Estadística para administradores

Parte histórica:

Estadística: relacionado al Estado.

Siempre el gobierno tuvo lo que se llamó “una necesidad de información”, esta necesidad
de información, en algún momento sistemático. Una referencia sería un censo que se hizo
en China hace muchísimo tiempo. Pero desde el punto de vista moderno, cuando aparece
la estadística? La estadística aparece con un tal Quetelet (1796-1874) fue la persona que
pensó que los gobiernos debían que tener datos. Esto en realidad, podemos vincularlo
con el despotismo ilustrado. Es decir, después del siglo XVIII comienza el tema de la
ilustración. Ya Francia, antes de la revolución, intento modernizar su gobierno. Los últimos
gobiernos de los borbones intentaron mejorar las finanzas públicas, la administración del
Estado. Pero se les vino la revolución.
Otro antecedente importante, es en 1790. El primer censo en EEUU. Este en 1776 se
independiza, cuando tiene una constitución vigente precisa saber cuántos diputados debe
tener en cada provincia. Entonces hacen un censo, porque los diputados son
proporcionales a la población, para saber cuántos diputados les toca en proporción a cada
uno de los Estados. Al final EEUU tiene un diputado mínimo. El Estado de Washington
tenía uno solo. En Argentina hay 5 diputados mínimo por población. En Brasil hay 8
diputados mínimo por provincia.
¿Qué pasaría si uno tiene una base poblacional? Si tuviéramos de cada 100.000
habitantes, 1 diputado. Cuando sube la población en algún momento, el estado pasaría a
otro nivel. Tendría mas diputados. Para evitar eso, que hacen? Modifican la base. Es
decir, cada vez se necesitan más personas para tener un diputado. En la práctica que es
lo que ocurre? Que cada vez hay más provincias que entran por el mínimo. Hay un
acuerdo implícito político que la provincia de buenos aires no tenga más de 60 diputados,
sino las provincias deberían tener muchísimos más.

¿Para qué sirve esta necesidad de información? Implica que es un insumo para la toma
de decisiones.
La estadística:

 Método de toma de decisiones en incertidumbre

 Método científico asociado al análisis de datos para la toma de decisiones
 Ciencia que estudia los fenómenos colectivos y de masa, sean naturales o
sociales a través de métodos matemáticos. Entre ellos, las técnicas de muestreo y
el cálculo de probabilidades con el objeto de describir situaciones, explicar y
predecir.

¿Cómo pasamos del dato a la información?

Datos/Informaciones/inteligencia
Primero, tenemos la realidad: es el sistema objeto. El ente, en este caso podría ser una
empresa. Yo quiero saber la situación de la empresa, entonces tengo que empezar a
generar indicadores, hago plan de cuentas, valuaciones, registrar en un informe que se
llame balance o algún tipo de estado contable.
De esta realidad:

Ej: tipito escoses: esta persona mira y anota en una tabla. De esa realidad, que mira? Lo
que mira se llama “hecho observado”. Hay datos pero los datos no son la realidad. Estos
datos se escriben en la tabla. Hay miles de datos y que tengo que hacer con esos datos?
Voy a tener esos datos en archivos gigantescos (en muchas tablas). Entonces tengo que
procesar esos datos en un sistema que me genera una salida que se llama “información”.
Es decir, se analizan los datos convirtiéndolos en información. Una vez que tenemos la
información, esta surge una serie de reportes (informes)

Actividades:
o Observación: a partir la observación yo registro
o Análisis: ej: nuestro curso, que es un curso de análisis estadístico
o Interpretación; luego a la información la tenemos que someter a otro proceso, para
que sirva para la toma de decisiones. Es ver lo que esas estadísticas, esas
informaciones, convertirlas a la luz del problema, y eso es lo que se llama
“Inteligencia”
o Inteligencia: es la información aplicada al problema concreto que uno tiene. Hacer
un informe de inteligencia solo tiene sentido en la manera que solo sea situada
porque la inteligencia es una interpretación “Adom” quiere decir al efecto. La
inteligencia tiene tanto conocimiento que termina influyendo en la decisión.

3 puntos importantes:
Realidad: el sistema objeto
Datos: que se convierten en información
Interpretación: a través de indicios que te da la información vos podes corroborar
determinadas líneas de acción, determinadas situaciones, etc.

¿Cómo convertir datos en inteligencia?

Términos primitivos:
Población (Universo): conjunto de elementos que satisfacen una definición común. Ej: la
población de fabricantes de sandalias; la población de las personas que fueron a la luna
(población finita, no hay tantos). De esta población puedo sacar una muestra/subconjunto
Muestra (Subconjunto): son técnicas de selección de muestra
Elemento (Unidad de análisis): cada una de las partes/unidades de una población

¿Qué queremos estudiar de las cosas?

