Universidad de El Salvador

Facultad de Ciencias Naturales y Matemtica

Escuela de Matemtica
Departamento de Estadstica.
Profesor: Dr. Jos Nerys Funes Torres
Ciclo I-2010.

Asignatura: Tratamiento de la Informacin Estadstica.

Unidad 1. Conceptos Bsicos de Estadstica.

1.1. La Estadstica y sus aplicaciones
1.1.1.

Qu es la Estadstica?

La Estadstica es una ciencia que estudia las caractersticas de un conjunto de casos para hallar en ellos
regularidades en el comportamiento, que sirven para describir el conjunto y para efectuar predicciones.
La Estadstica tiene por objeto recolectar, organizar, resumir, presentar y analizar datos relativos a un
conjunto de objetos, personas, procesos, etc. A travs de la cuantificacin y el ordenamiento de los datos
intenta explicar los fenmenos observados, por lo que resulta una herramienta de suma utilidad para la
toma de decisiones.
Bajo este contexto, la Estadstica se divide en dos reas: Estadstica Descriptiva y Estadstica
Inferencial.
ESTADSTICA DESCRIPTIVA: permite organizar y presentar un conjunto de datos de manera que
describan en forma precisa las variables analizadas haciendo rpida su lectura e interpretacin.
Obviamente, la materia prima de la Estadstica Descriptiva la constituyen los datos, que son el resultado
de las observaciones y/o experimentos.
Ejemplos:
1. Durante los ltimos dos das se ha informado de un total de trece homicidios diarios.
2. La encuesta Gallup informa una ventaja de 25% para el candidato de izquierda.

ESTADSTICA INFERENCIAL: Generaliza los resultados de una muestra a los de una

poblacin total, es cuando de los datos estadsticos obtenidos de una muestra se infiere o se deduce una
observacin la cual se generaliza sobre la poblacin en total. Para determinar la confiabilidad de la
inferencia de los datos estadsticos de una muestra, se hace necesario comprobar la misma para poder
asegurar que lo que se observa en una muestra se observar tambin en la poblacin. Generalmente el
anlisis estadstico inferencial se lleva a cabo para mostrar relaciones de causa y efecto, as como para
probar hiptesis y teoras cientficas.
1.1.2.

Aplicaciones de la Estadstica.

Mucha gente piensa que la Estadstica no tiene nada que ver con otras disciplinas que no sean las
ingenieras y economa. Otros nunca le encuentran aplicaciones tiles, y por eso tampoco les gusta.
Pero, en realidad tiene infinitas aplicaciones en todo el conocimiento adquirido por la humanidad,
partiendo ante todo, lo relacionado con las ingenieras, economa, las ciencias biolgicas, ciencias
sociales e incluso en algunas ramas del rea Jurdica. Y, en definitiva, casi todos los campos de las

ciencias emplean instrumentos estadsticos de importancia fundamental para el desarrollo de sus

modelos de trabajo.
En nuestros das, la estadstica se ha convertido en un mtodo efectivo para describir con exactitud los
valores de los datos econmicos, polticos, sociales, psicolgicos, biolgicos y fsicos, entre otros, y
sirven como herramienta para relacionar y analizar dichos datos. El trabajo del experto estadstico no
consiste ya slo en reunir y tabular los datos, sino el proceso de interpretacin de esa informacin a
travs de modelos estadsticos-matemticos, aumentando el alcance de las aplicaciones de la estadstica,
esto se ha logrado, gracias al desarrollo de la teora de probabilidad.
Dentro de las Aplicaciones de la Estadstica se destacan las siguientes:
1. La Estadstica en el Periodismo
En general, los periodistas adems de dedicarse al mbito de la noticia, realizan crnicas y estudios de
investigacin, que nos entregan preguntas y respuestas frente a determinados sucesos o situaciones de
inters pblico. Algunos de los estudios ms frecuentes realizados por los periodistas son sobre
alcoholismo, enfermedades, sexualidad, delincuencia, poltica, etc. Para ello, hacen uso de las encuestas
u otros instrumentos tcnicos de medicin propios de la estadstica, a travs de dichos estudios es
posible conocer la opinin de la gente y con ello informar a la opinin pblica, a travs de los medios de
comunicacin, desde donde las autoridades pertinentes e interesadas en estos estudios pueden adoptar
las medidas correctivas, si es el caso. Tal es as, que la estadstica forma parte importante del periodismo
investigativo.
2.

La Estadstica en la Poltica

Conocidas son las famosas encuestas de tipo poltico, que entregan una orientacin de la intencin de
voto, de la aceptacin de un candidato, del impacto de un programa o proyecto de estado, etc. de una
muestra estadstica representativa, sobre la opinin de las personas en un tiempo determinado, teniendo
esta herramienta una gran confiabilidad. As es que el uso de la estadstica es imprescindible para
determinar caminos a seguir para los candidatos de eleccin popular.
3.

La Estadstica en la Publicidad

Cuando las grandes marcas trasnacionales y/o nacionales como Coca-cola, Pepsi, Nice, Adidas,
Laboratorios Lpez, etc. nos llenan de slogans, msica y colores en sus comerciales, lo nico que buscan
es que la gente adquiera los productos y/o servicios que ofrecen.
Se dedican, entonces, a realizar las llamadas campaas publicitarias, y, antes de lanzar una campaa,
hacen un estudio de mercado para encontrar las mejores alternativas posibles a fin de lograr el xito de
ventas deseado. Estos estudios son de carcter estadstico, es decir, hacen un diseo muestral y
seleccionan una muestra para inferir las caractersticas de la poblacin.

4.

La Estadstica en la economa y las finanzas.

En la administracin es una herramienta del control, como parte del proceso administrativo (o lo que es
lo mismo: planeacin, organizacin, direccin y control) ya que la estadstica ayuda a recolectar,
estudiar y al final interpretar los datos que obtienen al terminar el proceso administrativo, retroalimenta
con esta informacin y al final se observa en que pueden mejorar y que se est haciendo bien.
En la mercadotecnia es una herramienta muy importante cuando tienes la necesidad de trabajar con
datos de muestreo para conocer los gustos y preferencias de las personas. Igualmente en la auditoria
administrativa cuando recabas datos para conocer en que puede mejorar una organizacin. En pocas
palabras te puede servir en cualquier rea de una organizacin debido a que muestra los resultados de las
actividades que bienes realizando.
En la economa se utiliza como una herramienta de prediccin para pronosticar el comportamiento
futuro, por ejemplo, de los precios de los metales (oro, plata, cobre) tomando como base el
comportamiento pasado de los precios de los mismos. Tambin puede servir para estudiar el
comportamiento de la bolsa de valores, de ciertos productos bsicos, los economistas por lo regular se
sienten magos que creen predecir cosas. En general, la Estadstica suministra los valores que ayudan a
descubrir interrelaciones entre mltiples parmetros macro y microeconmicos, a travs de la evaluacin
de modelos economtricos para el establecimiento de polticas econmicas; anlisis del costo de la
canasta bsica, el poder adquisitivo de la poblacin, etc.
5. La estadstica en la Banca y Seguros
El profesional del seguro de vida ha de ser capaz de asignar primas suficientes para cubrir las cantidades
que habr de pagar la compaa en el caso de muerte del asegurado. En consecuencia, la prediccin
adecuada de las probabilidades de muerte constituye uno de los ejes centrales de la reduccin del riesgo
que se asume. Por ello, el objetivo de la Estadstica de Seguros es una presentacin exhaustiva de los
mtodos disponibles para ajustar tablas de mortalidad y tablas de seguros no vida, ejemplo,
aseguramiento de vehculos, viviendas, etc.
Por otra parte, algunas de las aplicaciones concretas de la Estadstica en el sistema bancario son las
siguientes:
Sistemas de concesin de tarjetas de crdito y fijacin de su lmite.
Sistemas de estimacin del potencial econmico de los clientes.
Definicin de tipologas comerciales de clientes.
Determinacin del pblico objetivo en campaas comerciales.
Modelizacin del riesgo segn las caractersticas de los clientes.
Aplicacin de la teora de colas para brindar un servicio de calidad.
Finalmente, es de mucha utilidad la tcnica de minera de datos para el anlisis de bases de datos del
sistema bancario.

6.

La estadstica en ciencias humanas y sociales

La investigacin en Psicologa, Sociologa y Educacin, al igual que ocurre en otras ciencias, en buena
medida se basa en el manejo de recursos estadsticos como elementos indispensables para llegar a
conclusiones aceptables por el resto de la comunidad cientfica. Dada la peculiaridad de su objeto de
estudio, inabordable en la mayora de los casos sino es a travs de perspectivas complejas de relacin
entre variables, la atencin de los investigadores en las ciencias humanas y sociales se concentra cada
vez ms en la llamada Estadstica Multivariante (Anlisis Cluster, Factorial, Discriminante, etc.).
Las ciencias sociales se han visto apabulladas en los ltimos aos por avances vertiginosos en
informtica y aplicaciones estadsticas, por ejemplo, en El Salvador, se ha elaborado el Mapa de
Pobreza, donde se ha interrelacionado una gran variedad de variables de diferentes reas: Educativas,
Econmicas, Salud, entre otras. Tambin, se ha hecho investigacin sobre los factores que estn
asociados al rendimiento acadmico de los estudiantes, finalmente, se han utilizado diferentes tcnicas
para el anlisis de los resultados acadmicos de los estudiantes.
Las ciencias sociales: es un pilar bsico del desarrollo de la demografa y la sociologa aplicada, lo que
conlleva a:
Definicin de indicadores de fenmenos sociales.
Medicin de constructos o variables no directamente observables (la satisfaccin, la inteligencia,
...)
Medicin de los efectos entre constructos no observables para establecer polticas sociales.
Estudio de la evolucin de la demografa.
Estudios sociales sobre la integracin de la poblacin inmigrada.
Fenmenos sociales como las pandillas, criminalidad, delincuencia, contaminacin, entre otros.
7.

La estadstica en las ciencias qumicas.

En Qumica, la estadstica se aplica en varias reas: En el diseo de experimentos se usan mtodos

estadsticos, en el control de procesos y control de calidad (o gerenciamiento de calidad) de procesos y
productos. En EEUU est muy de moda el sistema seis sigma, creado por general electric, que utiliza
algunos conceptos estadsticos para lograr el aseguramiento de la calidad.
Por otra parte la produccin qumica tiene su costo econmico y financiero que tambin requiere mucho
uso de estadstica, por ejemplo, si no se elabora un buen diseo experimental, se necesitarn muchas
rplicas para validar una formulacin qumica.
Algunas de las aplicaciones concretas que podemos mencionar:
Utilizacin de diseos experimentales para optimizar la composicin de productos alimenticios.
Evaluacin de la superficie de respuesta de una reaccin qumica segn determinados factores.
Prediccin del comportamiento de un componente no sintetizado a partir de las propiedades
moleculares de sus descriptores.
Control de procesos de produccin para detectar problemas evitando a su vez falsas alarmas.

8.

La estadstica en Ciencias biolgicas.

En el rea de las ciencias biolgicas, interesa estudiar el comportamiento de ciertas plantas y sus cruces
a fin de determinar cmo se relacionan genticamente los padres con los hijos, hablando de Genotipo y
Fenotipo. En esta categora es tambin donde se realizan los mayores avances de la humanidad, en
descubrimientos. Cada ao se descubren miles de frmulas cientficas que relacionan fenmenos de la
naturaleza con modelos matemticos.
Los cientficos se dedican a realizar estudios estadsticos, recogiendo datos y muestras, investigando el
tiempo de reproduccin de un virus, el comportamiento migratorio de algunas aves o insectos, adems
de factores de tamao y volumen del crecimiento de ciertas especies de animales o vegetales. Todo esto
funciona con la idea de recopilar informacin, muestrear ciertas reas para ver cmo se han comportado
algunas aves, por ejemplo, se pueden dibujar o simular curvas que se supone que son relativamente
parecidas al comportamiento migratorio de aves. Con esta herramienta se podran determinar tambin
las pocas de mayor probabilidad de contagio, diseminacin de algn virus o bien enfermedades
transmitidas por insectos.
Algunas aplicaciones concretas en esta rea son: Determinacin del tamao de poblaciones naturales en
una regin; efectividad de la utilizacin de barreras naturales (filas de rboles plantados en los lmites
del terreno) como medio de prevenir las plagas de insectos o aves sobre las plantaciones y as disminuir
la utilizacin de pesticidas: y, determinacin de los niveles ptimos de utilizacin de los fertilizantes.
Obviamente, en esta rea es donde ms se hace usos de la teora de Diseos de Experimentos.
9.

La estadstica en las ciencias mdicas.

Permite establecer pautas sobre la evolucin de las enfermedades y los enfermos, los ndices de
mortalidad asociados a procesos morbosos, el grado de eficacia de un medicamento, etctera.
Bajo este conjunto de ideas, se ha presentado un panorama de la utilidad de la estadstica, haciendo un
recorrido por diversas reas del conocimiento humano, con el fin, de conocer como se relacionan con las
diversas ciencias, formando una sola verdad. Evidentemente, existen, muchas disciplinas donde se aplica
la estadstica, que no han sido consideradas en este apartado, por ejemplo, las ingenieras, la pintura, la
msica, etc. Finalmente, es de resaltar que en todos los temas donde se analice informacin est presente
la estadstica.

1.2. Poblacin, Muestra y tcnicas de muestreo.

Las estadsticas de por s no tienen sentido si no se considera o se relaciona dentro del contexto con que
se trabajan. Por lo tanto es necesario entender los conceptos de poblacin y de muestra para lograr
comprender mejor su significado en la investigacin educativa o social que se lleva a cabo.
POBLACIN - es el conjunto total de individuos, objetos o medidas que poseen algunas caractersticas
comunes observables en un lugar y en un momento determinado. Cuando se vaya a llevar a cabo alguna
investigacin debe de tenerse en cuenta algunas caractersticas esenciales al seleccionarse la poblacin
bajo estudio. Entre stas tenemos:

Homogeneidad - que todos los miembros de la poblacin tengan las mismas caractersticas segn las
variables que se vayan a considerar en el estudio o investigacin. Por ejemplo, si se fuera a investigar la
incidencia de la drogadiccin entre jvenes mujeres adolescentes, entonces hay que definir claramente
las edades que comprenden la adolescencia y cuando se seleccione la poblacin asegurarse de que todas
las personas entrevistadas sean de la edad determinada y del sexo femenino. (La adolescencia se define
operacionalmente como el periodo comprendido de edad que flucta entre 12 y 21 aos.)
Tiempo - se refiere al perodo de tiempo donde se ubicara la poblacin de inters. Determinar si el
estudio es del momento presente o si se va a estudiar a una poblacin de cinco aos atrs o si se van a
entrevistar personas de diferentes generaciones.
Espacio - se refiere al lugar donde se ubica la poblacin de inters. Un estudio no puede ser muy
abarcador y por falta de tiempo y recursos hay que limitarlo a un rea o comunidad en especfico.
Cantidad - se refiere al tamao de la poblacin. El tamao de la poblacin es sumamente importante
porque ello determina o afecta al tamao de la muestra que se vaya a seleccionar, adems que la falta de
recursos y tiempo tambin nos limita la extensin de la poblacin que se vaya a investigar.
MUESTRA - la muestra es un subconjunto fielmente representativo de la poblacin.
Hay diferentes tipos de muestreo. El tipo de muestra que se seleccione depender de la calidad y cun
representativo se quiera que sea el estudio de la poblacin, en este sentido, la muestra puede ser:
Aleatoria - cuando se selecciona al azar y cada miembro tiene igual oportunidad de ser incluido.

Un procedimiento de extraer una muestra aleatoria de una poblacin finita es: enumerar todos los
elementos que conforman la poblacin, escribir esos nmeros en papelitos y echarlos en una urna o
bolsa mezclarlos bien removindolos y sacar uno a uno tantos como lo indique el tamao de la muestra.
En este caso los elementos de la muestra lo constituirn los elementos de la poblacin cuyos nmeros
coincidan con los extrados de la bolsa o urna.
El tamao de la muestra (MAS):
Al realizar un muestreo probabilstica nos debemos preguntar Cul es el nmero mnimo de unidades
de anlisis (personas, organizaciones, capitulo de telenovelas, etc), que se necesitan para conformar una
muestra n que me asegure un error estndar menor que 0.01 ( fijado por el muestrista o investigador),
dado que la poblacin es aproximadamente de N elementos.
En el tamao de una muestra de una poblacin se debe tener presente la varianza poblacional, error
mximo permisible prefijado (diferencia del parmetro y estimador), con un nivel de confianza de 1 .
Simblicamente se refiere a lo siguiente: P X d 1 , bajo este contexto podemos utilizar la
frmula:

Ejemplo. Se desea estimar la estatura promedio de los estudiantes de la asignatura de Tratamiento de la

Informacin Estadstica. Se sabe que la estatura de un estudiante es una variable aleatoria con
distribucin normal. Determine el tamao de muestra aleatoria necesaria para garantizar una
probabilidad igual a 0.95 de que el estimador y el parmetro se diferencien en menos de 10cm.
Solucin.
Datos conocidos.
d= 10cm
Calcular: ,

=1.96

Determinar:

MUESTREO ESTRATIFICADO - cuando se subdivide en estratos o subgrupos segn las

variables o caractersticas que se pretenden investigar. Cada estrato debe corresponder
proporcionalmente a la poblacin.
k

El nmero determinado de elementos muestrales es: n ni , donde ni es el nmero de elementos en el

i 1

estrato i=1, 2, , k . No se entrar en detalle del clculo del tamao muestral, ya que supera el alcance
de esta asignatura.
MUESTREO SISTEMTICO - cuando

se establece un patrn o criterio al seleccionar la muestra.

Ejemplo: se entrevistar una familia por cada diez que se detecten.
El muestreo es indispensable para el investigador ya que es imposible entrevistar a todos los miembros
de una poblacin debido a problemas de tiempo, recursos y esfuerzo. Al seleccionar una muestra lo que
se hace es estudiar una parte o un subconjunto de la poblacin, pero que la misma sea lo suficientemente
representativa de sta para que luego pueda generalizarse con seguridad de ellas a la poblacin.
El tamao de la muestra depende de la precisin con que el investigador desea llevar a cabo su estudio,
pero por regla general se debe usar una muestra tan grande como sea posible de acuerdo a los recursos
que haya disponibles. Es de especificar que para cada mtodo de muestreo existen frmulas para
determinar el tamao de muestra.

1.3 Unidad de estudio y unidad de muestreo

La unidad de anlisis o estudio corresponde a la entidad mayor, primaria o representativa de lo que va
a ser objeto especfico de estudio en una medicin y se refiere al qu o quin es objeto de inters en una
investigacin. Por ejemplo: Condiciones de hacinamiento de las familias del Municipio de Soyapango,
San Salvador. Unidad de Anlisis: Familias del Municipio de Soyapango.
Debe estar claramente definida en un protocolo de investigacin y el investigador debe obtener la
informacin a partir de la unidad que haya sido definida como tal, aun cuando, para acceder a ella, haya
debido recorrer pasos intermedios. Las unidades de anlisis pueden corresponder a las siguientes
categoras o entidades:

Personas
Grupos humanos
Poblaciones completas
Unidades geogrficas determinadas
Eventos o interacciones sociales (enfermedades, accidentes,
intrahospitalarias, etc)
Entidades intangibles, susceptibles de medir (exmenes, das, camas)

casos

de

infecciones

El tipo de anlisis al que se someter la informacin es determinante para elegir la unidad de anlisis.
Por ejemplo, si el objetivo es dar cuenta de la satisfaccin del usuario de un servicio mdico, la unidad
de anlisis natural es el paciente atendido, o la persona que se atiende en ese servicio mdico. Si el
objetivo es dar cuenta de la satisfaccin del alumno sobre el desempeo docente, la unidad de anlisis es
el alumno que recibe clases con el docente evaluado.
La unidad de muestreo corresponde a la entidad bsica mediante la cual se acceder a la unidad de
anlisis. En algunos casos, ambas se corresponden. Por ejemplo, si se desea estimar la prevalencia de
dao auditivo en relacin con niveles de ruido ambiental en una muestra de trabajadores de una fbrica,
la unidad de muestreo puede corresponder a la entidad "sujeto", si se dispone de un registro detallado de
cada sujeto. La unidad de anlisis es por cierto el trabajador de la fbrica.

1.4 Variables y datos

VARIABLES
Las variables son las caractersticas observables de un objeto, problema o evento que se puede describir
segn un esquema de medicin bien definido. Cada rasgo o aspecto de una poblacin constituye una
variable. La edad de unas personas, su sexo, color de su piel, nacionalidad, su nivel de motivacin,
niveles de ansiedad, el nmero de nacimientos, nmero de matrimonios, frecuencia de suicidios,
estatura, peso, niveles de inteligencia, actitudes, entre muchas otras.
Las variables pueden adquirir diferentes valores o clasificarse en diferentes categoras segn la
naturaleza o tipo de estudio que se lleve a cabo. Entre stas tenemos las siguientes clasificaciones:
9

VARIABLES CUALITATIVAS - son aquellas que se expresan en forma verbal como categoras o
atributos. Por ejemplo, el sexo, color, afiliacin poltica, nacionalidad, motivacin, rea acadmica o
profesin de una persona.
VARIABLES CUANTITATIVAS - son las que varan en trminos de cantidad y se registran o expresan
en forma numrica. Por ejemplo, edad, promedio acadmico, puntuaciones de exmenes, frecuencia de
delitos, temperatura, ingresos anuales o salarios por hora. Hay algunas caractersticas que pueden
clasificarse o expresarse como variable cuantitativa y transformarla a cualitativa o viceversa. Por
ejemplo, nivel de aprovechamiento acadmico estudiantes de 4:00 puntos, o estudiantes de 3:00 puntos y
as sucesivamente. El investigador puede expresar mediante una escala numrica el aprovechamiento
acadmico al clasificar a los estudiantes, como tambin puede clasificarlos como variable cualitativa en
las categoras de excelentes, buenos, regulares y deficientes.
VARIABLES DISCRETAS - son aquellas que slo adquieren un valor absoluto o especfico que nunca
cambian. Pueden ser cualitativas. Ejemplo: el sexo, nacionalidad, grupo tnico, entre otras.
VARIABLES CONTINUAS - que siempre son cuantitativas, son las que pueden asumir cualquier
valor. Por ejemplo, la edad, altura, peso, ndice acadmico.
En el campo de la investigacin, que se suele examinar las relaciones entre dos o ms variables al
investigar un asunto o problema, se clasifican las variables como:
VARIABLES INDEPENDIENTES - son las caractersticas controladas por el investigador y que se
supone tendrn efectos sobre otras variables.
VARIABLES DEPENDIENTES - son las caractersticas o aspectos que se alteran por consecuencia del
control que ejerce el investigador sobre otras variables.
Estos dos ltimos tipos de variables suelen darse ms en estudios o investigaciones experimentales, pero
tambin podemos considerarlas en estudios descriptivos. Por ejemplo, en un estudio experimental se
investiga si un nuevo medicamento mejora las condiciones del sida. A tales efectos se seleccionaron 30
pacientes, de los cules 15 reciban el nuevo medicamento (grupo experimental) y otros 15 continuaban
con su tratamiento tradicional (grupo control). El nuevo medicamento viene a ser la variable
independiente porque es la que los investigadores controlan y que luego examinarn sus efectos en la
condicin del sida, la cual viene a ser la variable dependiente, porque es la condicin que se va alterar o
quedar afectada por el nuevo medicamento.
En un estudio descriptivo donde interesa saber si la clase social es factor determinante en el
aprovechamiento acadmico en las escuelas, entonces la clase social es la variable independiente y el
aprovechamiento acadmico la dependiente.
Una variable puede ser independiente en una investigacin y dependiente en otra, todo depender de la
finalidad de la investigacin. Por ejemplo, si se lleva a cabo un estudio para determinar cmo las
condiciones socio-econmicas influyen a la drogadiccin, en este caso, status socio- econmico es una
variable independiente. Por el contrario, si se lleva a cabo una investigacin para saber cmo la
drogadiccin afecta las condiciones sociales y econmicas, entonces, el status socio-econmico
resultara ser la variable independiente.
DATOS: son los hechos que describen sucesos y entidades.
10

1.5. ESCALAS DE MEDICIN

Una escala es un esquema especfico para asignar nmeros o smbolos con el objeto de designar
caractersticas de una variable. Las escalas de medicin comnmente conocidas son: nominales,
ordinales, de intervalos y de razn. A continuacin veamos los cuatro tipos de escalas de medicin.

1.5.1. ESCALAS NOMINALES

Las escalas nominales son aquellas donde se clasifican los objetos, personas o variables en categoras
cualitativamente distintas. Consiste simplemente en agrupar objetos en clases o asignar las personas de
acuerdo a alguna cualidad una vez que los objetos o personas posean caractersticas comunes que lo
hagan pertenecer a una categora. Por ejemplo, todos los estudiantes que obtuvieron sobre 9 puntos
fueron clasificados como excelentes, los que obtuvieron menos de 8.9 pero ms de 8.0 como muy
buenos y de 7.0 a 7.9 como buenos. En una redada de drogas se arrestaron 22 mareros, cuatro acusados
de homicidios, ocho acusados de violacin y diez por extorciones.
Se pueden utilizar nmeros en las escalas nominales, pero stos no representan magnitudes absolutas.
Los nmeros slo se utilizan con el propsito de clasificarlos a determinada categora. Por ejemplo, si
vas a comprar pintura azul en la ferretera te presentan una escala con diferentes tonalidades del color
azul y cada tonalidad posee un nmero, pero este nmero slo es para facilitar al vendedor identificar el
color solicitado entre cientos de colores. De igual modo en muchas solicitudes se le asigna el nmero 1
al sexo masculino y nmero dos al femenino y esta clasificacin slo es para facilitar los cmputos y
manejos de informacin estadstica, pero no quiere decir que los masculinos tengan ms o menor valor
que las del sexo femenino. Los nmeros que se utilizan para efectos de identificacin en una escala
nominal nunca se utilizarn para llevar a cabo los procedimientos matemticos de suma, resta,
multiplicacin y divisin.

1.5.2. ESCALAS ORDINALES

Las escalas ordinales son las que clasifican a las personas, eventos u objetos en una posicin con
relacin a cierto atributo, pero sin indicar la distancia que hay entre las posiciones. Cuando se asignan
nmeros es slo para indicar el orden de las posiciones de lo que se est clasificando. Por ejemplo, en un
determinado grupo escolar se decidi seleccionar los cinco estudiantes con el promedio ms alto para
premiarlos con un viaje al Lago de Coatepeque y result que Esteban qued tercero con un promedio de
8.90, seguido de Jorge con 8.88 y, luego Leticia con 8.75. Esteban como tercero se le asigna el nmero
tres, pero sta designacin numrica slo indica su posicin con relacin a los otros cuatro alumnos.
Sabemos que Esteban tiene un mejor promedio que Jorge y que su promedio es superior que el de
Leticia. Sin embargo, no podremos saber hasta qu punto es mejor su promedio comparado con los
otros.
Con las escalas ordinales tampoco se pueden llevar a cabo las operaciones aritmticas de suma, resta,
multiplicacin y divisin. La diferencia que puede haber entre unas personas u objetos en este tipo de
11

escala no necesariamente constituye unidades iguales o absolutas que puedan utilizarse para determinar
si el que tiene un segundo lugar posee el doble valor que el que queda en cuarta posicin. Por ejemplo,
en un evento atltico de una carrera que no haya sido cronometrada, podemos saber quin lleg primero,
segundo y tercer lugar, pero no podemos saber con precisin la velocidad entre un corredor y otro. La
diferencia que hay entre el primero y el segundo no necesariamente es igual a la que hubo entre el
segundo y el tercero.

1.5.3. ESCALAS DE INTERVALOS

Las escalas de intervalos son aquellas que ordenan los objetos o eventos segn la magnitud del atributo
que representan y proveen intervalos iguales entre las unidades de medida. Adems, no poseen un punto
cero absoluto o verdadero ya que el mismo es establecido por convencin de forma arbitraria por los
expertos en el rea o materia de estudio y no implica la ausencia del atributo o la propiedad en cuestin.
Por ejemplo, la escala de inteligencia posee un punto cero, pero administrando cualquier tipo de prueba
que intente medir la inteligencia, nunca va a encontrar un ser humano con cero inteligencia. De igual
modo si el agua est en 0 grado C, esto no quiere decir que carezca de temperatura, ya que en una
escala de intervalos, como se ha indicado, es una designacin arbitraria y convencional.
Una diferencia de cierta magnitud en una escala de intervalos significa lo mismo en todos los puntos de
la escala. As por ejemplo, en los termmetros de grados Fahrenheit y centgrados que utilizan este tipo
de escalas, estn divididos en unidades iguales, la diferencia en la temperatura entre 100 grados y 101
grados es equivalente a la diferencia entre 110 grados y 111 grados.
La numeracin de los aos en nuestro calendario utiliza tambin una escala de intervalos. Las
autoridades eclesisticas y gubernamentales de la poca decidieron arbitrariamente fijar como el ao 1 el
del nacimiento de Cristo y como unidad de medida un lapso de 365 das. Por lo tanto, el lapso de tiempo
que estuvo Bill Clinton como presidente de los Estados Unidos desde 1993 2001 es igual al que
transcurri George Bush desde 2001 2009.

1.5.4. ESCALAS DE RAZONES O COCIENTES

Las escalas de razones o cocientes se diferencian de las de intervalos solamente en que la de razones el
punto cero no es arbitrario y corresponde a una total ausencia del asunto o propiedad estudiada. La
escala de una simple regla de 12 pulgadas posee una escala de razones la cual est dividida en 12
unidades cada una de igual magnitud y parte de un punto cero absoluto y verdadero.
La mayora de las variables con las cuales se utiliza este tipo de escalas se refieren ms a la ejecucin de
tareas motoras, a las medidas de objetos y de aspectos fisiolgicos.
Dos ejemplos de las escalas de razones y cocientes son: las medidas de la estatura y el peso. Si una
columna mide seis metros es el doble de alto de otra columna que mide tres metros. Si Enrique pesa 180
libras, entonces pesa el doble que Mara quin pesa 90 libras. Las razones de los nmeros en estas
escalas tienen un determinado sentido, lo que hace posible que se interpreten los valores numricos entre
las cantidades obtenidas de los objetos.
Adems pueden llevarse a cabo las diferentes operaciones matemticas.

12

RESUMEN: CARACTERSTICAS, EJEMPLOS Y LIMITACIONES

DE LAS ESCALAS DE MEDICIN
ESCALA

LIMITACIONES
CARACTERSTICAS
Se clasifican las personas, eventos u USOS/EJEMPLOS
Denominaciones religiosas, afiliacin No

Nominal

objetos en categoras.

Ordinal

Se clasifican u ordenan las personas,

objetos y eventos en determinada
posicin.

Intervalo

Razones

Escala que posee unidades

magnitud. El punto cero de
es arbitrario y no refleja la
del atributo.
Escala que posee un punto
cero absoluto e intervalos
magnitud.

poltico partidista, codificaciones en la

clasificacin de objetos, pinturas,
movimientos literarios.
Orden de llegada de atletas en una
carrera, puntuaciones de una prueba,
rangos militares, nivel de popularidad de
estudiantes en una escuela.

de igual
la escala
ausencia

Temperaturas (Celsius y Fahrenheit),

fechas del calendario, escala de
inteligencia.

de igual

Distancia, peso,
estatura, tiempo
requerido para realizar una tarea escolar.

se
pueden
precisar
diferencias cuantitativas entre
las categoras.
Restringida para Identificar
diferencias relativas, pero no
precisa diferencias en cantidad
absoluta entre personas u
objetos.
Razones no tienen sentido ya
que el punto cero es establecido
convencionalmente.
Ninguna, excepto que su uso se
supedita mayormente a medir
cualidades fsicas ms que para
la medicin de aspectos
psicolgicos.

