Esdistica

Rafael Flores de Frutos
Sofía Tirado Sarti
ESTADÍSTICA EMPRESARIAL I
PARTE I: ESTADÍSTICA DESCRIPTIVA
ÍNDICE
PRIMERA PARTE:ESTADÍSTICA DESCRIPTIVA
Tema 1. Introducción 4
1.1. Definiciones previas 5
1.2. Objetivo de la Estadística Descriptiva 7
1.3. Variables: Definición y tipos 9
1.4. Datos: Definición y tipos 17
1.5. Propiedades típicas de los datos 23
1.6.Transformaciones de los datos 29
Tema 2. Descripción estadística de una variable 41
2.1.La representación de los datos: Distribución de frecuencias 42
2.2.Representaciones gráficas 51
2.3. Resumen de la información: medidas características de una distribución 59
2.3.1.Medidas de posición. 60
2.3.2. Medidas de dispersión. 93
2.3.3. Medidas de forma. 120
ÍNDICE
PRIMERA PARTE:ESTADÍSTICA DESCRIPTIVA
Tema 3. Descripción conjunta de dos variables 131

3.1. Distribución de frecuencias bidimensional 132
3.2. Distribución de frecuencias marginal 136
3.3. Distribución de frecuencias condicionada 138
3.4. Covarianza y correlación 141
Apéndice. Números índice. 155

TEMA 1
INTRODUCCIÓN
1.1. Definiciones previas.
1.2.Objetivo de la Estadística descriptiva.
1.3.Variables:Definición y tipos.
1.4. Datos: Definición y tipos.
1.5. Propiedades típicas de los datos.
1.6. Transformaciones de los datos.
LECTURAS RECOMENDADAS:
•“Estadística para administración y economía” Newbold P. CAPÍTULO 1 Y CAPÍTULO 2:
APARTADO 2.1.
•“Fundamentos de Estadística” Peña D.CAPÍTULO 1.INTRODUCCIÓN.
1. INTRODUCCIÓN
1.1.Definiciones previas
 INDIVIDUO: Elemento básico de una población con una serie de características cuyo
estudio interesa.
 POBLACIÓN:Conjunto formado por TODOS los individuos que comparten las
características que se quieren estudiar.
 MUESTRA : Subconjunto de la población
Ejemplos
TEMA 1 TEMA 2 TEMA 3
ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 5

1. INTRODUCCIÓN
EJEMPLO DEFINICIONES PREVIAS
Ejemplo #1:
•Individuo: Una bombilla producida en una fábrica. Bombilla de un tipo concreto, de

voltaje concreto(220v) y potencia concreta(40 w).
•Característica de interés: Su duración.
•Población: Bombillas de este tipo producidas por la empresa más las que producirá en el
futuro.
•Muestra: Selección de 100 bombillas producidas por la empresa durante la última
semana y que se someterán a un test para estudiar su duración.
Ejemplo # 2:
•Individuo: Trabajador de la empresa Abengoa.

•Característica de interés: nivel de satisfacción global con la empresa.
•Población: conjunto de TODOS los trabajadores de Abengoa en activo.
•Muestra: selección de 200 trabajadores de la empresa a los que se encuestará sobre su
grado de satisfacción con la empresa y otras cuestiones que pudieran estar relacionadas
con dicho grado de satisfacción.

1. INTRODUCCIÓN
1.2.Objetivo estadística descriptiva
DATOS INFORMACIÓN CONOCIMIENTO
ESTADÍSTICA ESTADÍSTICA
INFERENCIAL
DESCRIPTIVA
La estadística descriptiva esta formada por los métodos gráficos y numéricos que se
utilizan para resumir y procesar los datos y transformarlos en información.
La estadística inferencial constituye la base para hacer predicciones sobre la población
a partir de la información muestral.

1. INTRODUCCIÓN
OBJETIVO ESTADÍSTICA DESCRIPTIVA
Objetivo de la estadística descriptiva:

Resumir de forma eficiente y clara la información censal(toda la
población)o muestral(recogida en una muestra)mediante la utilización de gráficas,
tablas o cálculos numéricos.
•Recoger los datos(encuestas)
•Presentar los datos (tablas y gráficas):
•Resumir los datos y detectar regularidades existentes en ellos

(Por ejemplo: la media  X i )
n

1. INTRODUCCIÓN
1.3.Variables:definición y tipos
VARIABLE: Característica que ostenta un individuo que es seleccionado al azar de una

población.
Deterministas
Primera
clasificación
Aleatorias
Tipos de
variables Cualitativas
Segunda o categóricas
Continuas
clasificación
Cuantitativas
o numéricas
Discretas
El tipo de variable condiciona los métodos aplicables y la interpretación de los resultados

1. INTRODUCCIÓN
Primera clasificación: Variables deterministas vs aleatorias
Variable determinista : Aquella cuyo valor puede preverse con total certeza, antes de la
extracción del individuo
Variable aleatoria: Aquella cuyo valor no puede preverse con total certeza, antes de que
se produzca la extracción del individuo
Segunda clasificación: Variables cualitativas vs cuantitativas
Variable cualitativa o categórica: Aquella cuyos resultados posibles no son numéricos.
Variable cuantitativa o numérica: Aquella cuyos resultados posibles son números. Las
variables cuantitativas se clasifican a su vez en continuas o discretas.

EJEMPLOS
VARIABLES DETERMINISTAS
Ejemplo #1:
Población: Alumnos del CES Cardenal Cisneros de 1º curso del Grado de ADE. Se agrupa a
todas las alumnas en al clase A y a los alumnos en la clase B. Se hacen 10 extracciones,
una de cada clase, empezando por la clase A(las extracciones se realizan al azar).La
variable sexo en este contexto es perfectamente previsible, dado que las extracciones
pares corresponden a la clase B(chicos) y las impares a la clase A(chicas).Antes de que se
produzca la extracción, se conoce el sexo del individuo que será seleccionado.
Ejemplo #2:
Población: 200 empresas, todas ellas pertenecientes a un grupo multinacional que

empezó a operar en 1980 y continúa hoy en día.
Individuo: E i,t (empresa i-ésima en el momento t-ésimo)
Variable: Gasto en publicidad de la empresa seleccionada al azar, en el año 2013.
Aunque no ha acabado 2013,se supone que los gastos en publicidad para esa empresa y
año ,ya han sido decididos por el CE0 y por tanto son conocidos antes de que se produzca
la extracción.

EJEMPLOS
VARIABLES ALEATORIAS
Ejemplo #1:
Población: Conjunto de sesiones en la Bolsa de Madrid, desde que se creó hasta su

desaparición(Fecha desconocida).
Variable: Cotización del Banco Santander.
Si cada día laborable corresponde a una selección de sesión, hoy, no es posible prever, con
total certeza, la cotización del Banco Santander para la sesión de mañana.
Ejemplo #2:
Población: Años para los que se ha medido el PIB español + Años por los que se medirá
en el futuro(no se conoce el final)
Variable: Valor del PIB
Antes de que acabe el año(momento de la extracción) no es posible saber, con total
certeza, qué valor tomará la variable.

EJEMPLOS
VARIABLES CUALITATIVAS Y CUANTITATIVAS
Ejemplos variables cualitativas o categóricas:
Ejemplo #1: Sexo del individuo

Ejemplo #2: Color de piel
Ejemplo #3: Estado civil
Ejemplos variables cuantitativas o numéricas:
Ejemplo #1: Nº de hijos

Ejemplo #2: Salario por hora
Ejemplo #3: Número de piezas defectuosas producidas en una hora

1. INTRODUCCIÓN
1.3.VARIABLES:DEFINICIÓN Y TIPOS
Variables cuantitativas o numéricas:
•Variables discretas:
Sólo pueden tomar valores en el conjunto de los números enteros.
Ejemplo#1: número de hijos, número de goles..
También serían discretas aquellas que tomando valores reales, solo lo pudieran hacer
dentro de un conjunto finito o infinito numerable.
Ejemplo# 2: 1,5;2,5;3,5
•Variables continuas:
Pueden tomar cualquier valor en un intervalo de la recta real.
Ejemplos : Salario de una persona, PIB…

1. INTRODUCCIÓN
Conversión de variables categóricas en numéricas : Variables ficticias (“dummyes”)
En ocasiones es conveniente transformar una variable categórica en otra numérica:
Ejemplo #1 :
Variable
VARIABLE RAZA (Color de la piel) ficticia
Blanco--------Se le asigna un número arbitrario 1

Negro-------- Se le asigna un número arbitrario 2
Amarillo------ Se le asigna un número arbitrario 3
Otros--------- Se le asigna un número arbitrario 4
Se ha convertido en una variable discreta que toma los valores:1,2,3 y 4.
ESTADÍSTICA I – PARTE I: ESTADÍSTICA DESCRIPTIVA 15

1. INTRODUCCIÓN
Como alternativa, es posible convertir una variable categórica como la raza, en 4 variables
ficticias, tantas como categorías tenga la variable original , así:
Ejemplo #2 :
VARIABLE RAZA(Color de la piel)
V1Sería una variable que toma el valor “1” si la persona es blanca y “0” en otro caso.
V2 Sería una variable que toma el valor “1” si la persona es negra y “0” en otro caso.
V3 Sería una variable que toma el valor “1” si la persona es amarilla y “0” en otro caso.
V4 Sería una variable que toma el valor “1” si la persona pertenece al grupo de otras
razas y “0” en otro caso.
Se han creado cuatro variables ficticias:V1,V2,V3 y V4

1. INTRODUCCIÓN
1.4.Datos:definición y tipos.
DATOS (poblacionales y/o muestrales): Así llamaremos a los valores que de cada
característica de interés se han recogido de los individuos encuestados.
VARIABLE DATO
Individuo Salario Años de Sexo Raza

educación
Número 1 12,7 10 1(h) 2(n)
Número 2 15,3 20 0(m) 1(b)
Número 3 6,7 10 0(m) 3(ot)
Número 4 200 25 1(h) 1(b)
Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

individuo

1. INTRODUCCIÓN
1.4.Datos:definición y tipos.
1.Datos de Sección Cruzada (o encuestas)
En un momento del tiempo “t” se realiza una encuesta y se observan “k”

características (variables) de “N” individuos. El periodo “t” no varía, es fijo, lo que
varían son los individuos. A este tipo de datos también se les denomina de “corte
transversal”. El ejemplo de la diapositiva anterior es un ejemplo de datos de corte
transversal.
2.Datos de Series Temporales
En este caso el individuo permanece fijo(sólo hay uno) y sus características se observan
a lo largo de “T” periodos regulares (años , meses, trimestres o días son las frecuencias
más habituales).
3. Datos de Panel
Los datos de panel son una combinación de los dos anteriores. Se observan las
características de “N” individuos a lo largo de “T” periodos.
ESTADÍSTICA EMPRESARIAL I – ESTADÍSTICA DESCRIPTIVA 18

EJEMPLOS
Datos de Sección Cruzada
ENCUESTA
individuo salario Años de sexo Raza

educación
Número 1 12,7 10 1(h) 2(n)
Número 2 15,3 20 0(m) 1(b)
Número 3 6,7 10 0(m) 3(ot)
Número 4 200 25 1(h) 1(b)
Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

individuo
19
EJEMPLOS
Datos de Series Temporales
España
Periodo PIB IPC Tipo Euribor

(m.m) (índice) (%)
2000 110 148 4,75
2001 98 150 5,00
2002 99 160 5,25
2003 100 165 4,75
2004 115 170 3,75
……… ……… ……… ………
……… ……… ……… ………
Serie temporal Serie Serie

del PIB español temporal del temporal
IPC del Euribor
20
EJEMPLOS
Datos de Panel
N Países
Periodos ESPAÑA FRANCIA ALEMANIA GRECIA
PIB IPC PIB IPC PIB IPC PIB IPC

m.m € Base 2003 m.m € Base 2003 m.m € Base 2003 m.m € Base 2003
2000 100 148 210 149 300 198 50 100
2001 110 159 215 152 310 199 40 110
2002 115 161 310 161 315 201 55 120
2003 100 100 320 195 400 202 60 130

T años
……… ……… ……… ……… ……… …… ……… …… ………

… …
21
1. INTRODUCCIÓN
1.4. Datos: Bases de datos

1. INTRODUCCIÓN
1.5.Propiedades típicas de los datos
Los datos de series temporales pueden presentar una o varias de las siguientes
características que se enumeran a continuación:
•Tendencia (determinística versus estocástica)
•Estacionalidad (determinística versus estocástica)
•Autocorrelación (dependencia del pasado)
oAutocorrelación de carácter no estacionario
oAutocorrelación de carácter estacionario
oAutocorrelación de carácter regular
oAutocorrelación de carácter estacional
•Heterocedasticidad (varianza no constante)
•Valores extremos(valores atípicos)
Los datos de sección cruzada suelen presentar heterocedasticidad y valores extremos.
Por su parte, las características típicas de los datos de panel están formadas por la unión
de las características de los datos de series temporales y de los datos de sección cruzada.