Característica: son propiedades o aspectos que distinguen los elementos de una
población. Ej: distinguir a los bancos por el origen del capital, si es nacional o extranjero,
si es mayorista o minorista.

Dos tipos:
 Cualitativas (cualidad) q. Son atributos. Técnicas de análisis que tratan de
datos que no son números (sexo, nacionalidad, etc)
 Cuantitativas (cantidad) Q. Son variables. Del valor que pueda asumir una
unidad de análisis en una observación es una cantidad.

Clasificaciones:

1) Nominales cualitativas
2) Ordinales

3) Intervalares cuantitativas
4) De razón

Escala nominal o clasificatoria: distingue cosas. Ej: es distinto una zapatilla de una
zapato; es distinto una nacional que un extranjero, etc. NO MIDO
Escala ordinal o preferencia: no solo se distingue a los elementos sino que se los
puede ordenar en función de esa característica. Ej: jerarquías, rangos, que va
primero que va segundo que va tercero. Sabemos que una cosa es mejor que
otra. NO MIDO
Escalas cuantitativas: no solo ordeno y clasifico, sino que también podemos
establecer la distancia entre las clases (MIDO) cuán lejos está uno de otro.
La diferencia entre las intervalares y de razón está en el cero
De razón: Si el cero es real, y si indica como valor de la variable la ausencia del
atributo/característica. La mayoría de las cosas tiene cero reales. Ej: cuantas
veces fuiste a África? Cero.
Intervalares: si el cero es arbitrario. Ej: la temperatura. Cuando uno tiene cero
temperatura no significa que no tenga temperatura, si uno cambia la escala no
tiene cero, tiene otro número.
Suele ocurrir que las ordinales se conviertan en intervalares. Por ejemplo: me
gusta; no me gusta; me gusta mucho. Eso es una preferencia. Puedo decir que el
Excelente es un 10 y el Muy bien es un 3 y el Bien es un 0, el muy mal puede ser
-40 (no simétrico). Yo establezco la conversión entre lo ordinal a lo intervalar.

 Observación: valor observado

 Dato
 Información
 Inteligencia

Nosotros vamos a hacer una observación de una actividad porque las muestras
generan observaciones/elementos. Esos elementos yo los someto a una actividad
castigativa. Ej: una pregunta, mido que temperatura tiene. Por eso observo, salgo
del sistema objeto y me meto en los datos. Pero datos de quien tengo? Yo solo
tengo datos muestrales. Los datos muestrales terminan siendo observaciones.
Estas observaciones yo luego las proceso ¿Qué hago? Las suma, la divido y
genero una media muestral.
Esquema de inferencia: Tenemos una población y una muestra. La primera
cuestión son las técnicas de selección de muestra.
La población “N” tiene parámetros: son el valor que tienen las características en la
población.
Media; M
Varianza: δ2
Proporción: P

La muestra “n” tiene estadísticas, estas resultan de estimadores, y este va a generar

estimaciones. Nosotros solo vamos a conocer algunos valores de la población. Estos
valores a través del estimador, vamos a obtener estimaciones.
Es decir, el estimador es una fórmula que procesa valores observados y genera
estimaciones puntuales. Esa fórmula debe estar bien hecha al igual que las
observaciones
Estimación puntual: es el valor que asume un estimador para determinados elementos
que han sido seleccionados en la muestra.
La probabilidad: serian la de los elementos seleccionados. A partir de ahí el estimador es
una variable aleatoria porque es una función que puede tomar diversos valores, La
estimación va a depender de los elementos que han sido seleccionados.
Un mismo estimador tiene varios resultados posibles de la misma población. Una vez que
yo procese el estimador con determinadas observaciones, ya tengo un resultado que es
uno de los posibles, entonces ya dejo de ser aleatorio. Entonces las estimaciones son
una realización.
Si la muestra no es aleatoria, mis observaciones no son aleatorias y mis estimaciones
tampoco

Va a haber estimaciones de la Media, Varianza y de la Proporción.