1.6. Diseo de Experimentos estadsticos.

El diseo de un experimento es la secuencia completa de los pasos que se deben tomar de antemano,
para planear y asegurar la obtencin de toda la informacin relevante y adecuada al problema bajo
investigacin, la cual ser analizada estadsticamente para obtener conclusiones vlidas y objetivas con
respecto a los objetivos planteados.
Un Diseo Experimental es una prueba o serie de pruebas en las cuales existen cambios deliberados en
las variables de entrada de un proceso o sistema, de tal manera que sea posible observar e identificar las
causas de los cambios que se producen en la respuesta de salida.
El propsito de cualquier Diseo Experimental, es proporcionar una cantidad mxima de informacin
pertinente al problema que se est investigando. Y ajustar el diseo que sea lo ms simple y efectivo;
para ahorrar dinero, tiempo, personal y material experimental que se va a utilizar. Es de acotar, que la
mayora de los diseos estadsticos simples, no slo son fciles de analizar, sino tambin son eficientes
en el sentido econmico y en el estadstico.
De lo anterior, se deduce que el diseo de un experimento es un proceso que explica tanto la
metodologa estadstica como el anlisis econmico.
DISEO: Consiste en planificar la forma de hacer el experimento, materiales y mtodos a usar, etc.
EXPERIMENTO:
Conjunto
de
pruebas
o
ensayos
cuyo
informacin, que permita mejorar el producto o el proceso en estudio.

13

objetivo

es

obtener

Gua de ejercicios N 1. Conceptos bsicos de estadstica.

1. Contestar verdadero o falso y comentar su respuestas segn sea el caso:
a) La Estadstica es una ciencia que estudia y describe las caractersticas de un conjunto de casos.
b) La estadstica inferencial generaliza los resultados de una muestra a los de la poblacin total.
c)

Durante los ltimos dos das se ha informado de un total de cinco homicidios diarios en San
Salvador, este es un ejemplo de estadstica inferencial.

d) A las medidas que se obtienen de una muestra se les da el nombre de parmetro.

e) En una muestra aleatoria ciertos elementos tienen mayor probabilidad que otros de ser
seleccionados.
2. Mediante ejemplos, explicar la diferencia entre la estadstica descriptiva y estadstica inferencial.
3. POBLACIN - es el conjunto total de individuos, objetos o medidas que poseen algunas
caractersticas comunes observables en un lugar y en un momento determinado. A partir de esta
definicin enumere las caractersticas de una poblacin.
4. Describir dos ejemplos de poblacin.
5. Describir dos ejemplos de muestra de una poblacin.
6. Definir al menos dos tipos de muestreo y dar ejemplos de aplicacin de cada uno.
7.

Se desea estimar la edad promedio de los estudiantes de la asignatura de Tratamiento de la

Informacin Estadstica. Se sabe que la edad de un estudiante es una variable aleatoria con
distribucin normal con desviacin estndar de 6cm. Determine el tamao de muestra aleatoria
necesaria para garantizar una probabilidad igual a 0.95 de que el estimador y el parmetro se
diferencien en menos de 5cm.

8. Establecer las diferencias entre la unidad de anlisis y la unidad muestral.

9. Establecer las diferencias entre variables cualitativas y cuantitativas.
10. Definir al menos dos ejemplos de variables cualitativas y de variables cuantitativas.
11. Establecer las diferencias entre variables discretas y continuas.
12. Definir al menos dos ejemplos de variables discretas y de variables continuas.
13. Definir las siguientes escalas de Medicin y presentar dos ejemplos de cada una de ellas:

Escala nominal

Escala ordinal

Escala de intervalo.

Escala de razn
14

Unidad 2. Distribuciones de frecuencias y sus representaciones

grficas.
2.1 Estadstica Descriptiva con una variable
La estadstica descriptiva permite organizar y presentar un conjunto de datos de manera que describan en
forma precisa las variables analizadas haciendo rpida su lectura e interpretacin. Obviamente, la
materia prima de la Estadstica Descriptiva la constituyen los datos, que son el resultado de las
observaciones y/o experimentos. Se denomina variable al carcter o fenmeno de la realidad objeto de
estudio. Las variables pueden ser de diferentes tipos, dependiendo de los datos que la forman.
Cualitativas o atributos
Cuantitativas : Discretas o Continuas

Variables

Las variables cualitativas o atributos son aquellas que no toman valores numricos. Describen diferentes
cualidades denominadas modalidades. Ejemplo: Sexo, estado civil, color de los ojos, etc. Las variables
cualitativas estn formadas por datos que toman valores numricos y pueden ser discretas, si slo toman
un nmero entero de valores, y continuas, si pueden tomar cualquier valor real dentro de un intervalo.
Entre los sistemas para ordenar los datos se encuentran principalmente dos: a) la distribucin de
frecuencias y b) la representacin grfica.

1.1.1 Distribucin de frecuencias

Supongamos que hemos recogido un conjunto de n datos englobados en una variable X. La tabla que
recoge de modo sistemtico estos datos se denomina distribucin de frecuencias. La Distribucin de
Frecuencias (Simples o agrupadas en intervalos). Comnmente llamada tabla de frecuencias, se utiliza
para hacer la presentacin de datos provenientes de las observaciones realizadas en el estudio,
estableciendo un orden mediante la divisin en clases y registro de la cantidad de observaciones
correspondientes a cada clase. Lo anterior facilita la realizacin de un mejor anlisis e interpretacin de
las caractersticas que describen y que no son evidentes en el conjunto de datos brutos o sin procesar.
La siguiente tabla recoge las principales caractersticas de una distribucin de frecuencias simple o no
agrupada.

15

Datos

Frecuencias Absolutas
Simples
Acumuladas
N1 n1
n1

x1

Frecuencias Relativas
Simples
Acumuladas
f1 n1 / n
F1 N1 / n

x2

n2

N 2 n1 n2

f 2 n2 / n

F2 N 2 / n

.
.
.
xk

.
.
.
nk

.
.
.

.
.
.

.
.
.
Fk N k / n

f k nk / n

N k ni
i 1

Total

ni n

i 1

i 1

La primera columna representa los distintos valores de esos datos y la segunda la frecuencia simple, es
decir, el nmero de veces que se ha observado el correspondiente valor; la tercera columna recoge la
frecuencia acumulada (nmero de veces que se han observado valores menores o iguales que el que
corresponde a dicha fila). Las frecuencias relativas se obtienen a partir de las frecuencias absolutas,
dividiendo por el tamao de la muestra.
Cuando en la muestra existen muchos valores diferentes y mucha variabilidad se recomienda, an a
costa de perder informacin, agrupar los datos en clases, en lo que se denomina distribucin de
frecuencias agrupada en intervalos.
Clase

L1 L2

Marca Frecuencias Absolutas

Clase Simples
Acumuladas
N1 n1
x1
n1
N 2 n1 n2
x2
n2

.
.
.
Lk 1 Lk

.
.
.
xk

L0 L1

.
.
.
nk

Frecuencias Relativas
Simples
Acumuladas
f1 n1 / n
F1 N1 / n

.
.
.

f 2 n2 / n

F2 N 2 / n

.
.
.

.
.
.
Fk N k / n

f k nk / n

N k ni
i 1

Total

ni n

i 1

i 1

A cada uno de los intervalos se les denomina clase y al punto medio marca de clase. A efectos de clculo
la marca de clase se elige como representante del intervalo. El nmero de clases en que se dividen los
datos no debe ser excesivo. A modo orientativo, el nmero de clases se puede obtener mediante la
siguiente frmula emprica, llamada de Sturges:
3 log(n)
nmero de clases
(Tomar la parte entera)
2 log(2)
16

Ejemplo. Poblacin de El Salvador, por sexo y edad.

Eda Hombr
d
e
Mujer
5009
< 1 51787
7
5147
1 53230
7
5426
2 55845
1
5712
3 59752
7
5965
4 62658
9
5973
5 62274
8
6624
6 69088
9
7267
7 75310
2
6851
8 71525
1
6840
9 70953
7
7066
10 74244
4
6949
11 71744
9
7283
12 74093
5
6619
13 68251
4
6763
14 71191
2
6375
15 64523
2
6163
16 61880
0
6162
17 61255
4
5858
18 57590
4
5659
19 53136
1
5508
20 50243
5
5162
21 45994
3
22 46006 5142

Eda
Total
d
10188
4
36
10470
7
37
11010
6
38
11687
9
39
12231
7
40
12201
2
41
13533
7
42
14798
2
43
14003
6
44
13936
0
45
14490
8
46
14124
3
47
14692
8
48
13444
5
49
13882
3
50
12827
5
51
12351
0
52
12287
9
53
11617
4
54
10972
7
55
10532
8
56

Hombr
e
Mujer

97617
97435

16816 20974
14462 17853

57
58

31398 40111
31414 38801
29639 37419
29435 37454
31769 39411
24732 32964
26840 34653
24578 32639
24299 31746
24451 31422
21989 29308
22251 28713
20682 26481
20584 26241
22897 28057
17664 22874
19081 24360
17671 22344
17962 22824
17848 22561
17114 21361

17

Eda
Total d
7150
9
72
7021
5
73
6705
8
74
6688
9
75
7118
0
76
5769
6
77
6149
3
78
5721
7
79
5604
5
80
5587
3
81
5129
7
82
5096
4
83
4716
3
84
4682
5
85
5095
4
86
4053
8
87
4344
1
88
4001
5
89
4078
6
90
4040
9
91
3847
5
92
3779
0
93
3231 94

Hombr Muje
e
r
Total
1071 1930
8591
7
8
1698
7461 9522
3
1003 1804
8011
0
1
1795
8067 9886
3
1728
7535 9745
0
1576
6897 8872
9
1294
5825 7123
8
1203
5334 6700
4
1280
5717 7089
6
4124

5274 9398

3841

5220 9061

3438

4508 7946

3281

4378 7659

3263

4413 7676

3096

4286 7382

2750

3758 6508

1767

2358 4125

1595

2219 3814

1405

2091 3496

786

1143 1929

826

1206 2032

673
559

990
869

1663
1428

23

42864

24

42894

25

42616

26

41993

27

43473

28

39209

29

39672

30

41911

31

33494

32

35940

33

33124

34

33931

35

34628

9
4927
8
5112
6
5055
2
5070
7
5221
4
4807
6
4937
8
5074
4
4293
3
4531
2
4199
0
4287
0
4284
8

92142

59

15478 18608

94020

60

17461 19979

93168

61

12470 15424

92700

62

13590 17093

95687

63

12274 15528

87285

64

12412 15633

89050

65

12802 15513

92655

66

11774 14915

76427

67

11864 14597

81252

68

9694

12291

75114

69

9647

12060

76801

70

77476

71

10861 13101
8525

10638

5
3408
6
3744
0
2789
4
3068
3
2780
2
2804
5
2831
5
2668
9
2646
1
2198
5
2170
7
2396
2
1916
3

Fuente: VI Censo de Poblacin y V de Vivienda, El Salvador, 2007.

Elabore una tabla de frecuencias agrupadas por edad.

18

95

482

816

1298

96

416

674

1090

97
98
+

356

588

944

526

948

1474

1.1.2 Representacin grfica

Diagrama de Barras:
Para el caso de distribuciones de frecuencias no agrupadas en intervalos, el diagrama de barras es el
grfico ms empleado. Que se usa cuando se pretende resaltar la representacin de porcentajes o
frecuencias de datos que componen un total. Una grfica de barras contiene barras verticales que
representan valores numricos. Las frecuencias estn asociadas con categoras. Una grfica de barras se
presenta de dos maneras: horizontal o vertical. El objetivo es poner una barra de largo (alto si es
horizontal) igual a la frecuencia. La grfica de barras sirve para comparar y tener una representacin
grfica de la diferencia de frecuencias o de intensidad de la caracterstica numrica de inters. Si en vez
de frecuencias simples utilizamos frecuencias acumuladas, tenemos el llamado diagrama de escalera.
Ejemplo.
La poblacin segn condicin de ocupacin del Municipio de Ayutuxtepeque se presenta en el siguiente
cuadro:
REA URBANA
EL ZAPOTE
LOS LLANITOS
Total

OCUPAD DESOCUPA INACTIVO

OS
DOS
S
Total
10966
2832
8531
22329
329
42
477
848
2410
227
2550
5187
13705
3101
11558
28364

Fuente: VI Censo de Poblacin y V de Vivienda, El Salvador, 2007.

Elaborar un grfico de barras para la poblacin total de Ayutuxtepeque segn su condicin de ocupacin.

Ejemplo. Con la informacin del VI Censo de Poblacin y V de Vivienda, El Salvador, 2007, se han
clasificado las mujeres de El Salvador de 12 aos y ms, segn el nmero de hijos varones, resultando
los siguientes datos.
19

N Hijos
Varones
0
1
2
3
4
5
6
7
8
9+

Construir un grfico de barras para el nmero de hijos varones de las mujeres

Madres
salvadoreas.
278290
509469
339180
177050
92233
50916
27791
15004
7328
7366

Grfico de sectores:
En el caso de variables cualitativas el diagrama circular se utiliza con mucha frecuencia. Consiste en
representar sobre un crculo los diferentes atributos, mediante un sector circular de ngulo proporcional
a la correspondiente frecuencia. El ngulo de cada sector circular se calcula multiplicando por 360 la
frecuencia relativa.
Los grficos de sectores, tambin conocidos como diagramas de "tartas o pastel", se divide un crculo
en tantas porciones como clases tenga la variable, de modo que a cada clase le corresponde un arco de
crculo proporcional a su frecuencia absoluta o relativa. Si el nmero de categoras es excesivamente
grande, la imagen proporcionada por el grfico de sectores no es lo suficientemente clara y por lo tanto
la situacin ideal es cuando hay alrededor de cuatro categoras. En este caso se pueden apreciar con
claridad dichos subgrupos.
En el caso de variables cualitativas el diagrama circular se utiliza con mucha frecuencia. Consiste en
representar sobre un crculo los diferentes atributos, mediante un sector circular de ngulo proporcional
a la correspondiente frecuencia. El ngulo de cada sector circular se calcula multiplicando por 360 la
frecuencia relativa.
Ejemplo.
La poblacin segn nivel de estudio del Municipio de Ayutuxtepeque se presenta en el siguiente cuadro:
Superior
no
Tcnico
Superior
Parvulari Primaria Educaci universita universita universita Maestr Doctora
a
o bsica n media ria
rio
ria
a
do
Total
1168
15895
6842
499
363
4556
70
7 29400
Fuente: VI Censo de Poblacin y V de Vivienda, El Salvador, 2007.

Elaborar un grfico de sectores.

Figura 2. Nivel educativo de la poblacin de Ayutuxtepeque, por ciento.
20

Histogramas y polgono de frecuencias.

El histograma y el polgono de frecuencias son las representaciones grficas usadas para distribuciones
de frecuencias agrupadas en intervalos. El histograma se construye dibujando en cada clase un
rectngulo de base la amplitud del intervalo y de altura se representan las frecuencias. Si desde el
extremo superior de cada una de las barras que representan los intervalos de clase se hace una marca en
el punto medio y luego se unen los puntos por lnea recta se obtiene el polgono de frecuencias.
El polgono de frecuencias se lleva hasta el eje horizontal en los extremos hasta los puntos que seran los
puntos medios si hubiera una clase adicional en cada extremo del histograma correspondiente. Esto
permite que el rea total quede incluida. Es decir, el rea total bajo el polgono de frecuencias equivale al
rea bajo el histograma.
Ejemplo: Estatura de los estudiantes de clase (ejercicio prctico)
Ejemplo:
El siguiente cuadro presenta el nmero de homicidios para los aos 2004, 2005, 2006, 2007 y 2008, para
los municipios de Soyapango, Ilopango y San Martn.
Grupos
SOYAPANGO
ILOPANGO
SAN MARTN
de
edades Femenino Masculino Total Femenino Masculino Total Femenino Masculino Total
AO 2004
Total
15
167
182
12
78
90
11
42
53
AO 2005
Total
14
228
242
5
74
79
11
75
86
AO 2006
Total
16
246
262
15
69
84
6
48
54
AO 2007
Total
20
179
199
10
67
77
8
71
79
AO 2008
Total
10
128
138
9
66
75
7
54
61
Fuente: Fuente estadsticas de homicidios de Instituto de Medicina Legal. Los cadveres que no se pudo identificar el sexo,
no aparecen registrados en el cuadro anterior.