EJEMPLOS
Propiedades típicas de los datos de Series Temporales
Tendencia:
Tendencia creciente(+) Tendencia decreciente(-)
700000
600000 Yt
500000
400000
300000
200000
100000
0
1993
1996
2000
2003
2004
2007
1991
1992
1994
1995
1998
1999
2001
2002
2005
2006
2008
CONSUMO
Series no estacionarias
24
EJEMPLOS
Estacionalidad no estacionaria:
Datos mensuales del Índice de Serie histórica de temperaturas medias

producción industrial: mensuales (en grados centígrados)
registradas en El Retiro:
140
120
100
80
60
40
20
0
2000M01
2000M06
2002M12
2003M05
2003M10
2006M04
2006M09
2007M02
2000M11
2001M04
2001M09
2002M02
2002M07
2004M03
2004M08
2005M01
2005M06
2005M11
2007M07
2007M12
2008M05
2008M10
Se observa como todos los años en los Se observa como la temperatura media
meses de agosto el IPI cae. en el mismo mes de distintos años es
aproximadamente constante.

EJEMPLOS
Autocorrelación de carácter regular y estacional:
Son fáciles de apreciar en un gráfico, pero es difícil distinguirlas sólo a partir de un gráfico.
Para su detección y modelización serán necesarios instrumentos más sofisticados.
Autocorrelación de carácter regular estacionaria:

En una serie mensual, es la dependencia que un mes exhibe de los meses previos,
más próximos
Autocorrelación de carácter estacional estacionaria:

En una serie mensual es la dependencia que:
Los eneros presentan de los eneros de años anteriores
Los febreros presentan de los febreros anteriores
Los marzos presentan de marzos anteriores
……….
Los diciembres presentan de los diciembres anteriores
26
EJEMPLOS
Heterocedasticidad:
Rendimiento porcentual diario del IBEX35: Serie mensual del número de pasajeros
de líneas aéreas:
Tramo de Tramo de
variabilidad variabilidad La variabilidad crece con el nivel
grande pequeña
de la serie:
Serie estacionaria Serie no estacionaria

en media ni en media
pero no en varianza ni en varianza
27
EJEMPLOS
Valores extremos:
Yt
Valor atípico en t*
t
Son datos inusualmente grandes (en valor absoluto) en comparación con el resto de la
serie temporal.

28
1. INTRODUCCIÓN
1.5.Transformaciones de los datos
1. Generales:
•Cambios de origen(sumar/restar una constante)

•Cambios de escala(multiplicar/dividir por una constante)
•Aplicación de logaritmos neperianos.
2.Específicas para Series Temporales:
•Retardar una serie

•Diferencias regulares
•Diferencia estacional

EJEMPLOS
Transformaciones generales de los datos
Cambio de origen:
Yt (Serie original) Y*t=Yt+10

t Yt t Yt
2009 7 2009 17
2010 5 2010 15
2011 10 2011 20
2012 12 2012 22

30
EJEMPLOS
Cambio de escala:
Serie original: Yt Y*t=Yt x 2

t Yt t Yt
2009 7 2009 14
2010 5 2010 10
2011 10 2011 20
2012 12 2012 24

31
EJEMPLOS
Aplicación de logaritmos neperianos:

Yt (Serie original)
t Yt
t Yt
2009 7 2009 Ln (7 )=1,9459
2010 5 2010 Ln (5)=1,6094
2011 10 2011 Ln (10)=2,3026
2012 12 2012 Ln (12)=2,4849
TRANSFORMACIÓN
LOGARÍTIMICA
SERIES TEMPORALES

32
EJEMPLOS
Transformación logarítmica en los datos de series temporales
Evolución del consumo de gasolina

desde enero de 1.945 hasta diciembre de
1.999:
yt Una forma de homogeneizar la
variabilidad de una serie temporal es
transformándola mediante la
aplicación de logaritmos neperianos
zt
zt  f  yt   ln  yt 

1. INTRODUCCIÓN
1.4. Transformaciones en los datos de series temporales: Retardar una serie
Operador “B” (operador de retardos) :
Si a una serie temporal le aplicamos el operador de retardos, B, conseguimos

desplazar todos los datos de esa serie un período hacia atrás, es decir:
By t  yt 1
En general, aplicar s veces el operador de retardos a una serie temporal consigue
desplazar s períodos de tiempo todos los datos de esa serie temporal, esto es:
B s yt  yt s
Yt serie original
Y t-1 serie retardada 1 periodo Byt  yt 1
Yt-2 serie retardada 2 periodos B 2 yt  yt 2
…
Yt-s serie retardada s periodos B s yt  yt s
34
1. INTRODUCCIÓN
1.4. Transformaciones en los datos de series temporales: Diferencia regular
Operador diferencia regular :
El operador diferencia regular de orden d se define como:

Operador d d yt  1  B  yt
d
aplicado sobre una serie temporal Yt, induce estacionariedad en series sin componente
estacional( se utiliza para eliminar la tendencia de la serie).
•Para d = 1 (una diferencia regular): yt  1  B  yt  yt  Byt  yt  yt 1
2 yt   1  B  yt   1  B  yt 
2
•Para d = 2 (dos diferencias regulares):
(1  2 B  B 2 ) yt  yt  2 yt 1  yt 2
EJEMPLO
35

EJEMPLO
Transformaciones en los datos de series temporales: Diferencia regular
Tabla primera diferencia regular
ln  yt  ln  yt 1   ln  yt 
Mes
Enero/1.945 2.6368 – –
Febrero/1.945 2.6836 2.6368 0.0468
Marzo/1.945 2.6771 2.6836 –0.0065
Abril/1945 2.6649 2.6771 –0.0122
Evolución de la serie de logaritmos Evolución de la serie temporal

del consumo de gasolina 1.945-1.999 entre 1.945 -1.999 z t   ln  yt 
36
1. INTRODUCCIÓN
1.4. Transformaciones en los datos de series temporales: Diferencia estacional
Operador diferencia estacional :

El operador diferencia estacional de orden s se define como:
Operador S S yt  1  B S  yt
Diferencia estacional de orden 12 Induce estacionariedad

(series mensuales): en series estacionales
12 yt  1  B12  yt  yt  yt 12 mensuales.
EJEMPLO
Diferencia estacional de orden 4 Induce estacionariedad

(series trimestrales): en series estacionales
4 yt  1  B4  yt  yt  yt 4 trimestrales.
NOTA: Muchas series mensuales necesitan que se les aplique una diferencia regular y otra
estacional para convertirlas en estacionarias:
12 yt  1  B  1  B12  yt  (1  B  B12  B13 ) yt  yt  yt 1  yt 12  yt 13
37
EJEMPLO
Transformaciones en los datos de series temporales: Diferencia estacional
El gráfico de la izquierda que se va a presentar reproduce la serie del consumo de

gasolina presentada antes (en logaritmos). Es claramente observable que esta serie
muestra, además de una tendencia creciente, un componente estacional. Sin
embargo, podemos observar, en el gráfico de la derecha, que se ha obtenido al aplicar
una diferencia estacional, que la estacionalidad ha desaparecido.

1. INTRODUCCIÓN
1.4. Transformaciones de los datos: EJEMPLO
t Yt Yt-1 Yt-2 Yt-3 Yt-4  Yt  4Yt  4 Yt
I/2009 1 ─ ─ ─ ─ ─ ─ Nota:
II/2009 7 1 ─ ─ ─ 6 ─
III/2009 4 7 1 ─ ─ -3 ─ Yt  Yt  Yt 1
IV/2009 5 4 7 1 ─ 1 ─ 4Yt  Yt  Yt 4
I/2010 6 5 4 7 1 1 5
II/2010 9 6 5 4 7 3 2
III/2010 2 9 6 5 4 -7 -2
Para calcular esta columna
IV/2010 15 2 9 6 5 13 10 necesito Yt 5 y no lo he
I/2011 4 15 2 9 6 -11 -2 calculado .
Se propone que el alumno
II/2011 8 4 15 2 9 4 -1 la calcule.
III/2011 7 8 4 15 2 -1 5
 4Yt  1  B  1  B 4  Yt 
IV/2011 5 7 8 4 15 -2 -5
… ─ 7 8 4 ─ ─
1  B  B 4
 B 5  Yt 
Yt  Yt 1  Yt  4  Yt 5
… ─ ─ 5 7 8 ─ ─
… ─ ─ ─ 5 7 ─ ─
… ─ ─ ─ ─ 5 ─ ─ 39
39
1. INTRODUCCIÓN
ANEXO: Relación entre la tasa de variación convencional y la tasa de variación logarítmica
Relación tasa variación convencional y tasa de variación logarítmica

yt  yt 1 y
Se define la tasa de variación convencional como: t   t 1
yt 1 yt 1
Se define la tasa de variación logarítmica como: t   log  yt   ln yt  ln yt 1  ln  yt 

 yt 1 
Se puede comprobar fácilmente que la tasa de variación logarítmica es

aproximadamente igual a la tasa de variación habitual:
t  t para t pequeño

TEMA 2
DESCRIPCIÓN ESTADÍSTICA DE UNA VARIABLE
2.1.La representación de los datos: Distribución de frecuencias.
2.2.Representaciones gráficas.
2.3. Resumen de la información: Medidas características de una distribución
2.3.1.Medidas de posición.
2.3.2. Medidas de dispersión.
2.3.3. Medidas de forma.
•“Estadística para administración y economía” Newbold P.
CAPÍTULO 2 Y 3:DESCRIPCIÓN GRÁFICA Y NUMÉRICA DE UNA VARIABLE.
•“Fundamentos de Estadística” Peña D.CAPÍTULO 2.LA DESCRIPCIÓN DE UNA VARIABLE.
2. DESCRIPCIÓN ESTADÍSTICA DE UNA VARIABLE
2.1. La representación de los datos: Distribución de frecuencias
Una distribución de frecuencias es una lista o una tabla utilizada para organizar los datos,
que contiene agrupaciones de clases(valores numéricos, valores no numéricos o
categorías, intervalos de valores numéricos) junto con las correspondientes frecuencias.
¿Por qué usar distribuciones de frecuencias?
Una distribución de frecuencias es una forma de resumir la información contenida

en los datos.
 La distribución condensa los datos primarios en una forma mas útil . . .
 y permite una interpretación visual rápida de los datos

Frecuencias:
Frecuencia absoluta de un valor xi es el número de veces que el valor aparece en la muestra.

Se representa por ni
Frecuencia relativa de un valor xi es la proporción de individuos para los que la variable toma
un valor determinado .Se representa por hi
 Frecuencia absoluta acumulada: Nos dice el número de datos que hay igual al considerado
e inferiores a él. Su símbolo es: N i
Frecuencia relativa acumulada: Proporción de individuos que presentan una modalidad igual
o inferior a la considerada. Su símbolo es: H i
TABLA
n
N   ni
DISTRIBUCIÓN
Frecuencia total o total de datos: FRECUENCIAS
i 1

TABLA DISTRIBUCIÓN DE FRECUENCIAS
Frecuencia Frecuencia Frecuencia Frecuencia

Absoluta relativa absoluta relativa
Acumulada Acumulada
xi ni
ni hi 
i i
Ni
Conjunto de los r datos
N N i   nr Hi  h r Hi 
r 1 r 1 N
distintos, ordenados
de menor a mayor: x1 n1 h1 N1=n1 H1=h1
(x1< x2< …<xr)
x2 n2 h2 N2=N1+n2 H2=H1+h2
EJEMPLO
… … … … …
xr nk hk Nk=N Hk=1
TOTAL N 1

EJEMPLO DISTRIBUCIÓN DE FRECUENCIAS
Ejemplo #1:
Investigados los precios por habitación de 50 hoteles de una ciudad española, se han
obtenido los siguientes resultados en euros:
70 30 50 40 50 70 40 75 80 50
50 75 30 70 100 150 50 75 120 80
40 50 30 50 100 30 40 50 70 50
30 40 70 40 70 50 40 70 100 75
70 80 75 70 75 80 70 70 120 80
a)Obtener las distribuciones de frecuencias absolutas, relativas y acumuladas.
En primer lugar hay que hay que proceder a la ordenación de la información, haciendo
recuento de las veces que se repite cada precio, obteniendo así la tabla estadística de la
distribución de precios agrupados por frecuencias absolutas. Para obtener el resto de
frecuencias basta con aplicar las fórmulas de las mismas:

EJEMPLO DISTRIBUCIÓN DE FRECUENCIAS(continuación)
xi ni hi  ni N N i  i 1 ni H i  i 1 hi
k k
30 5 0,1 5 0,1
40 7 0,14 12 0,24
50 10 0,2 22 0,44
70 11 0,22 33 0,66
75 6 0,12 39 0,78
80 5 0,1 44 0,88
100 3 0,06 47 0,94
120 2 0,04 49 0,98
150 1 0,02 50 1
N=50 1
¿Qué tipo de variable se está estudiando?

¿Cuántos hoteles tienen un precio de 70 euros?
¿Qué porcentaje de hoteles tiene un precio máximo de 100 euros?
¿Cuántos hoteles tienen un precio de entre 50 y 120 euros?
¿Qué porcentaje de hoteles tiene un precio de 150 euros?

Agrupación en intervalos :
Para variables continuas o para variables discretas cuando hay un número elevado de
datos. En estos casos, para reducir información hay que agrupar los datos en intervalos o
clases.(Desventajas: se pierde información ya que no trabajamos con los datos sino con
un intervalo y su marca de clase)
Como representante de cada intervalo
Conjunto de los intervalos o clases elegimos su punto medio
ordenados de menor a mayor,
(Li-1, Li; ni).
Donde Li es el extremo superior ANEXO
del intervalo y Li-1 su extremo
inferior.
*Siguiendo la nomenclatura
estándar : [Li-1,Li)
EXHAUSTIVOS EXCLUYENTES

ANEXO: CONSTRUCCIÓN INTERVALOS
Para agrupar los datos en intervalos:
1)Recorrido o Rango de la variable: Re  máx xi  mín xi

i i
Dividiremos este recorrido en intervalos
2)Amplitud: Es la diferencia entre los extremos superior e inferior del mismo:

ai  Li  Li 1
Los intervalos pueden ser de amplitud(o longitud) constante o variable. Para mejor
tratamiento de la información es más cómodo que sean de amplitud constante. Si la
amplitud es constante se verificará que: Re  N º int ervalos  ai
EJEMPLO
En la fijación del número de intervalos no existen reglas fijas.
Como representante de cada

Li 1  Li
intervalo o clase, elegimos su punto MARCA DE xi 
2
medio: CLASE

EJEMPLO AGRUPACIÓN DATOS EN INTERVALOS
Ejemplo #1(continuación)
Investigados los precios por habitación de 50 hoteles de una ciudad española, se han
obtenido los siguientes resultados en euros:
70 30 50 40 50 70 40 75 80 50
50 75 30 70 100 150 50 75 120 80
40 50 30 50 100 30 40 50 70 50
30 40 70 40 70 50 40 70 100 75
70 80 75 70 75 80 70 70 120 80
b) Con los mismos datos, se pide:
Agruparlos en cinco intervalos de igual amplitud y construir las distribuciones de
frecuencias absolutas y relativas.
.
Para construir cinco intervalos de igual amplitud, debemos decidir, precisamente, qué
amplitud debe tener cada intervalo. Una regla sencilla es aplicar el siguiente criterio:
Rango Xmax  Xmin 150  30
ai     24
número de intervalos número de intervalos 5

nhn
i
EJEMPLO AGRUPACIÓN DATOS EN INTERVALOS
Agrupamos ahora los valores de la variable en 5 intervalos de amplitud 24 euros. Las

frecuencias de cada intervalo se obtendrán teniendo en cuenta el número de
hoteles que hay en cada intervalo.
Es importante cómo se definan los intervalos, ya que éstos deben ser exhaustivos y
excluyentes. Así, se puede observar que son cerrados por la izquierda y abiertos por
la derecha, de tal forma que los intervalos incluyen sus valores más pequeños pero
no incluyen sus valores más grandes.
 Li 1 , Li  ni hi  ni N N i  i 1 ni
k
H i  i 1 hi
k
[30, 54) 22 0,44 22 0,44

[54, 78) 17 0,34 39 0,78
[78, 102) 8 0,16 47 0,94
[102, 126) 2 0,04 49 0,98
[126, 150) 1 0,02 50 1
N=50 1

2.2. Representaciones gráficas
Una vez obtenida la distribución de frecuencias de los datos, se pueden realizar las
siguientes representaciones gráficas:
VARIABLES VARIABLES
CUALITATIVAS CUANTITATIVAS
DISCRETAS
Diagrama de
sectores • Diagrama de
barras curva de
acumulación
CONTINUAS
Diagrama de
barras • Histograma
NOTA: Gráficos de ayer y de hoy: http://www.ine.es/explica/explica_pasos.htm
ESTADÍSTICA EMPRESARIAL I-ESTADÍSTICA DESCRIPTIVA 51

2.2. Representaciones gráficas.
Diagrama de sectores:
Es un gráfico empleado fundamentalmente para variables cualitativas.
Las modalidades se representan en un círculo dividido en sectores.
La amplitud de cada sector, en grados, se obtiene multiplicando la frecuencia
relativa de cada modalidad o valor por 360º.
Color ojos alumnos
azul
37% 33% EJEMPLO
verde
marron
negro
22% 8%

EJEMPLO DIAGRAMA DE SECTORES
Número de pacientes por

unidad hospitalaria
Unidad Número % del
Hospitalaria pacientes Total
Cardiología 1052 11,93
Cardiología
Emergencias 2245 25,46 12%
UCI 340 3,86
Maternidad 552 6,26
cirugía 4630 52,50
Emergencias
Cirugía 25%
53%
UCI
4%
Maternidad
6%

Diagrama de barras:
Es un tipo de gráfico estadístico que se utiliza para variables cualitativas y discretas.
En el eje X se sitúan:
· Las modalidades de la variable cualitativa.
· Los valores de la variable cualitativa discreta.
y sobre ellos se levantan barras cuya altura sea proporcional a sus frecuencias(absolutas
o relativas).
Ejemplo#1 hoteles:
12
ni
10
0 Ejemplo
30 40 50 70 75 80 100 120 150
Precio hoteles ( xi )

EJEMPLO DIAGRAMA DE BARRAS
Encuesta de Población Activa
Resultados por Comunidades Autónomas
Población de 16 y más años por comunidad Parados(miles de personas)
autónoma 1600
Unidades:Miles de personas
1400
FUENTE:INE Parados
2012TIV 1200
Andalucía 1442,6 1000
Aragón 121,9
800
Asturias 114,1
Baleares 144,1 600
Canarias 368,4 400 Parados
Cantabria 53,5
200
Castilla y León 240,8
Castilla - La Mancha 296,5 0
Castilla y León
Murcia
Baleares
Navarra
País Vasco
Rioja, La
Ceuta
Andalucía
Aragón
Castilla - La Mancha
Galicia
C.Valenciana
Cataluña
Asturias
Canarias
Extremadura
Madrid
Cantabria
Cataluña 885,1
Melilla
C.Valenciana 700,2
Extremadura 173,6
Galicia 277,4
Madrid 665,3
Murcia 216,6
Navarra 52,6
País Vasco 162,8
Rioja, La 28
Ceuta 12,6
Melilla 9,1

55
2.2. Representaciones gráficas: Pictograma , diagrama de barras y diagrama de sectores

56
Histograma:
En el caso de datos agrupados la representación se efectúa mediante el histograma. Se

construye levantando sobre cada intervalo un rectángulo de área proporcional a la
frecuencia absoluta correspondiente a dicho intervalo.
Si los intervalos son de amplitud constante:

Las alturas de los rectángulos serán iguales a las frecuencias absolutas respectivas, ya que
al ser las bases de los rectángulos iguales las áreas dependerán sólo de las alturas.
Si las amplitudes de los intervalos son desiguales, las alturas de los rectángulos
vienen dadas por sus densidades “di ” :
Densidad
n de
di  i
ai
frecuencias
ni
Por tanto, el área del rectángulo será: área  ai  ni Ejemplo
ai

EJEMPLO HISTOGRAMA
Frecuencia
Histograma: Temperatura
Intervalos máxima diaria
absoluta 8
[10 -20) 3
[20 -30) 6
[30 -40) 5 6
[40 -50) 4 Frecuencia
[50-60 ) 2
4
(no hay huecos

0
entre las barras)
0 10 20 30 40 50 60
Temperatura en grados Fahrenheit

2.3.Resumen de la información: Medidas características de una distribución
Resumen información contenida

Distribución de frecuencias en un conjunto datos, pero esta
reducción no es suficiente.
Medidas características de
Conjunto ”medidas resumen” de la
una distribución
distribución frecuencias.
Medidas de Medidas de Medidas de

posición dispersión forma

2.3.1.Medidas características de una distribución: Medidas de posición
Medidas de posición:
Media
aritmética
Media
Media
geométrica
De tendencia Media
Mediana
central armónica
Medidas de
Moda
posición
De tendencia
Cuantiles
no central

Medidas de posición de tendencia central
Proporcionan un “valor representativo” alrededor del cual se concentra el resto:
Tendencia central
Media Mediana Moda

n
x i
x i1
n
Punto medio de Valor más
Media los valores frecuente
aritmética ordenados

Media aritmética:
Sea la distribución de frecuencias:
Valores de la Frecuencias
variable(xi) absolutas(ni)
x1 n1
x2 n2 n
…. …
n
i 1
i N
xn nn EJEMPLOS
Se define la media muestral como:

valores distintos que toma la variable
xn i i n
X i 1
  xi hi
N i 1 NOTA

EJEMPLOS MEDIA ARITMÉTICA
1)Valores sin agregar en una tabla: 1  2  2  2  3  3 13

x 
6 6
xi :1, 2, 2, 2,3,3
2) Tabla de frecuencias: xi ni n
n=3 valores 1 n1=1 xn i i

(11)  (2  3)  (3  2) 13
X i 1
 
distintos 2 n2=3 N 6 6
3 n3=2
6
3)Tabla de frecuencias con intervalos para la variable. No se dispone de observaciones

Individuales de la misma:
n
Li-1-Li ni
Marca de clase(xi)
xn i i
(15 15)  (25  20)  (35 19)
10-20 15 X i 1
 
15 N 54
20-30 20 1390
25   25, 74
30-40 19 54
35
54

63
NOTA:MEDIA ARITMÉTICA PONDERADA
ni
Si llamamos wi  entonces:
N n
n n
n n n n i
N
X   xi wi y  wi  1  2  ...  n  i 1
 1
i 1 i 1 N N N N N
EJEMPLO
a las wi se les denomina ponderaciones
n
Se llama Media aritmética ponderada a la expresión: X p   xi wi ,donde wi son “n”
n i 1
números entre 0 y 1 tal que w

i 1
i 1

EJEMPLO MEDIA ARITMÉTICA PONDERADA
Ejemplo #1:
Un estudiante ha realizado dos exámenes. El primero cuenta un 25% y el segundo un 75%
de la nota final. Ambos se califican sobre 10 puntos. En el primero obtuvo un 10 y en el
segundo un 4,su nota media ponderada será de:
n
X p   xi wi  10  0.25   4  0.75   2,5  3  5,5
i 1
Se utiliza para obtener la media de una variable en la que los valores de la misma no
tienen la misma importancia o significación. Cada valor de la variable se multiplica por
su respectivo peso o ponderación(wi),que refleja la importancia de ese valor.

Propiedades de la media aritmética:

 Propiedad 1:
La suma de las desviaciones de los valores de la distribución respecto a la media aritmética
es cero: n
 ( x  x )n
i 1
i i 0
 Propiedad 2 :
La media del cuadrado de las desviaciones de xi respecto a k, se hace mínima cuando k  x
n
ni
 ( xi  k )2
i 1 N
es mínima si k  x
Propiedad 3:
La media aritmética de una variable queda afectada por cambios de origen y cambios de
base.
Propiedad 4:
Si se divide la distribución en L subconjuntos disjuntos, la media aritmética de la
distribución puede calcularse como media ponderada de las medias de estos
subconjuntos.

