datos anuales.
2. Se opera una cambio de variable sobre el tiempo t en aos:

con
t0
t' = t t 0 ,
ao fijo.

ndice
Ficha
266
3. Obtencin de la recta de regresin de Y sobre t:
st' Y
b = 2
*
y t' = a + bt'
st
a = y bt '
4. Ecuacin de tendencia anual:
Tt' = a + bt'
t en aos, origen t = 0, t = t0 (parte central del ao t0.)

CAMBIO DE ORIGEN EN LA ECUACIN DE TENDENCIA ANUAL.
Si
Tt = a + bt
tiene origen en t = 0 y se quiere cambiar el origen a t = h
(h nmero entero), se opera el cambio
t = t' + h Tt' = a + b( t' + h ).

Ejemplo 7.2.

ndice
Ficha
267
7.3.2. Tendencia Kesimal.

Tendencia de la serie a largo plazo, pero el tiempo vendr en k simos
(trimestres, meses...).
La ECUACIN DE TENDENCIA K ESIMAL se obtendr a partir de la anual
como sigue:
1. Sea
Tt = a + bt
la ecuacin de tendencia anual con origen
t = 0.
2. Dividimos por k la ecuacin anual:
a b
b
Tt = + t ,
k k
k
representa la tendencia k esimal promedia del ao t.
3. Operamos el CAMBIO EN LA UNIDAD TEMPORAL de aos
t a k simos
t'
a b t' a b
(k)
t: t' = kt t = Tt ' = +
= + 2 t'
k
k kk k k
ndice
Ficha
268
(k)
t'
a b
= + 2 t'
k k
representa la ecuacin de tendencia k esimal.
El tiempo
ORIGEN:
t viene en k simos.
t = 0 en el k simo central del ao t0 (origen de la ecuacin

anual)

ndice
Ficha
269
TRASLADO DEL ORIGEN DE LA ECUACIN DE TENDENCIA K ESIMAL AL CENTRO DEL PRIMER K SIMO.
Sobre la ecuacin anterior se operar el siguiente cambio de origen:
k 1
k 1
a b
(k)
Tt'' = + 2 t' '
t' = t' '
k k
2
2
Ecuacin de tendencia k esimal con origen
t = 0 en la parte central del
primer k simo del ao t0 (origen de la ecuacin anual)

As si
t = 0 ,1,2 ,...,( N 1 ) aos t' ' = 0 ,1,2 ,...,( kN 1 ) k simos
Por ejemplo, si N = 3 aos entonces
t = 0, 1, 2. Y si k = 4 (trimestres), en-
tonces los 3x4 = 12 trimestres de los tres aos quedan:
t = 0,1,2,3,...,11.
Ejemplo 7.3.
ndice
Ficha
270
7.4. ANLISIS DE LA VARIACIN ESTACIONAL

La componente estacional
St
St .
es la responsable de los altibajos en el grfico
de la serie (picos y valles).

Para simplificar el anlisis de la componente estacional se supondr un comportamiento estacional repetitivo cada ao en la serie temporal (ESTACIONALIDAD ESTABLE). Adems, se asumir, en un esquema MULTIPLICATIVO,
que con el anlisis de la tendencia realizado se ha obtenido una componente
conjunta de TENDENCIA CICLO
Tt C t .

ndice
Ficha
271
As, se partir, para el anlisis de las variaciones estacionales, de una situacin inicial:
yt = Tt S t I t
(Tt representa a la tendencia y el ciclo)
Los indicadores de la COMPONENTE ESTACIONAL
St
sern unos ndices
que se denominan NDICES DE VARIACIN ESTACIONAL (IVE). Se obtendrn aislando la componente estacional en la relacin anterior.

ndice
Ficha
272
7.4.1. Obtencin de los IVE.

MTODO DE LA RAZN A LA TENDENCIA.
Pasos a seguir:
1. A partir de la ecuacin de tendencia k esimal
Tt
(k)
a b k 1
= + 2 t
k k
2
se obtienen los valores de tendencia-ciclo k esimales de la serie,

tuyendo los valores
susti-
t = 0 ,1,2 ,...,( kN 1 ) en la ecuacin.
2. Dividimos los datos k esimales de la serie

da:
Tt
yt
por la tendencia obteni-
y t Tt S t I t
=
= St I t
Tt
Tt
ndice
Ficha
273
3. Se promedian todos los valores
St I t
todos los aos. Se obtienen as los
obtenidos, en cada k simo para
k MOVIMIENTOS ESTACIONALES,
ME(i) (i = 1,2,..,k), de la serie.