Utilizar la mejor representacin grfica para la informacin anterior (Diagrama de barras e histogramas)

21

Unidad 3. Medidas Caractersticas de una Distribucin

Cuantitativa Emprica.
1.1.3 Medidas de posicin
Los promedios o medidas de posicin proporcionan valores tpicos o representativos de la variable en
estudio. Podemos hablar de medidas de posicin centrales, como la media (aritmtica, geomtrica y
armnica), la mediana y la moda y medidas de posiciones no centrales, como los cuartiles, quintiles,
deciles y percentiles.
La media aritmtica es la medida de posicin ms utilizada (esta muy influenciada por los valores
extremos de la variable). Viene definida como la suma de los datos divido por el nmero de ellos.
Dependiendo de la naturaleza de los datos que pretendemos promediar, ser conveniente el uso de otro
tipo de medidas, como son la media geomtrica (Todos los datos son positivos y hay mucha dispersin;
ejemplo: porcentajes, tasas de crecimiento, razones, nmeros ndices, inters anual, inflacin, etc.) y la
media armnica (resulta poco influida por la existencia de determinados valores muy grandes que el
conjunto de los otros, siendo en cambio sensible a valores muy pequeos), cuyas frmulas se presentan
en la siguiente tabla. Si a cada observacin se le asigna un valor diferente, dado en forma de peso, y a
continuacin se calcula la media, nos encontramos con una media ponderada. La moda de un conjunto
de valores es aquel valor que ocurre con ms frecuencia. Si todos los valores son distintos, no hay
moda, por otra parte, un conjunto de datos puede tener ms de una moda.
Medidas de tendencia central
Media aritmtica

1
x1n1 x2 n2 . . . xk nk
n

Media geomtrica

G x1n1 x2 n2 . . . xk nk

Media armnica

1/ n

n
n1 n2
n
. . . k

xk
x1 x2

Ejemplo (Media geomtrica)

Las tasas de inters de tres bonos son 5%, 7% y 4%.
La media geomtrica es: G

7 x5 x 4 5.192

La G da una cifra de ganancia ms conservadora porque no tiene una ponderacin alta para la tasa de
7%.

22

La mediana.
La mediana de una distribucin de frecuencia corresponde al valor, supuesto los datos ordenados de
menor a mayor, que deja a ambos lados el mismo nmero de observaciones. Para el caso de
distribuciones agrupadas en intervalos se utiliza una frmula aproximada. Se comienza calculando el
intervalo donde se encuentra la mediana, para lo cual se calculan las frecuencias acumuladas, y se
escoge el primer intervalo cuya frecuencia acumulada sea igual o superior a n/2. A continuacin se
aplica la frmula:
n / 2 N i 1
Mediana Li 1
Ci
ni

Cuartiles, Deciles y Percentiles

Dados una serie de valores X1,X2,X3...Xn ordenados en forma creciente, los cuartiles son los tres valores
que dividen al conjunto de datos ordenados en cuatro partes porcentualmente iguales.
Hay tres cuartiles denotados usualmente Q1, Q2, Q3. El segundo cuartil es precisamente la mediana. El
primer cuartil, es el valor en el cual o por debajo del cual queda un cuarto (25%) de todos los valores de
la sucesin (ordenada); el tercer cuartil, es el valor en el cual o por debajo del cual quedan las tres
cuartas partes (75%) de los datos.

Para Datos No Agrupados

Si se tiene una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes frmulas:
El primer cuartil:

Cuando n es par: 1*n/4

Cuando n es impar: 1*(n+1)/4

Para el tercer cuartil

Cuando n es par: 3*n/4

Cuando n es impar: 3*(n+1)/4

Quintiles
Se representan con la letra K. Su frmula aproximada es i*n/5.
El primer quintil. Separa a la muestra dejando al 20 % de los datos a su izquierda.
El segundo quintil. Es el valor que indica que el 40 % de los datos son menores.
El tercer quintil. Indica que el 60 % de los datos son menores que l.
El cuarto quintil. Separa al 80 % de los datos inferiores del otro 20 %.

Deciles
23

Se representan con la letra D. Son 9 valores que distribuyen la serie de datos, ordenada de forma
creciente o decreciente, en diez tramos iguales, en los que cada uno de ellos concentra el 10% de
los resultados. Su frmula aproximada es i*n/10.
Es el decil i-simo, donde la i toma valores del 1 al 9. El (i*10) % de la muestra son valores
menores que l y el 100-(i*10) % restante son mayores.

Percentiles

Se representan con la letra C. Su frmula aproximada es i*n/100.

Es el percentil i-simo, donde la i toma valores del 1 al 99. El i % de la muestra son valores
menores que l y el 100-i % restante son mayores.

Para Datos Agrupados

Cuando los datos no estn agrupados en intervalos los cuartiles, as como el resto de las medidas de
posicin, tienen un valor claro, tal como se ha descrito anteriormente. Sin embargo, cuando tenemos una
agrupacin de los datos ya no es tan sencillo realizar el clculo. S que resulta claro ver en cul de los
intervalos est el cuartil (quintil, decil o percentil) buscado, pero para calcular su valor aproximado
necesitaremos usar una frmula. El clculo es similar al de la mediana, hay que empezar calculando el
intervalo cuya frecuencia acumulada sea igual o mayor que el valor jn/k, para a continuacin aplicar la
frmula:

Q j ;k Li 1

jn / k N i 1
Ci
ni

donde k = 4 (j = 1, 2, 3) para los cuartiles, k = 10 (j = 1, 2, . . . , 9) para los deciles, k=100 (j= 1, 2, . . . ,

99) para los percentiles.

1.1.4 Medidas de Dispersin

Las medidas de dispersin estudian la separacin existente entre los diversos valores que toma la
variable. Se dividen en medidas de dispersin absoluta y relativa. Las absolutas suelen hacer referencia a
un promedio, y permiten estudiar su representatividad. Este tipo de medidas depende de las unidades, lo
que es un inconveniente para realizar comparaciones entre poblaciones. En este sentido, las medidas de
dispersin relativas no dependen de las unidades y permiten comparar variabilidad entre poblaciones.
El rango estadstico, tambin llamado amplitud o recorrido, es la diferencia entre el valor mximo y el
valor mnimo en un grupo de nmeros. Para averiguar el rango de un grupo de nmeros:

Ordenamos los nmeros segn su tamao.

Restamos el valor mnimo del valor mximo.

Con el objeto de que no exista dependencia de los valores extremos, se introduce el recorrido
intercuartlico, que es la semidiferencia entre el tercer y el primer cuartil:
R1

Q3 Q1
2

24

Se define tambin la desviacin absoluta media como la media de los valores absolutos de las
diferencias de los datos a la media, es decir:
AM

1 k
xi x ni
n i 1

Varianza, desviacin tpica y coeficiente de variacin

La varianza es una medida de dispersin que sirve para estudiar la representatividad de la media. Viene
definida como la media de las diferencias cuadrticas de las puntuaciones respecto a su media
aritmtica:
2
1 k
S X2 xi x ni
n i 1
Una varianza grande es indicativa de que la media no es representativa, mientras que una varianza
pequea indica que la media es un buen representante de los datos. Con el objeto de tener una medida
de dispersin similar a la varianza, pero que venga medida en las mismas unidades de la variable, se
define la desviacin tpica como la raz cuadrada positiva de la varianza:

S X Varianza
La relacin entre la varianza de una variable X y la de una nueva variable definida como a+bX es:
S a2 bX b 2 S X2

Por lo tanto, si a los datos de la distribucin les sumamos una cantidad constante la varianza no se
modifica y si multiplicamos por una constante, la varianza queda multiplicada por el cuadrado de esa
constante.
En ocasiones puede interesar comparar la dispersin de dos muestras y la desviacin tpica no ser vlida,
si las dos muestras tienen unidades diferentes. Para obviar este inconveniente se define el coeficiente de
variacin:
Desviacin Tpica
S
CV
X
Media
x
Que no depende de cambios de escala en la variable.

1.1.5 Medidas de forma

Este tipo de medidas permite conocer la forma de la distribucin sin necesidad de recurrir a su
representacin grfica. Existen dos tipos de medidas de forma: Asimetra y curtosis. Para clasificar la
distribucin segn estas medidas, se establece en ambos casos una tipologa de distribuciones. Una
variable se dice que es simtrica si al doblar la distribucin respecto a un eje (centro de simetra), las
frecuencias coinciden. Caso contrario se dice que la distribucin es asimtrica positiva o negativa,

25

dependiendo que la rama larga de la distribucin se encuentra en el sentido positivo o negativo del eje de
las x. La medida ms popular de asimetra es el coeficiente de asimetra de Fisher, que viene dado por:
3
1 k
xi x ni

m
n i 1
g1 33
3/ 2
S
2
1 k

n xi x n i
i 1

Este coeficiente es invariante frente a cambios de origen y de escala.

Cuya interpretacin es:
Si g1 = 0, la distribucin es simtrica.
Si g1 > 0, la distribucin es asimtrica positiva
Si g1 < 0, la distribucin es asimtrica negativa.
El coeficiente de curtosis trata de estudiar la concentracin de frecuencias en la zona central de la
variable, de modo que variables con curtosis alta (leptocrticas) tienen forma alargada y variables con
curtosis baja tienen forma aplanada (platicrticas). La comparacin se realiza respecto a una distribucin
moderada como es la distribucin normal (mesocrtica). El coeficiente de curtosis viene dado por:

1 k
xi x
n i 1

m
g 2 44 3
S
1 k
n xi x
i 1

ni

n i

Que se interpreta del siguiente modo:

Si g2 = 0, la distribucin es mesocrtica o normal.
Si g2 > 0, la distribucin es leptocrtica o por encima de lo normal.
Si g2 < 0, la distribucin es platicrtica o por debajo de la normal.
Al igual que el coeficiente de asimetra de Fisher, el coeficiente de curtosis es invariante frente a
cambios de origen y de escala.

1.1.6 Ejercicios.
1. Se ha realizado una encuesta en 30 hogares en la que se les pregunta el n de
individuos que conviven en el domicilio habitualmente. Las respuestas obtenidas han
sido las siguientes: 4, 4, 1, 3, 5, 3, 2, 4, 1, 6, 2, 3, 4, 5, 5, 6, 2, 3, 3, 2, 2, 1, 8, 3, 5, 3,
4, 7, 2, 3.
a) Calcule la distribucin de frecuencias de la variable obteniendo las frecuencias
absolutas, relativas y sus correspondientes acumuladas.
b) Qu proporcin de hogares est compuesto por tres o menos personas? Qu
proporcin de individuos vive en hogares con tres o menos miembros?
c) Dibuje el diagrama de barras de frecuencias y el diagrama en escalera.

26

2. Una entidad bancaria dispone de 50 sucursales en el territorio nacional y ha observado

el nmero de empleados que hay en cada una de ellas para un estudio posterior. Las
observaciones obtenidas han sido: 12, 10, 9, 11, 15, 16, 9, 10, 10, 11, 12, 13,14,15, 11,
11, 12, 16, 17, 17,16,16, 15, 14, 12, 11, 11, 11, 12, 12, 12, 15, 13, 14, 16, 15, 18, 19,
18, 10, 11, 12, 12, 11, 13, 13, 15, 13, 11, 12.
a) Calcule la distribucin de frecuencias de la variable obteniendo las frecuencias
absolutas, relativas y sus correspondientes acumuladas.
b) Qu proporcin de sucursales tiene ms de 15 empleados?
c) Dibuje el diagrama de barras y el diagrama en escalera correspondientes.
d) Agrupe en intervalos de amplitud 3 los valores de la variable, calcule su distribucin de
frecuencias y represente su histograma y su polgono de frecuencias.
3. Los siguientes valores son
ayunas:
5
6
6
0
6
5
6
6
6
9
6
8
6
5
7
2
7
3
6
7

los niveles de glucosa en sangre extrada a 100 nios en

6
1
5
7
7
2
6
1
6
4
7
1
6
0
7
3
7
4
5
6

5
7
6
1
6
5
6
9
6
6
7
2
6
5
7
3
6
8
6
7

7
7
5
7
6
1
7
6
6
5
5
8
8
0
7
5
5
9
6
2

6
2
6
7
6
8
7
2
6
5
7
3
6
6
7
5
6
9
6
5

7
5
6
2
7
3
5
7
7
6
5
5
8
0
7
4
5
5
7
5

6
3
6
9
6
5
7
5
6
5
7
3
6
8
6
6
6
7
6
2

5
5
6
7
6
2
6
8
5
8
7
9
5
5
6
8
6
5
6
3

6
4
6
8
7
5
8
1
6
5
8
1
6
6
7
3
6
7
6
3

6
0
5
9
8
0
6
4
6
4
5
6
7
1
6
5
6
3
5
9

a) Elabore una distribucin de frecuencias

b) Un histograma y un polgono de frecuencias.
4. Los siguientes datos representan las ventas de tabaco en Espaa durante el ao 1992,
en millones de cajetillas, segn marcas:
Marcas
Ducados
Fortuna
Marlboro
Winston (1)
Lucky
Strike
(1)
Chesterfiel
Otros marcas

27

Ventas
1,107
1,041
535
333
164
110
725

a) Calcular el porcentaje de ventas de cada marca sobre el total.

b) Representar los datos anteriores mediante un diagrama circular
5. Se ha realizado un estudio entre 100 mujeres mayores de 15 aos y el nmero de hijos
de las mismas. El resultado ha sido:
Xi: N hijos
0
1
2
3
4
5
6

ni: N mujeres
13
20
25
20
11
7
4

Se pide:
a) Calcular el nmero medio de hijos, la mediana y la moda.
b) Calcular los cuartiles y el decil 7.
c) Analizar la dispersin de la distribucin, interpretando los resultados.
d) Analizar la forma de la distribucin calculando los coeficientes correspondientes.
Comente los resultados.
6. La siguiente distribucin expresa el nmero de vehculos vendidos durante un mes por
cada uno de las 50 sucursales que una determinada firma tiene en El Salvador:
xi: nmero de
vehculos
vendidos
1
3
4
6
10

ni: nmero
Sucursales
5
12
20
8
5

Se pide:
a) Media aritmtica, mediana y moda. Qu puede decir de la asimetra de la distribucin
con estos datos?
b) Desviacin tpica,
Coeficientes de asimetra de Fisher y curtosis. Comente los
resultados.
7. La siguiente tabla recoge la cifra de ventas (en miles de millones) y el nmero de empleados (en

miles) de las diez mayores empresas del sector de automvil durante el ao 1989:
Empresa
SEAT
Fasa Renault
General Motors
Ford

Ventas
457.3
449.7
372.7
356.1
28

Plantilla
23.8
19.2
9.4
9.5

Citroen
Peugeot
Nissan
Mercedes Benz
ENASA

224.6
198.0
161.1
110.7
97.3

7.6
6.7
6.6
3.4
5.5

a) Calcular las ventas medias y el nmero medio de empleados.

b) Dnde existe mayor homogeneidad, en las ventas o en la plantilla?
c) Calcular las ventas medias por empleado.
8. Una empresa dedicada al cultivo y explotacin de naranjos posee 5 fincas. La produccin de naranjas
y el rendimiento medio por hectrea para cada una de las fincas estn dados en la siguiente tabla.
Calcular el rendimiento medio por hectrea para el total de las 5 fincas.
Produccin (Tm) Rendimiento (Tm/Ha)
Finca 1
15
9
Finca 2
5
2
Finca 3
20
10
Finca 4
8
4
Finca 5
30
20
Solucin.
El rendimiento medio por hectrea en el total de la fincas vendr dado por el cociente entre el total de la
produccin y el total de hectreas. Esta ltima cantidad la podemos calcular como cociente
produccin/rendimiento en cada finca:
RM

Total produccin
15 5 20 8 30

= 8.07 Tm/hectrea.
Total hectrea
15 / 9 5 / 2 20 /10 8 / 4 30 / 20

Observe que la frmula aplicada coincide con la media armnica de los rendimientos ponderados por la
produccin de cada fila.
8. La primera etapa de un rally consta de 4 tramos cronometrados. En cada uno de los 4 tramos, un

determinado piloto ha alcanzado las siguientes velocidades medias:

Tramo 1
Tramo 2
Tramo 3
Tramo 4

Distancia (km)
20
10
15
30

Velocidad media (km/h)

120
70
80
90

Calcular la velocidad media total alcanzada por el piloto en la primera etapa del rally.
Solucin.
La velocidad media total vendr dada por el cociente entre el total de la distancia y el tota del tiempo:
29

VM

Total dis tan cia

20 10 15 30

= 90.32 Km/hora.
Total tiempo
20 /120 10 / 70 15 / 80 30 / 90

Observe que la frmula aplicada vuelve a ser la media armnica, de las velocidades ponderadas por la
distancia de cada tramo.