DEMOSTRACIÓN PROPIEDAD 1
La suma de las desviaciones de los valores de la distribución respecto a la media

n
aritmética es cero
 ( xi  x )ni  0
i 1
n n n
 ( x  x )n   x n  x  n
i 1
i i
i 1
i i
i 1
i  Nx  xN  0
n
Nx n
i 1
i N
xn i i n
Si x  i 1
 Nx   xi ni
N i 1

“La media del cuadrado de las desviaciones de xi respecto a k, se hace mínima

n
cuando k  x ” n
 ( xi  k )2 i es mínima si k  x
i 1 N
n n 2
2 ni ni
 ( xi  k )    ( xi  x )  (k  x )  
i 1 N i 1 N
n
ni
  ( xi  x ) 2  (k  x ) 2  2( xi  x )(k  x )  
i 1 N
n n n
ni ni n
  ( xi  x ) 2
 (k  x )   2(k  x ) ( xi  x ) i 
2
i 1 N i 1 N i 1 N
n
n
  ( xi  x ) 2 i  (k  x ) 2 Si k  x entonces el segundo término se hará
i 1 N cero y por tanto, la expresión se hará
mínima.

Sea la variable xi, si a partir de ella se construye la variable Zi=a+bxi ,la variable Zi
tendrá una media aritmética que vendrá dada por:
z  a  bx
n n n n
ni ni ni n
z   zi   (a  bxi )  a b xi i  a  bx
i 1 N i 1 N i 1 N i 1 N
1 x
La media aritmética queda afectada por cambios de origen en la variable. Si a todos los
valores de la variable les sumamos una constante k, la media queda aumentada en esa
constante.
La media aritmética queda afectada por cambios de escala(base) en la variable. Si a
todos los valores de la variable los multiplicamos por una constante k, la media
también queda multiplicada en esa constante.

2. 2. DESCRIPCIÓN ESTADÍSTICA DE UNA VARIABLE
Sea la tabla de frecuencias:
Valores de la Frecuencias
variable(xi) absolutas(ni)
x1 n1
h h
ni
x2 n2 N1   ni x1   xi
i 1 i 1 N1
…. …
xh nh
Xh+1 nh+1 n n
ni
…. … N2   ni x2  x
i  h 1
i
N2
i  h 1
xn nn
La x es una media ponderada de las medias de los dos subconjuntos:
 h h

 1   (x n ) 
( xi ni )
n
ni 1  h n i i
N1 x1  N 2 x2 N N
x   xi   ( xi ni )   ( xi ni )    N1 i 1  N2 i 1
  x1 1  x2 2
i 1 N N  i 1 i  h 1  N  N 1 N2  N N N
 

INCOVENIENTE: La media aritmética viene afectada por la presencia de valores extremos
xi ni
1 30
2 50
4 20
5 30
Valor extremo que sólo 3000 1
ha aparecido una vez. N=131
Este valor distorsionará el cálculo

de x si se incluye
(1 30)  (2  50)  (4  20)  (3000 1)

x  25, 65
131

Media geométrica:
Se define como:
1
 n ni 
  xi 
N
G  N x x2 ...xn
1
n1 n2 nn
 i 1  EJEMPLOS
Propiedad: El logaritmo de la media geométrica es igual a la media aritmética de los

logaritmos de los valores de la variable
n
1 n
ln G  (n1 ln x1  n2 ln x2  ...  nn ln xn )   (ln xi ) i  ln x
N i 1 N
 G  eln x
Se utiliza para promediar porcentajes, tasas, números índices…,es decir, cuando la

variable presenta variaciones acumulativas

EJEMPLO 1 MEDIA GEOMÉTRICA
Ejemplo # 1: Sea la tabla de frecuencias:

xi ni Ln(xi) ni
1 10 0 10
2 30 0,693 30
3 20 1,0986 20
60 60
1
 ln(1) x10ln( 2) x 30ln(3) x 20 
G  60 110 230320  e e  2, 04
60 0,713
Ejemplo # 2:
Un inversor mantiene un capital de 100 millones de euros, durante 5 años, invertido en un
depósito a plazo fijo(con reinversión de intereses) que le ha rentado un 3% durante el
primer año, un 2% durante el segundo año, un 5% durante el tercero, un 6% durante el
cuarto año y un 10% durante el quinto año. Calcule el tipo de interés medio anual.
SOLUCIÓN

EJEMPLO 2 MEDIA GEOMÉTRICA (SOLUCIÓN)
Llamemos C0 al capital inicial
C0=100 m €
Año Tipo
1 0,03 Al final del primer año C 1=C0(1+0,03)
2 0,02 Al final del segundo año C2=C1(1+0,02)
3 0,05 Al final del tercer año C3=C2(1+0,05)
4 0,06 Al final del cuarto año C4=C3(1+0,06)
5 0,10 Al final del quinto año C5=C4(1+0,10)
Así al final del 5º año el capital será: C5=C0(1+0,03)(1+0,02)(1+0,05)(1+0,06)(1+0,10)=

= C0(1,28625)
Cinco años más tarde el capital es un 28,625% mayor.
El tipo medio sería el tipo “r” tal que:

C5=C0(1+r)5 dado que, por otro lado, el capital realmente obtenido: C5= C0(1,28625)
 (1  r )5  (1, 28625)  (1  r )  5 (1, 28625)  1,051635  5,1631%
Es decir (1+r) es G ya que es = 5

(1  0,03)1 (1  0,02)1 (1  0,05)1 (1  0,06)1 (1  0,10)1

74
Media armónica:
Sea una distribución de frecuencias(xi,ni) la media armónica se define como:
N “La inversa de la media armónica

A 1 n
1 ni
n
1   es la media aritmética de

i 1 xi
ni A i 1 xi N las inversas de los valores
de la variable(xi)”
EJEMPLO 1
Se suele utilizar para promediar velocidades, tiempos, rendimientos, etc. En

general, para promediar todo aquello cuyas unidades vengan expresadas EJEMPLO 2
como el cociente de dos magnitudes simples.

EJEMPLO 1 MEDIA ARMÓNICA
Calcular la velocidad media de un vehículo que ha recorrido 100 km en total, de la manera

Siguiente:20 km a 40 km/h,30 km a 90 km/h y 50 km a 120 km/h
Solución: Velocidad=espacio/tiempo
20km
Tiempo del primer recorrido: t1   0,5h
40km / h
Tiempo del segundo recorrido: 30km

t2   0,333h
90km / h
50km
Tiempo del tercer recorrido: t3   0, 417h
120km / h
Total tiempo en hacer 100 km: t1  t2  t3  1, 25h 100

V   80km / h
1, 25
espacio
Que también puede calcularse: N  100 100 100
A n
   80km / h
1 1 1 1
 20  30  50 1, 25
ni
x
i 1 i 40 90 120
velocidad t1 t2 t3
espacio

EJEMPLO 2 MEDIA ARMÓNICA
Calcular la producción media por hectárea de una explotación que consta de 3 fincas. En la
primera se han producido 200 toneladas de plátanos, en la 2º 200 y en la tercera 50.La
producción media por hectárea de esas fincas es 10 tm/h,15 tm/h,20 tm/h.
N 200  100  50  N (total producción) 350

A n
   12 Tm / h
1 1 1 1
  200  100   50 29,16
ni
x
i 1 i 10 15 20
Hectáreas Hectáreas Hectáreas

finca#1 finca#2 finca#3

Mediana:
Es el valor de la variable que deja a ambos lados el 50% de los datos (el 50% son mayores que
la mediana y el otro 50% menores).
I)N impar 1 3 5 7 8 Me  5 Ojo!!Hay que ordenar los datos de

56 MENOR A MAYOR
II)N par 3 3 5 6 8 9 Me   5,5
2
III)
N
xi ni Ni Aquel valor de la distribución cuya frecuencia acumulada es
1 15 15 N 2
 21
N 42 2
2 8 23   21  Med  2
2 2
3 19 42 111….1|222222..2|33…..3
N=42 15”1” 8”2” 19”3”
22
2
par 2

IV)Datos en intervalos(variables continuas o discretas)
N
 Ni 1
Me  Li 1  ai 2 Ejemplo
ni
A diferencia de la media, la mediana no se ve afectada por valores extremos:
Propiedad de la mediana: La mediana hace mínima la suma de todas las desviaciones

absolutas: n n
Min  xi  k ni  xi  Me ni
k
i 1 i 1

EJEMPLO MEDIANA(DATOS EN INTERVALOS)
ni
Li-1-Li ni Ni ai ai
20-40 35 35 20 1,75
40-50 12 47 10 1,20
Intervalo N
50-100 23 70  50 50 0,46
mediano 100-200 30 100 2
100 0,30
100
Mediana: Será el valor que ocupe el lugar N/2=50.Al ser la frecuencia acumulada del tercer
Intervalo 70,el valor que ocupa el lugar 50 se encontrará en este intervalo:50-100
Una vez detectado el intervalo mediano sabemos que :
N
 Ni 1
50  47
Me  Li 1  ai 2  50  50   56,52
ni 23
NOTA

DEMOSTRACIÓN CÁLCULO MEDIANA
Ni
ni
100
ai
2
B´
N B
1 50
2 C´
A C
20 40 50 100 200
m
20 40 50 Me 100 200
Límite inferior
intervalo mediano
Límite inferior Límite superior
 
Me  Li 1  m  Li 1  AC
intervalo
mediano
intervalo
mediano
intervalo
mediano
N N Li 1
AC BC BC
  Li  Li 1   2
i 1 Li
pero =  AC  AC  
AC  BC  BC  Ni  Ni 1

DEMOSTRACIÓN CÁLCULO MEDIANA(Continuación)
Amplitud intervalo
mediano
ai
N N N N
Me  Li 1   Li  Li 1   2 i 1 i 1
 Li 1  ai  2
Ni  N i 1 ni
50  47 Frecuencia intervalo
Me  50  (100  50)   50  6,52  56,52 mediano
70  47
“m” es un porcentaje de la amplitud del intervalo mediano(ai).Ese porcentaje se calcula

como N 2  N ,esto es , el peso que tienen, en el total de frecuencias del intervalo(ni ),
i 1
ni
las frecuencias que hacen falta para llegar a N desde las Ni 1 del intervalo justamente
2
anterior.
En el ejemplo, N 2  50 y hasta el intervalo anterior al mediano había 47.Por tanto, me hacen

falta 3 y 3/23 es el porcentaje a aplicar a ai.

Moda:
Es el valor más frecuente de la distribución(aquel valor de la distribución que más se repite)
Puede no haber moda o puede haber más de una moda(distribución multimodal)
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 0 1 2 3 4 5 6
Moda= 9 No hay moda

Ejemplo 1: xi ni
1 3
2 5
7 10 Moda=7
N=27

Moda:
II)Datos agrupados en intervalos:

Ejemplo
•Hay que determinar el Intervalo Modal
•OJO!!!Hay que distinguir si todos los intervalos tienen la misma amplitud o no.
Intervalos misma amplitud Intervalos distinta amplitud
1)El intervalo modal será aquel 1)El intervalo modal: será aquel
intervalo de mayor frecuencia y intervalo con mayor densidad de
la moda será uno de los valores frecuencias:
contenidos en el mismo ni
di 
ai
ni 1 y la moda será uno de los valores

Mo  Li 1  ai del mismo.
ni 1  ni 1 di 1
Mo  Li 1  ai
di 1  di 1

EJEMPLO MODA
La distribución de los salarios mensuales del colectivo de los administrativos y los

futbolistas es la siguiente:
FUTBOLISTAS ADMINISTRATIVOS
Salario(euros) Nº personas Salario(euros) Nº Personas
0-10.000 20 0-600 50
10.000-20.000 40 600-1200 10
20.000-30.000 32 1200-3000 2
¿En cuál de ellos es superior el salario más frecuente?
Al estar agrupados los datos de los salarios en intervalos en primer lugar es necesario
distinguir si todos los intervalos tienen la misma amplitud:

2. DESCRIPCIÓN ESTADÍSTICA DE UNA VARIABLE(CONTINUACION)
EJEMPLO MODA(SOLUCIÓN)
FUTBOLISTAS Marca de Amplitud ADMINISTRATIVOS Marca de Amplitud densidad

Salario ni clase Salario ni Clase
Li 1  Li Li 1  Li ai  Li  Li 1
ni
(euros) xi  ai  Li  Li 1 (euros) xi 
2 2 ai
0-10.000 20 5000 10000 0-600 50 300 600 0,083

