INTRODUCCIÓN

• 1.- Estadística: concepto, contenido y relaciones

• 2.- Fases de la investigación estadística.
• 2.1.- Análisis descriptivo.
• 2.2.- Modelización
• 2.3.-Inferencia.
• 3.- Tipo de datos estadísticos
• 3.1.-Según la naturaleza
• 3.1.1.- Causales o determinísticos.
• 3.1.2.- Aleatorios.
• 3.1.2.1.- Con repetición
• 3.1.2.2.- Sin regularidad estadística.

1
 INTRODUCCIÓN
• 3.2.- Descripción numérica.
• 3.2.1.- Cualitativas
• 3.2.2.- Ordinales
• 3.2.3.- Cuantitativas.
• 3.3.- Según las características observadas.
• 3.3.1.- Multidimensionales
• 3.3.2.- Unidimensionales
• 3.4.-Según el período de tiempo.
• 3.4.1.- Atemporales.
• 3.2.4.- Temporales o cronológicas.
• 4.- Fuentes Estadísticas.
• 5.- Representación gráfica.

2
ANÁLISIS DE DATOS UNIDIMENSIONALES

• 1.-Medidas de posición.
• 1.1.-Media. Propiedades
• 1.2.-Mediana.
• 1.2.1.-Datos sin agrupar.
• 1.2.2.- Datos agrupados.
• 1.3 Cuartiles, deciles, centiles.
• 1.4.-Moda
• 1.4.1.- Datos sin agrupar
• 1.4.2.- Datos agrupados en intervalos.
• 1.4.2.1.- Intervalos de la misma amplitud
• 1.4.2.2.- Intervalos de distinta amplitud
3
ANÁLISIS DE DATOS UNIDIMENSIONALES

• 2.- Medidas de dispersión.

• 2.1.- Varianza, desviación típica y cuasivarianza.
• 2.2.-Coeficiente de variación.
• 3.- Medidas de forma.
• 3.1.- Coeficiente de Asimetría
• 3.2.-Coeficiente de Curtosis.
• 4.-Variables tipificadas.
• 5.- Medidas de concentración
• 5.1.-Índice de Gini.
• 5.2.- Curva de Lorenz

4
 ANÁLISIS DE DATOS
MULTIDIMENSIONALES

• 1.- Representación de datos

multidimensionales
• 2.- Distribuciones conjuntas, marginales y
condicionadas. Independencia estadística.
• 3.- Vector de valores medios y matriz de
varianzas-covarianzas.
• 4.- Coeficiente de correlación.
• 5.- Asociación y concordancia.

5
 REGRESIÓN

• 1.- Regresión mínimo cuadrática. El caso lineal

• 1.1 Obtención del los parámetros a y b
• 1.2 Recta de regresión mínimo-cuadrática
• 1.3 Media y varianza de la variable regresión.
• 1.4 La variable error o residuo. Media y varianza
• 1.5 Incorrelación entre la variable regresión y residuo

• 2. Análisis de la bondad de un ajuste.

• 2.1 ECM
• 2.2 Coeficiente de determinación.

6
TASAS DE VARIACIÓN Y NÚMEROS ÍNDICE

• 1. Tasas de variación.
• 2. Números Índice: clasificación.
• 3. Índices de precios y cantidades.
• 4. Cambio de base, renovación y enlace.
• 5. Deflactación de series económicas.

7
TASAS DE VARIACIÓN Y NÚMEROS ÍNDICE

VARIACIÓN ABSOLUTA

 Yt  Yt  Yt 1

TASA DE VARIACIÓN
RELATIVA .
 Yt
Yt 
Yt  1 8
TASAS DE VARIACIÓN Y NÚMEROS ÍNDICE

TASA MEDIA DE VARIACIÓN

Y1
T1 (1)   1
Y0
TASA MEDIA ANUAL
ACUMULATIVA
Y t
T m  n  1
Y t1

9
 CLASIFICACIÓN NÚMEROS INDICE

• SIMPLES

NO PONDERADOS

• COMPLEJOS

PONDERADOS
10
 CLASIFICACIÓN NÚMEROS INDICE

MEDIA
ARITMÉTICA
SIMPLE

COMPLEJOS
NO PONDERADOS

MEDIA
AGREGATIVA
SIMPLE
11
 CLASIFICACIÓN NÚMEROS INDICE

MEDIA
ARITMÉTICA
PONDERADA

COMPLEJOS
PONDERADOS

MEDIA
AGREGATIVA
PONDERADA
12
 CLASIFICACIÓN NÚMEROS INDICE
I NDICE PRECIOS CANTIDADES

SIMPLE

SAUERBERCK
Media
aritmètica
BRADSTREET-
DUDOT(media
agregativa)
LASPEYRES
(media
agregativa
ponderada)

PAASCHE
(media
agregativa
13
ponderada
Alumnado universitario en España. 1960-1999.