30

Unidad 4. Distribuciones Bivariadas

4.1 Distribuciones bidimensionales
Supongamos que en una poblacin, y para un conjunto de n individuos, se miden dos caracteres X e Y:

( x1 , y1 ), ( x2 , y2 ),. . ., ( xn , yn )
En este caso tenemos una variable estadstica bidimensional o distribucin bidimensional de frecuencias,
la cual representaremos por (X, Y). Cuando se cuenta con una gran cantidad de datos, un modo de
presentar la distribucin bidimensional es a travs de una tabla de doble entrada de la forma:
Tabla de doble entrada
X/Y
Total
y1 y 2
... yj ...
yk
x1
x2
.
.
.
xi
.
.
.
xl
Total

n11

n12

. . . n1 j

...

n1k

n1

n21

n22

. . . n2 j

...

n2 k

n2

.
.
.
ni 1

.
.
.
ni 2

.
.
.
. . . nij

.
.
.
nl 1

.
.
.
nl 2

n1

n2

.
.
.
...

nik

.
.
.
. . . nlj

...

.
.
.
nlk

.
.
.
ni
.
.
.
nl

. . . n j

...

n k

Donde los valores de X e Y pueden venir dados en intervalos, al igual que en el caso de una dimensin.
En el caso de que las dos variables sean atributos, la tabla anterior recibe el nombre de tabla de
contingencia.
La representacin grfica ms utilizada en el caso bidimensional es la nube de puntos o diagrama de
dispersin. Consiste en representar cada pareja de datos como un punto sobre unos ejes cartesianos.
4.1.1.

Distribuciones marginales y condicionales.

Dada una variable estadstica bidimensional, las distribuciones marginales permiten estudiar de un modo
aislado cada una de las componentes. A partir de una tabla de doble entrada, las distribuciones de
frecuencias marginales se obtienen sumando las frecuencias de la tabla por filas y por columnas.
Distribuciones marginales de X e Y.
X
ni
x1

n1

x2

n2

.
.
.

.
.
.
31

n j

y1
y2
.
.
.
yk

n1
n2
.
.
.
n k

xl

nl

Las distribuciones condicionadas permiten estudiar el comportamiento de una de las variables cuando la
otra permanece constante. Vienen dadas por:
Distribuciones condicionadas de X e Y.
ni / j
nj /i
Y/X= xi
X/Y= y j
x1

n1 j

x2

n2 j

.
.
.

.
.
.
nlj

xl

y1
y2
.
.
.
yk

ni1
ni 2
.
.
.
nik

Ejemplo:
Se desea investigar el ganado caprino y el ganado ovino de un pas. En la tabla de doble entrada adjunta
se presentan los resultados de un estudio de 100 explotaciones ganaderas, seleccionadas aleatoriamente
del censo agropecuario. Se proporcionan las frecuencias conjuntas del nmero de cabezas (en miles) de
cabras (X) y ovejas (Y) que poseen las explotaciones.
X\Y
0
1
2
3
4
0
4
6
9
4
1
1
5
10
7
4
2
2
7
8
5
3
1
3
5
5
3
2
1
4
2
3
2
1
0
a) Hallar las medias, varianzas y desviaciones tpicas marginales.
b) Hallar el nmero medio de cabras condicionado a que en la explotacin hay 2,000 ovejas.
c) Hallar el nmero medio de ovejas que tienen aquellas explotaciones que sabemos que no tienen
cabras.
d) Hallar la covarianza y el coeficiente de correlacin entre ambas variables.
Solucin:
Primero completar la tabla anterior con las distribuciones de frecuencias de X e Y.
X\Y

0
1
2
3
4
n j

4
5
7
5
2
23

6
10
8
5
3
32

9
7
5
3
2
26

4
4
3
2
1
14

1
2
1
1
0
5

32

ni
24
28
24
16
8
100

a) La media de X es:
X

0* 24 1* 28 2* 24 3*16 4*8
= 156/100= 1.56
100

La varianza de X es:
S 2X

(0 1.56) 2 * 24 (1 1.56) 2 * 28 (2 1.56) 2 * 24 (3 1.56) 2 *16 (4 1.56)2 *8

= 1.5264
100

La desviacin tpica (Estndar) es la raz cuadrada positiva de la varianza, es decir:

S X S X 2 =1.2355
Observe que la media muestral es un buen representante de los datos, ya que la desviacin estndar no
es demasiado alta.
Para completar el literal a) debe obtenerse la media, varianza y desviacin estndar para la variable Y.
b) El nmero medio de ovejas condicionado a que en la explotacin hay 2,000 cabras, se obtiene
manteniendo fija la columna donde la variable Y es igual a 2. Esto es:
0*9 1*7 2*5 3*3 4* 2
X /Y 2
= 1.3077
26

c) De forma anloga al literal b) (la media de Y es 1.46)

d) La covarianza entre X e Y est dada por:
1 n
( xi x )( y i y )
n i 1
(0 1.56)(0 1.46) * 4 (0 1.56)(1 1.46) * 6 . . . (4 1.56)(3 1.46) * 1 (4 1.56)(4 1.46) * 0

100

S XY

=-

0.1876

4.1.2. Coeficiente de correlacin lineal

Consideremos una variable estadstica bidimensional (X, Y) donde X e Y son de tipo continuo y
suponemos que existe entre ellas algn tipo de relacin, constatable mediante la correspondiente
representacin grfica. Pregunta: Cmo de grande es la relacin entre X e Y y cmo cuantificarla? El
coeficiente de correlacin lineal es un valor que permite estudiar el grado de dependencia lineal
existente entre X e Y. Viene definido por:

33

S XY

S X SY

1 n
( xi x )( y i y )
n i 1
2

1 n
1 n
(
x

x
)
( y i y )2

i
n i 1
n i 1

El trmino S XY se denomina covarianza. Una propiedad importante del coeficiente de correlacin es

que no depende de cambios de origen y escala, y su valor siempre est comprendido entre -1 y 1:
1 r 1

De modo que valores de r cercanos a 1 indican una dependencia lineal y positiva entre las dos variables,
y valores de r cercanos a -1 indican dependencia lineal negativa. Cuando el valor de r est cercano a
cero, no existe dependencia lineal entre X e Y. Esto ltimo puede ser, bien porque X e Y son variables
independientes, o bien porque la dependencia existente entre ambas variables es de otro tipo diferente al
lineal.

4.2. Distribuciones Bivariadas de dos variables cuantitativas

4.2.1.

INTRODUCCIN AL MODELOS DE REGRESIN LINEAL

Los modelos de regresin lineal constituyen una poderosa herramienta para analizar la relacin existente entre la pauta de
variabilidad de una variable aleatoria y los valores de una o ms variables (aleatorias o no) de las que la primera depende o
puede depender. El modelo fundamental se esquematiza en la siguiente tabla.
Tabla 1 Datos del problema

Observaciones

Variables a explicar

Variables o factores explicativos

(aleatoria)
Y1
---Yj
---Yn

(aleatorios o no)
X11 Xi1.XIn
X1i Xii.Xin
X1n Xin.Xnn

34

Se trata en general de estudiar las posibles relaciones existentes entre la distribucin de Y j y los valores de las X ij . A la
Y se le denomina generalmente la variable dependiente, mientras que frecuentemente a

X i se les llama variables

independientes o exgenos del modelo, aunque se prefiere denominarlas variables explicativas.

Los grficos de dispersin son tiles debido a que proporcionan informacin sobre la relacin existente entre las variables,
permiten sugerir modelos posibles, pueden sealar la existencia de observaciones atpicas, etc.
EJEMPLO 1. Analicemos la relacin que existe entre el peso y la estatura segn el sexo en el siguiente diagrama de
dispersin. 1: Hombres, 2: Mujeres. ESTAPESO.xls

Figura1 Diagrama de dispersin ESTATURA-PESO.

El diagrama presenta claramente, una relacin positiva entre las dos variables estudiadas, que se refleja en una nube de
puntos cuyo eje principal tiene un sentido creciente, como consecuencia del hecho de que, en trminos generales, los
individuos ms altos pesan ms que los ms bajos. El diagrama tambin pone de manifiesto que las mujeres tienen en general
valores menores de ambas variables que los hombres, pero que la relacin entre PESO Y ESTATURA es bastante similar en
ambos sexos.

35

Covarianza. Coeficiente de Correlacin

Con el objetivo de dar una idea intuitiva del concepto de covarianza, razonemos el siguiente diagrama de dispersin,
correspondiente a las variables: TEMPERATURA-COSTO, en la que las rectas horizontal y vertical sobre el conjunto de
puntos corresponden a los valores medios (42.83, 79.25).

En este caso, existe claramente una fuerte relacin negativa, la mayor parte de los puntos caen en los cuadrantes II Y IV.
Cuando la relacin existente sea positiva la mayora de los puntos caern en los cuadrantes I y III

Si consideramos para cada punto xi , y i del diagrama el signo que tiene el producto xi x y i y vemos que ste
resulta positivo en los cuadrantes I y III y negativo en los cuadrantes II Y IV. Por lo tanto el producto anterior ser en
promedio positivo si existe una relacin creciente entre las dos variables (es decir, si la Y tiende a crecer cuando lo hace la X)
y negativo si la relacin existente es decreciente.
Por definicin la covarianza entre dos variables no es ms que el promedio de los productos de las desviaciones de ambas
variables respecto a sus medias respectivas. De forma similar a como se procedi a definir la varianza, el promedio se calcula
dividiendo por n-1 en vez de n.

x
n

Cov xy

i 1

x yi y

n 1

La covarianza presenta el inconveniente de que depende de las dimensiones en que se expresan las variables. As la
covarianza entre TEMPERATURA y COSTO ser mayor si se mide la temperatura en grados kelvin que si se mide en
Fahrenheit. Para obviar este problema se utiliza universalmente en Estadstica, como grado de relacin lineal entre dos
variables, el coeficiente de correlacin lineal que no es ms que la covarianza dividida por el producto de las desviaciones

36

tpicas de las dos variables. rxy

Cov xy
SxSy

. Se puede demostrar que el coeficiente de correlacin lineal est siempre

comprendido entre -1 y 1. Los valores extremos slo los toma en el caso de que los puntos del diagrama de dispersin estn
alineados exactamente en lnea recta. Cuanto ms estrecho es el grado de relacin lineal existente entre dos variables ms
cercano a 1 es el valor de r (o a -1 si la relacin es decreciente). Por el contrario un valor de r nulo o cercano a cero indicar
una relacin lineal inexistente o nula.
OBSERVACIONES

En general cuanto ms estrechamente se agrupen los puntos del diagrama de dispersin alrededor de una recta ms
fuerte es el grado de relacin lineal existente entre las dos variables consideradas.

Es importante resaltar que tanto la covarianza como el coeficiente de correlacin miden slo el grado de relacin
lineal existente entre dos variables. Dos variables pueden tener una relacin estrecha y sin embargo resultar r
cercano a cero por ser dicha relacin no lineal.

Es importante del conocimiento no estadstico del problema al momento de hacer predicciones.

EJERCICIO 1.
Dada una alta inflacin, el seor Chvez ha cuidado mucho de su presupuesto. Como su casa tiene calefaccin elctrica, llev
un registro de la cuenta del consumo mensual de energa elctrica durante el ao pasado y del promedio mensual de la
temperatura exterior. Los datos aparecen en la siguiente tabla. La temperatura est dada en grados Celsius y el costo de la
energa est en dlares. TEMPERACOSTO.xls.
Tabla2. Registro mensual: TEMPERATURA-COSTO.
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

Temperatura Promedio
10
18
35
39
50
65
75
84
52
40
25
21

costo de energa
120
90
118
60
81
64
26
38
50
80
100
124

Identificar las variables, dependiente y explicativa. Hacer sus conjeturas de la relacin entre las variables a partir del
siguiente grfico y calcular la Cov xy y rxy .

37

Figura 2. Diagrama de dispersin TEMPERATURA- COSTO.

Descriptive Statistics
Mean Std. Deviation N
TEMPERATURA 42.83
COSTO
79.25

23.218 12
32.628 12

Correlations
TEMPERATURA COSTO
TEMPERATURA Pearson Correlation

Sig. (2-tailed)

.000

Sum of Squares and Cross-products

Covariance
N
COSTO

-.863**

Pearson Correlation

5929.667 -7188.500
539.061

-653.500

12

12

**

-.863

Sig. (2-tailed)

.000

Sum of Squares and Cross-products

Covariance
N

-7188.500 11710.250
-653.500

1064.568

12

12

**. Correlation is significant at the 0.01 level (2-tailed).

RUTA:Analyze>Correlate>Bivariate (En variables trasladar TEMPERATURA, COSTO)>Opciones (Seleccionar los
estadsticos, Exclude cases pairwise)>Continue>Ok

38

4.2.2.

MODELO DE REGRESIN SIMPLE.

En este tipo de regresin se desea caracterizar el efecto lineal de una nica variable explicativa sobre la variable respuesta.
Los pasos para efectuar un anlisis son los siguientes (JURAN y GRYNA, 1997, cap. 23):
1.

Representacin grfica de datos

2.

Planteamiento del modelo

3.

Estimacin de la ecuacin de prediccin

4.

Examen de la adecuacin del modelo lineal

5.

Intervalos de confianza para la estimacin

En este apartado se explica el modelo de regresin lineal simple, un modelo con un solo regresor x que tiene una relacin con
una respuesta y, donde la relacin es una lnea recta. Este modelo de regresin lineal simple es:

y o 1 x (Modelo poblacional de regresin)

Donde la ordenada al origen o y la pendiente 1 son constantes desconocidas, y

es una componente aleatorio del

error. Se supone que los errores tienen promedio cero y varianza 2 desconocida. Adems se suele suponer que los errores
no estn correlacionados. Esto quiere decir que el valor de un error no depende del valor de cualquier otro error.

4.2.2.1 Estimacin de los parmetros por mnimos cuadrados

Los parmetros o y

1 son desconocidos, y se debe estimar con los datos de la muestra. Supongamos que hay n pares

de datos: x1 , y1 , x2 , y2 , , xn , yn . Estos datos pueden obtenerse en un experimento controlado, diseado en forma

especifica para recolectarlos, o en un estudio observacional, o a partir de registros histricos existentes (lo que se llama un
estudio retrospectivo).

Estimacin de o y 1

Para estimar o y

1 se utiliza el mtodo de mnimos cuadrados. Esto es, se estima o y 1 tales que la suma de los

cuadrados de las diferencias entre las observaciones yi y la lnea recta sea mnima. La ecuacin se puede escribir

yi o 1 xi i i 1, 2,..., n (Modelo muestral de regresin), escritos en trminos de los n pares de datos yi , xi ,

i 1, 2,..., n . As el criterio de mnimos cuadrados es:
n

2
S 0 , 1 yi 0 1 xi . Los estimadores por mnimos cuadrados de o y 1 , que se designarn por
i 1

1 , deben satisfacer
39

0 y

n
n

S
S

yi xi xi 0 Simplificando estas

2
y

i
i
y

0
0
1
1
0 ,
1 ,
i 1
i 1

0 1
0 1

dos ecuaciones se obtiene:

n
2
0 xi 1 xi xi yi
i 1
i 1
i 1

n xi yi ;
0
1 i1
i 1

Que son las llamadas ecuaciones normales de mnimos cuadrados. Su solucin es la siguiente:

n
y

i xi
n
i 1

i 1
yi xi

n
i 1

i 1

0 y 1 x ;

, en donde

1 n
yi
n i 1

1 n
xi
n i 1

son los promedios de

y i y xi

i 1

regresin lineal simple es entonces:

0 y 1 , son los estimadores por mnimos cuadrados. El modelo ajustado de

respectivamente. Por consiguiente,

y 0 1 x .Esta ecuacin produce un estimado puntual, de la media de y para

una determinada x.

Otra

forma

S xx xi
i 1

ms

i 1

xi
n

compacta

de

escribir

i 1

n
y

i xi
n
n
2
i 1
i 1

xi x ; S xy yi xi
yi xi x
n
i 1
i 1

40

S xy
S xx

donde:

yi se llama residual, matemticamente el

La diferencia entre el valor observado yi y el valor ajustado correspondiente

i-simo residual es: ei yi yi yi 0 1 xi

i 1,2,....n .

ei Tiene un papel importante para investigar la adecuacin del modelo de regresin ajustado.
LOS SIGUIENTES APARTADOS SON OPCIONALES, NO SERN CONSIDERADOS EN LA EVALUACIN

4.2.2.2. Propiedades de los estimadores por mnimos cuadrados y el

modelo ajustado de regresin.