10.000-20.000 40 15000 10000 600-1200 10 900 600 0,0167
20.000-30.000 32 25000 10000 1200-3000 2 2100 1800 0,0011
Intervalos misma amplitud Intervalos distinta amplitud
El intervalo modal será aquel intervalo de El intervalo modal será aquel intervalo con
mayor frecuencia y la moda será uno de los mayor densidad de frecuencias y la moda será
valores contenidos en el mismo uno de los valores del mismo.
Intervalo modal:0-600
Intervalo modal:10000-20000
di 1
ni 1 Moda: Mo  Li 1  ai 
Moda: Mo  Li 1  ai  di 1  di 1
ni 1  ni 1
0, 0167
 10000  10000
32
 16153,85 euros  0  600  600 euros
20  32 0  0, 0167
Es superior el salario más frecuente de los futbolistas

Medidas de posición de tendencia no central: Cuantiles
Son valores de la distribución que la dividen en partes iguales, en intervalos que comprenden
el mismo número de valores (no reflejan ninguna tendencia central)
Cuartiles
Cuantiles
Percentiles
Deciles

Cuartiles
Son tres valores de la distribución que la dividen en cuatro partes iguales, es decir, son 4
intervalos dentro de cada cual están incluidos el 25% de las observaciones.
25% 25% 25% 25%
Q1 Q 2  Me Q3
4 4 4
i)DATOS SIN AGRUPAR: Se calculan previamente las frecuencias absolutas acumuladas, y
después se busca el valor que ocupe el lugar correspondiente:
N
Q 1  Valor que ocupa el lugar
4 4
2N N
Q 2  Me  Valor que ocupa el lugar 
4 4 2
3N
Q 3  Valor que ocupa el lugar
4 4

2.3.1.Medidas características de una distribución: Medidas de posición.
ii)DATOS AGRUPADOS EN INTERVALOS:
Ejemplo
rN
 Ni 1
Qr  Li 1  ai k
k ni
Cuartiles:3 valores que dividen a la distribución en cuatro partes iguales.

K=4, r=1,2,3.
Percentiles: 99 valores que dividen a la distribución en 100 partes iguales.

K=100, r=1,...,99

EJEMPLO MEDIDAS DE TENDENCIA NO CENTRAL:CUARTILES Y PERCENTILES
La distribución de los salarios mensuales del colectivo de los funcionarios y los futbolistas
es la siguiente:
ADMINISTRATIVOS FUTBOLISTAS
Salario(euros) Nº Personas Salario(euros) Nº personas
0-600 50 0-10.000 20
600-1200 10 10.000-20.000 40
1200-3000 2 20.000-30.000 32
1.Calcule el salario mínimo del 25% de los administrativos con mayores ingresos.
2. Si clasificamos a un equipo de fútbol en el grupo que se encuentra el 30% de menores
ingresos, ¿cuál es el salario máximo que percibirían sin salir de ese grupo?

SOLUCIÓN EJEMPLO CUARTILES Y PERCENTILES
1.Calcule el salario mínimo del 25% de los administrativos con mayores ingresos
Si dividimos la distribución de los salarios en cuatro partes iguales, el salario mínimo que
podrían percibir los administrativos más ricos será el tercer cuartil:
rN 3  62
Será el valor que ocupe el lugar   46,5
4 4
Li 1  Li ni xi Ni
0-600 50 300 50
600-1200 10 900 60
1200-3000 2 2100 62
N=62
Al ser la frecuencia acumulada del primer intervalo 50 ,el valor que ocupa el lugar 46,5 se
encontrará en ese intervalo (0- 600).Una vez detectado el intervalo, sabemos que:
3N
 Ni 1
46,5  0
Q3  Li 1  ai 4  0  600  558 euros
4 ni 50

SOLUCIÓN EJEMPLO CUARTILES Y PERCENTILES(Continuación)
2. Si clasificamos a un equipo de fútbol en el grupo que se encuentra el 30% de
menores ingresos, cuál es el salario máximo que percibirían sin salir de ese grupo
Si dividimos la distribución de los salarios en cien partes iguales, el salario máximo que
que percibirían los futbolistas en ese caso :
rN 30  92
Será el valor que ocupe el lugar   27, 6
100 100
Li 1  Li ni xi Ni
0-10000 20 5000 20
10000-20000 40 15000 60
20000-30000 32 25000 92
N=92
Al ser la frecuencia acumulada del segundo intervalo 60 ,el valor que ocupa el lugar 27,6
se encontrará en ese intervalo : 10000-20000.Una vez detectado el intervalo, sabemos
que: 30 N
 Ni 1
100 27, 6  20
P30  Li 1  ai  10000  100004  11900 euros
ni 50

2.3.2.Medidas características de una distribución: Medidas de dispersión
Medidas características de Conjunto ”medidas resumen” de la

una distribución distribución frecuencias.
Medidas de Medidas de
posición Medidas forma
de
dispersión

A la mayor o menor separación de los valores de la variable entre sí, o respecto a otro que
se pretende sea su síntesis, como por ejemplo la media, se le llama dispersión o
variabilidad.
Misma
media,distinta
variabilidad
EJEMPLO
Evalúan la representatividad de las medidas de posición. La mayor o menor

representatividad de esas medidas de síntesis dependerá del grado de concentración
de todos los valores de la distribución en torno a ese promedio, cuya
representatividad estamos estudiando.

Dos países tienen una renta PAÍS A:

media “per cápita” de 6000 euros
País A presenta valores muy

distantes o dispersos, es decir,
rentas muy altas con rentas rentas inferiores a la media rentas superiores a la media
muy bajas, por lo que esa media x  6.000

es poco representativa del nivel
de vida del país. PAÍS B:
País B, los valores de la renta

están muy concentrados alrededor
de la media, por lo que su media
es representativa del nivel de vida. x  6.000
La media será tanto más representativa cuanto más agrupados en torno a ella estén los
valores promediados.

MEDIDAS DE
DISPERSIÓN
VARIANZA COEFICIENTE OTRAS MEDIDAS:

RANGO o RANGO
DESVIACIÓN VARIACIÓN DESVIACIÓN
RECORRIDO INTERCUARTÍLICO
TÍPICA PEARSON MEDIA
Medidas de dispersión elaboradas por Medidas de dispersión elaboradas por

comparación directa valores de la comparación entre los valores de la variable y
variable una medida de tendencia central
Las medidas de dispersión más importantes son las que evalúan la representatividad de
la media Varianza y desviación típica

Rango o Recorrido:
Es la diferencia entre el mayor y el menor valor de una distribución
Variable discreta: Re  xmax  xmin Es la medida de variación más

simple. Mide la dispersión total
Variable continua: Re  Ln  L0 de los datos.
Cuanto mayor es la dispersión de los datos mayor es el rango
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Rango = 14 - 1 = 13

Inconvenientes:
• Ignora la manera en que los datos están distribuidos:
7 8 9 10 11 12 7 8 9 10 11 12
Rango = 12 - 7 = 5 Rango = 12 - 7 = 5
• Sensible a observaciones atípicas:
1,1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,3,3,3,3,4,5
Rango = 5 - 1 = 4
1,1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,3,3,3,3,4,120
Rango = 120 - 1 = 119

Rango intercuartílico:
Una manera de evitar el problema de los valores extremos es ordenar los datos en sentido
ascendente o descendente, descartar algunos de los números más altos y más bajos, y
hallar el rango del resto.
Rango Intercuartílico
Mide la dispersión que hay en el 50 % central de los datos. Es la diferencia entre el tercer y
primer cuartil:
RI= Q 3  Q 1
4 4
Nos indica que en un intervalo de longitud RI se encuentran el 50% de los valores centrales.

Si RI es pequeño(siempre en términos relativos de acuerdo con las unidades en que venga a

distribución),podemos intuir una pequeña dispersión.
Ejemplo Rango intercuartílico:
INCONVENIENTE RANGO Y RANGO INTERCUARTÍLICO:

No nos sirven para medir la representatividad de las medidas de tendencia central,
porque no involucran en su cálculo a ningún promedio.

Varianza:
Media aritmética de los cuadrados de las desviaciones de los valores de la variable a la
media aritmética
n
ni
s   ( xi  x )
2
x
2
i 1 N
( xi  x )2 es la distancia euclidea del punto xi a x , luego la varianza es la media aritmética de
las distancias.
Distribución poco dispersa Distribución más dispersa
x1 x2
La varianza en torno a x1 es MENOR que la varianza en torno a x2

CUANTO MAYOR SEA LA DISPERSIÓN DE LOS DATOS,MAYOR SERÁ EL VALOR NUMÉRICO

DE LA VARIANZA Y MENOR SERÁ LA REPRESENTATIVIDAD DE LA MEDIA ARITMÉTICA.
INCONVENIENTE: unidades de medida: las de la variable al cuadrado.
Desviación típica (raíz cuadrada varianza)
n
ni
sx  s 2
x  ( xi  x )2
i 1 N

Desviación típica:
n
ni
sx  s 2
x  ( xi  x )2
i 1 N
Ventaja: Tiene las mismas unidades
de medida que la variable.
Desviación típica pequeña

Desviación típica grande.
NOTA
EJEMPLO

COMPARACIÓN DESVIACIONES TÍPICAS.
Comparando desviaciones típicas:
Datos A
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 s = 3.338
Datos B
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 s = 0.926
Datos C
Media = 15.5
11 12 13 14 15 16 17 18 19 20 21 s = 4.570
ESTADÍSTICA EMPRESARIAL I – ESTADÍSTICA DESCRIPTIVA

EJEMPLO VARIANZA Y DESVIACIÓN TÍPICA
Para comparar los rendimientos entre empresas españolas y estadounidenses

pertenecientes a un sector muy especializado, se han seleccionado 20 empresas de cada
país con características semejantes, dándose los siguientes resultados:
ESPAÑA ESTADOS UNIDOS
Rendimiento Nº empresas Rendimiento

(mil euros) (mil dólares) Nº empresas
10 4
11 6 10 2
12 6 11 2
13 2 12 4
14 2 13 4
14 4
15 2
16 2
a) ¿La variable rendimientos presenta una alta dispersión? Responda utilizando la

medida o medidas adecuadas para ello.

EJEMPLO MEDIDAS DISPERSIÓN (SOLUCIÓN)
Empresas españolas:
xi ni xini xi2ni a)Rendimiento medio:
10 4 40 400 n
11 6 66 726
xn i i
232
x i
  11, 6 miles de euros
12 6 72 864 N 20
13 2 26 338 b)Dispersión:
14 2 28 392 n
sx2   ( xi  x )2
ni n
n
  xi2 i  x 2 
2720
 11, 62  1, 44 miles euros 2
N i 1 N 20
N=20 232 2720 i 1
sx  sx2  1, 44  1, 2 miles euros
yi ni yi n i yi2ni •Empresas estadounidenses:

10 2 20 200 a)Rendimiento medio
n
11 2 22 242 yn i i
260
12 4 48 576 y i
  13 miles de dólares
N 20
13 4 52 676
b)Dispersión
14 4 56 784 n n
ni n 3440
15 2 30 450 s y2   ( yi  y ) 2   yi2 i  y 2   132  3 miles dólares 2
i 1 N i 1 N 20
16 2 32 512 s y  s y2  3  1, 732 miles dólares
N=20 260 3440

106
Teorema de chevichev:
Interpretación conjunta de la media y la Desviación típica:
Entre la media  "c" veces la desviación típica  x  csx 

  1 
están como mínimo el 100 1   2   % de los casos.
 c 
Así,entre la media  2 veces la desviación típica,estarán como

  1 
mínimo el 100 1     % =75 % de los observaciones.
  4 
EJEMPLOS

Regla empírica: Si la distribución de los datos es acampanada(normal),se verifica que:
68%
x
x  1S x
95% 99.7%
x  2Sx x  3S x

EJEMPLOS TEOREMA DE CHEVICHEV
Un auditor observa que los valores de las cuentas pendientes de cobro de una empresa
tienen una media de 295 euros y una desviación típica de 63 euros.
a) Halle el intervalo en el que pueda garantizarse que se encuentra el 60 por ciento de
estos valores.
b) Halle un intervalo en el que pueda garantizarse que se encuentra el 84% de estos
valores.
  1 
Entre la media  "k" veces la desviación típica  x  ksx  ,están como mínimo el 100 1   2   % de los casos.
 k 
a)
  1 
x  295 100 1   2    60; k 2  2,5; k  1,58 En el intervalo de 195,46 a 394,54
  k 
S x  63 se encuentra el 60% de los datos.
 295  1,58  63   295  99,54  195, 46;394,54
b)
  1 
x  295 100 1   2    84; k 2  6, 25; k  2,5 En el intervalo de 137,5 a 452,5
  k 
S x  63 se encuentra el 84% de los datos.
 295  2,5  63   295  157,5  137,5; 452,5

Propiedades de la varianza:
Propiedad 1:
La varianza nunca puede ser negativa: sx2  0
Propiedad 2:
2
n
2 ni
n
2 ni  n ni  n
2 ni
sx   ( xi  x )
2
  xi    xi    xi  x2
i 1 N i 1 N  i 1 N  i 1 N
Propiedad 3:
La varianza no varía ante un cambios de origen en la variable (k+xi)
Propiedad 4:
La varianza cambia al realizar un cambio de escala(kxi):Si a xi la multiplicamos por una
constante (xi*=kxi),entonces: s2  k 2s2
x* x

n n
ni n
m2  s   ( xi  x )
2
x   xi2 i  x 2  a2  a12
2
i 1 N i 1 N
Cálculo varianza
en la práctica.
n n
ni n
s   ( xi  x )
2
x   ( xi2  x 2  2 xi x ) i 
2
i 1 N i 1 N
n
n
n  ni n
ni n
n
  xi 2 i
x 2 i 1
 2 x  xi   xi2 i  x 2  2 x 2 
i 1 N N i 1 N i 1 N
n
2 ni
  xi  x 2  a2  a12
i 1 N

111
La varianza no varía ante cambios de origen (k+xi) en la variable. Si en una distribución de

frecuencias, sumamos a todos los valores de la variable una constante k, la varianza no varía.
Distribución de frecuencias ( xi , ni ) 
n n
n ni
x   xi i s    xi  x 
2 2
y x
i 1 N i 1 N
Consideremos la distribución ( xi* , ni )  xi*  xi  k
x*  x  k
2
s *   x  x 
n n n
ni ni 2 n
2
x
*
i
* 2
  ( xi  k )  ( x  k )     xi  x  i  sx2
i 1 N i 1 N i 1 N

112
La varianza cambia al realizar un cambio de escala. (kxi) Al multiplicar los valores de

una distribución de frecuencias por una constante k, la varianza queda multiplicada
por el cuadrado de la constante.
Distribución de frecuencias ( xi , ni ) 
n n
n ni
x   xi i y s    xi  x 
2 2
x
i 1 N i 1 N
Consideremos la distribución ( xi* , ni )  xi*  kxi y x *  kx
s *   x  x 
n n n
ni 2 ni 2 n
2
x
*
i
* 2
  (kxi  kx )  k   xi  x  i  k 2 sx2
2
i 1 N i 1 N i 1 N

113
Propiedades de la desviación típica:

Propiedad 1:La desviación típica nunca puede ser negativa:Sx≥0
Propiedad 2:La desviación típica es una medida de dispersión respecto a la media

óptima.
Propiedad 3 : sx  sx2  a2  a12
Propiedad 4 :La desviación típica no se ve afectada por cambios de origen.
Propiedad 5:La desviación típica se ve afectada por cambios de escala.
sx2*  k 2 sx2  s*x  ksx

Coeficiente de variación de Pearson:

sx
Medida de dispersión relativa: V
x
Sirve para comparar la representatividad de dos o más medias aritméticas de dos

distribuciones que pueden venir:
En unidades diferentes.
Las medias no sean iguales.
 Adimensional. Se suele representar en tanto por ciento, para lo cual multiplicaremos el
valor obtenido por 100.
Inconveniente: En caso de que la media tome valor cero o próximo a cero, el coeficiente
tiende a infinito, lo cual nos hace tomar conclusiones estadísticamente erróneas.

• ACCIONES EMPRESA A:
– Precio medio último año= 50
– Desviación típica=5
 s  5
VA    100%  100%  10%
Ambas acciones
 x 50
tienen la misma
• ACCIONES EMPRESA B: desviación típica,
– Precio medio último año = 100 pero las acciones
– Desviación típica=5 de B son menos
volátiles en
relación a su
 s  5 precio.
VB    100%  100%  5%
 x  100
EJEMPLO

EJEMPLO COEFICIENTE VARIACIÓN DE PEARSON
Para comparar los rendimientos entre empresas españolas y estadounidenses

pertenecientes a un sector muy especializado, se han seleccionado 20 empresas de cada
país con características semejantes, dándose los siguientes resultados:
ESPAÑA ESTADOS UNIDOS
Rendimiento Nº empresas Rendimiento

(mil euros) (mil dólares) Nº empresas
10 4
11 6 10 2
12 6 11 2
13 2 12 4
14 2 13 4
14 4
15 2
16 2
b) ¿ Cuál de los dos países las empresas presentan un comportamiento más

homogéneo en cuanto a sus rendimientos?

EJEMPLO COEFICIENTE DE VARIACIÓN DE PEARSON
b)¿ En cuál de los dos países las empresas presentan un comportamiento más
homogéneo en cuanto a sus rendimientos?
Para comparar la representatividad de dos o más medias aritméticas de dos

distribuciones que pueden venir en unidades diferentes o las medias no son iguales, se
utiliza el Coeficiente de Pearson para ver cuál es más homogénea.
Coeficiente de variación de Pearson empresas españolas:

s 1, 2
Vx  x   0,1034  10,34%
x 11, 6
Coeficiente de variación de Pearson empresas norteamericanas:

sy 1, 732
Vy    0,1332  13,32%
y 13
De la comparación entre los coeficientes de variación resulta que las empresas españolas
(10,34%<13,32%)son más homogéneas que las norteamericanas.

118
Otras medidas de dispersión:
Desviación media: n
ni
D   xi  P
i 1 N
P es un promedio(media,mediana...)
n
ni
Respecto a la mediana DMe   xi  Me
i 1 N
n
ni
Dx  
Respecto a la media
aritmética xi  x
i 1 N
Un valor D grande nos indicará una gran dispersión en la distribución, y por tanto el
promedio(mediana o media aritmética) no será representativo.

NOTA: Tipificación de una variable
xi  x
Tipificar una variable con media x y desviación típica s x ,consiste en calcular zi = .
sx
Expresar cada valor individual x i mediante su diferencia con la media y en términos de desviaciones típicas.
Esta nueva variable tiene media cero y varianza(desviación tipica) uno: z  0 y s z =1.
Si se considera xi=90,resulta que ese

valor individual es 20 puntos superior
a la media, o en términos de
desviación típica, está dos
desviaciones típicas por encima de la
media:
sx  10
x  x 90  70
zi = i   2 dt.
x  70 sx 10
Permite representar en un nuevo gráfico varias variables sin preocuparse por la escala.
Nos sirve para comparar la POSICIÓN RELATIVA de un valor con el resto de los datos.
EJEMPLO

EJEMPLO TIPIFICACIÓN
El volumen de ventas de la empresa de productos químicos ÁTOMO S.A en 2012 fue de 2,1
millones de euros, mientras que la media del sector fue de 1,9 millones de euros y la varianza
14.En el caso de la empresa VOLÁTIL S.A, las ventas fueron de 2,4 millones de euros, siendo la
media del sector 2,2 millones de euros y la varianza 15.¿Cuál de las dos empresas está mejor
situada en cuanto a su volumen de ventas?
Para comparar la posición relativa de un valor con el resto de los datos hay que tipificar
ÁTOMO S.A: sx  14  sx  14  3,74 millones euros  z = xi  x  2,1  1,9  0,053 dt.
2
A
x  1,9  sx 3,74
VOLÁTIL S.A: sx2  15  sx  15  3,87 millones euros  xi  x 2,44  2,2

 vz =   0,051 dt.
x  2,2  s x 3,87
z A  zV ÁTOMO S.A está mejor situada en cuanto a su volumen de ventas

2.3.3.Medidas características de una distribución: Medidas de forma
Medidas características de Conjunto ”medidas resumen” de la

una distribución distribución frecuencias.
Medidas de Medidas de Medidas

posición dispersión de
forma
Las medidas de forma describen cómo están distribuidos los datos, la “forma” de su
distribución sin necesidad de su representación gráfica.
MEDIDAS DE
MEDIDAS DE APUNTAMIENTO
ASIMETRÍA
(CURTOSIS)

Medidas de asimetría
Las medidas de asimetría se dirigen a elaborar un indicador que permita establecer el grado
de simetría (asimetría) que presenta la distribución, sin necesidad de llevar a cabo su
representación gráfica.
El eje de simetría que suele utilizarse como referente principal es el valor de la media
aritmética. Si una distribución es simétrica, existe el mismo número de valores a la derecha
y a la izquierda de X (media) y por tanto, el mismo número de desviaciones con signo
positivo que con signo negativo.

1. Coeficiente de asimetría:
n
ni
m3   ( xi  x )3
i 1 N
m3  0 m3  0 m3  0
Asimétrica positiva: Simétrica: Asimétrica negativa:
Mediana < Media Media = Mediana Media < Mediana

INCONVENIENTE: UNIDADES DE MEDIDA(UNIDADES DE LA VARIABLE AL CUBO).

SOLUCIÓN: COEFICIENTE DE ASIMETRÍA DE FISHER(ADIMENSIONAL)
2.Coeficiente de asimetría de Fisher: ANEXO
Coeficiente de  0  Distribución simétrica

m 
asimetría g as  33   0  Distribución asimétrica positiva (a la derecha)
de Fisher sx  0  Distribución asimétrica negativa(a la izquierda)

m3
g as  0
sx3 m3
g as  0
sx3
m3
La mayor parte de la distribución se g as  0 La mayor parte de la distribución se
encuentra a la izquierda de la media, sx3 encuentra a la derecha de la media, ya que
ya que predominan las desviaciones la suma de las desviaciones positivas será
negativas sobre las positivas. TEMA 2 mayor que la de desviaciones
TEMA 1 TEMA 3 negativas.

ANEXO 1 :COEFICIENTE DE ASIMETRÍA DE PEARSON
x  Mo 3  x  Me  Si Ap > 0  distribución asimétrica positiva o a la derecha

Ap   Si Ap < 0  distribución asimétrica negativa o a la izquierda
sx sx Si Ap = 0  distribución simétrica.
Como podemos apreciar en la figura, si este coeficiente es negativo, la distribución se alarga

para valores inferiores a la media. Por el contrario, si es positivo, la cola de la distribución se
extiende para valores superiores a la media.
Nota: La distribución que está en el centro se conoce como normal o acampanada.

126
Medidas de Curtosis (apuntamiento):
Las medidas de curtosis tratan de estudiar la distribución de frecuencias en la zona central.

La mayor o menor concentración de frecuencias alrededor de la media en la zona central de
la distribución.
Toma como referencia la distribución normal:
La mayoría de los valores de la

variable están cerca de la
media y aquellos que se
encuentran distanciados
de ella, a ambos lados, son poco
numerosos.
m4  3sx4

Coeficiente de m4 n
m4   ( xi  x )4
ni
g ap  4 3 N
Curtosis: sx i 1
 0  Distribución mesocúrtica(Normal)

g ap   0  Distribución leptocúrtica(más apuntada que la Normal)
 0  Distribución platicúrtica(menos apuntada que la Normal)

NOTA

Distribución más apuntada que la normal Distribución menos apuntada que la normal
(LEPTOCÚRTICA): (PLATICÚRTICA):
m4 m4
g ap  4 3  0 g ap  4
3  0
sx sx EJEMPLO

EJEMPLO MEDIDAS DE FORMA
Para lanzar un nuevo producto al mercado, una empresa estudia el tiempo de publicidad,
en segundos, empleado en los medios audiovisuales por otra empresa que tiene un
producto similar.
Estudiar la forma de la distribución:

EJEMPLO MEDIDAS DE FORMA(SOLUCIÓN)
Duración Nº de
n n
ni ni
Li 1  Li anuncios xi  (x  x )
i
3
N
 (x  x )
i
4
N NOTA:
ni i 1 i 1
0-20 3 10 -458,72 9036,83 m3 y m 4 también pueden calcularse utilizando:

20-25 17 22,5 -126,90 913,71 n
xir ni
25-30 13 27,5 -2,77 6,09 m3  a3  3a2 a1  2a , donde ar  
3
1
i 1 N
30-40 9 35 26,80 142,03
m4  a4  4a3a1  6a2 a12  3a14
40-60 8 50 1338,47 27170,91
total N= 50 145 776,87 37269,5682
a)Coeficiente de asimetría:
n
Asimetría positiva
n m 776,87
m3   ( xi  x )3 i  776,87  g as  33  3
 0, 6453 (las desviaciones
i 1 N s x 10, 64 positivas tienen más
peso que las negativas)
b)Coeficiente de apuntamiento:
n
ni m 37269,57 Platicúrtica
m4   ( xi  x )4  g ap  44 3  3  0, 092
i 1 N sx 10, 644 (distribución menos
apuntada que la normal)

131
ANEXO 2: EJERCICIO TODAS LAS MEDIDAS(A REALIZAR POR EL ALUMNO)
En un barrio de la periferia de Madrid se da la siguiente distribución de renta

(en miles de euros):
Renta(miles Nº de
euros) familias
3-15 70
15-35 28
35-65 2
65-75 10
a) Obtenga la renta media y modal de dicho barrio.

b) En otro barrio, la renta media por familia es de 12.000€ y la desviación típica de 2.400€.
¿Cuál de los dos barrios puede considerarse más homogéneo en rentas familiares?
c) Debido a una política de subvenciones, las rentas de las familias del barrio periférico
aumentan en 4.000 € ¿Cambiará la conclusión obtenida en el apartado anterior?
d) ¿Qué nivel de renta sólo es superado por un 25% de las familias?;
¿Cuál es la renta mínima del 30% de las familias con mayores rentas?
e) Analizar la forma de la distribución.

132
ANEXO 3: MOMENTOS DE UNA DISTRIBUCIÓN
Los momentos sirven para caracterizar de forma única una distribución
-- n
ni
RESPECTO AL ORIGEN ar   xir r  0,1, 2...
- i 1 N
n n
ni n N
a0   x   i  1
0
i
i 1 N i 1 N N
n
n
a1   xi i  x
i 1 N
n
ni
RESPECTO A LA MEDIA mr   ( xi  x )r r  0,1, 2...
(CENTRALES) i 1 N
m0  1; m1  0
m2  s 2
m3  Coeficiente de asimetría 
 Medidas de forma
m4  Analizar la curtosis 
Todos los momentos respecto a la media se pueden expresar en función de los momentos
respecto al origen.

TEMA 3
DESCRIPCIÓN ESTADÍSTICA CONJUNTA DE DOS VARIABLES
3.1. Distribución de frecuencias bidimensional.
3.2. Distribución de frecuencias marginal.
3.3. Distribución de frecuencias condicionada.
3.4. Covarianza y correlación.
•“Estadística para administración y economía” Newbold P. CAPÍTULO 2 : APARTADO 2.5 Y
CAPÍTULO 3:APARTADO 3.4.
•“Fundamentos de Estadística” Peña D.CAPÍTULO 3:DESCRIPCIÓN CONJUNTA DE VARIAS
VARIABLES.
3. DESCRIPCIÓN ESTADÍSTICA CONJUNTA DE DOS VARIABLES
3.1.Distribución de frecuencias bidimensional
Para cada individuo o elemento del conjunto de datos, queremos analizar dos
características: X,Y  VARIABLE ESTADÍSTICA BIDIMENSIONAL.
Se puede estudiar cada valor por separado, pero el interés se centra en estudiar las posibles
RELACIONES o DEPENDENCIA entre ambas variables.
Variable estadística bidimensional es aquella que describe simultáneamente dos

características de una población. Se representan:(x , y)
Y : y1, y2 ... ym 

 valores de la variable Y
y j j 1,2...m  
Nº de individuos en
X : x1, x2 ...xk  los datos para los que
 valores de la variable X nij se presenta el valor xi
xi i 1,2..r 
junto con el valor yj

3.1.Distribución de frecuencias bidimensional
La distribución conjunta de frecuencias contiene información sobre cada una de las

variables y sobre la relación que existe entre ellas.
TABLA DE DOBLE ENTRADA(TABLA DE CONTINGENCIA )
Ejemplo
Frecuencias absolutas conjuntas Frecuencias absolutas marginales

nij (con las que se representa ni. y n.j (suma de las frecuencias conjuntas por
el par simultáneo (xi, yj ) filas y columnas)
r m r m
n
i 1
i.   n. j   nij  N
j 1 i 1 j 1

EJEMPLO DISTRIBUCIÓN BIDIMENSIONAL DE FRECUENCIAS
Sean dos variables:

X i : Años de educación (x1 , x2 , x3 , x4 ) i  1, 2,3, 4
1.Entre 0 y 6
2.Entre 6 y 11
3.Entre 11 y 16
4.Más de 16(ó 16)
Y j : Salario hora (y1 , y2 , y3 ) j  1, 2,3.
1.Entre 0 y 10 €/hora
2.Entre 10 y 30 €/hora
3.30 €/hora o más
Se desea hacer un análisis preliminar de su posible relación, para lo cual se elabora la

siguiente distribución bidimensional de frecuencias o tabla de contingencia:

EJEMPLO DISTRIBUCIÓN BIDIMENSIONAL DE FRECUENCIAS(Continuación)
Salario/hora
nij  frecuencia absoluta
Xi\Yj 0-10 10-30 30 ó +
nij
(j=1) (j=2) (j=3) h ij  frecuencia relativa
N
0-6 40 0 0 40
(i=1) (n11 ) (n12 ) (n13 )
Años educación
6-11 5 3 0 8
(i=2) (n21 ) (n22 ) (n23 )
11-16 3 7 5 15 3
n1  n2  n3  n4  N
 n3 j  n3
(i=3) (n31 ) (n32 ) (n33)  4 
 i
j 1
n  N 
16 ó + 2 20 15 37 3  i 1 
(i=4) (n41 ) (n42 ) (n43 ) n
j 1
4j  n4
50 30 20 100=N
4 4 n1  n 2  n 3  n 4  N
n i1  n 1 n
i 1
i3  n3
 3 
n j  N 
i 1
 j 1 

3.2.Distribución de frecuencias marginales
Distribución de cada variable por separado, con independencia de los valores que tome
la2.DISTRIBUCIÓN DE FRECUENCIAS
otra variable(estudio unidimensional MARGINALES
de cada variable)
Distribución marginal de X: Distribución marginal de Y:
 Se obtiene de la distribución  Se obtiene de la distribución
bidimensional bidimensional
 Sólo nos fijamos en los valores de X  Sólo nos fijamos en los valores de Y y
y en el número de veces que X toma cada en el número de veces que Y toma cada
valor con independencia de los de Y ni. valor con independencia de los de X n.j
X Y
xi ni. yi n.j
x2 n2. y1 n.1
… … Ejemplo
… …
xi ni. yj n.j
N N

139
EJEMPLO DISTRIBUCIÓN MARGINAL DE FRECUENCIAS (Continuación)
Distribución marginal de X: Distribución marginal de Y:

i Xi ni j yj ni
1 [0 -6) n1. =40 1 [0 -10) n.1 =50
2 [6 -11) n2. =8 2 [10 -30) n.2 =30
3 [11 -16) n3. =15 3 [30 -∞) n.3=20
4 [16 -∞) n4. =37 N=100
N=100

3.3.Distribución de frecuencias condicionadas
Se pueden formar otro tipo de distribuciones unidimensionales en las que previamente

hace falta definir una condición Distribución de frecuencias condicionadas:
Conjunto de valores que toma una de las variables, para un cierto valor de la otra.
Dada la distribución conjunta (x,y) se denomina distribución condicionada a la distribución

de frecuencias conjuntas de una variable, suponiendo conocido y fijado el valor de
la otra variable:
Distribucion de X condicionada a que la Y tome un determinado valor:

X/Y=y j   xi ; nij 
Distribucion de Y condicionada a que la X tome un determinado valor:

Y/X=x i   y j ; nij 
EJEMPLO
ESTADÍSTICA I – ESTADÍSTICA DESCRIPTIVA 141

EJEMPLO DISTRIBUCIÓN DE FRECUENCIAS CONDICIONADA (Continuación)
Distribución de Xi condicionada a Y=10-30: Distribución de YJ condicionada a X=6-11:

Xi/ Y=10-30 YJ/ X=6-11
Xi ni/y=10-30 Yj ni/x=6-11
0 -6 0 0 -10 5
6 -11 3 10-30 3
11 -16 7 30 ó + 0
16 o > 20 8
30
Los gráficos y medidas(posición, dispersión y forma) pueden calcularse a partir de cualquier

distribución marginal o condicionada.

NOTA: FRECUENCIAS RELATIVAS
Podrían calcularse las anteriores distribuciones de frecuencias ,para las frecuencias

relativas, las cuales se construyen dividiendo las frecuencias absolutas por N.
nij
fij 
N
Gráficos y medidas (posición, dispersión,forma) pueden calcularse a partir de

cualquier distribución marginal o condicionada
ESTADÍSTICA I – ESTADÍSTICA DESCRIPTIVA 143

3.4.Covarianza y correlación
Para describir la relación de dependencia entre dos variables:
Diagrama de
dispersión
Coeficiente
de Covarianza
correlación

Diagrama de dispersión:
La representación grafica más utilizada en el caso bidimensional es el diagrama de

dispersión. Se construye representando los pares de valores observados en un eje
cartesiano, por tanto la distribución vendrá representada por un conjunto de puntos que
recibe el nombre de nube de puntos o diagrama de dispersión.
Proporciona una buena descripción de la relación existente entre las variables.

Covarianza:
Es una medida de la relación lineal entre dos variables (que resume la información
existente en un gráfico de dispersión).
r m nij 1 r m
Cov (x ,y)  s xy   ( xi  x )( y j  y )   x y n i j ij  xy
i 1 j 1 N N i 1 j 1
S xy  0  RELACIÓN LINEAL POSITIVA

S xy  0  RELACIÓN LINEAL NEGATIVA
S xy  0  NO EXISTE RELACIÓN LINEAL
INCONVENIENTES:
No está acotada ni superior ni inferiormente, por lo tanto no se sabe cuando es Sxy
suficientemente grande o pequeña.   S xy  
Depende de las unidades de medida de las variables.


Covarianza:
Es una medida de la relación lineal entre dos variables (que resume la información
existente en un gráfico de dispersión).
r m nij 1 r m
i 1 j 1 N N i 1 j 1
S xy  0  RELACIÓN LINEAL POSITIVA

S xy  0  RELACIÓN LINEAL NEGATIVA
S xy  0  NO EXISTE RELACIÓN LINEAL
INCONVENIENTES:
No está acotada ni superior ni inferiormente, por lo tanto no se sabe cuando es Sxy
suficientemente grande o pequeña.   S xy  
Depende de las unidades de medida de las variables.


Coeficiente de Correlación:
Es una medida adimensional de la relación lineal entre dos variables:

S xy
rxy 
Sx S y
1  rxy  1
-1 0 1
Relación lineal Relación lineal

NEGATIVA POSITIVA
rxy  0  NO EXISTE RELACIÓN LINEAL (variables INCORRELADAS)

Coeficiente de Correlación:
Es una medida adimensional de la relación lineal entre dos variables:

S xy
rxy 
Sx S y
1  rxy  1
-1 0 1
Relación lineal Relación lineal

NEGATIVA POSITIVA
rxy  0  NO EXISTE RELACIÓN LINEAL (variables INCORRELADAS)

EJEMPLO DIAGRAMA DE DISPERSIÓN,COVARIANZA Y CORRELACIÓN
La tabla adjunta proporciona información sobre dos indicadores económicos para un grupo
de 10 países:
Se pide:
a) Estudiar la relación entre ambas variable mediante un diagrama de dispersión.
b) Calcular la covarianza entre las dos variables.
c) Calcular el coeficiente de correlación entre las dos variables.

a)Llamando x a la tasa media de crecimiento del PIB e y a la tasa media de desempleo,

construimos el siguiente diagrama de dispersión, el cual nos muestra una clara relación
negativa entre ambas variables, al aumentar la tasa media de crecimiento del PIB disminuye
la tasa media de desempleo y viceversa.
b)La covarianza es una medida de dependencia lineal entre dos variables, que resume la
Información contenida en un gráfico de dispersión:
r m nij 1 r m
i 1 j 1 N N i 1 j 1

r m nij 1
Cov (x ,y)  s xy   ( xi  x )( y j  y )  (2  2,88)(17, 25 15.41)  ...    3,9748
i 1 j 1 N 10
Al ser la covarianza negativa, podemos afirmar que existe una relación lineal negativa.
Sabemos el sentido de la relación pero no el grado, al no estar acotada la covarianza, por
lo tanto no se sabe cuando es Sxy suficientemente grande o pequeña. Además, la
covarianza depende de las unidades de medida, por lo que calculamos el coeficiente de
correlación lineal:
S xy 3,9748
rxy    0,9462
Sx S y 1, 41 12, 45
El coeficiente de correlación es negativo y muy próximo a -1,lo cual quiere decir que
existe una muy fuerte dependencia lineal entre las dos variables que estamos analizando
CÁLCULOS


ANEXO: MOMENTOS DE LA DISTRIBUCIÓN BIDIMENSIONAL
RESPECTO AL ORIGEN
medias marginales Momento producto
RESPECTO A LAS MEDIAS

(CENTRALES)

APÉNDICE
NÚMEROS ÍNDICE
“Fundamentos de Estadística” Peña D.CAPÍTULO 3.7:Apéndice 3A:Números índice.
NÚMEROS ÍNDICE
1.CONCEPTO
Números índices:
Un número índice es una medida estadística que nos permite estudiar los cambios que
se producen en una magnitud simple(precio de un producto) o compleja(precio de una
bolsa de productos) con respecto al tiempo y/o al espacio. Es decir, vamos a comparar
dos situaciones, una de las cuales se considera de referencia.
Ejemplo: Podemos comparar el coste de vida en una ciudad con el habido en un periodo
anterior o bien el coste de vida en una ciudad vecina.
Al periodo inicial se le denomina periodo base o de referencia, por contraposición, la

situación que queremos comparar es denominada periodo actual o corriente.
SIMPLES
NÚMEROS NO
INDICES PONDERADOS
COMPLEJOS
PONDERADOS
ESTADÍSTICA EMPRESARIAL I –NÚMEROS ÍNDICES 156

NÚMEROS ÍNDICE
2.NÚMEROS ÍNDICE SIMPLES
Números índices SIMPLES:
Para construir un número índice simple, It, se compara la magnitud en el periodo t con la
magnitud en un periodo de referencia o periodo base.
Xt
It  100
X0
Los índices simples más usuales son:

pt
•Número simple de precios o precio relativo I tP  100
p0 EJEMPLO
qt
•Cantidad relativa(producida o vendida) I tQ  100
q0
pt qt
•Valor relativo(precio y cantidad producida o vendida) I tV  100
p0 q0

NÚMEROS ÍNDICE
EJEMPLO NÚMEROS ÍNDICE SIMPLES
Dada una serie temporal de cifras de ventas(en millones de euros) de unos grandes
almacenes , calcule el índice de ventas con base en 2006
Año Ventas Índice Ventas

Periodo base
2006 12 100
o referencia Ventast
2007 14 116,67 I ventas  100
Ventas0
2008 18 150
2009 19 158,3
2010 15 125
Tomando 2006 como año base, tenemos que el valor del índice en 2007 es:
Ventas2007 14
I 2007  100  100  116, 67
Ventas2006 12

NÚMEROS ÍNDICE
3.PROPIEDADES NÚMEROS ÍNDICE
Medida adimensional (no depende de las unidades de medida) COMPARACIONES
Proporciona de manera directa los crecimientos relativos de cada año respecto al año
base:
It  100
Proporciona fácilmente los crecimientos relativos entre dos años cualquiera

Caso particular: el crecimiento relativo respecto al año anterior:
I t  I t 1  I 
100   t  1 100 EJEMPLO
I t 1  I t 1 
Cambio de base.

NÚMEROS ÍNDICE
EJEMPLO PROPIEDADES Y CAMBIO DE BASE
Año Índice Precios

a)Crecimiento porcentual del precio en 2010 respecto al año base:
2006 100
2007 98 I 2010  100  107  100  7%
2008 105
b)Crecimiento porcentual del precio en 2010 respecto a 2009:
2009 105
I 2010  I 2009 I   107 
2010 107 100   2010  1 100    1 100  1,90%
I 2009  2009 
I  105 
c)Cambio de base: Nueva base 2007:

Año Índice Precios
•El nuevo índice para 2006:
2006 102 98-------100 LP2006 (base 2007)=100*100/98=102,04
2007 100 100------LP
2008 107,14
•El nuevo índice para 2008:
2009 107,14 98-------100 LP2008 (base 2007)=100*105/98=107,14
2010 109,17 105------LP

NÚMEROS ÍNDICE
4.NÚMEROS ÍNDICE COMPLEJOS
Números índices COMPLEJOS:
Los números índices COMPLEJOS miden la variación de una serie de variables,

sintetizándolas en un solo índice. Son la agregación de un conjunto de índices simples.
Existen diversos métodos de construcción:
1) NÚMEROS ÍNDICE NO PONDERADOS O CON AGREGACIÓN SIMPLE: Media aritmética de

los números índices simples, media agregativa…
Inconveniente: ignora la importancia relativa de cada bien o producto en la cesta de

los consumidores.
2) NÚMEROS ÍNDICE PONDERADOS: n
I w i i
El más habitual es la media ponderada: I* i 1

n donde wi son los pesos asociados a
w
i 1
i
cada uno de los n índices simples (wi > 0)
ÍNDICE DE LASPEYRES ÍNDICE DE PRECIOS DE CONSUMO(IPC)

NÚMEROS ÍNDICE
4.NÚMEROS ÍNDICE COMPLEJOS PONDERADOS: ÍNDICE DE LASPEYRES
Es la media aritmética ponderada de los índices simples de precios. Las ponderaciones

se calculan con la estructura de consumo del año base. El criterio de ponderación
seguido es wi  pio qio
ÍNDICE DE LASPEYRES DE PRECIOS:
n n n
pit
I w  i i
i 1 pio
pio qio p q it io
LP  i 1
n
 n
100  i 1
n
100
w
i 1
i p
i 1
q
io io p
i 1
q
io io EJEMPLO
ÍNDICE DE LASPEYRES DE CANTIDADES:
n n n
qit
I w i i 
i 1 qio
pio qio p q
io it
LP  i 1
n
 n
100  i 1
n
100
w
i 1
i p
i 1
q
io io p
i 1
q
io io

NÚMEROS ÍNDICE
4.NÚMEROS ÍNDICE COMPLEJOS PONDERADOS: ÍNDICE DE PAASCHE
Un inconveniente del Índice de Laspeyres cuando analizamos periodos largos ,es que los
hábitos de consumo cambian mucho a lo largo del tiempo. Una solución es considerar la
cesta de cada año como en el índice de Paasche.
Es también una media aritmética ponderada de los índices simples, pero aquí el coeficiente
de ponderación es w  p q
i io it
n
n pit n
I w  i i
i 1 pio
pio qit p q it it
EJEMPLO
PP  i 1
n
 n
 100  i 1
n
 100
w
i 1
i p
i 1
q
io it p
i 1
io itq
El cálculo del Índice de Paasche es un poco más laborioso, ya que se tiene que calcular el
denominador(ponderaciones) cada año.

NÚMEROS ÍNDICE
EJEMPLO NÚMEROS ÍNDICES PONDERADOS
Conocidos los precios y las cantidades de tres artículos de consumo correspondientes a

los años 2008 a 2012:
Artículo A Artículo B Artículo C

Años
Precio Cantidad Precio Cantidad Precio Cantidad
2008 2 10 5 12 10 3
2009 2 12 6 10 11 2
2010 3 15 6 5 12 3
2011 4 20 7 6 12 1
2012 4 18 8 5 13 2
Determine los números índices de precios de Laspeyres y Paasche con base 2008.

NÚMEROS ÍNDICE
n
Solución: p q it io
LP  i 1
n
 100
p
i 1
io ioq
08  100
Lp 08
 2  10    6  12   11  3
08 
Lp 09  100  113, 64
 2  10    5  12   10  3
 3  10    6  12   12  3
Lp10   100  125, 45
08
 2  10    5  12   10  3
 4  10    7  12   12  3
08 
Lp11  100  145, 45
 2  10  
 5  12  
 10  3 
 4  10   8  12   13  3
Lp 09   100  159, 09
08
 2  10    5  12   10  3

NÚMEROS ÍNDICE
p q it it
PP  i 1
n
 100
p
i 1
io itq
08  100
Pp 08
 2  12    6  10   11  2 
08 
Pp 09  100  112, 77
 2  12    5  10   10  2 
 3  15   6  5  12  3
Pp10   100  130,59
08
 2  15   5  5  10  3
 4  20    7  6   12  1
08 
Pp11  100  167,5
 2  20     
 5  6  10  1
 4  18  8  5  13  2 
Pp 09   100  170,37
08
 2  18   5  5  10  2 

NÚMEROS ÍNDICE
ANEXO: ÍNDICE DE PRECIOS DE CONSUMO(IPC)
El Índice de Precios de Consumo(IPC) tiene como objetivo medir la evolución del nivel de
precios de los bienes y servicios de consumo adquiridos por los hogares residentes en
España. Para calcular el IPC, el Instituto Nacional de Estadística(INE) hace una Encuesta
Continua de Presupuestos familiares (ECPF) sobre el consumo de aproximadamente 500
productos.
http://www.ine.es/jaxi/menu.do?type=pcaxis&path=%2Ft25/p138&file=inebase&L=0

BIBLIOGRAFÍA
Paul Newbold, William L. Carlson y Betty Thorne. “Estadística para administración y

economía”,6ªedición, 2008, Prentice Hall
Peña, Daniel. "Fundamentos de Estadística". Ed. Alianza Universidad Madrid, 2008 (1ª
ed. 2001)
Martín Pliego, F.J., “Estadística económica y empresarial”. Edit. Paraninfo, Madrid 2011
López de la Manzanara Barbero, J. “Problemas de Estadística”. Edit. Pirámide

Esdistica

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Esdistica

Încărcat de

Drepturi de autor:

Formate disponibile

Rafael Flores de Frutos

Sofía Tirado Sarti

Tema 3. Descripción conjunta de dos variables 131

Apéndice. Números índice. 155

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 5

•Individuo: Una bombilla producida en una fábrica. Bombilla de un tipo concreto, de

•Individuo: Trabajador de la empresa Abengoa.

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 6

DATOS INFORMACIÓN CONOCIMIENTO

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 7

Objetivo de la estadística descriptiva:

•Recoger los datos(encuestas)

•Presentar los datos (tablas y gráficas):

•Resumir los datos y detectar regularidades existentes en ellos

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 8

VARIABLE: Característica que ostenta un individuo que es seleccionado al azar de una

El tipo de variable condiciona los métodos aplicables y la interpretación de los resultados

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 9

Primera clasificación: Variables deterministas vs aleatorias

Segunda clasificación: Variables cualitativas vs cuantitativas

Variable cualitativa o categórica: Aquella cuyos resultados posibles no son numéricos.

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 10

Población: 200 empresas, todas ellas pertenecientes a un grupo multinacional que

Variable: Gasto en publicidad de la empresa seleccionada al azar, en el año 2013.

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 11

Población: Conjunto de sesiones en la Bolsa de Madrid, desde que se creó hasta su

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 12

Ejemplos variables cualitativas o categóricas:

Ejemplo #1: Sexo del individuo

Ejemplos variables cuantitativas o numéricas:

Ejemplo #1: Nº de hijos

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 13

Variables cuantitativas o numéricas:

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 14

Conversión de variables categóricas en numéricas : Variables ficticias (“dummyes”)

En ocasiones es conveniente transformar una variable categórica en otra numérica:

Blanco--------Se le asigna un número arbitrario 1

Se ha convertido en una variable discreta que toma los valores:1,2,3 y 4.

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA I – PARTE I: ESTADÍSTICA DESCRIPTIVA 15

VARIABLE RAZA(Color de la piel)

Se han creado cuatro variables ficticias:V1,V2,V3 y V4

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 16

Individuo Salario Años de Sexo Raza

Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 17

1.Datos de Sección Cruzada (o encuestas)

En un momento del tiempo “t” se realiza una encuesta y se observan “k”

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I – ESTADÍSTICA DESCRIPTIVA 18

individuo salario Años de sexo Raza

Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

Periodo PIB IPC Tipo Euribor

Serie temporal Serie Serie

Periodos ESPAÑA FRANCIA ALEMANIA GRECIA

PIB IPC PIB IPC PIB IPC PIB IPC