4. Se determinan los
IVE, que son los Movimientos Estacionales ajustados:
IVE( i ) =
ME( i )
k 100
ME( i )
k
i =1
Ejemplo 7.4.

ndice
Ficha
274
ASPECTO DE LOS IVE.

Los IVE son nmeros ndices, y por tanto vendrn en porcentaje o tanto por
uno. La referencia es el 100.
IVE(i) = 100, significa que en el k simo (i) los valores que toma la
serie no tienen un comportamiento estacional que difiera de la tendencia usual de la serie.
IVE(i) > 100 (< 100), significa que en el k simo (i) los valores que
toma la serie son usualmente mayores (menores), a los que tendra en
un comportamiento sin efecto estacional.
NOTA: como el ao est subdividido en k partes, habr un
IVE para cada k
simo, de forma que:
IVE( i ) = k
o ( kx100 )
i =1

ndice
Ficha
275
7.4.2. Desestacionalizacin.
Desestacionalizar una serie consiste en eliminar la componente estacional
S t , representada por el IVE respectivo, de los datos originales y t .

Si
yt
es un dato k esimal de la serie original en el k simo (i), el dato
desestacionalizado ser:
yt
Dt =
IVE( i )
Datos que supuestamente hubisemos observado de no haber existido influencia estacional.
Ejemplo 7.5.
(Ver ejercicio 6.6 del libro ESTEBAN, J.; y otros.: Estadstica Descriptiva y nociones de Probabilidad, Ed. Thomson, 2005. pgina 226).

ndice
Ficha
276
7.5. PREDICCIN Y CORRECCIN POR ESTACIONALIDAD.

7.5.1. Prediccin de la tendencia.
A partir de las ecuaciones de tendencia:
( 1 ) Tt = a + bt
(2)T
(k)
t'
ANUAL con origen
a b k 1
= + 2 t'
k k
2
t = 0 en el ao t0.
K ESIMAL con origen
t = 0 en el pri-
mer k simo del ao t0.

Se pueden obtener PREDICCIONES de la tendencia:
(1) predicciones anuales de la tendencia para un ao
t = 0 ,1,2 ,...,( N 1 ) .
t determinado
(2) Predicciones k esimales de la tendencia para un k simo

nado t' = 0 ,1,2 ,...,( kN 1 )
t determi-

ndice
Ficha
277
7.5.2. Correccin por estacionalidad.

Si
Tt '( k ) ( i )
representa la prediccin de la tendencia k esimal en un k
simo (i) determinado y el
IVE(i) representa el efecto estacional de los valo-
res de la serie en ese k simo, la prediccin CORREGIDA POR ESTACIONALIDAD se obtendr multiplicando la prediccin de tendencia por el IVE respectivo:
Tt '( k ) ( i ) xIVE ( i ) .
Ejemplo 7.6.

ndice
Ficha
278
Conceptos clave.
Componente estacional.
Dato desestacionalizado.
Ecuacin de tendencia.
ndice de variacin estacional (IVE).
Prediccin corregida por estacionalidad.
Prediccin de la tendencia.
Serie temporal.
Tendencia anual.
Tendencia k-esimal.
Tendencia.

ndice
Ficha
279
EJEMPLOS.
Los ejemplos de este tema dedicado a las series temporales estn basados
en los datos del Ejemplo 7.1 y siguen el desarrollo terico del tema.
Ejemplo 7.1. Vamos a analizar la siguiente serie temporal Yt: volumen de
ventas trimestrales de una pequea empresa (en miles de euros), calculando la TENDENCIA, aislando la COMPONENTE ESTACIONAL (IVE) y desestacionalizando la serie. Supondremos un esquema multiplicativo y estacionalidad estable.
DATOS: ventas trimestrales durante el perodo 2000 a 2002.
2000
1r Trimestre
2 Trimestre
3r Trimestre
4 Trimestre
Totales Yt
2001
10
21
4
25
60
2002
15
25
8
30
78
17
29
9
33
88
TABLA 1

ndice
Ficha
Texto
280
SERIE TEMPORAL
35
30
ventas
25
20
15
10
5
0
1
2000
2001
2002
trimestres

ndice
Ficha
Texto
281
Ejemplo 7.2. A partir de las ventas trimestrales de una empresa en el periodo 2000-02 (datos facilitados en el Ejemplo 7.1), calcular la ecuacin de
tendencia anual con origen en el ao 2000.
Solucin: Para calcular la ecuacin lineal de tendencia anual con origen el
ao 2000, en primer lugar tomamos como valores de la serie los totales
anuales de la variable Yt.
Para hallar la lnea de tendencia utilizamos un mtodo analtico: ajustamos
una recta por el mtodo mnimos cuadrados.

