Libro Análisis de Datos

Para Economa, Contadura,
Administracin y Educacin
Actividades de Aprendizaje prcticas
con statgraphics y S.P.S.S
Prof. Juan R. Muoz C.
Anlisis de Datos Estadsticos
Captulo I
DEFINICIONES BSICAS.
MEDICIN Y SUS ESCALAS
Definicin de estadstica.
Divisin de la estadstica (procesos estocsticos)
Anlisis de datos
Probabilidad
Inferencia estadstica
Medicin
Escalas de medidas.
Autor: prof. Juan Muoz
DEFINICIONES BSICAS:
Es de suma importancia que el estudiante o usuario trate de comprender las
definiciones siguientes, puesto que esto, le permitir un mejor desempeo en la
aplicacin de las herramientas estadsticas.
Estadstica: Es la ciencia que recopila, organiza, presenta, analiza e interpreta datos

estadsticos, colaborando en la toma de decisiones estadstica ms efectiva.
De esta definicin podemos inferir, que al abordar un problema de investigacin,
el primer paso que debemos dar es la recopilacin de datos, organizarlos de cierta
manera que puedan presentarse en un grfico y poder analizar e interpretar la
informacin, para luego tomar una decisin estadstica.
La estadstica se divide en tres grandes disciplinas:
Anlisis de datos
Probabilidad
Inferencia Estadstica
Estadstica descriptiva o anlisis de datos: Describe las caractersticas de un conjunto

de datos, que se pueden organizar, resumir y presentar de manera informativa (numrica
o grfica). Ejemplo determinar el promedio de ventas de una empresa del estado
Carabobo. Promedio de notas de los alumnos de estadstica descriptiva en el primer
parcial.
Probabilidad: Cuantifica la incertidumbre, lo cual permite hacer afirmaciones

categricas con una seguridad total sobre el nivel de incertidumbre.
Inferencia estadstica: Es la ciencia que extrae conclusiones estadsticas, teniendo

como finalidad investigar como deben ser utilizados los datos estadsticos de una
muestra (s), para inferir unos resultados acerca de una poblacin de donde provienen los
datos, basndose en el clculo de probabilidades.
Poblacin: conjunto de individuos o elementos que poseen ciertas caractersticas

comunes que se desean estudiar.
Poblacin finita: Es cuando el nmero de observaciones que la conforman se puede
expresar cuantitativamente o numricamente. Ejemplo el nmero de alumnos del cuarto
semestre.
Poblacin tericamente infinita: Es aquella que contiene un nmero finito numerable

de observaciones, pero en cantidades tal que es posible considerarla infinita.
Muestra: Es una porcin o parte, de una poblacin de inters. Generalmente tomamos

una muestra de una poblacin para deducir algo acerca de la misma.
Estrato: Parte de la poblacin no representativa de la misma.
Carcter: Propiedad, rasgo o cualidad de los elementos de la poblacin.
Atributo: Carcter cualitativo, no susceptible de ser medido numricamente. Las

distintas observaciones de un atributo se denominan modalidades y pueden venir
expresadas en escala nominal (nivel no susceptible de ordenacin) o en escala ordinal
(modalidad susceptible de ordenacin)
Datos estadsticos: Son la materia prima de la estadstica, los nmeros que utilizamos
para interpretar la realidad. En todo problema estadstico hay que recopilar, describir y
analizar datos, o al menos pensar en la recopilacin, descripcin y anlisis de los
mismos.
Anlisis de datos estadsticos: Es la recopilacin, organizacin y resumen de los datos

con el fin de tomar decisiones estadsticas.
DATOS ESTADSTICOS
Cualitativo o
Atributo
Cuantitativo o
Numrico
Discreto
Continuo
Variable: Sus distintas observaciones se denominan valores.
Variable cualitativa o atributo: Es aquella cuando la caracterstica es no numrica.

Ejemplo: el sexo, la religin, tipo de vehiculo, estado civil etc.
Variable cuantitativa o numrica: Es cuando la variable estudiada se puede expresar

numricamente, por ejemplo: monto de las ventas de una empresa, nmero de alumnos
de la clase de estadstica etc.
Variable cuantitativa discreta: Son aquellas que pueden asumir solo ciertos valores,
por lo general surgen del conteo. Ejemplo: el nmero de pisos de un edificio, el nmero
de vehculos en el estacionamiento de Faces, el nmero de hijos de una familia etc.
Variable cuantitativa continua: Son aquellas que pueden asumir cualquier valor
dentro de un intervalo especfico. Ejemplo: la estatura de los alumnos, el peso de las
alumnas, saldos en tu cuenta bancaria etc.
Estadstico: Es la caracterstica o medida calculada en una sola muestra. Ejemplo la

media aritmtica, la moda, la mediana, etc.
Parmetro: Es la caracterstica o medida calculada en una poblacin completa, cuya

condicin es ser una constante representativa de la poblacin en estudio, generalmente
es un promedio. Ejemplo la media poblacional ()
MEDICIN Y ESCALAS DE MEDIDAS

Medir
Es asignar nmeros a observaciones de modo que estos sean susceptibles de
anlisis por medio de manipulacin y operaciones de acuerdo con ciertas reglas.
Los datos estadsticos por lo general provienen de medidas sobre individuos o
unidades experimentales de la poblacin bajo estudio, as obtenemos un conjunto de
datos, o resultados del experimento estadstico. Para facilitar el anlisis asignaremos
unos valores a cada unidad experimental de acuerdo con ciertas reglas; as, podemos
asignar el nmero 1 a los varones y el 2 a las hembras o bien los smbolos V y H.
Pueden observarse muchas caractersticas diferentes para un mismo individuo,

estas caractersticas, dependiendo del tipo de valores que originan, pueden medirse con
cuatro tipos distintos de escalas de medidas.
Escala nominal: es la forma ms simple de observacin, es la clasificacin de
individuos en clases o categoras mutuamente excluyentes, y que simplemente pueden
distinguirse entre s, pero no compararse, ni realizar entre ellas operaciones aritmticas.
En este tipo se incluyen caractersticas tales como profesin, nacionalidad, grupo
econmico, estado civil. Como estadsticas descriptivas, solo admite el clculo de la
moda, as como tambin el conteo de las frecuencias.
Dentro del campo de los mtodos no paramtricos acepta el uso de la prueba
Chi-cuadrado y como medida de asociacin admite el uso del coeficiente de
contingencia, coeficiente de correlacin entre las variables nominales dicotmicas,
razones proporciones y porcentajes.
Escala ordinal: Utilizaremos este nivel cuando los elementos de un conjunto
pueden ser ordenados en funcin de una caracterstica en particular por ejemplo:
clasificar la familia por orden socio-econmico, los estudiantes de acuerdo como
terminaron el examen o segn su rendimiento, escalafn universitario etc. Este nivel
admite las siguientes caractersticas:
Constituye un nivel superior al nominal, por lo tanto toda variable que posea
este nivel, es por que es tambin nominal.
Los nmeros asignados a las clases, deben tener un rango especfico u orden ,
sin importar el nmero en s , adems no importa que la asignacin se haga de
mayor a menor o viceversa, en esta escala es posible que 1 sea mayor que 2, la
diferencia entre estos dos nmeros no tiene ningn significado, solo indica la
forma de transmitir la informacin, por lo tanto, no ser posible realizar ningn
tipo de operacin aritmtica, ya que estos resultados careceran de significado
estadstico.
Como estadstica descriptiva, las ms apropiadas para describir este tipo de
nmero es la mediana. Dentro del campo no paramtrico es posible realizar la
prueba de los signos. En relacin con las medidas
de asociacin pueden
utilizarse el coeficiente de correlacin por rango de Sperman, Tau de Kendall y

el coeficiente de correlacin biserial.
Escala de intervalo: esta escala, adems de clasificar y ordenar los datos, cuantifica
la diferencia entre dos clases, es decir, puede indicar cuanto ms significa una categora
que otra. Para ello es necesario que se defina una unidad de medida y un origen, que es
por naturaleza arbitrario, adems permite las operaciones aritmticas. Admite las
siguientes caractersticas:
El nmero que se le asigne a cada elemento u objeto, corresponde a las unidades
de medida que posea, esto es: puntos, aos, grados, ventas etc.
El punto cero es arbitrario solo constituye un punto de referencia.
Cuando se codifica en una escala de intervalo el 1 constituye una unidad menor
que el 2.
El hecho de que el punto cero sea arbitrario hace que en dicho nivel solo puedan
establecerse comparaciones en relacin a las distancias entre intervalos y no
diferencias relativas a cantidades.
Como estadstica descriptiva las operaciones que admite son la media aritmtica,
la mediana, moda, desviacin estndar, coeficiente de correlacin de Pearson,
etc.
Escala de razn: es idntica a la anterior, pero adems existe un cero absoluto y es
el nivel ms alto de medicin, lo cual implica poseer todas las caractersticas de los
anteriores niveles. Por ejemplo: volumen de venta, costo de produccin, edad,
cotizacin del dlar, etc. Siendo sus caractersticas bsicas las siguientes:
El cero absoluto significa total carencia del atributo o propiedad que se est
midiendo.
La diferencia entre dos nmeros es totalmente significativa, es decir, a dos
diferencias iguales en el atributo estudiado corresponde igual diferencia entre los
nmeros asignados y adicionalmente como el punto cero es real, es posible hacer
afirmaciones como sta: el ejecutivo X tiene el doble de las ventas del ejecutivo
Y
Como estadstica descriptiva admite todas las del nivel anterior, adems del
coeficiente de variacin que es una medida relativa de dispersin, ya que este
coeficiente requiere del conocimiento del punto cero.
El nivel escogido para medir una caracterstica condiciona el resto del anlisis
estadstico, pues las tcnicas utilizadas deben tener en cuenta la escala que se ha
empleado. En general cuanto mayor sea el nivel utilizado, mayor nmero de tcnicas
podrn aplicarse y mayor precisin se lograr, por lo que se recomienda usar la escala
de intervalo o la de razn siempre que sea posible.
Actividades
1. Redacte un ejemplo de caractersticas estadsticas en las siguientes escalas de
medida: Nominal, Ordinal, Intervalo, de razn.
2. Hemos realizado una encuesta a un grupo de ejecutivos de una empresa,
clasifique las siguientes caractersticas, segn su escala de medida y tipo de
variable: peso, volumen de ventas, religin, nmero de hermanos, tiempo que
tarda en llenar la encuesta, si tiene o no carnet de club privado, deporte
preferido.
3. por qu no podemos decir que una temperatura de 100 grados Fahrenheit
indica doble de calor que una temperatura de 50 grados Fahrenheit?
4. si agrupamos a los ejecutivos de la empresa en altos, medianos, bajos Qu tipo
de escala de medida usamos? y si los ordenamos por estatura?
DISTRIBUCIONES DE
FRECUENCIAS
UNIDIMENSIONALES
Captulo II
GRAFICOS ESTADSTICOS
Distribuciones de frecuencias unidimensionales

Construccin en Statgraphics, S.P.S.S
Grficos de lnea, barra, polgono de frecuencia, ojiva,
curva de Lorenz.
10
DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES
Consideremos un conjunto formado por N elementos y sea X una variable que

describe un carcter de los mismos, cuyos posibles valores, ordenados de menor a
mayor, son: x1, x2, ..xn.
Frecuencia absoluta ordinaria: de xi es el nmero fi de veces que aparece xi
en el total de los N elementos.
Frecuencia ordinaria relativa: de xi es la proporcin hi de elementos del
conjunto para los cuales la caracterstica considerada toma el valor x i. Se obtiene como
hi = fi /N, y multiplicado por 100, representa el porcentaje de elementos que toman dicho
valor.
Frecuencia absoluta acumulada: de xi es el nmero Fi de observaciones
menores o iguales que xi. Se calcula, por tanto, como Fi = f1+ f2 +fi =
fi = N
i 1
Frecuencia relativa acumulada: de xi es la proporcin Hi de elementos para

los cuales el carcter toma un valor menor o igual que x i. Se puede calcular como.
Hi = h1+ h2+hi =
hi = 1
i 1
Distribucin de frecuencia: Se denomina al conjunto de valores de una variable

junto con las frecuencias correspondientes a cada uno de ellos, (xi, fi)i=1,2,3.n. podemos
hablar de dos tipos de distribuciones dependiendo de cmo se presenten los datos:
Distribuciones con datos no agrupados en intervalos: para variables que

toman pocos valores diferentes. Ver fig.1
xi
fi
Fi
hi
Hi
x1 f1
F1
h1
H1
x2 f2
F2
h2
H2
Fn
hn
Hn
xn fn
Fig.1
11
Distribucin con datos agrupados en intervalos: Se utiliza con variables que

toman un nmero muy elevado de valores diferentes, con el objeto de hacer ms
manipulable la informacin. La frecuencia absoluta ordinaria asociada a un intervalo
(Li Ls], ser el nmero total de observaciones perteneciente al mismo. En este
contexto, hay que introducir nuevos conceptos, como son, la amplitud del intervalo o
ancho de clase (ic), ic = (Ls - Li), la marca de clase o punto medio del intervalo
x
Ls
Li
2
y la densidad de frecuencia, di =
fi
. Este tipo de distribuciones se
ic
presenta en la Fig.2
(Li - Ls]
xi
fi
Fi
hi
Hi
di
L0 L1
x1
f1
F1
h1 H1 d1
..
L1 L2
x2
f2
F2.
h2 H2 d2
..
Ln-1 -Ln
xn
fn
Fn
hn Hn dn
Fig.2
Finalmente, ntese que en el caso de trabajar con un atributo en lugar de una

variable, podremos calcular siempre las frecuencias no acumuladas, mientras que las
acumuladas slo se podrn calcular en el caso que estn medido en escala ordinal.
REPRESENTACIONES GRFICAS
Los grficos que se utilizan para representar una distribucin de frecuencia,
sern diferentes segn la naturaleza del carcter a estudiar, dentro de los cuales,
analizaremos los siguientes:
GRFICOS PARA ATRIBUTOS
Diagrama de rectngulos: Se presentan las distintas modalidades, en el eje de
abscisas, levantndose sobre cada una de ellas un rectngulo, cuya altura es igual a la
correspondiente frecuencia absoluta o relativa.
12
Diagrama de sectores o circular: Se divide un crculo en tantas porciones como

modalidades existan, de modo que a cada una de ellas le corresponda un sector circular
con rea proporcional a su frecuencia absoluta o relativa.
Pictograma: Se utilizan dibujos alusivos al tema de estudio para representar las

frecuencias. Estos dibujos pueden hacerse de tal forma que tengan un tamao
proporcional a la frecuencia absoluta o relativa de la respectiva modalidad, o bien
repetirse un nmero de veces proporcional a la frecuencia absoluta.
GRFICOS PARA VARIABLES
1. Distribuciones con datos no agrupados en intervalos:
Diagrama de barras: Se levanta una barra sobre cada valor de x i con
una altura igual a fi o hi
Polgono de frecuencia: Se unen mediante rectas los puntos de
coordenadas (xi, hi) o (hi, fi).
Polgono acumulativo de frecuencia: Se representan las frecuencias
absolutas acumuladas (Fi o N) para todo valor de la recta real,
obtenindose un grfico en forma de escalera.
2. Distribuciones con datos agrupados en intervalos
Histograma: Se construye representando, sobre cada intervalo, un
rectngulo con altura igual a la densidad de frecuencia di con objeto de
que el rea de cada rectngulo sea igual a la frecuencia absoluta del
correspondiente intervalo. Cuando los intervalos tienen la misma
amplitud se puede utilizar como altura la frecuencia absoluta fi,
obtenindome en ese caso reas proporcionales a las frecuencias.
Polgono de frecuencias: Se obtiene uniendo los puntos medios o
marcas de clase de las bases superiores de los rectngulos del
histograma, (xi,di), y cerrar el polgono cortando al eje de abscisas de
forma que el rea encerrada entre el polgono de frecuencia y el eje
horizontal coincida con el rea del histograma.
Polgono acumulativo de frecuencia: se obtiene levantando en el
extremo superior de cada intervalo una ordenada con altura igual a la
frecuencia acumulada absoluta (Fi) o frecuencia relativa acumulada
(Hi),uniendo despus estos puntos.
13
Dato
s
Grficos
para
Atributos
Datos Cualitativos
1)Grfico de Barras
2)Diagrama Circular,
De sectores o De Pastel
3)Pictograma
Grficos para
Variables
Datos Cuantitativos
1) Grfico de Puntos
2) Grfico de lneas
3)Ojiva o Polgono de
Porcentaje
4)Grfico de Polgonos de
Frecuencia
14
Esquema del sistema Cartesiano

para realizar Grficos
fi
10
8
fi =
~
X=
Frecuencia Absoluta
Ordinaria
Marca de
Clase
10
20
30
40
50
~
X
Dibujo del Grfico de Barras
f
i
20
18
16
14
12
10
8
6
4
2
0
10
2
0
3
0
4
0
5
0
Captulo III
15
MEDIDAS DESCRIPTIVAS DE LOS
Medidas de posicin
Media Aritmtica
Mediana
Moda
Cuantiles
DATOS ESTADSTICOS

MEDIDAS
DESCRIPTIVAS
PARA
EL
16
ANLISIS
DE
LOS
DATOS
ESTADSTICOS
Para sintetizar toda la informacin contenida en una tabla de frecuencias, el paso

siguiente para el anlisis de datos, es definir los estadsticos o medidas descriptivas, las
cuales proporcionan un resumen acerca de cmo se distribuyen los datos. Segn la
informacin qu stos nos proporcionen, los clasificaremos en:
Medidas de posicin.
Medidas de dispersin.
Medidas de forma (asimetra y curtosis)
Medidas de concentracin.
Medidas de Posicin: stas dan una idea general donde se sita la distribucin de
frecuencias sobre la recta real, indicando alrededor del cual se agrupan los datos
estadsticos. Dentro de esta clase se incluyen la media aritmtica, media Ponderada,
moda, mediana, cuantiles.
Media aritmtica: x . Es la suma ponderada de cada uno de los valores de la variable

multiplicado por su frecuencia. Esta definicin enfatiza el significado de la media como
reparto equitativo y como mejor estimador de una cantidad desconocida, as como el
algoritmo del clculo.
xi f i
x
i 1
f i x i
i 1
N: nmero de valores observados

xi: cada uno de los valores observados
fi: frecuencia con que se presenta xi
En caso de que los datos se presenten en una tabla de valores agrupados en

intervalos,
se
aplica
la
misma
frmula,
siendo
los
valores
de
xi: los valores de la marca de clase o punto medio. Debe recordarse que la agrupacin de
los valores de la variable implica una perdida de informacin sobre dichos valores. Esto
se traduce en el hecho de que los estadsticos calculados, a partir de valores agrupados
17
estn afectados por el error de agrupamiento. Por este motivo y siempre que sea posible
han de calcularse los estadsticos a partir de los datos originales, utilizando la frmula
para datos no agrupados. No obstante, puede suceder a veces, que no tengamos los
valores individuales de las observaciones sino por el contrario, dispongamos de una
tabla de frecuencias. En este caso conviene recordar que los valores obtenidos son solo
aproximados.
Propiedades de la media:
1. La media aritmtica es el centro de gravedad de la distribucin de la variable, es
decir, la suma de las desviaciones de los valores con respecto a ella, es igual a
cero.
( xi
x) f i
2. La media aritmtica del producto de una constante, a, por una variable X, es

igual al producto de la constante por la media de la variable dada. Esta
propiedad implica que, al efectuar un cambio de unidad de medida a los datos
(pasar de metros a centmetros), la media queda afectada por dicho cambio de
escala.
n
axi f i
i 1
ax
3. La media aritmtica de la suma de dos variables, X, Y, es igual a suma de las

medias de cada una de las variables.
X Y
4. La media aritmtica de la suma de una constante entera, a, con una variable X,

es igual a la suma de la constante, a, con la media aritmtica de la variable dada.
n
(a
xi ) f i
i 1
Esta propiedad implica que, al efectuar un cambio en el origen desde el que se han
medido los datos, la media quede afectada por dicho cambio de origen.
Media ponderada: x
Cuando el nmero de observaciones es grande, las operaciones para calcular la
media aritmtica se simplifica utilizando la media ponderada.
18
n1 .x1 n2 x2 .....n r xr
n1 n2 ....nr
Moda: (Mo). Cuando la variable es cualitativa no podemos calcular la media. Para

describir un grupo podemos, entonces usar la moda (Mo), que es el valor de la variable
que tiene mayor frecuencia. En una distribucin puede existir ms de una moda, si hay
una sola moda se le denomina unimodal, si existen dos bimodal y si hay ms de dos se
le denomina polimodal.
Clculo de la moda para una variable numrica. Distinguiremos dos casos:
Para una variable cualitativa o numrica discreta, su clculo es sumamente sencillo,
basta con determinar en la tabla de frecuencias la variable de mxima frecuencia.
Cuando la variable numrica esta agrupada en intervalos de clases, la moda se
encontrar en la clase de mayor frecuencia, pudiendo calcular su valor por medio del
siguiente modelo matemtico.
Mo = li +
di
di
di
ic
1
La moda presenta algunas limitaciones como medida de posicin, obsrvese algunas de

ellas:
a) Si las frecuencias se condensan fuertemente en algunos valores de la variable, la
moda, no es una medida eficaz. Ejemplo consideremos las ventas de un equipo
de ejecutivos, tal como se ilustra a continuacin:
Ventas
10
(MM)
Ejecutivos
Decir que la moda es 10 MM, cuando un porcentaje muy elevado de ejecutivos

no ha efectuado ese monto, nos da una idea de las limitaciones de la moda en este caso.
Esto es debido a que en el clculo de la moda no se tiene en cuenta todos los valores de
la variable, sin embargo, la media es 2(MM), y en este clculo si se toma en cuenta
todos los valores de la variable.
b) Una misma distribucin con los valores agrupados en clases distintas, pueden
dar distintas modas, en el clculo aproximado.
19
Mediana: (Md). Es un valor tal que, una vez ordenadas las observaciones de menor a
mayor, deja el mismo nmero de observaciones a su derecha que a su izquierda. Para
obtenerla se procede de la siguiente manera:
En distribuciones no agrupadas en intervalos, se determina el primer valor de x i
de la variable cuya frecuencia absoluta acumulada (Fi) es mayor o igual a N/2. si
Fi es igual a N/2, entonces la mediana se obtiene como
xi
xi
2
, y si Fi es
estrictamente mayor que N/2 entonces la mediana es x i.

En distribuciones agrupadas, es necesario seleccionar, en primer lugar, el
intervalo donde se encuentra la mediana (intervalo mediano), siendo ste el
primer intervalo (Ls-li), cuya frecuencia absoluta acumulada Fi, es mayor o
igual a N/2. suponiendo que las observaciones se distribuyen uniformemente en
el intervalo, el modelo matemtico ser:
Md = Li +
N / 2 Fi 1
ic
fi
Propiedades caractersticas de la mediana: al igual que la media y la moda la

mediana tambin presenta limitaciones, tales como:
i.
Al calcular la mediana no usamos todos los valores de la variable, lo que la

limita como medida de posicin
ii.
No puede ser aplicada a distribuciones de variables cualitativas.
iii.
Como medida de posicin, presenta ciertas ventajas, frente a la media en algunas

distribuciones, ya que no se ve afectada por valores extremos de las
observaciones. La mediana es invariante si se disminuye una observacin
inferior a ella, o si se aumenta una superior, puesto que slo se tiene en cuenta
los valores centrales de la variable. Por ello es adecuada para distribuciones
asimtricas o cuando existen valores atpicos.
iv.
Es un estadstico resistente, con pequeas fluctuaciones de la muestra, no

cambia su valor.
v.
Si los datos son ordinales la mediana existe, mientras que la media no tiene
sentido, puesto que su clculo se basa en los valores numricos (necesariamente)
de los datos.
20
Cuantiles: (C). Son los valores que dividen a la distribucin, una vez ordenada sta de
menor a mayor, en intervalos de igual frecuencia. Los ms usuales son los cuartiles,
simbolizados por Q1, Q2, Q3, que dividen la distribucin en cuatro intervalos iguales,
cada uno de ellos con el 25% d las observaciones, los deciles, simbolizados por, D1, D2,
D3,. D9, que dividen la distribucin en diez partes iguales, y los percentiles,
simbolizados por
P1, P2,..P99, que dividen la distribucin en cien partes iguales. Su
clculo es similar a la mediana, se sustituye en N/2 por
p*N ,
en el caso de calcular el
100
cuantil p-simo de orden q, Cp/q, con 0<p<q. en caso de una distribucin agrupada en
intervalo utilizaramos, por, tanto, la siguiente expresin:
p*N
Fi 1
100
ic
Cp/q = L i +
fi
De todas las medidas de posicin, solo la moda y los cuantiles (de los cuales la
mediana es un caso particular) podran calcularse para atributos medidos en escala
ordinal, y nicamente la moda si la escala fuera nominal.
RANGO PERCENTIL: nos permite calcular un determinado porcentaje, por debajo

del cual se encuentra un determinado valor. Su modelo matemtico es el siguiente:
R(x) =
( P( x) Li) fi
ic
Fi 1
100
n
MOMENTOS
Son medidas que permiten caracterizar a una distribucin, siendo dos
distribuciones tanto ms parecidas, cuanto mayor sea el nmero de momentos iguales
que posean. Se utilizan para definir algunas medidas de dispersin y forma.
xik fi
i 1
Momento ordinario de orden k: ak =
( xi
Momento central de orden k: mk=
x) fi
i 1
21
MEDIDAS DESCRIPTIVAS DE
VARIABILIDAD DE LOS
Captulo IV
DATOS ESTADSTICOS
Medidas de dispersin
Medidas de dispersin absolutas:
Recorrido
Recorrido intercuartlico
Desviacin media absoluta respecto a la
media
Desviacin media absoluta respecto a la
mediana
Varianza
Desviacin tpica
Medidas de dispersin relativa
Coeficiente de variacin de Pearson
Puntaje tpico o estandarizado
Medidas de concentracin
ndice de Gini
Medidas de Forma
Medidas de Asimetra
Medidas de Curtosis
22
MEDIDAS DE DISPERSIN
Las medidas de dispersin son estadsticos que miden la variabilidad de los

datos; esto es, el grado de separacin existente entre estos, cuyos valores son mayores o
iguales a cero, (el valor cero indica ausencia de dispersin) dentro de las cuales
estudiaremos las siguientes:
A. Medidas de dispersin absolutas:
Recorrido: Re = Ls Li, es la medida de dispersin ms fcil de
calcular, ya que solamente toma el cuenta los valores extremos de la
variable.
Recorrido intercuartlico: Qi = Q3 Q1, es aquel que mide la
dispersin en el centro de la distribucin.
xi
Desviacin absoluta media respecto a la media: D x =
x fi
i 1
( xi
Varianza: S2 =
x) 2 fi
i 1
, es la media aritmtica de los cuadrados
N 1
de las desviaciones respecto a la media aritmtica. Su importancia radica

en que da origen a otra medida de dispersin mucho ms significativa,
denominada desviacin tpica
Desviacin tpica: S = +
S2
B. Medidas de dispersin relativas.