Tenemos que:

0 y 1 x

S xy y x
n

S xx

i 1

i 1

E 1 E

n
ci
i 1
n
ci xi
i 1

S xx

1 C i y i ; C

s xx

Son combinaciones lineales de yi , entonces se puede escribir,

; i 1,2,...n

n
ci yi
i 1

c E( y )

i 1

Se

supone:

0
1

n

E 1 ci 0 1 xi

i 1

E 1

n
ci
i 1

n
ci xi
i 1

E yi

1 xi
41

n
i
i 1

se

demuestra:

n
yi
i 1

E 0 E y 1 x E

1
xE 1
n

i 1

1 xi x1

1
E 0 n 0 1 x x1 0
n

E 0 0

Var 1 Var

n
ci
i 1

yi c

i 1

Var ( yi ) ci

i 1

i 1

x
s 2 xx

2
s xx

2
Var 1
s xx

Var 0 Var y 1 x Var y 2 xCov y, 1 x Var 1

2
2

Var 0
x Var 1
n

2
2

x2
Var 0
n
s xx

2
1
x

2
Var 0

n
s xx

Propiedades tiles.
n

1.

i 1

y i y i ei 0

i 1

2.

y y
i 1

i 1

3.

La lnea de regresin de mnimos cuadrados siempre pasa por el centroide de los datos que es el punto y, x

4.

xe

i 1

i i

5.

i 1

42

y e
i

Estimacin de 2
Adems de estimar 0 y 1 , se requiere estimar . Se obtiene de la suma de cuadrados
2

residuales, o suma de cuadrados del error.

n

SC Re s ei

i 1

yi yi

i 1

y i 0 1 x i

i 1

y i y 1 x 1 x i

i 1

y i y 2 1 y i y xi x 1
i 1

i 1

x
n

i 1

yi 2 yi y y 2 1 xi yi 2 1 yi x 2 1 xi y 2 1 x y 1 s xx
i 1

y i 2n
2

y y
i

i 1

i 1

i 1

i 1

2 1

n y 2 1 xi y i 2 1
2

i 1

i 1

i 1

yi n y 2 1
2

i 1
n

i 1

n
1 n
x
i yi
n i 1 i 1

y i 2 n y n y 2 1 xi y i 2 1
n

i 1

s
1
1
1 n
yi xi 2 1 n xi yi 1 . xx .s xx

n i 1 i 1
n i 1 n i 1
s xx

i 1

xi y i
i 1

1 n
xi yi 1 S xy

n i 1 i 1

1 n

i y i 1 S xy
n i 1 i 1

yi n y 2 1 S xy 1 S xy
2

i 1
n

SC Re s yi n y 1 S xy
2

i 1

y
n

Pero

i 1

y
n

2
2

i 1

n y SCT

SCRe s SCT 1 S xy

E SCRe s n 2 2
La suma de cuadrados residuales tiene n-2 grados de libertad, porque 2 grados de libertas se asocial con

los estimados
2

0 1
y

que se usan para obtener

yi . El estimador insesgado de

es:

SC Re s
CM Re s (Cuadrado Medio Residual)
n2

43

: Error estndar de regresin.

2
Es un estimado de dependiente del modelo.

4.2.3.

Prueba de hiptesis

4.2.2.3. Prueba de hiptesis de la pendiente y de la ordenada al

origen.
Uso de la prueba t
Supongamos que deseamos probar que la pendiente es igual a una constante.

H 0 : 1 10
H1 : 1 10

ei son NID 0, 2

1 Es una combinacin lineal de las observaciones, y est distribuida normalmente.

E 1 1 (Promedio de

1 ); Var 1

2
(Varianza de 1 )
S xx

Estadstico:

z0

1 10
2
S xx

N 0,1

Como 2 se desconoce, CM Re s es un estimador insesgado de 2 .

n 2 CM 2Re s

Tiene una distribucin n 2

2

CM Re s y 1 Son independientes.
Estadstico t (Definicin)

N 0,1

Si Z

V v2
Z

V Son independientes, entonces:

1 10
Z
V
v

tv

t0

2
S xx

n 2CM Re s
2
n 2

1 10
CM Re s
S xx

con (n 2 gl )

44

Dentese a Se 1

CM Re s
: Como el error estndar estimado o error estndar de la pendiente,
S xx

entonces t 0

1 10

. Se rechaza la hiptesis nula si t0 t 2 , n2 .

Se 1

Tambin se puede usar el mtodo del valor P para la toma de decisiones.

Hiptesis para la ordenada al origen.

H 0 : 0 00
H 1 : 0 00

0 00

t0

CM Re s

Se 0

0 00
2

1 x
Se 0

n S xx

1 x2
Error estndar de la ordenada al origen.
CM Re s

n S xx

Se rechaza la hiptesis nula s t0 t 2 , n2 .

Nota: El que una variable no sea significativa no quiere decir que en realidad no lo es, es necesario el
conocimiento no estadstico del problema para determinar por ejemplo si los intervalos de los datos fue el
adecuado.
Prueba de significancia de la regresin.

H 0 : 1 0
H1 : 1 0
El no rechazar H 0 : 1 0 implica que no hay relacin lineal entre x e y.
X tiene muy poco valor para explicar la variacin de Y, por lo tanto el mejor estimador para cualquier x

es y y
La verdadera relacin entre x e y no es lineal
Si se rechaza H 0 : 1 0 , explica que x tiene valor para explicar la variabilidad de y. Rechazar

H 0 : 1 0 podra equivaler a que:

El modelo de lnea recta es adecuado
Aunque hay un efecto lineal en x se podran obtener mejores resultados agregando trminos
polinomiales en x.
El procedimiento de prueba para H 0 : 1 0 se puede establecer con dos mtodos.
Mtodo I. Estadstico t.

H 0 : 1 0 La hiptesis de la significancia de la regresin. Se rechazara si t0 t 2 , n2

t0

1

Se 1

45

Mtodo II. Anlisis de varianza.

Tambin se puede usar un mtodo de anlisis de varianza para probar el significado de la regresin. Este
anlisis se basa en una particin de la variabilidad total de la variable respuesta.

yi y y i y yi y i

yi y

i 1

yi y
i 1

yi y i
i 1

2 y i y yi y i
i 1

n
n
n

2 y i y yi y i 2 y i yi y i 2 y yi y i
i 1
i 1
i 1

2 y i ei 2 y ei 0
i 1

i 1

yi y

Luego,

i 1

SCT

yi y
i 1

SCR

yi y i
i 1

SC Re s

SCT : Suma de cuadrados totales con n-1 grados de libertad.

SCR : Suma de cuadrados de regresin con 1 grado de liberad
SC Re s : Suma de cuadrados de residuos con n-2 grados de libertad.
Como

SC Re s SCT 1 S xy Y SCT SCR SC Re s S yy , entonces

SCR 1 S xy

La cantidad de grados de libertad se determina como sigue: la suma total de cuadrados SCT ,
tiene n-1 grados de libertad porque perdi un grado de libertad como resultado de la restriccin
n

yi y
i 1

para las desviaciones y y .

i

La suma de cuadrados del modelo, o de la regresin SCR queda completamente determinada

por un parmetro, que es , por ello tiene un grado de libertad.

1

SC Re s tiene n-2 grados de libertad porque se imponen dos restricciones a las desviaciones

yi yi como resultado de estimar 0 y 1 .

Se puede aplicar la prueba F normal del anlisis de varianza para probar la hiptesis H 0 : 1 0
1)

SC Re s

n2
n22
CM Re s

2) Si H 0 : 1 0 es cierta, SCR

n22

46

SC Re s y SCR son independientes.

3)

SCR
CMR
glR
F0

SC Re s CM Re s
gl Re s

F1,n2 . Se rechaza H 0 : 1 0 si F0 F ,1,n2 .

El anlisis de varianza para probar el significado de la regresin se resume de la siguiente manera:

Fuente
variacin
Regresin

de

Suma
cuadrados

de

Grados
libertad
1

1 S xy

Residual

S yy 1 S xy

n2

Total

S yy

n -1

Viene de la prueba t;

t0

t0

1

Se 1

de

Media
cuadrados

CMR

de

Fo

CMR
CM Re s

CM Re s

1
CM Re s
S xx

1 S xy
S
S
CMR
1 xx 1 1 xx

CM Re s CM Re s CM Re s CM Re s

t0 F

4.2.2.4. Intervalos de confianza

2
Intervalos de confianza de 0 , 1 y

Si los errores se distribuyen en forma normal e independiente, entonces la distribucin de muestreo tanto

1 1

0 0
de
y
es t con n-2 grados de libertad.
Se 1
Se 0

Un intervalo de confianza de 1001 % para

1 t

2 ,n 2

Se 1 1 1 t

2 ,n 2

1 es:

Se 1

Un intervalo de confianza de 1001 % para 0 es:

0 t

2,n2

Se 0 0 0 t

2 ,n 2

Se 0

47

 n 2 CM Re s
2

n22

n 2 CM Re s 2 n 2 CM Re s
2 2,n2

12 2,n2

Estimacin de intervalos de la respuesta media.

Una aplicacin importante de un modelo de regresin es estimar la respuesta media, E y , para
determinado valor de la variable regresora x.
Sea x 0 el valor o nivel de la variable regresora para el que se desea estimar la respuesta media, es decir,

E y
x0

. Se supone que x 0 es cualquier valor de la variable regresora dentro del intervalo de los

datos originales de x que se usaron para ajustar el modelo. Un estimador insesgado de

E y
x0

se

determina a partir del modelo ajustado como sigue:

E
y x0 0 1 x 0
x

Para obtener un intervalo de confianza de 1001 % para

x0

E y
x0

, se debe notar primero que

es una variable aleatoria normalmente distribuida, porque es una combinacin lineal de las

observaciones y i . La varianza de y

Var y x0

x0

es:

2 2

Var

Var
y

x0 x

1 0
1
0
n
S xx

1
x x

Var y x0 2 0
S xx

48

La

distribucin

de

muestreo

de:

y / x0 E y / x0

y / x0 E y / x0

1 x x
0

Var y / x0
n
S xx

n 2 CM Re s
CM Re s
2

2
n2

y / x0 E y / x0

1 x x
CM Re s 0
n
S xx

es una distribucin t, con

n-2 grados de libertad.

Un intervalo de confianza de 1001 % para la respuesta media en el punto x x 0 es:

x0 t

1
x x
0
n
S xx

. CM Re s
,n 2

x x
E y
t , n 2 . CM Re s 0
y
x
0
x0

n
2

S xx

Ntese que el ancho del intervalo de confianza para E

x 0

intervalo es mnimo para x 0 x , y crece a medida que aumenta

es una funcin de x 0 . El ancho del

x0 x

Las mejores estimaciones de y se hacen con valores de x cerca del centro de los datos.

4.2.2.5. Prediccin de nuevas observaciones

Una aplicacin importante del modelo de regresin es predecir nuevas observaciones y que correspondan
a un nivel especificado de la variable regresora x. Si x 0 es el valor de inters de la variable regresora,

entonces: y 0 0 1 x 0 es un estimador puntual del nuevo valor de la respuesta y 0 .

A continuacin se obtendr un estimado del intervalo para esta observacin futura y 0 .

Sea y 0 y 0 , con distribucin normal con media cero y varianza.

Var Var y 0 y 0 Var y 0 Var y 0 2Cov y 0 , y 0

Var y 0 Var 0 1 x 0

2
1
x x

2 2 0
S xx
n

x x
1

Var 2 1 0
n
S xx

El resultado de prediccin de 1001 % de confianza para una observacin futura en x 0 es:

49

x x
1
y 0 t , n 2 . CM Re s 1 0

2
n
S xx

Lo anteriormente expuesto se puede observar en el siguiente grfico que muestra las bandas de confianza
y de prediccin para un conjunto de datos.

El intervalo de prediccin en x 0 siempre es ms ancho que el intervalo de confianza en x 0 , porque el

intervalo de prediccin depende tanto del error del modelo ajustado como el error asociado con
observaciones futuras.
Coeficiente de determinacin.
2
La cantidad R

SCR
SC Re s
1
. Se llama coeficiente de determinacin.
SCT
SCT

Y su valor esperado:

SCT yi y
i 1

E R

1 S xx

1 2 S xx 2

: es una medida de variabilidad de y sin considerar el efecto de la variable

regresora x.
2

SC Re s yi y i : es una medida de variabilidad de y que queda despus de haber tenido en

i 1

consideracin a x.

R 2 : Proporcin de la variacin explicada por el regresor x.

Ya que 0 SCR SCT : 0

SCR
1; 0 R 2 1 .
SCT

Regresin por el origen

EL modelo sin ordenada al origen es: y 1 x . Dadas las n observaciones xi , y i ,
n

la funcin de mnimos cuadrados es:

S 1 y i 1 xi

i 1,2,...n ,

i 1

50

yi xi

i 1
Siguiendo el proceso por mnimos cuadrados: 1

x i2
i 1

EL modelo de regresin ajustado es: y x .

1
n

yi yi

El estimador de 2 es: 2

i 1
CM Re s
n 1

yi2 1 yi xi
i 1

i 1

n 1

Los intervalos de confianza son:

1 : 1 t , n 1
2

CM Re s
n

x i2
i 1

x02 .CM Re s
y

E
: y x t , n 1
n
0
2
x0
xi2
i 1

Para una observacin futura:

y 0 t , n 1 CM Re s 1

Modelo con ordenada al origen R 2

yi y

i 1

yi y
n

x 02

x
i 1

2
i

i 1

Modelo sin ordenada al origen: R

n 2
yi
i 1
n
y i2
i 1

A veces, el diagrama de dispersin proporciona una gua para decidir si se ajusta o no el modelo sin
ordenada al origen. Tambin, se pueden ajustar ambos modelos y escoger entre ellos de acuerdo con la
calidad del ajuste obtenido. Si no se puede rechazar la hiptesis

0 0 en el modelo sin ordenada al

origen, quiere decir que se puede mejorar el ajuste si se usa es modelo.

El cuadrado medio de residuales es una forma til de comparar la calidad del ajuste. El modelo que tenga
el cuadrado medio residual menor, es el mejor ajuste.
En general, R 2 no es un buen estadstico para comparar los dos modelos.

51

4.3.

TRANSFORMACIONES PARA LINEALIZAR UN

MODELO.

A partir de un diagrama de dispersin o de la teora sobre ciertas funciones, podemos conocer que la
relacin entre las dos variables puede representarse adecuadamente solo por cierta funcin matemtica
curvilnea (no lineal), por ejemplo la tendencia general del crecimiento poblacional sigue un modelo
exponencial positivo, el decaimiento radioactivo sigue un modelo exponencial negativo, etc. En algunos
casos una funcin no lineal se puede lineal izar con una transformacin adecuada.
Funcin linealizable

Transformacin

Forma lineal

y 0 x 1

y log y, x log x

y log 0 1 x

y 0 e 1x

y ln y

y ln 0 1 x

y 0 1 log x

x log x

y 0 1 x

x
0 x 1

1
1
, x
y
x

y 0 1 x

EJEMPLO. Los datos siguientes se obtuvieron de observaciones peridicas hechas durante el crecimiento
de una poblacin de clulas de levadura. Se efectuaron recuentos cada dos horas.
n
1
2
3
4
5
6
7

Horas
(X)
2
4
6
8
10
12
14

Nmero
de clulas(Y)
19
37
72
142
295
584
995

El grfico de dispersin muestra que los datos provienen de una funcin exponencial

y 0 e 1x Con el

fin de transformar la curva en recta conviene hacer la transformacin, y ln y tomamos los logaritmos
de las clulas.: RUTA: Transform>Compute Variable (LOGNATURAL)>

n
1
2
3
4
5
6
7

Horas
(X)
2
4
6
8
10
12
14

Nmero de clulas
(Y)
19
37
72
142
295
584
995

Ln (Y)
2.944439
3.610918
4.276666
4.955827
5.686975
6.369901
6.902743

52

Seguidamente se verifica por medio de un grfico de dispersin si la transformacin es adecuada

RUTA:Graphs>Legacy Dialogs>Simple Scatter>Define (Y: LOGNATURAL;X: Horas>

Como se esperaba, hoy los datos se ajustan a una lnea recta. El proceso manual para obtener la ecuacin
de prediccin es el mismo que el de regresin simple. En SPSS se obtiene siguiendo la RUTA:
Analyze>Regression> Linear (Dependent: LOGNATURAL, Independent: Horas>Ok
ANOVAb
Model
1

Sum of Squares
Regression
Residual
Total

Df

Mean Square

12.627

12.627

.013

.003

12.640

Sig.

4936.297

.000a

a. Predictors: (Constant), Horas

b. Dependent Variable: LOGNATURAL

Coefficientsa
95% Confidence Interval for
Unstandardized Coefficients Standardized Coefficients
Model
1 (Constant)
Horas

Std. Error

Beta

B
t

Sig. Lower Bound Upper Bound

2.278

.043

53.287 .000

2.168

2.388

.336

.005

.999 70.259 .000

.323

.348

a. Dependent Variable: LOGNATURAL

53

El modelo lineal encontrado es entonces: y 2.278 0.336.Horas . Para determinar el modelo

ajustado a los datos originales, se debe considerar la transformacin y ln y y su modelo lineal:

y ln 0 1 x . Resolviendo: ln 0 2.278 , entonces 0 9.757 .

Finalmente, el modelo ajustado es: y 9.757e 0.336. Horas .
Las pruebas de idoneidad para el modelo se discutirn posteriormente.

En el anlisis, ste caso se conoce el orden en que fueron recolectados los datos, y debe hacerse para
determinar si hay dependencia de los residuos con la secuencia del tiempo de recoleccin

Para

realizar

una

regresin

no

lineal

mediante

SPSS

tenemos

que

elegir

los

mens

Analize>Regression>Curve Estimation.
Este men nos da la opcin de calcular los siguientes modelos de regresin.

Lineal, Y 0 1 X

Logartmica, Y 0 1 ln X

Inversa Y 0

2
Cuadrtico Y 0 1 X 2 X

Cubico. Y 0 1 X 2 X 3 X

1
X

54

Y 0 X 1 o ln Y ln 0 1 ln X

Potencia.

Compuesto

Curva S Y e

Crecimiento

Y e 0 1 X

Exponencial

Y 0 e 1 X o ln Y ln 0 1 X

X
Y 0 1 o ln Y ln 0 X ln 1
0

1
1
o ln Y 0
t
t
o ln Y 0 1 X

Para el caso anterior, elegimos exponencial, y los resultados son los siguientes:

Model Summary
R

Adjusted R
Square

R Square
.999

.999

Std. Error of the

Estimate

.999

.051

The independent variable is Horas.

ANOVA
Sum of Squares
Regression
Residual
Total

df

Mean Square

12.627
.013
12.640

1
5
6

12.627
.003

F
4936.297

Sig.
.000

The independent variable is Horas.

Coefficients
Unstandardized Coefficients
B
Horas
(Constant)

Std. Error
.336
9.755

.005
.417

Standardized
Coefficients
Beta

t
.999

70.259
23.394

Sig.
.000
.000

The dependent variable is ln(clulas).

55

56

Ejercicios.
1. Determine una ecuacin que describa la relacin entre
la frecuencia de accidentes y el nivel de educacin
preventiva
X
150
200
300
450
500
600
800
900
3900

Y
8.00
7.00
6.50
5.20
6.40
4.40
4.00
3.10
44.60

XY
1200
1400
1950
2340
3200
2640
3200
2790
18720

X2
22500
40000
90000
202500
250000
360000
640000
810000
2415000

2. Una compaa que tiene 15 tiendas ha

datos en relacin con los metros cuadrados
ventas respecto a los ingresos mensuales.
grfica de los datos, y si parece apropiado
lineal determine la ecuacin de regresin.
Tienda
a
o
j
e
k
d
n
g
c
l
b
i
h
f
m
15

Metros 2
X
55
80
85
90
90
110
130
140
180
180
200
200
215
260
300
2315

Ingreso
Y
45
60
75
75
80
95
95
110
120
105
115
130
140
170
200
1615

XY
2475
4800
6375
6750
7200
10450
12350
15400
21600
18900
23000
26000
30100
44200
60000
289600

recopilado
de rea de
Trace una
un modelo

X2
3025
6400
7225
8100
8100
12100
16900
19600
32400
32400
40000
40000
46225
67600
90000
430075

3. Determine una ecuacin predictiva para calcular el

monto del seguro, en funcin del ingreso anual para
los siguientes datos:

57

Ingreso Prima
X
13
16
17
18
20
25
26
32
38
40

Y
5
15
20
10
10
12
15
30
40
50

XY
65
240
340
180
200
300
390
960
1520
2000

X2
169
256
289
324
400
625
676
1024
1444
1600

42

40

1680

1764

287

247

7875

8571

58

Unidad 5. Los Valores Relativos

5.1.

Razones, Proporciones, Porcentajes y Tasas.

Razn: El valor considerado como numerador no debe estar considerado en el

denominador, en consecuencia la razn puede ser un nmero superior o
inferior a la unidad.
Ejemplo: Supongamos que el nmero de personas que visitan un centro
comercial, en un da cualquiera es 7,000, de las cuales 4,200 son mujeres y
2,800 son hombres. Obtener la razn de mujeres respecto a los hombres.
Solucin:
La razn o relacin = 4200/2800 = 1.5, indica que las mujeres frecuentan ese
centro comercial en un 50% ms que los hombres.
Proporciones:
Las proporciones se hacen para dar cuenta de la fraccin que representa
cada uno de los subconjuntos que componen el conjunto total. Por ejemplo, los
subconjuntos formados por nios, jvenes, adultos, y ancianos si,
respectivamente, los comparamos con la totalidad del conjunto daremos cuenta
de la proporcin respectiva de cada uno de los subconjuntos. Si en una
localidad viven 2,000 nios, 3,000 jvenes, 1,000 adultos y 300 ancianos, la
totalidad de la poblacin sumaran 6,300 habitantes, y las proporciones de
nios sera 0.31, de jvenes 0.47, de adultos 0.15 y de ancianos 0.04.
Ejemplo: La poblacin del municipio de Soyapango distribuida por rango de edades
se presenta en el siguiente cuadro.
Rango de edades
Edad de 0 a 10 aos
Edad de 11 a 15 aos
Edad de 16 a 20 aos
Edad de 21 a 30 aos
Edad de 31 a 45 aos
Edad de 46 a 65 aos
Edad de 66 aos ms
Total

Sexo
Hombre

Mujer

25,097
12,849
11,384
19,587
21,264
16,219
4,834
111,234

23,858
12,490
11,810
23,372
28,725
21,645
8,269
130,169

Total
48,955
25,339
23,194
42,959
49,989
37,864
13,103
241,403

Fuente: VI Censo de Poblacin y V de Vivienda, El Salvador, 2007.

Obtener la proporcin que representa cada grupo de edades.

NOTA: Cuando el valor del numerador est incluido en el denominador se,
se establece una proporcin.

59

Porcentajes:
Los porcentajes se hacen para expresar las proporciones en base 100. En el
ejemplo anterior, los nios representan el 31%, los jvenes el 47%, los adultos
el 15% y los ancianos 4%.
Ejemplo: En el censo de poblacin de El Salvador, 2007, se encuentra que en
el Municipio de Mejicanos, tiene los siguientes sobre la condicin laboral, para
la poblacin mayor de 10 aos.
CONDICION LABORAL
NOMBRE DEL
LUGAR
Zona Urbana
CANTN
CHANCALA
CANTN
MIGUEL
CANTN
ROQUE

Poblacin
ocupada

Poblacin que busca

trabajo

Inactiv
os
Total
10647
46288
7

54295

5894

286

52

335

673

467

32

478

977

3739

494

3991

58787

6472

51092

8224
11635
1

SAN
SAN

Total

Obtener la proporcin de la poblacin segn condicin laboral por cantn y

municipio.
Tasas:
Las tasas se hacen cuando el conjunto se fracciona en dos subconjuntos y se
quiere dar cuenta de la parte que representa uno de los subconjuntos sobre el
total del conjunto. Esta representacin se suele expresar en base 100, pero se
pude hacer en base 10, 1000, etc. Por ejemplo, si el conjunto de la poblacin
activa se divide en dos subconjuntos denominados desempleados y ocupados,
la tasa de desempleo sera el resultado de multiplicar por cien el nmero
resultante de dividir el nmero de desempleados por el total de activos
(ocupados y desocupados). Si de las 4,000 personas activas que hay en una
localidad, 3,600 estn ocupadas y 400 estn desempleadas, la tasa de
desempleo sera (400/ 4,000) X 100= 10%.
Ejemplo: En el censo de poblacin de El Salvador, 2007, se encuentra que en
el Municipio de Mejicanos, tiene los siguientes datos de analfabetismo, para la
poblacin mayor de 5 aos.
Sabe leer y
escribir
LUGARES
Zona Urbana
CANTN
CHANCALA
CANTN
MIGUEL
CANTN

Si
109205

No
8872

Total
118077

672

123

795

916
8027

221
1343

1137
9370

SAN
SAN

60

ROQUE
Total

118820

10559

129379

Obtener la tasa de analfabetismo por cantn y municipio.

Ejercicio.
La poblacin de 15 aos o ms segn su condicin de analfabetismo se
presenta en el siguiente cuadro.
Sexo
Soyapango
Ilopango
San Martn

Sabe leer y escribir

Si

No

161,155
66,240
43,033

10,801
5,420
5,376

Total
171,956
71,660
48,409

Fuente: VI Censo de Poblacin y V de Vivienda, El Salvador, 2007

Obtener las tasas de analfabetismo de cada municipio y hacer un anlisis

comparativo de los resultados.

5.2.

Diferencia Relativa

La diferencia relativa se calcula como el cociente entre la diferencia de dos cantidades,

precio absoluto y la cantidad, precio o valor del periodo de referencia. Supongamos que
X i es una magnitud simple, representamos por X i 0 el valor de la magnitud en el
periodo base y por X it el valor de la magnitud en el periodo que queremos estudiar
entonces:
La diferencia relativa est dada por: DFt (i )
0

X it X i 0
*100
X i0

Ejemplo:
El siguiente cuadro presenta el nmero de homicidios para los aos 2004, 2005, 2006,
2007 y 2008, para los municipios de Soyapango, Ilopango y San Martn.
Grupos
SOYAPANGO
ILOPANGO
SAN MARTN
de
edades Femenino Masculino Total Femenino Masculino Total Femenino Masculino Total
AO 2004
Total
15
167
182
12
78
90
11
42
53
AO 2005
Total
14
228
242
5
74
79
11
75
86
AO 2006
Total
16
246
262
15
69
84
6
48
54
AO 2007
Total
20
179
199
10
67
77
8
71
79
AO 2008
Total
10
128
138
9
66
75
7
54
61
Fuente: Fuente estadsticas de homicidios de Instituto de Medicina Legal. Los cadveres que no se pudo
identificar el sexo, no aparecen registrados en el cuadro anterior.

61

Obtener la diferencia relativa del nmero de homicidios por ao, sexo y municipio.
El rea de medicina tiene gran aplicacin de las diferencias relativas, tambin llamada
fraccin atribuible, se calcula como el cociente entre la diferencia absoluta de riesgo y
el riesgo en el grupo control.
Supongamos que se tiene la siguiente tabla de datos:
Casos
No casos
Total

Placebo
a0
b0
n0

Tratamiento
a1
b1
n1

A partir de la tabla anterior se puede calcular el riesgo relativo:

a1
R
n1

RR
1
a0
R0
n0
El RR tiene las siguientes caractersticas:

No tiene dimensiones.
Si RR=1 no hay asociacin entre la presencia del factor (Tratamiento) y el
evento (Caso o No Caso).

Si RR >1 la asociacin es positiva, es decir la presencia del factor se asocia a

mayor ocurrencia del evento.

Si RR<1 si la asociacin es negativa, es decir la presencia del factor se asocia a

menor ocurrencia del evento.

Ejemplo:
Se realiza un ensayo clnico para investigar los efectos secundarios de un medicamento.
Al finalizar el estudio, se obtiene la siguiente informacin.
Casos
No casos
Total

Placebo
420
2634
3054

Tratamiento
307
2744
3051

Obtener el riesgo relativo del tratamiento.

307
RR 3051 0.73
420
3054

62

Indica que en los pacientes que se aplica el tratamiento experimental tienen una tasa de
incidencia del 73% respecto a los pacientes tratados con placebo.

Reduccin relativa de riesgo

De modo similar se define, y se suele usar cuando el riesgo en el grupo expuesto (con el
factor) es menor que el riego del grupo control, la reduccin relativa del riesgo como el
cociente entre la reduccin absoluta de riesgo y el riesgo en el grupo control.
a0 a1
a0 a1

AR n n

n
n1
R
R
AR
0
1
0

RRR
RRR

1 RR

1 RR
R 0
R 0
a0
a0
n0
n0
Ejemplo:
Para los datos del anterior calcular la reduccin del riesgo relativo
Placebo

Tratamiento

Casos

420

307

No casos

2634

2744

Total

3054

3051

La RRR es:

El RRR indica que el riesgo del grupo tratado se reduce en un 26,8% del riesgo del
grupo control.

5.3.

LOS NUMEROS INDICES

El nmero ndice es una cifra relativa, expresada en trminos porcentuales o al tanto por
uno, que sirve para indicar las variaciones que sufre una variable con respecto a un
valor de la misma, la cual es tomada como punto de referencia, denominada base.
Los nmeros ndices no miden, tan solo sirven para indicar las variaciones en los
precios, cantidades y valores de un periodo con respecto a otro. Por lo tanto, debe
63

tenerse mucho cuidado con su uso. Los nmeros ndices son muy usados en el anlisis
de las ventas, produccin, precios, costos, beneficios, aumento de capital y en especial
cuando se quiere comparar dos series de datos.
Definicin: Un ndice es una medida estadstica que tiene la propiedad de informar de los
cambios de valor que experimenta una variable o magnitud en dos situaciones, una de las cuales
se toma como referencia. La comparacin suele hacerse por cociente.
A la situacin inicial se le llama periodo base y a la situacin que queremos comparar periodo
actual o corriente.

5.3.1 ndices simples

ndices simples: Se denomina as a los referidos a una nica magnitud y se obtienen dividiendo
cada precio, cantidad o valor de un periodo (anual, mensual, semanal, etc.), por el precio,
cantidad o valor de un periodo fijo, considerado base, multiplicado luego por 100.
Si X i es una magnitud simple, representamos por X i 0 el valor de la magnitud en el periodo
base y por

X it

el valor de la magnitud en el periodo que queremos estudiar entonces:

El nmero ndice simple es:

I t0 (i)

X it
*100
X i0

Mide la variacin en tanto por uno o tanto por cien que ha sufrido la magnitud X entre los dos
periodos considerados y pueden ser:

X it
*100
X i0
Pit
0
*100
b) Precio: I t (i )
Pi 0
qit
0
*100
c) Cantidad: I t (i )
qi 0
a) Valor: I t (i)
0

Se puede calcular manteniendo fijo o constante el periodo base, permaneciendo

inalterado durante el periodo que es objeto de anlisis. Tambin se puede calcular con
base variable, en este caso, la base es el periodo inmediatamente anterior, partiendo de
un ndice igual a 100, bajo el supuesto del desconocimiento de informacin anterior a
ese periodo.
Ejemplo 1. Con los datos de la serie 2001-2006 (referidos a los precios de un cierto
producto), calcular los ndices de base fija 2001 y 2004; luego el ndice de base
variable para esa misma serie.
aos

Yi

Base fija 2001, 2004.