ndice
Ficha
Texto
282
Clculos previos
Ao t
2000
2001
2002
Totales
Momentos a10
ordinarios
(Yt)2
Yt
t'=t-2000
0
1
2
3
60
78
88
226
a01
1,00
(t')2
3600
6084
7744
17428
a02
75,33
t'Yt
0
1
4
5
a20
5809,33
0
78
176
254
a11
1,67
84,67
2
m02 = S2Y m11 = St'Y
Momentos m20 = S t'
centrales
0,67
134,22
9,33
Parmetros b
r2
a
14,00
61,33
r
0,974
0,987

ndice
Ficha
Texto
283
Por tanto, se tendr la Ecuacin de tendencia anual
st' Y
b = 2
st'
Tt' = a + bt'
a = y bt '
Tt' = 61,33 + 14t'
t = 0, 1, 2....aos. Ecuacin de tendencia anual.

Origen: t0 = 2000, ao 0. Unidad: un ao.
La bondad del ajuste es
r2 = 0,974 (97,4%, buen ajuste). El modelo lineal
para determinar la tendencia sera adecuado.

ndice
Ficha
Texto
284
Ejemplo 7.3. A partir de la ecuacin de tendencia anual obtenida en el

Ejemplo 7.2 (Tt'
= 61,33 + 14t'
con origen e t0 = 2000, ao 0.), obtener la
ecuacin de tendencia trimestral con origen el primer trimestre del ao

2000.
Solucin: Ecuacin de la tendencia trimestral (k = 4).
61,33 14
Tt' =
+ t'
4
4
Tendencia trimestral promedia del ao t (t en aos).
Cambiamos la unidad anual de la ecuacin de tendencia a una unidad trimestral:
ndice
Ficha
Texto
285
t = 4t (t en trimestres). En general t = kt (t en k-simos); K = 2

semestres, k = 12 meses... En nuestro caso transformamos la variable t
(tiempo medio en aos) en otra t medida en trimestres, haciendo el cambio
t = 4t:
61.33 14 t' ' 61.33 14

t' '
(4)
t' =
Tt' ' =
+
=
+ 2 t' '
4
4
4 4
4
4
(t en trimestres)
Por tanto, la ecuacin de tendencia trimestral quedar:
Tt'('4 ) = 15 ,33 + 0 ,875t' '

Ecuacin de tendencia trimestral.
Origen: trimestre central del ao 2000.
Unidad: t un trimestre.
ndice
Ficha
Texto
286
Cambiamos el origen de la ecuacin de tendencia trimestral al primer trimestre de 2000: el origen lo situamos en la parte central del trimestre, nos
trasladamos un trimestre y medio hacia la izquierda:
4 1
k 1
t' '
= t' '
= t' ' 1,5 :
2
2

ndice
Ficha
Texto
287
Tt'(' 4 ) = 15 ,33 + 0 ,875( t' ' 1,5 ) = 15 ,33 + 0 ,875( 1,5 ) + 0 ,875t' ' =
= 14 ,0175 + 0 ,875t' '
Con lo cual,
Tt'('4 ) = 14 ,0175 + 0 ,875t' '

ecuacin de tendencia trimestral.
Origen (t = 0) primer trimestre de 2000.
Unidad: t un trimestre. t = 0, 1, 2, ...,11

ndice
Ficha
Texto
288
Con la ecuacin anterior, evaluamos la tendencia para cada uno de los 12

trimestres de la serie (3 aos por 4 trimestres). Dando valores a t = 0, 1,
2, ...,11, obtenemos la siguiente tabla:
Tt''
1r Trimestre
2 Trimestre
3r Trimestre
4 Trimestre
2000
14,0175
14,8925
15,7675
16,6425
2001
17,5175
18,3925
19,2675
20,1425
2002
21,0175
21,8925
22,7675
23,6425
TABLA 2
Tendencia para cada trimestre:
forma una serie aritmtica de razn 0,875 = b/42. En general b/k2.

ndice
Ficha
Texto
289
Representacin grfica de la componente de tendencia (trimestral)
SERIE TEMPORAL
VENTAS
tendencia
35
30
ventas
25
20
15
10
5
0
1
3
2000
3
2001
2002
trimestres

ndice
Ficha
Texto
290
Ejemplo 7.4. A partir de las ventas trimestrales (datos originales, TABLA 1)

y la tendencia trimestral (resultados del Ejemplo 7.3, TABLA 2), calcular los
ndices de variacin estacional (IVE), interpretar su significado y representar
grficamente la componente estacional.
Solucin: Eliminamos la tendencia y el ciclo (dividimos los datos originales
por su correspondiente tendencia trimestral, supuesto un esquema multiplicativo):
TABLA 1/TABLA 2 = TABLA 3.