Curso Alumnos Índice Tasa de variación anual

1959-60 170.602 100, 1,3%
1960-61 178.062 104,4 4,4%
1961-62 189.982 111,4 6,7%
1962-63 197.849 116,0 4,1%
1963-64 221.411 129,8 11,9%
1964-65 243.541 142,8 10,0%
1965-66 272.772 159,9 12,0%
1966-67 295.879 173,4 8,5%
1967-68 318.235 186,5 7,6%
1968-69 336.628 197,3 5,8%
1969-70 346.027 202,8 2,8%
1970-71 356.956 209,2 3,2%
1971-72 390.559 228,9 9,4%
1972-73 437.908 256,7 12,1%
1973-74 440.196 258,0 0,5%

14
Cuadro 1: Alumnado universitario en España.
1960-1999.
Curso Alumnos Índice Tasa de variación anual
1974-75 468.526 274,6 6,4%
1975-76 539.022 316,0 15,0%
1976-77 590.192 345,9 9,5%
1977-78 689.971 404,4 16,9%
1978-79 673.528 394,8 -2,4%
1979-80 657.447 385,4 -2,4%
1980-81 649.098 380,5 -1,3%
1981-82 669.848 392,6 3,2%
1982-83 692.152 405,7 3,3%
1983-84 744.115 436,2 7,5%
1984-85 788.168 462,0 5,9%
1985-86 854.104 500,6 8,4%
1986-87 902.284 528,9 5,6%
1987-88 969.412 568,2 7,4%
1988-89 1.027.018 602,0 5,9%
1989-90 1.093.086 640,7 6,4%

15
 Cuadro 1: Alumnado universitario en España.
1960-1999.
Curso Alumnos Índice Tasa de variación anual
1990-91 1.140.572 668,6 4,3%
1991-92 1.209.108 708,7 6,0%
1992-93 1.291.996 757,3 6,9%
1993-94 1.358.616 796,4 5,2%
1994-95 1.445.322 847,2 6,4%
1995-96 1.505.611 882,5 4,2%
1996-97 1.551.969 909,7 3,1%
1997-98 1.568.752 919,5 1,1%
1998-99 1.583.297 928,1 0,9%

Fuente: Hasta 1991-92, Anuario de Estadística Universitaria 1993/1994.

Desde 1992-93 hasta 1996-97,
Estadística Universitaria del curso 1996-97 (Datos provisionales). Desde
1997-98 hasta 1998-99, Web
del Instituto Nacional de Estadística.

16
 SERIES TEMPORALES

• 1. Definición de serie temporal

• 2.Componentes de una serie temporal
• 2.1 Tendencia
• 2.2 Estacionalidad
• 2.3 Ciclo
• 2.4 Variaciones irregulares
• 3. Análisis de la tendencia
• 3.1 M.C.O
• 3.2 Cambio de origen de una ecuación de tendencia.
• 3.3 Cambio de base de una ecuación de tendencia
• 4. Desestacionalización

17
 MODELOS DE PROBABILIAD UNIVARIANTES

1. Incertidumbre y probabilidad.
1.1 Experimentos y sucesos aleatorios

1.2 Noción de probabilidad:

1.2.1 Probabilidad de Laplace o Clásica
1.2.2 probabilidad frecuencial
1.2.3 Probabilidad axiomática

1.3 Probabilidad condicionada e independencia de sucesos

1.4 Teorema de la Probabilidad total

1.5 Teorema de Bayes

18
 MODELOS DE PROBABILIAD UNIVARIANTES

2.Definición de variable aleatoria

2.1 Variable aleatoria discreta
2.2 Variable aleatoria continua

3. Distribuciones discretas y continuas

3.1 Función de cuantía
3.2 Función de densidad
3.3 Función de distribución

4. Esperanza y varianza

5. Desigualdad de Chebychev
19
6. Función característica.
 MODELOS DE PROBABILIAD UNIVARIANTES

PROBABILIDAD AXIOMÁTICA
A.1 0P(A) 1
A.2 P()=1
A.3 P(Ai)=P(Ai)
_

T.1 P( A )=1-P(A)
T.2 P()=0
T.3 ABP(A)P(B)
T.4 P(A B)=P(A)+P(B)-P(AB)
T.5 P(AB)=P(A)P(B)
T.6 P(A/B)= P(AB)/P(B) 20
 MODELOS DE PROBABILIDAD UNIVARIANTES