Coeficiente de variacin de Pearson: Cv =
S
*100 , permite comparar dos o
x
ms distribuciones, con el fin de determinar cual de ellas tiene mayor o menor

variabilidad relativa, su uso se hace necesario cuando dichas distribuciones estn
dadas en unidades de medidas diferentes.
23
Las medidas de dispersin son caractersticas propias de la variable y no de los

atributos, ni siquiera de los que estn medidos en escala ordinal.
Puntaje tpico o estandarizado (Z):

Se emplea para medir la desviacin de una observacin con respecto a la media
aritmtica, en unidades de desviacin tpica, adems determina la posicin relativa de
una observacin dentro del conjunto.
Por lo general el puntaje tpico se simboliza con Z, y su modelo matemtico para
calcularlo es
Zi =
xi
x
s
Zi =
x i
x
s
(datos agrupados)
Este puntaje tpico se emplea para comparar dos o ms datos individuales,

aunque pertenezcan a distribuciones diferentes, pudiendo suceder que tengan media y
varianzas que no coincidan.
MEDIDAS DE CONCENTRACIN
Ponen de relieve el mayor o menor grado de igualdad en el reparto del total de
n
los recursos,
xi fi
i 1
n 1
( pi qi)
ndice de Gini; IG =
i 1
, con pi =
n 1
pi
u
Fi
100 ; qi = i 100 ; ui =
N
un
xk f k
k 1
i 1
El ndice de Gini vara entre 0 y 1, correspondiendo los casos extremosa

concentracin mnima o equidistribucin (IG =0) y concentracin mxima (IG =1).
Curva de Lorenz: Es la representacin grfica de los porcentajes acumulados de
individuos (pi) y de recursos (qi). Se colocan los (pi), en el eje de las abscisas, los (qi) en
el de ordenadas, y se unen todos los puntos (pi ,qi), considerando (0,0) como el primer
punto y (100,100) como el ltimo. As cuanto ms prxima est la curva a la bisectriz
del primer cuadrante, ms parecidos sern ambos porcentajes acumulados, por lo que
menor ser la concentracin.
24
q i 100
90
80
70
60
50
40
30
20
10
pi
10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Curva de Lorenz
Ejemplo
Dos empresas ubicadas en la zona industrial Henry Ford de Valencia, una relacionada
con las nuevas tecnologas E1 y otra con el sector lechero E2, tienen polticas salariales
distintas. La empresa E1, ha implantado un sistema de subida salarial lineal de 50 mil
bolvares mensuales y la empresa E2 una subida proporcional de un 7,5% mensual. Se
sabe que las distribuciones de salarios mensuales (miles de bolvares), para cada
empresa en el ao 2004 fueron:
Empresa E1
Empresa E2
Salario
N de empleados
Salario
N de empleados
1450 1700
10
800 1025
1700 1950
30
1025 1250
14
1950- 2200
10
1250 1475
20
1475 - 1700
En cual empresa el salario est ms concentrado?
25
Solucin
Para resolver esta pregunta hay que calcular el ndice de Gini, asociado a cada
distribucin de salarios, sin olvidar que al ndice de Gini no le afecta los cambios de
escala, pero s los de origen, para la E 1 la subida del salario ha sido lineal de 50 mil
mensual, lo que supone un cambio de origen, por lo que calcularemos directamente el
ndice de Gini, para la distribucin de salario del ao 2004. As
Li - Ls
fi
x i
fi* x
Fi
ui
pi(%)
qi(%)
1500 1750
10
1625
16250
10
16250
20
17,33
1750 2000
30
1875
56250
40
72500
80
77,33
2000 - 2250
10
2125
21250
50
93750
100
100
50
Donde IGE1 =
93750
(20 80) (17,33 77,33)

20 80
100 94,67
100
0,053
Para la empresa E2, la subida mensual ha sido proporcional, o sea un cambio de escala.
Li - Ls
fi
x i
fi* x
Fi
ui
pi(%)
qi(%)
800 1025
912,5
3650
3650
10
7,3
1025 1250
14
1137,5
15925
18
19575
45
39,15
1250 1475
20
1362,5
27250
38
46825
95
93,65
1475 - 1700
1587,5
3175
40
50000
100
100
40
Donde IGE1
50000
0,066: Por lo tanto se puede concluir que el salario 2004 esta ms
concentrado en la empresa E1.
MEDIDAS DE FORMA
Las medidas de forma pretenden dar una idea general de la representacin
grfica de una distribucin de frecuencias. En particular, tratan de cuantificar la
deformacin horizontal (asimetra) y la deformacin vertical (curtosis o apuntamiento)
de la misma.
26
I. Medidas de asimetra:
Coeficiente de asimetra de Fisher: F1 =
m3
S3
S F1 >0, la distribucin es asimtrica positiva (o asimtrica a la derecha); s

F1<0, la distribucin es asimtrica negativa (o asimtrica a la izquierda); y s la
distribucin es simtrica entonces F1=0 (no necesariamente se da al revs; esto es,
existen distribuciones asimtricas con
F1=0). O tambin por el mtodo de los
percentiles:
As =
p90
p10
p90
2 p50
p10
Me
27
Me
II Medidas de curtosis:
Coeficiente de curtosis: K =
m4
S4
Este coeficiente se define slo para distribuciones campaniformes y simtricas

(con ligera asimetra). Si K>0, o (K >0,263)la distribucin se denomina leptocrtica
(ms apuntada que la distribucin normal); si K<0, o (K<0,263) platicrtica (menos
apuntada que la normal); y si K=0, o (K=0,263) mesocrtica (igual que la normal).O
tambin por el mtodo de los percentiles:
K=
p75 p25
2( p90 p10 )
LEPTOCURTICA
MESOCURTICA
PLATICURTICA
28
29
30
ACTIVIDAD PRCTICA DE APRENDIZAJE DE DISTRIBUCIN

UNIDIMENSIONAL
Los siguientes datos son una muestra de los salarios anuales de 100 trabajadores de una
empresa del sector petrolero.
Los datos estn expresados en miles de bolvares/fuertes
200
200
200
200
200
202
202
203
203
204
205
205
205
206
206
207
208
208
208
208
209
212
213
218
218
218
218
219
220
224
224
225
225
226
226
226
226
226
226
226
227
227
228
228
229
231
231
232
233
233
233
234
234
235
236
237
238
239
239
239
240
240
240
241
241
245
245
247
247
247
248
249
249
250
250
250
250
251
251
251
251
251
251
252
252
252
253
253
254
254
255
255
255
256
256
257
257
258
259
259
N = 100
Nc = 12
31
La informacin representa la distribucin de salarios anuales expresados en

miles de bolvares/fuerte:
Prepare resmenes tabulares de los datos de salario anual mediante una distribucin
de frecuencias (use numero de clase=12), (frecuencia absoluta, acumulada,
frecuencia relativa, relativa acumulada y porcentaje).
fi x
fi( x
x) 2
Nc
Li - Ls
fi
Fi
hi
Hi
Hi %
fi x
200-205
202.5
10
10
0.10
0.10
10
2025
-30.05
300.5
9030.02
205-210
207.5
11
21
0.11
0.21
21
2282.5
-25.05
275.55
6902.52
210-215
212.5
23
0.02
0.23
23
425
-20.05
40.1
804.00
215-220
217.5
28
0.05
0.28
28
1087.5
-15.05
75.25
1132.51
220-225
222.5
31
0.03
0.31
31
667.5
-10.05
30.15
303.00
225-230
227.5
14
45
0.14
0.45
45
3185
-5.05
70.7
357.03
230-235
232.5
53
0.08
0.53
53
1860
-0.05
0.4
0.02
235-240
237.5
60
0.07
0.60
60
1662.5
4.95
34.65
171.51
240-245
242.5
65
0.05
0.65
65
1212.5
9.95
49.75
495.01
10
245-250
247.5
73
0.08
0.73
73
1980
14.95
119.6
1788.02
11
250-255
252.5
17
90
0.17
0.90
90
4292.5
19.95
339.19
6766.04
12
255-260
257.5
10
100
0.10
100
2575
24.95
249.5
62250.2
a) Cuales son los salarios mnimos y mximos?

Mximo=259
Mnimo=200
b) Que proporcin-cantidad-porcentaje hay (200-205)?

C=10
P=0.1
P=10%
c) Que proporcin-cantidad-porcentaje hay (210-235)?

C=32
P=0.32
P=32%
d) Ancho de la distribucin
Nc
At
ic
; At
Ls
Li
At
259
200
At
59
e) Medidas de posicin de la distribucin
Medidas de Posicin:
Media Aritmtica:
x. fi
; x
n
23.255
; x
100
232 .55m / Bs F. Es el salario promedio
anual.
32

Mediana:
n
2
Md
Li
Lg
Nc
;
2
Md
( Fi 1)
* ic
fi
Lg
12
; Lg
2
100
31
2
225
*5
14
Md
225
6.78
Md
231 .78m / Bs F Es el valor promedio que divide la distribucin en
dos partes iguales.
Moda:
( fm 1)
* ic
( fm 1) ( fm 1)
Mo
Li
Mo
250
Mo
252 .77 m / Bs F. Es el valor promedio con mayor frecuencia.
10
*5
10 8
33
34
Cuantiles:
D4
P*n
100
P 40 %
P*n
100
Li
( Fi 1)
fi
40 * 100
100
* ic
40
40 31
*5
14
D4
P 40%
225
D4
P 40%
238 .21m / Bs F. es el valor por debajo del cual se encuentra
el 40% de los salarios anuales.
Q1
P*n
100
P 25%
P*n
100
Li
( Fi 1)
fi
25 * 100
100
* ic ;
25
25 23
*5
5
Q1
P 25%
215
Q1
P25%
217m / Bs ; es el valor por debajo del cual se encuentra el
25% de los salarios anuales devengados.
Q3
P 75 %
Li
P*n
100
( Fi 1)
fi
* ic
P*n
100
75 * 100
100
35
75
75 73
*5
17
Q3
P75%
250
Q3
P75%
250.58m / bs ; es el valor por debajo del cual se encuentra
el 75% de los salarios devengados.
Rango Percentil: es un estadstico que nos mide el porcentaje de valores por debajo del
cual se encuentra un valor conocido.
Ejemplo: Qu porcentaje de salarios se encuentran por debajo de 232 mBsF?
R( x)
R(232)
R(232)
R(232)
P( x) Li
100
* fi ( Fi 1) *
ic
n
232 230
100
* 8 45 *
5
100
0.4 * 8 45 *1
48.2 %.
Interpretacin 48,2% de los salarios se encuentran por
debajo de 232 mBsF.
36
MEDIDAS DE DISPERSION
Medidas de dispersin absolutas:
1. Rango:
Rg
Ls Li ; Rg
259 200: Rg
59
La dispersin existente en los extremos de los salarios es de 59m/BsF.
2. Espacio Intercuartlico:
Qi
Q3 Q1 ; Qi
250.58 217
Qi
33.58m / Bs F es la dispersin en centro de la distribucin.

3. Desviacin Media:
Dm
fi x
Dm
1585 .34
100
Dm
15.85
La dispersin promedio total es de 15.85 m/BsF
37
4. Varianza:
fi x - x
n 1
33974 .7
99
343 .17
La desviacin promedio de los salarios respecto a la media aritmtica es de

343.17m/BsF2
5. Desviacin tpica:
243.17mBsF2
15.59 mBsF
La variabilidad promedio.
Medidas de dispersin relativas:
Variable tipificada:
Z(x)
x - x
S
Z(9)
242.5 - 232.55
15.59
Z(9)
9.95
15.59
Z(9) 0.63
0,63 es el nmero de desviaciones tpicas que existen con respecto a la media
Coeficiente de Variabilidad:
CV
S
* 100 %
x
CV
15.59
* 100 %
232 .55
CV
6.7 %
El porcentaje de variabilidad de la distribucin es de 6.7%
38

Medidas de forma
Asimetra:
( P90% P10%) 2 P50%

P90% P10%
As
P*n
100
P90 %
Li
P*n
100
90 * 100
100
P90%
250
P90%
255
P10%
Li
P*n
100
( Fi 1)
* ic
fi
90
90 73
*5
17
P*n
100
( Fi 1)
* ic
fi
10 * 100
100
P10%
200
P10 %
205
10
10 0
*5
10
Autor: Prof. Juan Muoz
39
P50 %
P*n
100
Li
50 * 100
100
230
P50 %
233 .12
As
As
(255
460
* ic
50
50 45
*5
8
P50%
As
( Fi 1)
fi
P*n
100
40
205 ) 2(233 .12)

255 205
466 .24
50
0.12 ; La curva es sesgada hacia la izquierda porque el valor es negativo.