ndice
Ficha
Texto
291
2000
1r Trimestre
2 Trimestre
3r Trimestre
4 Trimestre
2001
10
21
4
25
2002
15
25
8
30
Tt''
1r Trimestre
2 Trimestre
3r Trimestre
4 Trimestre
17
29
9
33
TABLA1
2000
14,0175
14,8925
15,7675
16,6425
2001
17,5175
18,3925
19,2675
20,1425
2002
21,0175
21,8925
22,7675
23,6425
TABLA2
TABLA3
1r Trimestre
2 Trimestre
3r Trimestre
4 Trimestre
2000
0,7134
1,4101
0,2537
1,5022
2001
0,8563
1,3592
0,4152
1,4894
2002
0,8088
1,3247
0,3953
1,3958
Suma
2,3785
4,0940
1,0642
4,3874
ME(i)
0,7928
1,3647
0,3547
1,4625
3,9747
IVE%
79,79
137,34
35,70
147,18
400,00
Tanto por uno

0,7979
1,3734
0,3570
1,4718
4,0000
Eliminamos las variaciones irregulares promediando los valores obtenidos sin tendencia en cada trimestre para todos los aos, es decir, calculando
lo que llamaremos MOVIMIENTOS ESTACIONALES (ME): medias aritmticas
de los valores sin tendencia para cada trimestre. (ver TABLA 3):
ndice
Ficha
Texto
292
ME(i) i = 1, 2,..., k
Calculamos los ndices de Variacin Estacional (IVE):
Teniendo en cuenta que un ndice representa un cambio porcentual sobre
una base de referencia del 100%, en este caso los cuatro ME deberan sumar 4 (o 400 en porcentaje) para que representaran de una forma consistente la componente estacional por trimestre. Pero suman 3,9747, por lo
que procede un ligero ajuste tcnico para que sumen 4. De esta forma obtenemos los ME ajustados o NDICES DE VARIACIN ESTACIONAL (IVE):
IVE( i ) =
ME( i )
k
ME( i )
k 100
i =1
En este caso k = 4 (trimestres).

ndice
Ficha
Texto
293
Representacin grfica de la componente estacional obtenida (IVE):
ndice Variacin Estacional
160
140
147,18
137,34
147,18
137,34
147,18
137,34
120
IVE
100
79,79
80
79,79
79,79
60
40
35,70
35,70
35,70
20
0
1
2000
2001
2002
trimestres

ndice
Ficha
Texto
294
Significado de los IVE: los IVE representan el efecto estacional para cada
trimestre. Al suponer estacionalidad estable, son los mismos para todos los
aos de la serie, as:
4 trimestre: IVE (4) = 147,18. Las ventas de la empresa son un
47.18% superiores (147,18 - 100) al nivel medio de referencia que

sera 100.
3 trimestre: IVE (3) = 35,70. Las ventas de la empresa son un 64,30
inferiores (35,70 - 100) al nivel medio de referencia.

ndice
Ficha
Texto
295
Ejemplo 7.5. Desestacionalizar la serie de ventas trimestrales (datos originales, TABLA 1).
Solucin: Eliminamos la estacionalidad de la serie dividiendo los datos originales (Tabla 1) por los IVE de cada trimestre expresados en tantos por
uno.
Tabla 1 / IVE = Tabla 4
1r Trimestre
2 Trimestre
3r Trimestre
4 Trimestre
Totales Yt
2000
10
21
4
25
60
2001
15
25
8
30
78
TABLA 1
2002
17
29
9
33
88
IVE
0,7979
1,3734
0,3570
1,4718
4,0000
2000
12,5329
15,2905
11,2045
16,9860
2001
18,7993
18,2030
22,4090
20,3832
2002
21,3059
21,1155
25,2101
22,4215
TABLA 4
Serie desestacionalizada

ndice
Ficha
Texto
296
La serie desestacionalizada contiene los valores que supuestamente hubiramos observado de no haber existido ninguna influencia estacional. Vemos
que hay una diferencia significativa con los datos originales, sobre todo en el
tercer trimestre.
Dt ventas
desestacionalizadas
Datos desestacionalizados
30
25
20
15
10
5
0
1
2000
2001
2002
trimestres