Base Variable
ndice
%
de ndice
%
de ndice
%
de
2001=100 Variacin 2004=100 Variacin Variable
Variacin
64

2001
2002
2003
2004
2005
2006

20
28
24
40
48
70

100
140
120
200
240
350

0
40
20
100
140
250

50
70
60
100
120
175

-50
-30
-40
0
20
75

100
140
85.71
166.66
120
145.83

0
40
-14.29
66.66
20
45.83

Observe que tomando de base el ao 2001, en el 2004 se tuvo un aumento del 100% y
en el 2006 se tuvo un aumento de precios del 250% con respecto al ao 2001; si
tomamos de base el ao 2004, en el 2006 se tuvo un aumento del 75%. Finalmente, si
tomamos Base Variable en el ao 2006 hubo un aumento del 45.83% con respecto al
ao 2005.
EJERCICIO DE APLICACIN. En enero de 2006 una fbrica pag un total de $
99,200,000.00 a 120 empleados en nmina. En julio del mismo ao, la fbrica tuvo 30
empleados ms en nmina y pag $ 30,000,000 ms que en enero. Tomando el mes de
enero como base, hallar e interpretar:
a) El ndice de empleo (NIE)
b) El ndice del costo de mano de obra (ICMD)
c) Precio relativo
Solucin.
a) NIE= N de empleados en julio / N de empleados en enero
150
NIE
*100 125 . Durante los 6 meses hubo un incremento de empleados
120
del 25%
b) ICMD = Salarios pagados en Julio / Salarios pagados en enero
129, 200, 000
ICMD
*100 130.24 . Durante los 6 meses considerados en
99, 2000, 000
este estudio hubo un aumento de costo de mano de obra en la empresa de
30.24%, observe que no se ha considerado en aumento de empleados.
c) El precio relativo (PR) es equivalente al riesgo relativo utilizado en medicina
(RR), es decir,
129, 200, 000
129, 200, 000
150
150 1.04193
PR
1.04193
PR
. El
99, 200, 000
99, 200, 000
120
120
ndice de costo medio por empleado aument en un 4.10% para el mes de julio
en relacin con el mes de enero.

Relacin entre ndices de base fija y variable.

El ndice de base variable puede transformarse en ndice de base fija, utilizando
la siguiente relacin:
Xt
h
I t0 I 00 * R01 * R12 *...* Rtt1 donde Rhh1 es el ndice relativo, es decir, Rh 1
X h 1
Ejemplo: Se tiene la informacin del precio de un producto.

65

Se desea indicar la variacin del precio en

el 2006 respecto al precio de 2003.
Solucin:
X
4800
I 0306 06 *100
*100 171.43
X 03
2800

Base fija 2002

aos
Yi
ndice
2002 2,000
100
2003 2,800
140
2004 2,400
120
2005 4,000
200
2006 4,800
240
Ahora, imaginemos que se tiene el ndice
2007
6,000
300
de precios con base fija para 2003 y 2006
y se requiere la variacin del precio en el 2006 respecto al precio de 2003.
Solucin:
I 0206
240
06
I 03 03 *100
*100 171.43 . Observe que se tiene el mismo resultado si
I 02
140
se dispone de los precios o de los ndices de base fija.
Ahora, suponer que se tienen nicamente los ndices de base variable y se
requiere la variacin del precio en el 2006 respecto al precio de 2003.
Solucin:
I 0306 I 0303 * R0304 * R0405 * R0506 100*0.8571*1.6666*1.2 171.43 .
Ejercicio. Un ndice para 2006 revela un aumento del 20% respecto al ao anterior. En
el 2007 alcanz a 174, es decir, presenta un incremento anual del 18%. Calcular los
ndices de base fija de los aos 2005 y 2006.
Solucin:
05
06
Se requiere encontrar: I 0 , I 0 ?

06
07
Informacin disponible: I 05 120, I 06 118 .
La base o periodo de inicio no se conoce, por lo tanto puede ser cualquier ao, as:
I 007 174 adems sabemos que I 007 I 006 * R0607 , reemplazando 174 en la ltima expresin
se obtiene:
174
I 006
147.45 .
1.18
05
Para obtener I 0 , se realiza un procedimiento anlogo al anterior.

I 006 I 005 * R0506 , reemplazando 147.45 se tiene:

147.45
I 005
122.87 .
1.2
Ejercicio. Se tienen tres ndices de base variable, cuyas cifras son: Para 2005=107, para
2006=108, para 2007=104, es decir, que entre 2004 y 2007, hubo un aumento del 19%.
Decir si la afirmacin anterior es cierta o falsa.
Solucin:
07
04
05
06
07
Recordemos que I 04 I 04 * R04 * R05 * R06 100*1.07 *1.08*1.04 120.18 , por lo tanto
la afirmacin es falsa.

5.3.2 ndices agregativos simples

Cuando se dispone de una serie de precios de un grupo de artculos, dados en unidades
diferentes, los ndices simples ya no son utilizables, en esta situacin se requiere utilizar
los ndices agregativos simples.
66

Estos ndices se calculan teniendo en cuenta la suma de los precios, cantidades o valores
de un grupo de artculos para un periodo, divida por la suma de los precios cantidades o
valores para ese grupo de artculos en otro periodo, considerado como base.
Matemticamente se expresan como:
n

I
t
0

X t (i)
i 1
n

X
i 1

I
t
0

*100

(i )

Pt (i)
i 1
n

P (i)
i 1

I
t
0

*100

q (i)
i 1
n

q (i)
i 1

*100

Las expresiones anteriores son muy tiles cuando no existen variaciones significativas
entre productos, ya estos ndices no se ven afectados por las variaciones en algn
producto. Para recoger las variaciones entre productos se recomienda calcular
primeramente los ndices simples y luego sumarlos y finalmente dividirlos por el
nmero de productos. Esto es,
n

I
t
0

I
i 1

t
0

(i )
*100

Ejemplo: Con los datos de la siguiente tabla, calcular el ndice agregativo de las
cantidades que resultaron en mal estado de
Artculos medida Defectuosas
conservacin, en un grupo de artculos,
mayo Junio
comparados en el mes de junio de 2009,
A
Kg
12
18
respecto a las cantidades comparadas, en mal
B
Lt
8
15
estado de conservacin, en el mes de mayo del
C
Docena 20
8
mismo ao.
D
Libras
14
20
E
Unidad 50
70
Total
104
131
Solucin:
Primer mtodo.
n

I
t
0

q (i)
i 1
n

q (i)
i 1

*100

131
*100 125.96 . Este mtodo es poco usual, ya que no es
104

afectado por las variaciones grandes que puede presenta uno varios artculos.
Segundo mtodo.
n

t
0

(i )

150 187.5 40 142.8 140

132.06
n
5
Este resultado es un poco mayor al obtenido por el primer mtodo. Este aumento
se debe, a la variacin que presenta el artculo B, durante ese periodo.
I
t
0

i 1

*100

67

5.3.3 ndices de precios

Existen gran cantidad de frmulas para calcular ndices de precios, cuyo empleo
depender de la naturaleza misma del problema. Generalmente, las ponderaciones en los
ndices de precios son las cantidades y en el clculo de los ndices de cantidad las
ponderaciones son los precios.

5.3.3.1 ndice de Laspeyres de precios.

Este ndice puede interpretarse, como la relacin existente, al comparar los precios
actuales de un grupo de artculos, con los precios de esos mismos artculos considerados
en el periodo base, mantenindose constante como ponderacin las cantidades del
periodo base. La expresin es la siguiente:
n

I 0t

P (i)q (i)
t

i 1
n

P (i)q (i)
0

i 1

*100

5.3.3.2 ndice de Paasche de precios.

Se interpreta como la relacin existente entre los precios actuales de un grupo de

artculos, con los precios de esos mismos artculos en el periodo base, mantenindose
constante las ponderaciones correspondientes a las cantidades de dichos artculos, dadas
por el periodo que se investiga, esto es:
n

P (i)q (i)

I 0t

i 1
n

P (i)q (i)
0

i 1

*100

La diferencia entre las dos frmulas anteriores, radica nicamente en la base tomada
para las ponderaciones, en la primera se refiere a las cantidades del periodo base y en la
segunda, las cantidades corresponden al periodo que se investiga.
5.3.3.3 ndice de Fisher de precios.

Este ndice es un promedio geomtrico, que se define como la raz cuadrada del
producto del ndice de Laspeyres por el de Paasche, as:
n

I 0t

I 0t

L P

I 0t

Pt (i)q0 (i )
i 1
n

P (i)q (i)
i 1
n

P (i )q (i) P (i )q (i )
i 1

i 1

*100

5.3.3 ndices de cantidad.

Los ndices de cantidad de Laspeyres, Paasche y Fisher son muy parecidos a los ndices
de precios, con la diferencia de que las ponderaciones son los precios. Las frmulas son
las siguientes:

68

I 0t

P0 (i)qt (i)
i 1
n

P (i)q (i)
i 1

P (i)q (i)

I 0t

*100

i 1
n

P (i)q (i)
i 1

I 0t

I 0t

P0 (i)qt (i)

I 0t

F L P

i 1
n

*100

P (i)q (i)
i 1
n

P (i)q (i) P (i)q (i)

i 1

i 1

*100

Ejemplo: Con los siguientes datos referentes a los precios y cantidades para un grupo
de artculos dados para dos periodos.
Artculos Unidad
2006
2007
Precio Cantidad Precio Cantidad
A
Kg
26
10
38
8
B
Lt
6
5
10
7
C
Lbs
1
2
4
5
D
Docena 6
1
15
2
E
Unidad 3.6
2
2
1
Calcular los ndices de precios y de cantidad de las Laspeyres, Paasche y Fisher.
Solucin:
Ordenando los datos de la tabla anterior:
Articulos P06 q06 P07 q07 P06 q06
A
26 10 38 8
260
B
6
5
10 7
30
C
1
2
4
5
2
D
6
1
15 2
6
E
3.6 2
2
1
7.2
305.2

P07q07
304
70
20
30
2
426

P07q06
380
50
8
15
4
457

P06q07
208
42
5
12
3.6
270.6

Clculo de los ndices de precios

n

I 0t

Laspeyres: L

P (i)q (i)
t

i 1
n

P (i)q (i)
0

i 1

*100 =(457/305.2)*100 = 149.34

I 0t

Paasche: P

P (i)q (i)
i 1
n

P (i)q (i)
i 1

*100 = (426/270.6)*100= 157.43

Fisher: F I0t LI0t P I0t 149.34*157.43 153.54

Los ndices de cantidad se calculan de forma anloga.

Laspeyres: (270.6/305.2)*100=88.66
Paasche: (426/457)*100= 93.22
Fisher: 90.91

69

Ejercicio. El ndice de cantidad de un grupo de artculos es igual a 200, s se usa la

frmula de Fisher, y a 160 si se emplea la de Laspeyres. Cul es el ndice de cantidad
usando la frmula de Paasche?
Solucin.
t
t
t
t
t
40, 000
F I0 LI0 P I0 2002 160* P I0 P I0
250
160
Ejercicio. Una empresa espera aumentar sus ventas en el ao prximo en un 50%. En
qu porcentaje debera incrementar los precios para que el ingreso total se convierta en
un 250%?
Solucin.
Se sabe que el ndice de ingreso total es igual al ndice de cantidad vendida por el ndice
de precios.
250=150*ind. Precios, entonces Ind. Precios = (250/150)=166.66
Se debe aumentar los precios en un 66.67%.
Ejercicio. El ndice de precios de Laspeyres es de 2/3 del de Paasche y ste asciende a
130. Cul es el ndice de Fisher?
Solucin.
t
t
t
LI0 (2 / 3) * P I0 (2 / 3)(130) 86.66 F I 0 86.66*130 106.14

5.3.4 Clculo del salario e ingreso real.

Los nmeros ndices tienen numerosas aplicaciones, especialmente en el rea
econmica, por ejemplo, para estimar el salario real o ingreso real, los cuales se
obtienen a travs de las siguientes frmulas:
Salario real: (salario nominal/ ndice de precios al consumidor)*100
Ingreso real: (Ingreso nominal/ndice de precios al consumidor)*100
Este proceso de convertir el salario o el ingreso nominal en real se conoce como
deflacin o sea la transformacin de valores expresados a precios corrientes en valores o
precios constantes, con respecto a un periodo.
Ejemplo: Un profesor Universitario III de la Universidad de El Salvador en junio de
2009 ganaba $ 1,400.00 dlares US y en el mes de enero de 2010, su salario fue
reajustado con un aumento de $ 200.00 dlares. Se sabe adems que el precio de la
canasta bsica para esos mismos meses y aos fue de $550 y $675 respectivamente. Se
quiere saber si con el reajuste en el salario mejor la situacin econmica de los
profesores universitarios.
Solucin.
El ndice de precios de la canasta bsica es:

70

675
*100 122.73
550
Los artculos de primera necesidad aumentaron de junio de 2009 a enero de 2010 en un
22.73%, por lo tanto, tuvo que haber un incremento igual a este porcentaje o mayor,
para que las condiciones econmicas sean iguales o mejores en el ao 2010.
1600
*100 1,303.67 , esto indica que el aumento fue demasiado bajo,
Salario real=
122.73
es decir, que a pesar de estar recibiendo ms dinero que antes, este salario a penas
equivale a 1,303.67, el aumento esperado debi ser de $ 318.22 = 1400*0.2273, o sea
que su nuevo salario debera de ser de $1,718.22 en vez de $ 1,600.
I 010

Gua de ejercicios N 5.
1. Las cifras de ventas en millones de $ (dlares) de unos granos bsicos
almacenados desde 2002 hasta 2010 son los siguientes:
Aos
2002
2003
2004
2005
2006
2007
2008
2009
2010

Ventas
18
18
19
15
12
16
20
24
35

a) Hallar los ndices de ventas, tomando como base primero 2002 y

luego 2005.
b) Hallar los ndices de ventas con base variable

2. Un empleado ganaba $ 772 dlares mensuales en 2009 en el 2010 gana $ 912

mensuales, con lo cual mejora su ingreso real en 16%. Si el actual ndice de
precios es de $ 560 Cul era el ndice de precios del 2009?
3. La produccin de tomates (en toneladas) en la provincia de Valparaso fue
durante los ltimos 10 aos:
AO
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006

PRODUCCION (ton)
1300
1280
1189
1234
1100
1250
1310
1270
1140
1240

Se Pide:
a) Establezca una serie de nmeros ndice,
que permita estudiar la evolucin de dichas
producciones, considerando como base el
ao 1997.

b) Determine el porcentaje de variacin de

la produccin entre los aos 1997 y 2006.

c) Determine la tasa de crecimiento promedio (tcp) entre los aos 1997 y 2007.
4. La entrada de turistas Alemanes a nuestro Pas durante los ltimos 7 aos segn
SERNATUR viene dada por la tabla siguiente:
AO
2000
2001
2002
2003
2004
2005
2006

Nmero de Turistas
12565
13124
11897
14578
16243
14890
15321

Se Pide:
71

a) Establezca una serie de nmeros ndice, que permita estudiar todos los datos,
considerando como base el ao 2000.
b) Con respecto al ao 2003. Qu porcentaje de aumento o disminucin se dio en los
aos 2004 y 2005.

5. La Municipalidad de San Antonio, ubicada en la V Regin ha estudiado el

consumo de anual de agua por habitante durante los ltimos 5 aos, obteniendo:
AO
2002
2003
2004
2005
2006

Consumo agua por habitante (lt)

345
367
354
389
325

Se Pide:
a) Establezca una serie de nmeros ndice,
que permita estudiar todos los
consumos, considerando como base el

ao 2002.
b) Determine el porcentaje de variacin del consumo entre los aos 2002 y 2006.
c) Determine la tasa de crecimiento promedio (tcp) entre los aos 2002 y 2006.
6. Una fbrica de automviles chinos produce cuatro modelos distintos, todos en
versin econmica, cuyos precios expresados en millones de pesos y nmero de
unidades producidas en 1998 y 2000 son respectivamente:
Modelo
1
2
3
4

Precio (M$)
0.9
1.3
1.9
3.8

Ao 1998
N de unidades
3200
3200
3200
3200

Precio (M$)
1.2
1.5
2.1
4.3

Ao 2000
N de unidades
5600
4300
2000
1200

Se Pide:
a) Hallar el ndice de precios y de cantidad de LASPEYRE, con base el ao 1998.
b) Hallar el ndice de precios y de cantidad de PAASCHE, con base el ao 1998.
c) Hallar el ndice de FISHER para precio y cantidad, considerando el mismo ao
base.
7. Si, por ejemplo, el consumo final de un pas, expresado en miles de dlares
corrientes de cada ao, y el I.P.C. de los mismos aos son los siguientes,
expresar en dlares. Constantes el consumo final de ese pas:

Aos
2000
2001
2002
2003
2004

Consumo final
17
20
22
25
30

IPC
100
105
110
115
118

72