Kurtosis:
Ku
P75% P 25%
2( P90% P10%)
Ku
250.58 217
2(255 205)
Ku
0.33 ; La curva es Leptocrtica ya que kurtosis es mayor a 0,263
41

1.-
La siguiente informacin
42
corresponde a 25 empresas pequeas y medianas,
ubicadas en la zona industrial del estado Carabobo.
EMPRESA
Tec-servFirestone
Nestle
Cuam
Pepsi cola
Rualca
Good Year
Unigorras
Movilnet
Dominguez
Digitel
Motoca
Danaven
Toyota
Movistar
Regional
Zap.
Molinera
BOLSA
SMBOLO
VENTAS
ANUALES
Bs Millones
GANANCIAS
POR ACCIN
RELACIN
PRECIORENDIMIENTO
Valencia
BdeV
15.5
11.500
22.5
Caracas
Valencia
Caracas
Caracas
Caracas
Valencia
Caracas
Caracas
Caracas
Valencia
Valencia
Valencia
Caracas
Caracas
BdeC
BdeV
BdeC
BdeC
BdeC
BdeV
BdeC
BdeC
BdeC
BdeV
BdeV
BdeV
BdeC
BdeC
255.8
29.4
254.6
88.7
27.7
7.2
48.3
30.2
26.5
90.6
60.5
71.1
23.7
38.2
7880
17000
9668
12.880
5.750
6.563
15.750
39.750
8.500
10.875
9.5000
10.313
7.375
10.750
12.7
7.5
6.0
15.7
27.4
2.1
27.2
11.2
15.7
17.0
11.4
24.6
14.2
4.8
Valencia
BdeV
26.0
6.688
17.1
Se desea saber:
Escala de Medicin
Variables
Variables cualitativas
Variables cuantitativas
Variables cuantitativas discretas
Variables cuantitativas continuas
Poblacin
Muestra

2.
43
Los siguientes datos son una muestra de salarios anuales de 40 gerentes de tienda
(los datos estn expresados en millones de bolvares)
48
35
57
48
52
56
51
44
40
40
50
31
52
37
51
41
47
45
46
42
53
43
44
39
50
50
44
49
45
45
50
42
52
55
46
54
45
41
45
47
Se desea saber:
a. Distribucin de frecuencia (Use ancho de clase = 5 millones de bolvares) Prepare
resmenes tabulares de los datos de salario anual ( frecuencia relativa, relativa
acumulada, porcentaje)
b. Cules son los salarios mnimo y mximo?
c. Cul es el promedio de los salarios?
d. Qu proporcin hay de salarios anuales de 35 millones de bolvares o menos?
e. Qu porcentajes hay de salarios anuales mayores de 50 millones?
f. Qu cantidad proporcin y porcentaje de salarios anuales hay entre la tercera y la
quinta clase?
g. Qu cantidad porcentaje y proporcin hay entre 37,5714 y 50,4286
h. Construya los siguientes grficos estadsticos conocidos por usted
44
45
46
3.
47
La siguiente informacin corresponde a las ventas de unas tiendas de computadoras
personales durante un mes.

4.1
1.5
10.4
5.9
3.4
5.7
1.6
6.1
3.0
3.7
3.1
4.8
2.0
14.8
5.4
4.2
3.9
4.1
11.1
3.5
4.1
4.1
8.8
5.6
4.3
3.3
7.1
10.3
6.2
7.6
10.8
2.8
9.5
12.9
12.1
0.7
4.0
9.2
4.4
5.7
7.2
6.1
5.7
5.9
4.7
3.9
3.7
3.1
6.1
3.1
Se desea saber:
a. Distribucin de frecuencia (Use ancho de clase = 3 millones de bolvares) Prepare
resmenes tabulares de los datos de salario anual ( frecuencia relativa, relativa
acumulada, porcentaje)
b. Cules son las ventas mnima y mxima?
c. Cul es el promedio de venta?
d. Qu proporcin hay de ventas mensuales de 35 millones de bolvares o menos?
e. Qu porcentajes hay de ventas mensuales mayores de 50 millones?
f. Qu cantidad, proporcin y porcentaje de ventas mensuales hay entre la segunda y
la quinta clase?
g. Qu cantidad porcentaje y proporcin hay entre
h. Construya los siguientes grficos estadsticos conocidos por usted

4.
48
A partir de las siguientes observaciones obtenidas al estudiar el nmero de hijos en
la familia de un conjunto de 25 alumnos, construya la tabla de frecuencias de la variable

= Nmero de hijos en las familias de los alumnos.
2
Se desea saber:
Medidas de posicin y grficos estadsticos
5.
A partir de las siguientes observaciones obtenidas al estudiar el peso. En Kg., de un
conjunto de 25 individuos, construya la tabla de frecuencia de la variable

68.2
87.8
85
57.5
68.2
75.2
77.5
78.3
81.5
64
62.5
85.9
83.6
78.1
61.2
71.5
59.6
78.3
77.5
73
73
88.5
85.2
61.5
94
= Peso.
Se desea saber:
Medidas de posicin, interpretacin y grficos estadsticos
6.
Realizada una encuesta sobre las preferencias de los jvenes por determinados
productos de marcas, se han obtenido los siguientes resultados:
Marca
N de
jvenes
38
16
12
25
Represente mediante un grfico adecuado la distribucin de las preferencias de los jvenes.

7.
49
Represente grficamente la distribucin obtenida al estudiar la variable
Nmeros de asignaturas reprobadas por un grupo de 25 alumnos.
Se desea saber:
a) Medidas de posicin b) medidas de dispersin c) medidas de forma d) grficos
8.
Represente grficamente la siguiente distribucin referente al peso. En Kg., de un
conjunto
9.
de
25
individuos.
68.2
87.8
85.0
57.5
68.2
75.2
77.5
78.3
81.5
64.0
62.5
85.9
83.6
78.1
61.2
71.5 5936
78.3
77.5
73.0
73.0
85.2
61.5
94.0
88.5
Se dispone informacin acerca del nmero de miembros de la unidad familiar para
42 familias de una zona residencial:
50
Obtenga la media aritmtica, as como la moda y la mediana. Calcule tambin el primer y

tercer cuartil, y los percentiles 10, 40 y 80.
10.
Se sabe el nmero de asignaturas aprobadas en un semestre por los alumnos del
curso de licenciatura administracin comercial

N de
asignatura
aprobadas
N de
alumnos
15
28
41
41
10
Obtenga la media aritmtica, la moda y la mediana de esta distribucin. Calcule tambin los
cuartiles primero y tercero, y los percentiles 10, 25, 50, 75, 85 y 90, coeficiente de asimetra
y coeficiente de curtosis.
11.
En la siguiente tabla se recoge informacin referente al nmero de horas extras
trabajadas por 54 de los trabajadores contratados por una empresa hortofrutcola en el mes
de junio de 2004:
Horas Extras
N Trabajadores
5.5 15.5
15.5 20.5
13
20.5 25.5
15
25.5 30.5
30.5 35.5
35.5 42.5
51
Obtenga la media aritmtica, as como la moda y la mediana. Calcule tambin el primer y

tercer cuartil, y los percentiles10, 50, 60 y 90.
12.
Una empresa se dedica a la produccin de bolas de plasma. Las bolas son
empaquetadas en cajas de 100 bolsas. En la revisin del ltimo envo realizado por la
empresa, en el que haba 30 cajas, se han encontrado las siguientes bolsas defectuosas en
cada caja:
0
Calcule las siguientes medidas de dispersin: recorrido, recorrido intercuartlico,

desviacin absoluta media respecto de la media aritmtica, varianza, desviacin tpica,
recorrido semi-intercuartlico coeficiente de variacin, coeficiente de asimetra y
coeficiente de curtosis.
13.
Las distribuciones de los aos de estudio posteriores a la enseanza secundaria de
los trabajadores de dos empresas A y B se presenta en la siguiente tabla:

Aos de estudio
posteriores a la
enseaza obligatoria
0
2
3
4
6
9
10
Empresa A
Empresa B
5
10
15
15
6
3
1
5
2
5
10
10
8
0
52
Calcule el nmero medio de aos de estudio posteriores a la enseanza de secundaria en

cada una de las empresas. Cul de ellos es ms representativo de su correspondiente
distribucin? Calcule los coeficientes de dispersin, tanto absolutos como relativos.
14.
La distribucin de las puntuaciones obtenidas en una prueba de seleccin por un
total de 200 aspirantes se recoge en la siguiente tabla:
Puntuacin
[0,10]
(10,20]
(20,30]
(30,40]
(40,50]
(50,60]
(60,70]
(70,80]
(80,90]
(90,100]
Aspirantes
10
15
30
20
35
40
20
20
5
5
Obtenga la media y la mediana de la distribucin, as como las desviaciones absolutas

medias respecto a ambas medidas. Calcule tambin los ndices de dispersin respecto a la
media y a la mediana, coeficiente de asimetra y coeficiente de curtosis. (Grficos).
15.
En la cola de Cinesunidos del Sambil de Valencia se ha realizado una encuesta.
En ella se pregunta a los usuarios, entre otras cosas, acerca del nmero de veces que han
asistido a la proyeccin de una pelcula en el ltimo mes . Los datos recogidos sobre esta
variable se presentan a continuacin:
2 2 2 3 2 0 5 2 3 2 4 3 3 2 2 2 4 3 3
2 3 3 0 0 2 2 4 2 2 2 1 3 4 3 5 4 4 3
3 3 4 2 3 2 1 2 3 2 3 2 5 4 1 3 4 3 4
1 2 4 5 2 3 3 2 2 4 2 4 2 3 2 5 5 2 4
2 2 4 4 3 2 2 4 2 0 2 1 4 3 5 4 2 3 2
1 0 3 3 2 4 5 1 2 2 3 1 3 4 2 2 3 2 2
3 2 3 2 0 3 2 2 4 2 2 3 1 1 3 3 3 4 2
3 3 4 3 1 3 1 3 1 3 2 3 3 2 1 1 2 2 1
3 3 3 4 1 2 1 2 4 3 3 3 2 3 3 5 1 2 3
3 2 2 3 3 3 3 2 3 4 4 3 3 3 3 4 3 1 2
Determine los coeficientes de asimetra y coeficiente de curtosis. (Grficos).
2
1
3
3
2
1
2
4
2
3
53
16.
La siguiente distribucin representa la ausencia laboral en la empresa RUALCA
ubicada en la zona industrial de Valencia por motivo de enfermedad:
Das
N de
trabajadores
15
5 10
10 15
15 30
30 60
60 - 90
19
42
35
68
30
6
Determine los coeficientes de asimetra y coeficiente de curtosis. (Grficos), para esta

distribucin de frecuencia.
17.
Se desea estudiar y comparar el grado de concentracin en el reparto de la masa
salarial de dos empresas distintas. La empresa GM ofrece sus datos en dlares. Por el
contrario, la empresa FIRESTONE no tiene actualizada su contabilidad en dlares y ofrece
sus datos en bolvares.
GM
Li 1 , Li
ni
451 601
601 902
902 1.142
1.142 1.442
1.442 1.683
1.683 1.983
1.983 2.404
2.404 3.606
3.606 6.010
25
7
8
2
5
6
1
2
1
FIRESTONE
Li 1 , Li
ni
75.000 100.000
100.000 150.000
150.000 190.000
190.000 240.000
240.000 280.000
280.000 330.000
330.000 400.000
400.000 600.000
600.000 1.000.000
29
12
9
7
1
4
1
1
1
Cul de las distribuciones es ms confiable?
Captulo V
54
DISTRIBUCIONES DE FRECUENCIAS
BIDIMENSIONALES
Distribuciones de frecuencias bidimensionales

Representaciones grficas
Distribuciones marginales
Distribuciones condicionadas
Independencia estadstica
Momentos
Covariaza
55
DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES

Dado un conjunto de N elementos o individuos, se desea estudiar dos caractersticas
de los mismos, medidas por las variables X e Y, p(xi,yr) cuyos posibles valores son
x1, x2, .....xi e y1,y2,.......yr , respectivamente. Tambin podra darse el caso en que alguno de
los caracteres fuera cualitativo, o incluso los dos.
Frecuencia absoluta conjunta, del par ordenado p(xi,yr) es el nmero fir de elementos en el
total de los N considerados que presentan el valor x i para la primera caracterstica y el valor
yr para la segunda.
Frecuencia relativa conjunta, del par p(xi, yr) es la proporcin hir de elementos del
conjunto para los cuales la primera caracterstica toma el valor x i y la segunda el valor yr.
Se obtiene como hi r=
n ir
y multiplicada por 100 representa el porcentaje de elementos con
N
dichos valores en las caractersticas consideradas.

Definiremos distribucin de frecuencia bidimensional al conjunto de pares
p(xi,yr), junto con las frecuencias asociadas a cada uno de ellos,
1,2,....s
(xi, yr); nir
i=1,2,....,j; r =
dicha distribucin de frecuencia suele presentarse en una tabla de doble entrada, que
recibe el nombre de tabla de correlacin si los dos caracteres son cuantitativos, y tabla de
contingencia si al menos uno de ellos es cualitativo. Adems para el caso de las variables,
los datos pueden venir agrupados en intervalos o no, segn proceda.
X/Y
y1
y2
....
yr
x1
n11
n12
......
n1r
x2
n21
n22
......
n2r
.....
nir
.
.
.
xi
ni1
ni2
56
Representaciones grficas
Diagrama de dispersin o nube de puntos. Grfico solo para variables que
representan los pares de observaciones como puntos en un sistema cartesiano, donde cada
uno de los ejes corresponde a una de las variables. Esta representacin ayuda a descubrir
visualmente la existencia de algn tipo de relacin entre dos variables.
DISTRIBUCIONES MARGINALES
Son cada una de las dos distribuciones de frecuencias unidimensionales que se
obtienen a partir de la distribucin bidimensional
(xi,yr) ; nir
i = 1, 2,....j r= 1,2,....s ,
al
estudiar el comportamiento de cada una de las dos componentes de (X,Y) por separado. As
en el caso de la distribucin correspondiente a X, que denotaremos por (x i; ni)i = 1, 2,....j, la
frecuencia marginal ni representa el nmero de elementos para los cuales la primera
caracterstica toma el valor xi , sea cual sea el valor de Y, esto es:
s
ni =
nij , i = 1,2,......r
j 1
Mientras que en la distribucin correspondiente a Y (yj; nj)j = 1,2,....s , la frecuencia marginal

nj, denota el nmero de elementos para los cuales la segunda caracterstica toma el valor y j
independientemente del valor que tome X
j
nj =
nij , j = 1,2,......r
i 1
X/Y
y1
y2
....
yr
x1
n11
n12
......
n1r
x2
n21
n22
......
n2r
.....
nir
.
.
.
xi
r
ni1
ni2
nij . Esta informacin se puede representar en la tabla de doble
Siendo entonces N =
i 1 j 1
entrada.
57
Tambin se pueden calcular las frecuencias relativas marginales:

nj
n
fi = i ; fj =
N
N
j
f ir
i 1 r 1
fi
i 1
fj
r 1
Y puesto que las distribuciones marginales no son ms que distribuciones de frecuencias

unidimensionales, se podran obtener para ellas las distintas medidas estudiadas en el tema
anterior. Adems todos los comentarios anteriores sobre distribuciones marginales se
pueden aplicar sin ningn problema a la situacin en la que una o las dos componentes del
par ordenado p(X,Y) sean atributos.
Distribuciones condicionadas
La distribucin de X condicionada a que Y tome el valor yj es la distribucin
unidimensional (xi ; ni/j )i=1,2,...r representada en la siguiente tabla tanto en frecuencia
absoluta como relativa:
X/Y = yj
x1
x2
.
.
xr
Donde ni/j = nij y fi/j =
n i/j
n 1/j
n2/j
f i/j
f1/j
f2/j
nr/j
fr/j
n.j
n ij
n. j
Del mismo modo se define la distribucin de Y condicionada a que X tome el valor

xi , esto es (yj ; nj/i )j=1,2,...s
Y/X = xj
n j/i
f j/i

y1
y2
.
.
yr
Donde
nj/i = nij y fj/i =
n 1/i
n2/i.
f1/j
f2/j
.ns/i
fs/j
ni.
58
nij
ni.
Independencia estadstica
Se dice que dos caracteres X e Y son estadsticamente independiente si los valores o
modalidades que toma uno de ellos no se ve afectado por los valores o modalidades que
toma el otro, formalmente, si :
fi/1 = fi/2 = ... = fi/s = fi.,
i 1,....,r
fj/1 = fj/2 = ... = fj/r = f.j,
1,...,s
Momentos
Estudiaremos los momentos respecto al origen (ordinarios) y momentos
respecto a la media (centrales):
r
xih y kj nij
i 1 j 1
Momentos ordinarios de orden (h,k): a hk =
N
r
( xi
Momento central de orden (h,k): mhk =
x) h ( y j
y ) k nij
i 1 j 1
Entre los momentos bidimensionales podemos destacar la Covarianza la cual nos

proporciona una medida del grado de relacin lineal que existe ente las variables X e Y, se
puede calcular mediante el siguiente modelo matemtico para la covarianza de la muestra:
Sxy =
(Xi
X )(Yi Y )
n 2
Y para la covarianza de la poblacin
(Xi
xy =
)(Yi
59
Interpretacin de la covarianza:
Si el valor de la covarianza es positivo indica una asociacin lineal positiva entre X
y Y; esto es; al aumentar el valor de X el de Y aumenta.
Si el valor de la covarianza es negativo, indica una asociacin lineal negativa entre
X y Y esto es; al aumentar el valor de X el de Y disminuye.
Si el valor de la covarianza es cero, indica que no asociacin lineal entre X y Y.
Ejemplo
La media de X: 11.225
La media dei Y: 5.437
7,2
6,7
17,0
12,5
6,3
23,9 6,0
10,2
4,2
4,9
7,0
6,2
3,8
7,6
5,4
4,4
Ej. Sxy= (7,2 11.225) (4,2 5,437)= 4,97; (6,7 11.225) (4,9 5.437) =
Sxy =
xy = 58, 297
(Xi
2,42 ;
X )(Yi Y )
n 2
Sxy = 58,297 = 9,71

6
Resultado
Positivo.
Captulo VI
60
REGRESIN
CORRELACIN
Introduccin
Regresin mnimo cuadrtica
Regresin lineal
Series temporales o cronolgicas
Correlacin
Prediccin
61
Introduccin
Cuando se analizan conjuntamente dos variables que no son estadsticamente
independientes, la relacin de independencia existente entre ellas puede ser funcional
(relacin matemtica exacta entre las dos variables, por ejemplo consumo de energa
elctrica por el uso de un aire acondicionado y el tiempo de enfriamiento) o estadstica
(relacin aproximada entre las dos variables, ejemplo el nivel de ventas de una empresa y el
gasto de publicidad). En este ltimo caso interesa estudiar el grado de dependencia
existente entre las variables. (Teora de la correlacin) y determinar la funcin que mejor
explique dicha dependencia (teora de la regresin).
Dadas dos variables X e Y, con distribucin conjunta de frecuencias
(xi , yj); nij
Se denomina regresin de Y sobre X (Y/X), a la funcin que explica la variable Y para

cada valor de X. De igual forma, la regresin de X sobre Y (X/Y)
determina el
comportamiento de X en funcin de Y, sin prdida de generalidad, consideremos la

distribucin de pares de valores p(xi, yi), con frecuencias unitarias.
Regresin de mnimo cuadrtica

Es una tcnica empleada para obtener la ecuacin de regresin, minimizando la
suma de los cuadrados de las distancias verticales entre los valores Y verdaderos y los
valores pronosticados de , originando la recta de mejor ajuste. Al utilizar este mtodo se
elimina el juicio personal.
Para obtener la funcin de regresin de Y sobre X, en primer lugar se representan
grficamente en un sistema de coordenadas los pares de observaciones de las dos variables
(nube de puntos o diagrama de dispersin), y se selecciona el tipo de funcin que mejor se
ajuste a esos puntos. En segundo lugar se determina dicha funcin haciendo mnima la
suma de los cuadrados de los residuos o errores, ei (diferencia entre la variable dependiente
observada, y , y el valor terico, , que se obtiene al sustituir la funcin escogida x por x i,
esto es ei = yi ):
( yi
Min
)2
i 1
62
De igual forma se obtiene la funcin de regresin de X sobre Y haciendo mnimo:

N
( xi
x^)2. Se denominan ecuaciones normales a aquellas que se obtienen al minimizar
i 1
las expresiones anteriores.

Regresin lineal
Si la funcin que se adapta a la nube de puntos es una recta, se habla de regresin
lineal y ser de la forma = a + bx, para la regresin Y/X, y, x^ = a + by, para la
regresin de X/Y. Los coeficientes b y b ' reciben el nombre de coeficientes de regresin
y es la pendiente de la recta, o sea el cambio en promedio en por unidad de cambio
(incremento o decremento) en la variable independiente X. Mientras que a y a ' son los
puntos de corte con el eje Y, o sea el valor estimado de Y cuando X = 0.
Recta de regresin de Y sobre X

N
Se calculan los parmetros a y b que minimizan
( yi
a bxi ) 2 , obtenindose
i 1
N
las siguientes ecuaciones normales
y i = aN + b
i 1
xi
i 1
y i xi = a
i 1
x 2i
xi + b
i 1
i 1
Que dan lugar a:

a = y b x
b=
S.C.(X*Y)=
X *Y -
X*
n
S.C(X) =
S xy
S
S .C.( X * Y )
b =
S .C ( X )
2
x
X )2
n
S.C.(Y) =
Y )2
n
63
As, la recta Y/X viene expresada por:
- y =
S xy
S x2
a bX
o Y
(x- x )
(ecuacin reducida)
Recta de regresin de X sobre Y

N
Se minimizan
( xi
a'
b ' yi ) 2 , obtenindose las siguientes ecuaciones normales:
i 1
xi = a ' N + b '
i 1
yi
i 1
y i xi = a '
yi + b '
i 1
i 1
y 2i
i 1
a = X bY
Que dan lugar a:
b' =
S xy
S
2
y
S .C.( X * Y )
b =
S .C (Y )
As la recta viene expresada por:
x^ - x =
S xy
S x2
(y- y )
o X
a bY
64
Varianza residual, representa los valores de Y respecto a la lnea de regresin, recordemos

que las desviaciones de los valores de Y respecto a la lnea de regresin estimada se llaman
residuales, y se pueden obtener mediante el siguiente modelo matemtico:
S2y/x
(Yi Y ) 2
n 2
y el error estndar de estimacin se obtiene Sy/x =
Sy / x
Coeficiente de determinacin, lo definiremos como un valor comprendido entre 1 y cero

(1;0) y se usa para evaluar la bondad de ajuste para la ecuacin de regresin, lo
modelizaremos mediante r2 donde r2 = S.C.R / S. C.T
S.C.R = Suma de cuadrados debida a la regresin. = S.C.T S.C.E
S. C.T= Suma de cuadrados Total = (Yi -
y i )2 *
S.C.E : Suma de Cuadrados del error = (Yi - Y i )2 *

S.C.T = S.C.R + S.C.E
EJEMPLO ILUSTRATIVO
1.- la siguiente informacin corresponde a una muestra tomada de 10 restaurant ubicados
en valencia, de acuerdo al nmero de clientes (X) y las ventas mensuales (Y), expresadas
en miles de Bs tal como se describe a continuacin:
#Rest
#Clientes (X)
Ventas (Y)
58
2
6
105 88
10
12
16
20
20
22
26
118
117
137
157
169
149
202
Se desea saber:
a.- Existencia de la relacin entre las variables. (covarianza nube de puntos)
b.- Estime las ventas para 10 clientes (recta de mejor ajuste por el M..M.C)
c.- Varianza residual
d.- Error estndar de estimacin.
e.- Coeficiente de determinacin
65
SOLUCIN
b.-
a bX
Y = 60 + 5X (R.M.A.M.M.C), luego estimo las ventas
para 10 clientes y obtengo Y = 60 + 5 (10) = 110 miles de bolvares.
c.-
Varianza Residual S2 = 121,95 m/Bs2
d.- Error estndar de estimacin: S = 13,82 m/ Bs
e.- Coeficiente de determinacin
r2 = 0,90
Nota: Se le sugiere al lector como ejercicio prctico estimar el nmero de clientes para
unas ventas de 150 mil Bs.

EJERCICIO RESUELTO EN EL PROGRAMA STATGRAPHICS
Anlisis de Regresin - Modelo Lineal Y = a + b*X
----------------------------------------------------------------------------Variable dependiente: Ventas
Variable independiente: #clientes
----------------------------------------------------------------------------Error Estadstico
Parmetro Estimacin
estndar
T
P-Valor
----------------------------------------------------------------------------Ordenada
60,0
9,22603
6,50334
0,0002
Pendiente
5,0
0,580265
8,61675
0,0000
-----------------------------------------------------------------------------
Anlisis de la Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor
----------------------------------------------------------------------------Modelo
14200,0
1
14200,0
74,25
0,0000
Residuo
1530,0
8
191,25
----------------------------------------------------------------------------Total (Corr.)
15730,0
9
Coeficiente de Correlacin = 0,950123
R-cuadrado = 90,2734 porcentaje
R-cuadrado (ajustado para g.l.) = 89,0575 porcentaje
Error estndar de est. = 13,8293
Error absoluto medio = 10,8
Estadstico de Durbin-Watson = 3,22353 (P=0,0027)
Autocorrelacin residual en Lag 1 = -0,705882
El StatAdvisor
-------------La salida muestra los resultados del ajuste al modelo lineal para
describir la relacin entre Ventas y #clientes. La ecuacin del
modelo ajustado es
Ventas = 60,0 + 5,0*#clientes
Dado que el p-valor en la tabla ANOVA es inferior a 0.01, existe
relacin estadsticamente significativa entre Ventas y #clientes para
un nivel de confianza del 99%.
El estadstico R-cuadrado indica que el modelo explica un 90,2734%
de la variabilidad en Ventas. El coeficiente de correlacin es igual
a 0,950123, indicando una relacin relativamente fuerte entre las
variables. El error estndar de la estimacin muestra la desviacin
tpica de los residuos que es 13,8293. Este valor puede usarse para
construir lmites de la prediccin para las nuevas observaciones
66
67
SERIES CRONOLGICAS O TEMPORALES

Una serie cronolgica o temporal es una sucesin de observaciones de una variable
registrada a intervalos de tiempo regulares y ordenadas en el tiempo. Se puede considerar
como una variable bidimensional, siendo la variable dependiente, Y, y la magnitud que
queremos analizar, mientras que la independiente es el tiempo, t.
La serie cronolgica se representa por Yt, si se considera explcitamente el ao t,
donde t = t1, t2, .tn y la poca i, del ao a que se refiere la observacin i = 1, 2, ,12 por
ejemplo, si son meses; i = 1,2,..,k, en general.
Componentes de una serie cronolgica o temporal
El anlisis clsico de series cronolgicas, considera que una serie cronolgica esta
formada por cuatro componentes:
Tendencia (T): movimiento regular de la serie, a largo plazo, para establecer
una lnea de tendencia, que sea lo suficientemente vlida.
Variaciones estacinales (E): oscilaciones a corto plazo de perodo regular,
menor o igual a un ao.
Variaciones cclicas (C): movimientos a mediano plazo (superior al ao) en
torno a la tendencia, cuyo perodo y amplitud pueden presentar cierta
regularidad, crsis-recuperacin.
Variaciones irregulares (A): fluctuaciones debidas a factores eventuales,
espordicos e imprevisibles que no muestran una periodicidad reconocible.
Para describir cada una de las componentes, se hace uso de mtodos grficos y
esquemas o modelos. Un estudio grfico de los datos proporciona bastante informacin de
su evolucin a corto y largo plazo, y permite detectar la amplitud de las oscilaciones, la
presencia de ciclos, de valores anmalos, etc. Mediante los esquemas se trata de reproducir
la evolucin temporal segn una pauta regular que concuerde con los datos, sin intentar
explicar las causas de variacin de cada componente. Los esquemas utilizados
generalmente son dos:
Esquema aditivo: Yt = Tt + Et + Ct + At.
Esquema multiplicativo: Yt = Tt *Et * Ct * At
68
Para seleccionar el tipo de esquema ms adecuado, se puede utilizar varios mtodos

(grfico, grfico media desviacin tpica, etc.), el esquema ms utilizado con datos
econmicos es el multiplicativo; por ello, le prestaremos especial atencin en este manual.
Anlisis de la Tendencia
Consiste en expresar la tendencia mediante una funcin matemtica a partir de los
valores de la variable dependiente Y, en el tiempo t. Las funciones suelen ser de tipo lineal
o exponencial, y el ajuste se basa en el mtodo de los mnimos cuadrticos. Para el caso
lineal, consideremos dos situaciones:
1. Si se dispone slo de datos anuales, se define la tendencia anual de la serie como:
Tt = y t = a + bt
Donde a, b, son los parmetros a determinar.
2. Si se trabaja con datos mensuales, trimestrales, cuatrimestrales, etc. o con
cualquier otra periodicidad, es decir, se tienen datos del tipo [subperodos (i)/ aos
(t)], los pasos a seguir para llevar a cabo el clculo de las tendencias para cada
subperodo (i) del ao t, son los siguientes:
Se calculan las medias anuales (medias para cada ao de las k
observaciones)
y i.t
yt
i 1
t = t1, t2,tn
Se obtiene la tendencia media anual ajustando una recta a ese conjunto de

datos
Tt
yt
a bt
Se calcula T t y la tendencia k-ensima Tt para cada subperodo i de cada

ao t, teniendo en cuenta que esta ltima es tambin lineal, y que el
incremento de un subperodo al siguiente es b/k dado que el incremento
anual es b, por lo tanto:
Tt = Tt + [ i
Donde [ i
k 1
]b/k,
2
69
i = 1, 2, ,k
k 1
], es el contador del nmero de subperodos entre el momento
2
central del ao t, y el punto central del subperodo i, dentro del mismo ao t.

A continuacin un ejemplo demostrativo:
Durante el ao 2000 las ventas de cemento (miles de toneladas) en la regin central,
arrojaron los siguientes resultados:
Ao:
2000
2001
2002
2003
2004
Regin central (Y)
Estime las ventas para el ao 2010
b) 20.
SOLUCIN
Ao:
2000
2001
2002
2003
2004
-2
-1
X*Y
-14
-9
X2
Regin central (Y)

(X)
Y = 6,4, luego se procede a evaluar la recta de mejor ajuste por el mtodo de
los mnimos cuadrados: Y
a bX
donde
S .C.( X * Y )
b =
S .C ( X )
a = y b x entonces: Y = 6,4 -0,011x donde Y = 6,4 -0,011(7) = 6,3 miles de toneladas.

Interpretacin: Se estima que de mantenerse la tendencia las ventas sern de6,3 m/t
70
CORRELACIN
Se llama Correlacin a la teora que trata de estudiar la relacin o dependencia que
existe entre las dos variables que intervienen en una distribucin bidimensional.
Correlacin lineal, segn el diagrama de puntos se condense en torno a una lnea recta.
Correlacin positiva o directamente proporcional, cuando a medida que crece una
variable la otra tambin crece.
Correlacin negativa o inversamente proporcional, cuando a medida que crece una
variable la otra decrece.
Correlacin nula, cuando no existe ninguna relacin entre ambas variables, en cuyo caso
los puntos del diagrama estn esparcidos al azar, sin formar ninguna lnea, tambin se dice
que las variables estn incorreladas.
La correlacin es de tipo funcional, s existe una funcin que satisface todos los valores
de la distribucin.
A continuacin se presenta varios diagramas de dispersin, indicando la relacin que existe
entre las variables X y Y.
Y
(a)
(b)
(c)
Y
Y
(d)
(e)
71
COEFICIENTES DE CORRELACIN.
1. Coeficiente de correlacin de Pearson:
Cuando comenzamos a hablar de serie bidimensionales, y adems observamos por
via intuitiva, mediante el diagrama de dispersin que existe una correlacin lineal entre las
variables tiene inters cuantificar de forma ms objetiva y precisa esta correlacin.
Podemos decir que las aplicaciones prcticas con series en las que ambas variables
son continuas y la escala de medicin son de tipo intervalo o de razn, por ejemplo salario
y unidades producidas, edad y tiempo de servicio, peso y estatura, ventas y cursos
realizados, etc. para estas combinaciones podemos aplicar el coeficiente de correlacin
de Pearson. y se pueden obtener mediante el siguiente modelo matemtico:
Rp =
S .C. X * Y
S .C. X * S .C.Y
El signo del coeficiente de Pearson, viene dado por el signo de la covarianza, ya que las
desviaciones tpicas son siempre positivas. As pues, el signo de la covarianza decide el
comportamiento de la correlacin:
Si la covarianza es positiva, la correlacin es directamente proporcional.
Si la covarianza es negativa, la correlacin es inversamente proporcional.
Si la covarianza es nula es decir vale cero (0), no existe correlacin.
Se demuestra que el coeficiente de correlacin lineal, es un nmero real comprendido entre
-1 y +1 [-1,+1]. Veamos que tipo de dependencia existe entre las variables X y Y, segn el
valor de r.
1.
Si r=1, todos los valores de la variable bidimensional (X, Y) se encuentra situados
sobre una recta; en consecuencia, satisfacen la ecuacin de una recta. Entonces se dice que
entre la variables X e Y existe una dependencia aleatoria.
2.
Si -1<r<0, la correlacin es negativa y ser tanto ms fuerte a medida que r se
aproxima a-1, y tanto ms dbil a medida que se aproxima a 0. En este caso se dice que las
variables X e Y estn en dependencia funcional.

3.
72
Si r=0, no existe ningn tipo de relacin entre las dos variables. En este caso se dice
que las variable X e Y son aleatoriamente independientes.

4.
Si 0<r<1, la correlacin es positiva y ser tanto ms fuerte a medida que r se
aproxima a 1 y tanto ms dbil a medida que se aproxima a 0. En este caso se dice que las
variables X e Y estn en dependencia aleatoria.
5.
Si r=1, todos los valores de la variable bidimensional (X, Y) se encuentran situados
sobre una recta; en consecuencia, satisfacen la ecuacin de una recta. En este caso se dice
que entre las variables X e Y existe una dependencia funcional.
2.- Coeficiente de correlacin de Spearman.

Los datos directos pueden convertirse en rangos o posiciones, y stas a su vez
pueden agruparse como los datos originales. Por ejemplo, la posicin en clase es un
ejemplo de la conversin de puntuaciones ordenadas en rangos: se seleccionan las notas
obtenidas en un parcial de anlisis de datos de 80 alumnos y se le asigna la posicin 1 al
que obtuvo la mayor nota y 2 a la segunda mayor nota y as sucesivamente, y 80 a la
puntuacin ms baja. Cuando no se dispone, no se necesitan, o no son convenientes
medidas ms refinadas, con frecuencia los datos se recogen as. Independientemente como
se originaron las posiciones, 1, 2, 3, (n-1).
Este coeficiente de correlacin se puede obtener mediante el siguiente modelo
matemtico:
rs = 1 -
( X i Yi ) 2
n(n 2 1)
Donde (Xi Yi ) es la diferencia entre el rango en X y en Y de la misma situacin (i).

La interpretacin de este coeficiente es la misma que se dio al primer coeficiente
(Pearson).
73
3.- Coeficiente de correlacin biserial puntual.

Una variable da lugar a medidas de intervalo o razn y la otra da lugar a medidas
nominales dicotmicas (por ejemplo el sexo, estado civil, presentacin de un examen, etc.)
por ejemplo podemos observar volumen de ventas en un mes (variable X) y ejecutivos
segn sexo (variable Y) asignando (1) a masculino y (0) a femenino. La observacin de
ambas variables, Ventas (X) y sexo (Y) dar dos puntuaciones por ejecutivos.
La relacin entre X y Y se puede calcular mediante el coeficiente productomomento de Pearson, a partir de los datos como se dan, y el resultado se denomina
coeficiente de correlacin biserial- puntual y lo simbolizaremos por rbp . El trmino de
biserial se refiere al hecho de que existe dos series de observaciones en Y; las puntuaciones
de cero o uno. Tanto el nombre como la frmula se deben a kart Pearson. y su modelo
matemtico es:
rbp =
X (1)
X (0)
S
n1 * n 0
n( n 1)
Donde: X (1) es la media en X de las puntuaciones 1 en Y.

X ( 0 ) es la media en X de las puntuaciones 0 en Y.
Sx
es la desviacin tpica de las n puntuaciones en X
n1
es el nmero de puntuaciones con valor 1 en Y
n0
es el nmero de puntuaciones con valor 0 en Y
es el nmero total de sujetos observados tanto en 1 como en 0,n = n1 + n0
La interpretacin de este coeficiente es la misma que se dio al primer coeficiente

(Pearson).
4.- Coeficiente de correlacin Phi,
Este caso se presenta cuando dos variables son de tipo nominal dicotmica, es
decir, ambas variables son de tipo nominal con solo dos categoras que representan
presencia y ausencia, de una determinada caracterstica, sea por ejemplo cuando una de las
variables es sexo (solo reconocemos si el sujeto es de sexo masculino o no, lo que
entenderemos como femenino) y la otra variable es si vot o no, en una eleccin. En la
74
primera variable (X) identificaremos como categora 1 al sexo masculino y cero (O) al sexo
femenino. En la segunda variable (Y), identificaremos a la respuesta afirmativa s, con la
categora (1) y al no vot con la categora (0). Y se calcula mediante el siguiente modelo
matemtico:
1
Y=
0
1
1
0
1b
c+d
total
a+c
b+d
n=
1
X=
0
total
a+b
bc ad
(a b)(c d )(a c)(b d )
75
Los datos se presentan a continuacin:
Fem.
0
Variable Y
Masc
1
a+b
No Vot 0
c+d
Totales
a+c
b+d
Vot
totales
Variable X
A continuacin se presenta un ejemplo ilustrativo:

Se tomo una muestra a los habitantes del central Tacarigua, registrado en la mesa electoral
(n=114) en el colegio Francisco J Cisneros, como se ilustra a continuacin:
Variable Y
Masc
1
Fem.
0
Vot
totales
28
13
41
No Vot 0
25
48
73
Totales
53
61
114
Variable X
Aplicamos el modelo matemtico:
bc ad
(a b)(c d )(a c)(b d )
(25)(13) (28)(48)
(41)(73)(53)(61)
325 1344
1019
9676369 3110,69
0,33
76
Interpretacin: Este resultado indica que existe una relacin inversa, es decir o
sugiere que hombres tienden a no votar, o hombres (1) tienden a asociarse la
abstencin (0).
77
78
ACTIVIDAD DE APRENDIZAJE PRCTICA DE DISTRIBUCIN

BIDIMENSIONAL
1.- En la industria de alimentos de la regin central, se han recogido datos sobre la
facturacin en millones de bolvares anuales (X) y el nmero de trabajadores (Y) de 8
empresas, con estos datos se han calculado los siguientes estadsticos:
xiyi = 364
xi 56 yi = 40 xi2 = 524 yi2 =256
Determine la recta de regresin de Y/X y de X/Y por el mtodo de los mnimos cuadrados.
2- A partir de las siguientes observaciones, obtenidas al estudiar el nmero de horas
trabajada (X) y la edad (Y) de un conjunto de 16 trabajadores, construya el grfico de
dispersin o nube de puntos de la variable bidimensional (X,Y).
Trabajador 1
X
2
Y
18
2
2
18
3
3
19
4
3
20
5
3
18
6
3
22
7
4
19
8
4
20
9
3
20
10
3
20
11
3
22
12
4
20
13
2
19
14
2
23
15
2
19
16
4
18
3- A partir de las siguientes observaciones, obtenidas al estudiar el peso, en Kg. (X), y el

nmero de hijos en la familia (Y) de 25 individuos, construya el grfico de dispersin o
nube de puntos de la variable bidimensional (X,Y).
X
Y
68,2 87,8
2
2
85
3
X
Y
78,1
2
71,5
4
61,2
2
57,5 68,2 75,2 77,5 78,3 81,5

3
3
3
4
4
3
59,6
3
78,3
1
77,5
3
73
5
73
2
64
3
88,5
4
62,5 85,9 83,6

3
4
2
85,2
4
61,5
1
94
3
4- Para un conjunto de empresas, el nmero de empleados (X) y la produccin anual, en

miles de unidades (Y) durante el ao 2001 ha sido la siguiente:
X/Y
5-10
10-18
18-25
25-40
40-60
2-5
2
6
3
0
0
5-12
4
7
3
4
3
12-20
1
6
5
3
5
20-30
0
4
5
3
5
Determine la distribucin de la produccin anual de las empresas con al menos 18

empleados, as como la distribucin del nmero de empleados. Calcule, adems, la
produccin media anual.
5- En un grupo de 50 empresas, se han estudiado las variables nmero de horas trabajadas
semanalmente (X) y salario mensual en millones de bolvares (Y), obtenindose la
siguiente distribucin conjunta:

900 1.020
12
2
1
X/Y
30 - 35
35 - 40
40 - 45
1.020 1.140
2
21
3
79
1.140 1.260
1
2
6
Determine si el nmero de horas trabajadas semanalmente y el salario mensual en millones

de bolvares son estadsticamente independientes. Adems, calcule la covarianza y el
coeficiente de correlacin lineal.
6- Se conocen las preferencias de una pareja sobre seis productos de la misma gama,
recogidas en la siguiente tabla, donde 1 se refiere al producto menos preferido y 6 al ms
preferido:
Productos
A
B
C
D
E
F
Preferencias del hombre

2
1
3
5
6
4
Preferencias de la mujer
1
2
3
6
5
4
Existe asociacin entre las preferencias de los dos miembros de la pareja? Conteste a la
misma pregunta si los productos B y C son igualmente preferidos por la mujer.
7- La siguiente tabla recoge informacin acerca de las hipotecas (en millones de bolvares)
sobre los distintos tipos de fincas en el municipio Carlos Arvelo en el ao 2005:
Naturaleza de las
fincas
Cuanta del capital prestado
Fincas rsticas
0-6
85
6-12
59
Fincas urbanas
42
725
Ms de 12
5
101
Existe asociacin entre la naturaleza de las fincas y la cuanta del capital prestado?
8- A partir de las siguientes observaciones, obtenidas al estudiar durante dos aos el gasto
mensual en publicidad (X) y las ventas mensuales (Y) de una empresa, ambas en
millones de bolvares, calcule la recta de regresin que explique las ventas en funcin del
gasto en publicidad y error estndar de estimacin, y el coeficiente de determinacin.
X
15,2 14,9 15
14,9 14,2 14,6 15,5 15,1 15,4 14,7 14,3 15,7
Y
715 705 704 715 654 698 758 708 714 703 676 771
X
Y
15,2
726
14,8
721
15,2
701
14,2
656
15,7
743
14
644
14,7
676
16,7
813
14,9
710
15
712
13,6
648
14,7
719
80
9-En una ciudad se est realizando un estudio sobre la relacin existente entre el ingreso
mensual familiar, en millones de bolvares (X) y el gasto mensual familiar en comidas
para llevar, en millones de bolvares (Y). Para ellos, se dispone de informacin acerca de
las dos variables anteriores sobre un conjunto de 60 familias de dicha localidad.
Xi 2.262 3.412 2.496 1.746 2.982 1.052 723 4.225 2.916 4.331 3.700 3.698 2.126 3.475 2.050
Yi 27
47
38
16
12
20
10
65
50
70
58
65
30
60
32
Xi 3.129 1.992 2.167 3.569 3.514 2.654 3.282 1.918 4.411 3.485 2.357 2.358 1.718 2.243 2.149
Yi 22
2
7
56
64
50
58
30
88
55
32
45
24
20
23
Xi 2.228 2.994 2.964 2.396 1.735 1.103 1.584 4.067 2.247 3.378 2.957 750 3.580 3.666 1.844
Yi 31
50
0
17
60
38
72
58
20
70
13
14
50
35
25
Xi 2.651 2.824 1.284 1.711 3.161 1.890 3.988 2.393 1.669 4.261 2.011 953 3.616 2.254 1.167
Yi 31
50
0
17
60
38 72
58
20
70
13
14
50
35
25
(a) Obtenga la recta de regresin que explica el gasto en comidas preparadas en funcin del
ingreso.
(b) Calcule la varianza residual y la varianza explicada por la regresin, comentando la
bondad del ajuste.
(c) Un empresario se plantea situar un negocio de comidas para llevar en un a zona de la
ciudad en la que habitan aproximadamente 800 familias con ingresos familiares mensuales
entre 2.500 millones de bolvares y 3.500. Cul ser su estimacin del gasto mensual en
comida preparada para dicha zona a partir de los resultados de los apartados anteriores?
10- En la siguiente tabla se presentan los datos (en miles de personas) del desempleo
registrado por el INE seccional Carabobo, por edades y sexo, durante el perodo 1998-2000.
Edades
Menos 20 aos
20-24 aos
25-54 aos
55 y ms aos
TOTALES
2002
2003
2004
Varones
Mujeres
Varones
Mujeres
Varones
Mujeres
1.061.510,33
60.457,25
962.265,08
49.122,25
937.982,17
42.419,92
59.346,08
166.796,50
48.101,67 141.431,00
40.849,83 132.643,83
164.435,92
784.673,17
138.818,33 718.127,42
131.272,92 700.346,75
778.402,67
59.373,92
713.720,83
60.724,25
698.502,42
66.174,58
2.063.695,00 1.071.300,83 1.862.905,92 969.404,92 1.808.607,33 941.585,08
Calcule e interprete la serie de ndices simples anuales del desempleo registrado en

Venezuela durante los aos 2002-2004 por sexo. Cul ha sido la variacin relativa del
desempleo, en el perodo 2002-2004, para el conjunto de la poblacin?
81
11- En la Encuesta de Poblacin Activa (EPA) la poblacin de 16 ms aparece dividida

en tres grupos: Poblacin activa, Poblacin inactiva y Poblacin contada aparte. Si se sabe
que en el ao 2000 el porcentaje de poblacin en cada grupo era, respectivamente, 49,84%,
49,69% y 0,4%, y que los ndices simples (en porcentaje) para esos grupos en el perodo
2002-2004 con base 2000 son:
Grupos de poblacin
98
99
I i , 97
Activos
Inactivos
Poblacin contada aparte
00
I i , 97
100,89
100,49
77,5
101,87
100,51
78,16
I i , 97
104,49
98.96
53,87
Fuente: Elaboracin propia a partir de los datos del INE (Servidor web del INE, www.ine.ve)
Calcule la serie de ndices compuestos ponderados para la poblacin de 16 ms aos

durante los aos 2002-2004. Cul ha sido la variacin relativa experimentada por la
poblacin de 16 ms aos durante los aos 2002-2004?
12- Una empresa conservera fabrica seis tipos de productos (A,B,C,D,E y F). Los precios
de venta por unidad (p) y el nmero de unidades vendidas para cada uno de los productos
(q) en los aos 1998, 1999 y 2000 se recogen en la siguiente tabla:
Ao 1998
Producto
A
B
C
D
E
F
p
25
58
62
112
31
16
q
1.500
2.800
6.000
7.300
10.500
4.600
p
34
92
55
96
47
22
Ao 1999
Q
2.300
1.900
6.200
7.600
9.600
3.800
p
36
72
60
125
39
25
Ao 2000
q
2.500
3.100
5.800
8.900
11.300
4.900
(a) Obtenga los ndices simples de precios y cantidades para los aos 1999 y 2000 en base
1998. Interprete los valores obtenidos. En particular, cul es el mayor ndice simple de
precios?, y el menor de cantidades?
(b) Calcule, para cada producto, la variacin relativa de los precios y las cantidades
vendidas en cada ao con respecto al anterior. Obtenga tambin la tasa de variacin y la
tasa media de variacin anual en el perodo 1998-2000. Comente los resultados.
13- Una empresa conservera fabrica seis tipos de productos (A,B,C,D,E y F). Los precios
de venta por unidad y el nmero de unidades vendidas para cada uno de los productos en
los aos 2000 - 2001 y 2002 se recogen en la siguiente tabla:
Producto
A
B
C
D
E
F
Ao 2000
Q
25
58
62
112
31
16
82
Ao 2001
Q
p
1.500
2.800
6.000
7.300
10.500
4.600
34
92
55
96
47
22
Ao 2002
q
p
2.300
1.900
6.200
7.600
9.600
3.800
36
72
60
125
39
25
2.500
3.100
5.800
8.900
11.300
4.900
(a) Obtenga los ndices compuestos de precios y cantidades de Laspeyres y Paasche en base
2000.
(b) Calcule los ndices de Edgeworth de precios, en base 2000, utilizando su expresin
como media aritmtica ponderada de ndices simples.
(c) Calcule los ndices de Fisher en base 2000.
(d) Cul es el ndice de valor del ao 20002 en base 2000?
14- Se conocen los ndices de precios (en tanto por ciento) de ciertos productos industriales
para el intervalo de tiempo 1992-1996 con base en el ao 1990, as como para el perodo
1997-2001 con base 1996.
Aos
ndice
(base 90)
ndice
(base 96)
1992
1,26
1993
1,35
1994
1,40
1995
1,46
1996
1,53
1997
1998
1999
2000
2001
1,15
1,25
1,32
1,40
1,41
Complete la tabla con lo ndices de precios que faltan. Calcule la serie de ndices de precios
con base 1992.
83
15- Se dispone de la siguiente informacin acerca de la serie mensual del ndice de

produccin Industrial (base 1990) en el perodo 1997-2004:
1997
1998
1999
Enero
91,1
104,2
102,7
Febrero
95,2
101,5
102,4
Marzo
103,5
113,9
106,4
Abril
97
97,4
98,3
Mayo
102,1
112
108,4
Junio
105,5
112,7
106,2
Julio
102,7
106,2
110,4
Agosto
64,2
67,4
66,4
Septiembre
104,9
105,6
104,8
Octubre
104,4
108,1
114,8
Noviembre
109,2
110,4
108,5
Diciembre
99,9
95,2
96,8
Fuente: Servidor web del INE, www.ine.ve
2000
105,7
102,1
106,3
115,8
111,6
114,3
119,5
71,7
115,8
125
115,5
106,9
2001
110,5
114,2
121,3
112,4
117,8
123,8
126,5
76,5
120
123,7
122
112
2002
112,9
113,9
123,7
114,9
121,5
126,1
128,3
81,1
125
123,4
128,4
118
2003
118,5
125,2
136,3
114,8
133,1
132,7
128,5
86,9
125,1
126,8
133,3
112,3
(a) Obtenga la tendencia por el mtodo analtico, ajustando una funcin de tipo lineal.
(b) Represente grficamente la serie y la recta calculada.
16- Una empresa fabricante de helados presenta los siguientes niveles de facturacin
cuatrimestrales:
Cuatrimestres / Aos
1
2
3
2000
1.520
3.813
2.500
2001
1.566
3.927
2.550
2002
1.605
4.084
2.627
2003
1.637
4.227
2.718
2004
1.688
4.397
2.773
Obtenga la tendencia de su facturacin por el mtodo de las medias mviles.

17- Segn la Encuesta de Poblacin Activa, el nmero de mujeres en desempleadas (en
miles) en Venezuela por trimestre entre 2001 y 2004 es el siguiente:
Trimestre / Ao
1
2
3
4
2001
1.773,8
1.757,0
1.795,4
1.773,2
2002
1.706,8
1.694,0
1.709,2
1.674,3
2003
1.546,1
1.478,9
1.495,6
1.493,5
2004
1.456,8
1.378,7
1.378,2
1.345,2
Qu esquema de interaccin es ms apropiado para estudiar esta serie temporal?

18- Las precipitaciones totales, en milmetros por metro cuadrado, recogidas en la regin
del oriente entre 2000 y 2004, vienen reflejadas en la siguiente tabla:
2004
124,2
120,9
131,4
114,4
131,9
129,4
128
89,7
121,5
130,6
127
107,4
Cuatrimestre / Ao
1
2
3
2000
244,7
173,3
537,4
2001
69,7
77,5
227,7
84
2002
120,0
56,6
182,3
2003
86,1
47,6
259,2
Suponiendo que la tendencia anual de la serie temporal se puede representar mediante

lineal y que existe estacionalidad estable en el tiempo, seale la afirmacin correcta:
(a) El ndice de variacin estacional para el primer cuatrimestre por el mtodo de la razn a
la tendencia es 68,3%.
(b) Las precipitaciones previstas para el primer cuatrimestre del ao 2004en la regin del
oriente fueron superiores a 60 milmetros por metro cuadrado
(c) Ninguna de las anteriores es cierta.
Captulo VII
85
NMERO
Nmero ndice
Uso de los nmeros ndice
Tipos de nmeros ndice
Nmero ndice como deflactor
NDICE
86
Nmeros ndice.
Los nmeros ndice son medidas estadsticas que permiten estudiar los cambios
experimentados por una magnitud <<simple o compuesta>> a lo largo del tiempo o del
espacio, a otro en precio, cantidad, valor o algn otro elemento de inters. Lo ms usual es
trabajar con datos temporales, de modo que se establezca un punto de partida, conocido
como perodo base o de referencia, con respecto al que se va a comparar el valor de la
magnitud en cualquier otro perodo, denominado actual o corriente. Estas comparaciones se
efectan en forma de cociente, por lo que los ndices son adimensionales.
El nmero ndice describe principalmente las variables econmicas; mide cuanto
cambia una variable con el tiempo. S el ndice es mayor a 100, se dice que hay un
aumento, en caso contrario, es decir si el ndice es menor de 100 existe una disminucin.
Uso de los nmeros ndices
Son indicadores de la marcha de los negocios
Permiten comparar los cambios producidos en diferentes sectores de una economa.
Se usa como deflactor, es decir, se hacen ajuste respecto al cambio del valor
monetario que permite realizar comparaciones a los largo del tiempo.
Ejemplo:
Cmo se calcula la inflacin?
Primero definiremos la inflacin como el aumento de los precios de los factores
productivos, bienes y servicios. Se calcula mediante las tasas de crecimiento de los precios
<< porcentaje en que han variado los precios en un perodo de tiempo>> y los nmeros
ndices << la relacin de los precios respecto a los vigentes en una fecha determinada >>.
Tipos de nmeros ndice
ndice de base fija
1. ndice simple
ndice de base variable
ndice no ponderado
ndice de precios de Laspeyres
2. ndice compuesto:
ndice ponderado
ndice de precios de Paasche
87
ndice de Valor
3. ndice especiales
ndice de productividad
1. ndice Simple.
Son ndices que se construyen sobre una sola variable, para un solo regln y
presenta el porcentaje de variacin de valor o la cantidad de dicho bien en el periodo
considerado respecto al ao base.
1.1 ndice de Base Fija.
Se compara la variable siempre con el mismo ao.
I
Pn
*100
Po
Pn: Precio de un perodo dado

Po: Precio del ao base
Ejemplo:
Precio del Arroz
%
Ao
Bs./Kg.
I.B.F
2002
29
100
2003
37
127,5
27,5
2004
25
86,20
(13,7)
Interpretacin: Se puede indicar un incremento en el precio del arroz de un 27,5%

del precio del ao 2003 con respecto al ao 2002. Pero, por consiguiente se puede indicar
una disminucin en el precio del arroz del 13,7% del precio del ao 2004 con respecto al
ao 2002.
88
1.2 ndice de Base Variable.

Se compara un ao con respecto al otro inmediatamente anterior.
Pn
* 100
P(n 1)
Continuando con el mismo ejemplo tenemos:
Precio del Arroz

%
Ao
Bs./Kg.
I.B.V
2002
29
100
2003
32
100,3
10,3
2004
37
115,6
15,6
Interpretacin: El ndice de precio del ao 2004 con respecto al ao 2003 es de

67,5% lo que significa una disminucin de 32,5 en los precios del arroz.
2. ndice Compuesto.
Son aquellos ndices que se construye sobre varias variables en forma simultnea.
ndice Compuestos No Ponderado: Cuando todos los valores considerados
tienen igual importancia.
ndice Compuestos Ponderados: A cada valor del ndice se le atribuye su
respectiva importancia.
Los ndices mas frecuentes son:
2.1 ndice Compuestos No Ponderado.
Son tambin conocidos como ndices de agregados simples. Son los ms sencillos
de los ndices compuestos, pero su utilidad es muy limitada y su construccin consiste en la
sumatoria de los agregados para cada ao con relacin a la suma de los agregados del ao
base. En resumen; es la suma de todos los elementos del compuesto, para el perodo dado y
luego dividiendo este resultado entre la suma de los mismos elementos durante el perodo
base, multiplicado por 100 para ser expresado en porcentaje.

Pn
Po
89
* 100
Estos ndices representan los cambios en los precios y/o cantidades para grupo de
artculos. Una vez que tengamos el resultado su interpretacin es: que es existe un
incremento o disminucin de un x % de los precios de estos artculos con relacin a los
precios del ao base.
2.2 ndice Compuesto Ponderados.
Las mejoras de un ndice se basan en la introduccin de sistemas de ponderacin
apropiados para su construccin
Pn * Qn
Po * Qn
*100
Donde Q representa el peso de importancia agregados.

Formas De Ponderar Un ndice.
Existen dos (02) formas de ponderar un ndice:
Mtodo de Laspyres: Consiste en usar las cantidades consumidas durante el
periodo base al calcular cada nmero ndice.
Mtodo de Paasche: Consiste en usar las cantidades consumidas durante el periodo
en estudio para cada ndice.
2.2.1 ndice de Precios Laspeyres.
Es un ndice de precio de agregacin ponderada con pesos de las cantidades del ao
base. Se calcula de la siguiente manera:
Iio T
Pn * Qo
Po * Qo
*100
Este ndice de precio se construye ponderando cada precio por la cantidad

consumida en el ao base. Constituye la tcnica de mayor uso, ya que requiere medidas de
cantidades durante un solo periodo.
90
Interpretacin: Los ndices de Laspeyres miden los cambios porcentuales en los

precios que ocurriran en cualquier periodo dado, si se hubiesen comprado los mismos
artculos y en las mismas cantidades del periodo base seleccionado.
2.2.2 ndice de Precio de Paasche.
Es un ndice de precios de agregacin ponderada con pesos de las cantidades del
ao dado.
Se calcula de la siguiente manera:
IP o T
Pn * Qn
Po * Qn
* 100
Este mtodo considera los valores de las cantidades en el periodo considerado, por
tanto se toma en cuenta los ajustes que hacen los consumidores antes las variaciones de los
precios.
Interpretacin: Los ndices de Paasche miden los cambios porcentuales en los precios que
ocurriran en cualquier periodo dado si se hubiese comprado en un periodo de referencia o
base los mismos artculos y en las mismas cantidades que el periodo dado en este momento.
3. ndices Especiales.
Existen varios ndices que reflejan la actividad econmica global, los cuales
incluyen una diversidad de indicadores econmicos tales como precios de acciones
comunes, nuevos periodos de planta y equipo, valores, productividad, etc.
3.1 ndice de Valor.
El valor de un solo bien es el producto de su precio y su cantidad, V
P *Q el valor
de un agregado de bienes es la suma de los valores individuales de los bienes:

V
P Q . La descripcin de esta variacin se hace mediante la comparacin por
cociente entre los valores alcanzados por un conjunto de artculos en dos (02) periodos
diferentes, de lo que resulta un nmero ndice, que por el significado simple que posee no
requiere consideraciones especiales.
V
Pn * Qn
Po * Qo
* 100
91
Interpretaciones: Este ndice mide el cambio en el valor de un agregado de valores,

expresa la consistencia entre el ndice de precio y cantidades, es decir, el ndice de valor
expresa el cambio en los valores entre los periodos base y el actual.
3.2 ndice de Productividad.

La palabra productividad significa rendimiento, eficiencia en la produccin. Se mide
por la razn de produccin final a insumos que intervinieron en ella. Si se eleva esta razn,
es decir, mayor produccin con las mismas unidades de insumo, aumenta la productividad.
En la prctica suele obtenerse un ndice de productividad sobre la base de un solo insumo
que considera el factor de mayor importancia. Se calcula de la siguiente manera:
Qn / Qo
N
*100
Qn/Qo= Suma de todas las cantidades relativas de bienes.

N: Nmero de cantidades relativas de bienes utilizados.
De manera ms concisa se puede decir que el ndice de productividad indica la
variacin de dicha productividad en relacin con el ao base, es decir, se toma un
determinado ao anterior. Se tiene en cuenta las horas hombres por unidad de produccin.
Nmero ndice como deflactor

El nmero ndice como deflactor hace referencia al ndice de precios al consumidor,
el cual mide los cambios en los precios de una canasta fija de artculos y servicios en el
mercado de un periodo a otro.
El ndice de precios al consumidor cumple varias funciones entre las que
mencionaremos:
Permite a los consumidores determinar el grado de deterioro de su poder
adquisitivo por el aumento de los precios.
Permite la revisin de salarios, pensiones y otros tipos de ingresos para
mantener el lapso con los cambios en los precios.
Es un indicador econmico de la tasa de inflacin.
92
Sirve para determinar el ingreso personal real disponible, para deflacionar las
ventas u otras series, para determinar el poder de compra de la unidad monetaria
y evaluar el aumento en el costo de la vida.
La deflacin estadstica es un procedimiento mediante el cual se eliminan los
efectos en las variaciones en precios sobre los valores de las ventas o de la produccin.
Para la deflacin estadstica se utiliza cierto ndice de precios llamado Deflactor. En
general, el procedimiento viene expresado por la relacin:
Valor real de bienes y servicios =
Valor, actual, de, bienes, y, servicios

ndice, de, precios, apropiados
Entre las deflaciones ms comunes tenemos:

Ingreso Real =
Ingreso, No min al
ndice, de, precios, al, consum idor
Salario Real =
Salario, No min al
ndice, de, precios, al, consumin dor
Ejemplos:
Supongamos que a un empleado que ganaba 150.000 Bs. en el mes de Agosto de
2001 se le reajust su sueldo en Junio de 2002 a 170.00 Bs. Sabiendo que el ndice de
precios al consumidor pas de 100% en el 2001 a 195% en el 2002, determine el salario
mnimo real del empleado.
SR =
SR =
150 .000
* 100
100
170 .000
* 100
195
= 150.000
= 87.179,48
Observamos como el empleado ha visto desmejorada su situacin econmica a pesar

del reajuste, es decir, con 170.000 Bs. slo podr comprar bienes y servicios por 87.179,48
Bs.
93
REFERENCIAS
BIBLIOGRAFICAS
Azorn, F. y Snchez Crespo, J. L. (1986). Mtodos y aplicaciones del muestreo. Madrid:
Alianza Universidad.
Anderson, D. Sweeney, D. Williams, T. (2001). Estadstica para Administracin y
Economa. Mxico: Internacional Thompson Editores.
Batanero, C. (2001). Didctica de la estadstica. Granada: Universidad de Granada.
Batanero, C. y Godino, J. D. (2001). Anlisis de datos y su didctica. Granada:
Departamento de Didctica de la Matemtica.
Berenson, M y Levine, D. (1996) Estadstica bsica en administracin. Mxico: Prentice
Hall Hispanoamericana.
Bisquerra, R. (1989). Mtodos de investigacin educativa. Barcelona: CEAC.
Canavos, G. (1996). Probabilidad y estadstica. Mxico: Mc Graw Hill.
Cid, A., Delgado, C. y Leguey, S. (1999). Introduccin al muestreo en poblaciones finitas.
Madrid: ENE.
Cockcroft, W. H. (1985). Las matemticas si cuentan. Informe Crokcroft. Madrid:
Ministerio de Educacin y Ciencia.
DeGroot, M. H. (1988). Probabilidad y Estadstica. Delaware: Addison-Wesley
Iberoamericana.
Glass, G y Stanley J. (1970). Mtodos estadsticos aplicados a las ciencias sociales.
Espaa: Prentice Hall Internacional.
Godino, J. D. y Batanero, C. y Caizares, M. J. (1987). Azar y Probabilidad. Fundamentos
didcticos y propuestas curriculares. Madrid: Sntesis.
Lehman, E. L. (1993). The Neyman-Pearson theories of testing hypotheses: one theory or
two? Journal of American Statistical Association, 88, 424, 1242-1249.
Moore, D. (1995). The Basic Practice of Statistics. New York: W.H. Freeman & Co.
94
Ottaviani, G. (1999). Promover la enseanza de la estadstica: La contribucin del IASE y

su cooperacin con los pases en vas de desarrollo. Actas de la Conferencia
Internacional: Experiencias e perspectivas do Ensino da Estatistica.
Florianpolis.
Prez, C. (2003). Estadstica, problemas resueltos y aplicaciones. Espaa: Pearson-Prentice
Hall.
Tanur, J. M. (1992). La estadstica una gua de lo desconocido. Madrid: Alianza Editorial.
Tauber, L. (2001). La construccin del significado de la distribucin normal en un curso de
anlisis de datos. Tesis Doctoral. Universidad de Sevilla.
Tauber, L., Batanero, C. y Snchez, V. (2000). Comprensin de la distribucin normal por
estudiantes universitarios. En C. Loureiro, F. Oliveira, y L. Brunheira (Eds):
Encino e aprendizagem da Estatstica (pp. 117-130). Lisboa: Sociedad
Portuguesa de Estadstica.
Vallecillos, A. (1995). Comprensin de la lgica del contraste de hiptesis en estudiantes
universitarios. Recherches en Didactique des Mathmatiques, 15(3), 53-81.
Vallecillos, A. (1996b). Inferencia Estadstica y enseanza: un anlisis didctico del
contraste de hiptesis estadsticas. Granada: Comares.
Vallecillos, A. (1997). El papel de las hiptesis estadsticas en los contrastes: concepciones
y dificultades de aprendizaje. Educacin Matemtica, 9(2), 5-20.
Vallecillos, A. (2000). Understanding of the logic of hypothesis testing amongst university
students. Journal fr Mathematik-Didaktik, Vol. 2, 101-123.
Vallecillos, A. y Batanero, C. (1995). La inferencia estadstica en la investigacin
experimental en el campo educativo. Revista de Educacin de la Universidad de
Granada, 8, 5-16.
Vallecillos, A. y Batanero, C. (1997). Conceptos activados en el contraste de hiptesis
estadsticas y su comprensin por estudiantes universitarios. Recherches en Didactique
des Matmatiques, 17(1), 29-48.
95
Zaks, S. (1981). Parametric Statistical Inference. basic Theory and Modern Approaches.
Oxford: Pergamon Press.

Libro Análisis de Datos

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Libro Análisis de Datos

Enviado por

Direitos autorais:

Formatos disponíveis

Para Economa, Contadura,

Prof. Juan R. Muoz C.

Anlisis de Datos Estadsticos

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Estadstica: Es la ciencia que recopila, organiza, presenta, analiza e interpreta datos

La estadstica se divide en tres grandes disciplinas:

Estadstica descriptiva o anlisis de datos: Describe las caractersticas de un conjunto

Probabilidad: Cuantifica la incertidumbre, lo cual permite hacer afirmaciones

Inferencia estadstica: Es la ciencia que extrae conclusiones estadsticas, teniendo

Poblacin: conjunto de individuos o elementos que poseen ciertas caractersticas

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Poblacin tericamente infinita: Es aquella que contiene un nmero finito numerable

Muestra: Es una porcin o parte, de una poblacin de inters. Generalmente tomamos

Estrato: Parte de la poblacin no representativa de la misma.

Carcter: Propiedad, rasgo o cualidad de los elementos de la poblacin.

Atributo: Carcter cualitativo, no susceptible de ser medido numricamente. Las

Anlisis de datos estadsticos: Es la recopilacin, organizacin y resumen de los datos

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Variable: Sus distintas observaciones se denominan valores.

Variable cualitativa o atributo: Es aquella cuando la caracterstica es no numrica.

Variable cuantitativa o numrica: Es cuando la variable estudiada se puede expresar

Estadstico: Es la caracterstica o medida calculada en una sola muestra. Ejemplo la

Parmetro: Es la caracterstica o medida calculada en una poblacin completa, cuya

MEDICIN Y ESCALAS DE MEDIDAS

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Pueden observarse muchas caractersticas diferentes para un mismo individuo,

utilizarse el coeficiente de correlacin por rango de Sperman, Tau de Kendall y

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Distribuciones de frecuencias unidimensionales

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES

Consideremos un conjunto formado por N elementos y sea X una variable que

Frecuencia relativa acumulada: de xi es la proporcin Hi de elementos para

Distribucin de frecuencia: Se denomina al conjunto de valores de una variable

Distribuciones con datos no agrupados en intervalos: para variables que

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Distribucin con datos agrupados en intervalos: Se utiliza con variables que

Finalmente, ntese que en el caso de trabajar con un atributo en lugar de una

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Diagrama de sectores o circular: Se divide un crculo en tantas porciones como

Pictograma: Se utilizan dibujos alusivos al tema de estudio para representar las

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

Esquema del sistema Cartesiano

Dibujo del Grfico de Barras

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos

MEDIDAS DESCRIPTIVAS DE LOS

Autor: prof. Juan Muoz

Anlisis de Datos Estadsticos