• Teorema de la Intersección

• P(AB)=P(A/B).P(B)
P(B/A).P(A)
Si A y B son independientes
P(AB)= P(A).P(B)

21
 MODELOS DE PROBABILIDAD UNIVARIANTES

• Teorema de la probabilidad total

• Sea A1,A2,...,An donde Ai son

disjuntos.
• Sea BP(B)=P(B/Ai).P(Ai)

22
 MODELOS DE PROBABILIDAD UNIVARIANTES

• Teorema de Bayes
• Sea A1,A2,...,An donde Ai son disjuntos.
• Sea B
• Se conoce P(B/Ai)

• P(Ai/B)=P(AiB)/P(B)=
• =P(B/Ai).P(Ai)/P(B/Ai).P(Ai)

23
 MODELOS ESPECÍFICOS UNIVARIANTES

• 1.-Bernouilli
• 2.- Binomial
• 3.-Poisson
• 4.-Uniforme
• 5.-Exponencial
• 6.-Normal
• 7.-Convergència: -Binomial –Poisson
» Poisson-Normal

24
Modelos especificos univariantes
Bernouilli

25
Modelos específicos univariantes

26
Modelos específicos univariantes

27
Simeon Poisson 1781-1840

más
sobre
Poisson
Haz clic

28
Modelos específicos univariantes
Uniforme

29
Modelos específicos univariantes

30
Modelos específicos univariantes
Normal

31
 Carl Fiedrich Gauss 1777-1855

Más imágenes de Gauss

Más sobre Gauss 32

 Modelos Multivariantes
• 1. Vectores aleatorios y distribuciones de probabilidad
bidimensionales.
• 2. Distribución conjunta. Funciones de distribución, de
probabilidad o de cuantía y de densidad.
• 3. Distribuciones marginales.
• 4. Distribuciones condicionadas. Independencia
estocástica.
• 5. Vector de valores medios y matriz de varianzas-
covarianzas. Propiedades. El coeficiente de correlación.
• 6. Extensión multidimensional y notación matricial.
• 7. Transformaciones lineales.

33
 Modelos Multivariantes
Específicos
• 1.    La distribución multinomial.
• 2.    La distribución normal multivariante.
• 2.1 Estudio del caso bidimensional: distribución
conjunta, marginal y condicionada.
• 2.2 Independencia
• 2.3 Incorrelación
• 2.4 Transformaciones lineales.
• 3. Distribuciones derivadas de la Normal
• 4. Reproductividad de algunas distribuciones.

34
 Distribución Multinomial


x   x1 ,..., x k  n pruebas ; k resultados

 n!
P( x )  p 1x ...p kx
1 k

x 1 !...x k !

E X i   np i
V ( X i )  np i (1  p i )
Cov( X i , X j )  np i p j 35
 Distribución Binormal

x   x1 , x 2 


Reducida

X  N(0,1)
General
 
X  N(, v)
     
2

   1
 v 1

12

   
2
2  12 2
36
 Distribución Binormal

• Distribuciones Marginales
x  N( ,  )
1 1
2
1

x  N ( ,  )
2 2
2
2

• Distribuciones condicionadas
  12 
x 1 / x 2  N   1  2 ( x 2   2 );  1 ( 1   ) 
2 2

 2 
  12 
x 2 / x 1  N   2  2 ( x 1   1 );  2 ( 1   ) 
2 2

 1  37
 Distribución Binormal
• Transformaciones lineales de variables normales
• 1)  
X  N(; v )
     
Y  AX  b  Y  N( A  b; AVA ) '

x
• 2)X1, X2 son variables
Normales
X1~N(1,21) X2~N(2,22)

Distribución de Y=X1+X2
a) Si X1 e X2 son independientes 38
b) Si X1 e X2 no son independientes