ndice
Ficha
Texto
297
Ejemplo 7.6. A partir de la ecuacin de tendencia trimestral con origen el

trimestre central del ao 2000
Tt'('4 ) = 15 ,33 + 0 ,875t' ' ,

Obtener una prediccin de las ventas de la empresa para el tercer trimestre
del ao 2008. Corregir la prediccin por estacionalidad (utilizar los datos obtenidos en el Ejemplo 7.4).
Solucin: Del ao 00 al 08 hay 8 aos, es decir 32 trimestres. Con este clculo llegamos al trimestre central del ao 08; por tanto aadiendo 0.5 trimestres llegamos a la parte central del tercer trimestre.
As para t = 32.5 trimestres tenemos:
Tt'('4 ) ( t' ' = 32 ,5 ) = 15 ,33 + 0 ,875( 32 ,5 ) = 43 ,7675

ndice
Ficha
Texto
298
Anlogamente lo podemos hacer a partir de la ecuacin con origen el primer

trimestre del 00:
Tt'('4 ) = 14 ,0175 + 0 ,875t' '

Aqu t = 34 trimestres y sustituyendo:
Tt'('4 ) ( t' ' = 34 ) = 14 ,0175 + 0 ,875( 34 ) = 43 ,7675

Correccin por estacionalidad: como el IVE para el tercer trimestre es de
35,70, la prediccin tendra que ser realmente un 64,30% inferior (si la estacionalidad se mantiene estable): 43,7675 0,3570 = 15,6250 que representa la prediccin corregida por estacionalidad.

ndice
Ficha
Texto

Diez Garcia Rafael - Guia Didactica de Estadistica Descriptiva para Las Cs

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Diez Garcia Rafael - Guia Didactica de Estadistica Descriptiva para Las Cs

Uploaded by

Copyright:

Available Formats

Rafael Dez

Gua didctica de Estadstica Descriptiva para las

TEMA 2. ANALISIS DE DATOS UNIDIMENSIONALES.

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

Bibliografa bsica para complementar el tema.

TEMA 3. MEDIDAS DE CONCENTRACIN.

3.2. Curva de Lorenz.

Rafael Dez, Vicente Coll y Olga Blasco

3.3. ndice de Gini.

TEMA 4. ANLISIS DE DATOS BIDIMENSINALES.

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

TEMA 5. ANLISIS DE REGRESIN.

TEMA 6. TASAS DE VARIACIN Y NMEROS NDICE.

Programacin de la gua didctica:

TEMA 7. ANLISIS CLSICO DE SERIES TEMPORALES.

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

Rafael Dez, Vicente Coll y Olga Blasco

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

Rafael Dez, Vicente Coll y Olga Blasco

A pie de pgina aparecen dos o tres iconos.

Para acceder al ndice de la Gua Didctica.

Para volver a la ficha del tema.

Para volver al texto (solo disponible en los enunciados de ejemplos)

Contacto con los autores:

Rafael Dez, Vicente Coll y Olga Blasco

Ficha del tema 1.

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

Rafael Dez, Vicente Coll y Olga Blasco

BIBLIOGRAFA BSICA (teora y problemas)

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

1.1. ESTADSTICA: CONCEPTO, CONTENIDO Y RELACIONES CON EL

Compara el nmero de das de baja en las dos empresas:

Rafael Dez, Vicente Coll y Olga Blasco

La ESTADSTICA, como ciencia, compara series de datos y ayuda a tomar

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

Clculo de la Media y la Varianza.

Rafael Dez, Vicente Coll y Olga Blasco

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

La Estadstica tiene aplicaciones importantes en el mbito de la economa y

Rafael Dez, Vicente Coll y Olga Blasco

DIRECCIN DE EMPRESAS: se utilizan mtodos de control de calidad

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

GESTIN Y RECURSOS HUMANOS: evaluar y comparar la capacidad

Rafael Dez, Vicente Coll y Olga Blasco

1.2. LA INVESTIGACIN ESTADSTICA. ANLISIS DESCRIPTIVO,

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

2. ESTADSTICA DESCRIPTIVA: presentacin en informe.

Rafael Dez, Vicente Coll y Olga Blasco

Gua didctica de Estadstica Descriptiva para las Ciencias Sociales.

3. INFERENCIA ESTADSTICA: exposicin de predicciones y toma de decisiones.

1.3. Datos estadsticos: naturaleza, descripcin numrica y representacin grfica.

CARCTER: el aspecto, fenmeno, propiedad que se desea estudiar de la

X: el carcter medido sobre los elementos.

Rafael Dez, Vicente Coll y Olga Blasco