Media; x raya
Varianza: s sombrero
Proporción: P sombrero
En qué medida los estimados corresponden a los valores poblaciones, es el problema de
la inferencia estadística.
La inferencia estadística: se ocupa de esto. En que medida las estimaciones reflejan o
representan a los valores poblacionales a los parámetros. Esta se asocia a la
probabilidad. Ej: con que probabilidad una estimación representan a los parámetros
Herramientas:

 Intervalos de confianza: es el rango recorrido que con una determinada

probabilidad determinada contiene el parámetro. Tiene un limite inferior y un limite
superior, o sea, se establece un rango y la afirmación probabilística que se hace
consiste en decir: con que probabilidad ese rango recorrido contiene al parámetro.
Ej: con un 95% de probabilidad la proporción de voto de fulano esta entre tanto y
tanto
 Prueba de hipótesis: no te pregunta sobre el valor del parámetro. Ej: El parámetro
es mayor que determinado valor? Es menor que determinado valor?
Cuanto factura un kiosko? 100.000 pesos mensuales, 200.000 pesos mensuales,
1.000.000 pesos mensuales. Ahí hacemos una estimación puntual.
Una hipótesis; es mayor que 100.000? nosotros vamos a invertir en un lugar
donde la facturación sea mayor a 100.000 y la rentabilidad sea mayor al 20%
Si la rentabilidad es mayor al 20%, eso se afirma con un 80% de probabilidad
Propiedades del estimador:
Insesgamiento: tiene que ver con la media y con la varianza
Eficiencia
Suficiencia
Consistencia LIBRO CASTELLI
Invarianza
Robusto
Técnicas de selección de muestras:
Aleatorias: son: al azar simple; sistemático, estratificado y conglomerado
No aleatorias: conveniencia; estudio de casos (dirigida); focus grupo

Estadística
Tipos:
 Descriptiva: tiene que ver con los propósitos. Es la que pretende exponer la
información. Ej: como se hacen las tablas, como se presentan los gráficos o
cuadros

 Explicativa: tiene que ver con las pruebas de hipótesis de la inferencia

estadística. Ej: análisis de correlación y regresión

 Predictiva o pronósticos: vinculada con lo anterior. Como uno no conoce el

mecanismo puede proyectar valores futuros. Se basan en la probabilidad
Ej: análisis de correlación y regresión.

Clasificación:
o Paramétrica: es aquella que indaga parámetros. Uno quiere saber cómo es
el modelo y trata de encontrar en ese modelo los parámetros (la media, el
desvio)

o No paramétrica (sin distribución o de atributos): cuando no se conoce la

distribución, uno quiere probar cosas sin conocer el modelo.

Capítulo 12.2: elección del procedimiento de la prueba

Paramétricos: los procedimientos de prueba paramétricos pueden definirse como
aquellos que requieren que el nivel de medición obtenido con los datos recolectados este
en forma de una escala de intervalo o de una escala de cociente. Implican la prueba de
hipótesis de valores de parámetro especificados y requieren un conjunto limitante de
suposiciones.
Es decir, la escala de medición tiene que ser de intervalos superior, o sea, variado. Son
datos cuantitativos.

Sin distribución: los procedimientos de prueba sin distribución pueden definirse

ampliamente como aquellos cuya estadística de prueba no depende de la forma de
distribución de la población subyacente de la cual se tomó la muestra de datos o como
aquellos para los cuales los datos no tienen fuerza suficiente (es decir, están escalados
nominalmente u ordinalmente) para garantizar operaciones de prueba significativas.
Es decir, mezcla dos casos: un caso donde el nivel de medición que no sea intervalar (no
pueden hacer operaciones matemáticas), que son las ordinales y nominales (son
atributos), y también está el caso donde uno no conoce la distribución en el muestreo
Cuando los datos no cumplen algún requisito de la distribución pasan a ser “Sin
distribución”, entonces se resuelve a partir de una prueba “No paramétrica”

No paramétricos: pueden definirse como aquellos que no tienen que ver con los
parámetros de una población

Ventajas No paramétricos:
l. Si el tamaño de la muestra es muy pequeño, puede no haber otra opción que usar una
prueba estadística no para métrica, a menos que la naturaleza de la distribución de la
población se conozca con exactitud.

2. Las pruebas no paramétricas típicamente hacen menos suposiciones acerca de los

datos y pueden ser más relevantes a una situación particular. Además, las hipótesis
probadas por una prueba no paramétrica pueden ser más adecuadas para la
investigación.

3. Las pruebas estadísticas no paramétricas están disponibles para analizar datos que
son inherentes a los rangos, así corno datos cuyas puntuaciones numéricas tienen
aparentemente la fuerza de los rangos.

4. Los métodos no paramétricos están disponibles para tratar datos que son simplemente
clasificatorios o categóricos, es decir, que son medidos en una escala nominal. Ninguna
técnica paramétrica se aplica a tales datos.

5. Existen pruebas estadísticas no para métricas que son adecuadas para tratar muestras
obtenidas de observaciones de diferentes poblaciones. Las pruebas paramétricas a
menudo no pueden manipular tales datos sin exigirnos hacer suposiciones aparentemente
irreales o requisitos pesados de computación.
6. Las pruebas estadísticas no paramétricas típicamente son más fáciles de aprender y
aplicar que las pruebas paramétricas. Además, su interpretación suele ser más directa
que la interpretación de las pruebas paramétricas.

Desventajas:
1. Resulta desventajoso utilizar métodos libres de distribución cuando se pueden
cumplir todas las suposiciones del procedimiento no paramétrico.

2. Conforme aumenta el tamaño de la muestra, la manipulación de datos requerida

para efectuar los procedimientos sin distribución y los no paramétricos es, a
menudo, laboriosa.

3. Con frecuencia se necesitan tablas especiales de valores críticos para las

estadísticas de prueba obtenidas mediante el uso de procedimientos sin
distribución o de procedimientos no paramétricos, y no es fácil de disponer de
tales tablas como en el caso de las requeridas para obtener los valores críticos
para las estadísticas de prueba de los procedimientos paramétricos.

Conceptualización de la acción:
Real:

Observado: observamos cosas de lo real, después lo traducimos en un valor observado.

Ese valor observado es una característica de lo que se llama datos
Datos: es el valor observado, en una característica con determinada herramienta de
medición y observación. Es el valor que asume una unidad de análisis para determinadas
características utilizando un instrumento de relevamiento.
Información: los datos se convierten en información a través del análisis estadístico
Inteligencia: la información se convierte en inteligencia a través de la interpretación. Es
decir, vincular las informaciones al problema concreto que uno tiene

Hablamos de:
o Conceptos primitivos
o Población
o Muestras
o Elemento
o Característica
Capítulo 2: diferentes niveles de medición (cuadro)
Atributos: nominal, ordinal, intervalar y de razón

Cuatro niveles de medición:

Nominal 1. Equivalencia
Ordinal: Equivalencia
Mayor que
De intervalo: Equivalencia
Mayor que
Razón conocida entre cualesquiera de dos intervalos
De razón: Equivalencia
Mayor que
Razón conocida entre cualesquiera de dos intervalos
Razón conocida entre cualesquiera de dos valores de la escala
o La media requiere al menos un nivel intervalar
o La mediana es ordinal. Por eso la prueba de hipótesis no paramétrica suele ser
sobre la mediana, porque si el dato es de escala ordinal yo no puedo sacar la
media pero si puedo sacar la mediana

Técnicas de muestreo: tiene que ver con que la inferencia estadística no en el estudio
de toda la población sino en una parte de ella, y se hace luego un proceso inductivo. Entre
los elementos muestrales hacia la población.
Inducir: va de lo particular a lo general.
Particular: es la muestra, que es una parte de la población

Capítulo 3 Castelo: técnicas de selección de muestras. (Como obtengo la muestra)

 Probabilísticos: al azar simple, Sistemático, Conglomerado y Estrato

 No probabilísticos: Conveniencia y Dirigido (estudio de casos)

Etapas
 Teoría de la probabilidad
 Clásica
 Frecuencialista
 Logicista
  Subjetivista
 Propencionalista

Estimadores: la inferencia estadística se hace a partir de los estimadores. El estimador

es una formula o procedimiento para procesar los datos muestrales. Ej: es una suma,
resta, división, media muestral
Asume:

Valores muestrales: tenemos seleccionada una muestra e hicimos las observaciones a

esa muestra. Ese conjunto de valores muestrales van a ser una variable aleatoria. Es
decir, que puedan asumir determinados valores para una probabilidad determinada. Esos
valores muestrales (son probabilísticos) al ingresar al estimador también hace que el
estimador (son probabilísticos) sea una variable aleatoria, porque el estimador puede
tomar diferentes resultados en función de los valores que le ingresan para ser
procesados.
Del estimador vamos a tener estimaciones. Las estimaciones no son más variables
aleatorias, es un resultado, es un número determinado, una variable aleatoria ya
realizada. Deja de ser aleatoria.
Con los estimadores podemos calcular su distribución en el muestre. ¿Cuál es la
distribución del estimador? La esperanza, la varianza, la asimetría, etc.

Propiedades:
Capítulo 9 “Distribuciones en el muestreo”
 Imparcialidad o insesgamiento: implica el hecho de que el promedio de todas las
medias de muestra posibles será igual a la media de población. Tiene que ver con
la esperanza.

 Eficiencia: se refiere a la precisión de la muestra estadística como un estimador

del parámetro de población. Tiene que ver la varianza

 Consistencia: se refiere al efecto del tamaño de muestra sobre la utilidad de un

estimador.

Capítulo 5 “Propiedades”
1) Imparcialidad o insesgamiento: