Curso de Estadística Empresarial

1
1
DEPARTAMENTO DE ECONOMA GENERAL Y ESTADSTICA DEPARTAMENTO DE ECONOMA GENERAL Y ESTADSTICA
UNIDAD DOCENTE DE ESTADSTICA Y ECONOMETRA UNIDAD DOCENTE DE ESTADSTICA Y ECONOMETRA
ESTADSTICA EMPRESARIAL ESTADSTICA EMPRESARIAL
2005 2005--2006 2006
DIPLOMATURA EN CIENCIAS EMPRESARIALES DIPLOMATURA EN CIENCIAS EMPRESARIALES
TEMA 1 TEMA 1
INTRODUCCIN A LA ESTADSTICA
2
1. CONCEPTO DE ESTADSTICA
2. LA METODOLOGA Y EL OBJETO DE LA ESTADSTICA
3. LA ESTADSTICA Y LA CIENCIA ECONMICA
TEMA 1. INTRODUCCIN A LA ESTADSTICA TEMA 1. INTRODUCCIN A LA ESTADSTICA
2
3
El origen de la palabra estadstica desde el punto de vista
etimolgico no parece estar nada claro.
El Diccionario de la Real Academia de la Lengua lo hace
proceder del trmino estadista y ste a su vez del trmino
estado (del latn status), refirindose a l como a la
situacin en la que se encuentra una persona o cosa.
CONCEPTO DE ESTADSTICA CONCEPTO DE ESTADSTICA
4
Antecedentes muy remotos:
Pentateuco. Engloba los 5 primeros libros del antiguo
testamento. En el cuarto libro Nmeros, los primeros captulos se
referan al censo o numeracin de las tribus israelitas.
Censo del emperador Yao (China, 2238 a. de J.C.). Primeras
evidencias de recuentos.
Documentos asirios, egipcios y griegos. La preocupacin por la
actividad censal de los individuos y bienes del Estado tena una
clara finalidad tributaria y militar.
3
5
Definicin arcaica: Parece ser que la palabra ESTADSTICA
fue utilizada por primera vez en Alemania en el s.XVIII:
Recoleccin de datos y documentos tiles
para la administracin del Estado
La Estadstica actual es la ciencia que resulta de la unin de dos
disciplinas, que evolucionan independientemente hasta confluir en
el s.XIX:
El Clculo de Probabilidades s.XVII
La Estadstica que estudia la descripcin de datos
6
El origen se atribuye a los matemticos
franceses del s.XVII Blaise Pascal y Pierre
Fermat
Pascal Fermat
4
7
La Estadstica es una ciencia capaz de describir la realidad,
modelizarla y obtener conclusiones de la investigacin emprica
mediante la utilizacin de mtodos del Anlisis Matemtico.
La Estadstica acta como disciplina de interconexin entre los
modelos matemticos y los fenmenos reales.
Un modelo matemtico es una abstraccin simplificada de
una realidad ms compleja. Por ello, siempre existir cierta
diferencia entre lo observado y lo previsto.
8
LA METOD LA METODOOLOGA Y EL OBJETO LOGA Y EL OBJETO DE DE LA LA ESTADSTICA ESTADSTICA
Segn el profesor R. Sierra Bravo, toda Ciencia queda
perfectamente determinada con la concrecin de tres aspectos
fundamentales:
Sujeto: Investigador;
Objeto: Recogida, anlisis e interpretacin de los datos; y,
Relacin con otras Ciencias: La Estadstica nos la podemos
encontrar en la mayora de los planes de estudio actuales:
Psicologa, Relaciones Laborales, Turismo, etc.
5
9
Etapas del Anlisis Estadstico
1. Recogida de los datos: encuestas, entrevistas, ...
2. Ordenacin y presentacin de los datos: tablas, grficos, ...
3. Clculo de medidas o parmetros estadsticos
4. Anlisis y Prediccin de los resultados: teora de la
probabilidad y teora de la decisin
10
La Estadstica proporciona:
instrumentos para la toma de decisiones en ambiente de
incertidumbre, siempre que esta incertidumbre pueda ser medida en
trminos de probabilidad.
La Estadstica se preocupa de:
los mtodos de recogida y descripcin de datos, as como de
generar tcnicas para el anlisis de esta informacin.
6
11
LA LA ESTADSTICA ESTADSTICA Y LA CIENCIA ECONMICA Y LA CIENCIA ECONMICA
La Ciencia Econmica al igual que las Ciencias Sociales tienen
por objeto el estudio del comportamiento del hombre y de la
sociedad.
Las leyes econmicas y sociales no son leyes exactas sino que
estn impregnadas por fuertes dosis de incertidumbre.
12
LA LA ESTADSTICA ESTADSTICA Y LA CIENCIA ECONMICA Y LA CIENCIA ECONMICA
No se pueden establecer normas fijas e inmutables en materia
econmica y social por tres razones:
1) La sociedad est en continuo cambio.
2) Las evidencias empricas no pueden ser obtenidas y
repetidas en las mismas condiciones de partida.
3) Existe una fuerte interrelacin entre las fuerzas
econmicas y sociales.
7
13
RELACIONES E RELACIONES ESTADSTICA STADSTICA ECONOMA (ngel Alcaide) ECONOMA (ngel Alcaide)
1
2
3
4
ESTADSTICA
MATEMTICAS
ECONOMA
1. ESTADSTICA ECONMICA
2. ECONOMA MATEMTICA
3. ESTADSTICA MATEMTICA
4. ECONOMETRA
1
TEMA 2
CONCEPTOS BSICOS DE ESTADSTICA DESCRIPTIVA
2005 2005--2006 2006
2
TEMA 2: CONCEPTOS BSICOS DE ESTADSTICA DESCRIPTIVA
1. POBLACIN, ELEMENTOS Y CARACTERES
2. TIPOS DE CARACTERES: VARIABLES Y ATRIBUTOS
3. ESCALAS DE MEDICIN DE CARACTERES
4. FORMAS DE OBSERVAR LA POBLACIN: CENSOS Y
ENCUESTAS
5. OBSERVACIONES TEMPORALES Y TRASVERSALES
2
3
POBLACIN
Conjunto de todos los individuos o cosas que tienen
unas caractersticas comunes y a los que va referida
toda investigacin estadstica
TEMA 2. TEMA 2. CONCEPTOS BSICOS DE ESTADSTICA DESCRIPTIVA CONCEPTOS BSICOS DE ESTADSTICA DESCRIPTIVA
POBLACIN, ELEMENTOS Y CARACTERES POBLACIN, ELEMENTOS Y CARACTERES
TAMAO DE UNA POBLACIN: Finito o Infinito
4
ELEMENTOS
Reales
Abstractos
Unidades naturales
Unidades artificiales
Entidades simples
Entidades complejas
Individuos o cosas que integran la poblacin
3
5
CARACTERES
Propiedades, rasgos o cualidades
que poseen todos los elementos de la poblacin
sobre la que realizamos el estudio
6
TIPOS DE CARACTERES
CUALITATIVOS CUANTITATIVOS
ATRIBUTOS VARIABLES
Representacin a travs
de modalidades
Representacin a
travs de valores
TIPOS DE CARACTERES: VARIABLES Y ATRIBUTOS TIPOS DE CARACTERES: VARIABLES Y ATRIBUTOS
4
7
TIPOS DE VARIABLES
DISCRETAS CONTINUAS
Nmero finito de
valores para un
determinado intervalo
Nmero infinito de
valores para un
determinado intervalo
TIPOS DE CARACTERES: VARIABLES Y ATRIBUTOS TIPOS DE CARACTERES: VARIABLES Y ATRIBUTOS
8
OBJETIVO:
Obtener para cada posible valor de la variable (o atributo) un
nmero (o palabra) que la identifique.
FORMAS DE OBTENERLO:
- MIDINDOLA
- SISTEMA DE PUNTUACIN
- ASIGNACIN DE UN RANGO A CADA ELEMENTO
ESCALAS DE MEDICIN DE CARACTERES ESCALAS DE MEDICIN DE CARACTERES
5
9
ESCALA NOMINAL: Escala cualitativa en la cual la
informacin sobre un determinado carcter se puede clasificar en
categoras no numricas mutuamente excluyentes, entre las cuales
no se puede establecer ninguna relacin de orden.
Ejemplos: profesiones laborales; ideologa poltica; estado civil
ESCALA ORDINAL: Escala cualitativa en la cual la
informacin sobre un determinado carcter se puede clasificar en
categoras no numricas mutuamente excluyentes, entre las cuales
s que se puede establecer alguna relacin de orden.
Ejemplo: niveles de estudios (primarios, medios, superiores y otros)
10
ESCALA DE INTERVALOS: Escala cuantitativa en la que se
establece de antemano algn tipo de unidad de medida,
pudindose cuantificar numricamente la distancia existente
entre dos observaciones cualesquiera.
Ejemplos: gastos, temperatura
ESCALA DE PROPORCIN: Escala cuantitativa en la que
se fija un punto de origen que marca un cero absoluto.
Ejemplos: edad, nmero de hijos de una familia
6
11
OBSERVACIN DIRECTA O INDIRECTA
- Directa: Implica observar el fenmeno y las condiciones que le
acompaan, unidad por unidad.
- Indirecta: A partir de unos datos estadsticos conocidos sobre cierto
hecho o fenmeno, deducimos datos estadsticos relativos a otros.
OBSERVACIN CONTINUA, PERIDICA, CIRCUNSTANCIAL
- Continua: De forma permanente.
- Peridica: Cada cierto tiempo.
- Circunstancial: De forma espordica.
FORMAS DE OBSERVAR LA POBLACIN: CENSOS Y ENCUESTAS FORMAS DE OBSERVAR LA POBLACIN: CENSOS Y ENCUESTAS
12
OBSERVACIN EXHAUSTIVA O PARCIAL
- Exhaustiva o total: Consiste en observar a todos y cada uno de los
elementos de la poblacin objeto de estudio.
CENSO: Un estudio exhaustivo de la poblacin.
- Parcial: Consiste en observar un subconjunto de la poblacin.
Dos subconjuntos de la poblacin:
Muestra: con las mismas caractersticas de la poblacin.
Subpoblacin: con caractersticas peculiares que la diferencian del
total de la poblacin.
ENCUESTA: Es la recogida de informacin en una muestra de la
poblacin.
FORMAS DE OBSERVAR LA POBLACIN: CENSOS Y ENCUESTAS FORMAS DE OBSERVAR LA POBLACIN: CENSOS Y ENCUESTAS
7
13
OBSERV. TEMPORALES O SERIES TEMPORALES:
Resultados de observar un fenmeno cuantificable en sucesivos instantes o
periodos de tiempo.
Ejemplo: la evolucin del IPC en los ltimos 10 aos
OBSERV. TRANSVERSALES O SERIES ATEMPORALES:
Resultados de observar un fenmeno cuantificable en un instante o periodo
determinado de tiempo en diferentes sujetos.
Ejemplo: datos referentes a la produccin en un mismo ao, de los diferentes
sectores econmicos
DATOS DE PANEL:
Son la combinacin de datos cronolgicos y de corte transversal.
OSERVACIONES TEMPORALES Y TRANSVERSALES OSERVACIONES TEMPORALES Y TRANSVERSALES
1
1
TEMA 3
DISTRIBUCIONES DE FRECUENCIAS Y
REPRESENTACIONES GRFICAS
2005 2005--2006 2006
Profesores de teora: Encarnacin Cordn Lagares, Concepcin Corts Rodrguez, Ana Gonzlez Galn
2
3.1. TIPOS DE VARIABLES: DISCRETA Y CONTINUA
3.2. DISTRIBUCIONES DE FRECUENCIAS DE UNA VARIABLE
DEFINICIN Y TIPOS
INTERVALOS, AMPLITUD, MARCAS DE CLASE Y
RECORRIDO
3.3 TABLAS DE FRECUENCIAS PARA ATRIBUTOS
3.4 REPRESENTACIONES GRFICAS DE UNA VARIABLE Y DE UN
ATRIBUTO
TEMA 3. DISTRIBUCIONES DE FRECUENCIAS Y TEMA 3. DISTRIBUCIONES DE FRECUENCIAS Y
REPRESENTACIONES GRFICAS REPRESENTACIONES GRFICAS
2
3
VARIABLES DISCRETAS: Son aquellas que toman un
nmero finito de valores dentro de un intervalo
determinado.
VARIABLES CONTINUAS: Son aquellas que toman un
nmero infinito de valores dentro de un intervalo
determinado.
TEMA 3. DISTRIBUCIONES DE FRECUENCIAS TEMA 3. DISTRIBUCIONES DE FRECUENCIAS
3.1. TIPOS DE VARIABLES: DIS 3.1. TIPOS DE VARIABLES: DISCCRETA Y CONTINUA RETA Y CONTINUA
4
- A LA HORA DE INICIAR LA ETAPA DE ORDENACIN Y
PRESENTACIN DE LOS DATOS DEBEMOS TENER EN
CUENTA:
El tipo de variable: discreta o continua;
Si la variable toma muchos o pocos valores distintos; y,
Si la variable tiene muchas o pocas observaciones.
3
5
EJEMPLOS DE DOS VARIABLES DISCRETAS
Con 7 observaciones y 7 valores distintos (Variable Tipo I):
2, 3, 4.5, 5.8, 6, 7.5, 9
Con 20 observaciones y 8 valores distintos (Variable Tipo II):
7, 2.5, 2.5, 4.5, 6.5, 9, 0, 9.5 2.5, 9, 6.5, 2.5, 4.5, 6.5, 5, 9, 5, 9.5, 2.5, 0
Valores (x
i
) n de veces que aparece (n
i
)
0 2
2.5 5
4.5 2
5 2
6.5 3
7 1
9 3
9.5 2
6
- CUANDO UNA VARIABLE DISCRETA TOMA MUCHOS
VALORES DISTINTOS Y POR TANTO MUCHAS
OBSERVACIONES:
SE ACONSEJA LA PREVIA AGRUPACIN DE LOS
VALORES EN INTERVALOS
(Variables de Tipo III)
Ello facilitar su presentacin en una tabla de
frecuencias de menores dimensiones
4
7
- LOS VALORES DE UNA VARIABLE CONTINUA
VIENEN AGRUPADOS EN FORMA DE INTERVALOS
(Variables de Tipo III)
Ello facilitar su presentacin en una tabla de
frecuencias de menores dimensiones
8
Agrupar en
intervalos
Agrupar en
intervalos
Agrupar en
intervalos
No agrupar en
intervalos
No agrupar en
intervalos
VARIABLE DISCRETA
VARIABLE
CONTINUA
MUCHOS
VALORES
DISTINTOS
MUCHAS
OBSERVACIONES
POCOS
VALORES
DISTINTOS
POCAS
OBSERVACIONES
TIPO III TIPO I
TIPO II
5
9
DOS CONDICIONES QUE HAN DE CUMPLIR LOS
INTERVALOS:
SER MUTUAMENTE EXCLUYENTES
Una misma observacin no puede estar en dos intervalos a la
vez
Y
SER EXHAUSTIVOS:
Todas las observaciones han de estar incluidas en los
intervalos, de forma que no puede sobrar ni quedar fuera
ninguna observacin
10
LOS VALORES DE UNA VARIABLE DE TIPO II O DE
TIPO III SE PRESENTAN EN TABLAS DE
FRECUENCIAS
TIPOS DE FRECUENCIAS:
Frecuencia absoluta; Frecuencia absoluta acumulada;
Frecuencia relativa; Frecuencia relativa acumulada
DISTRIBUCIN DE FRECUENCIAS (x
i
;n
i
):
Es el conjunto formado por los valores de una variable y por sus
correspondientes frecuencias
3.2. DISTRIBUCIONES DE FRECUENCIAS DE UNA VARIABLE 3.2. DISTRIBUCIONES DE FRECUENCIAS DE UNA VARIABLE
6
11
3.2 DISTRIBUCIONES DE FRECUENCIAS DE UNA VARIABLE 3.2 DISTRIBUCIONES DE FRECUENCIAS DE UNA VARIABLE
n N
i
i
k
=
=
1
24 6 3
10 10 1
18 8 2
N = 30 Total
30 6 4
Frec. Absoluta
Acumulada ( N
i
)
Frecuencia
Absoluta (n
i
)
Curso en el que se haya
matriculado un alumno
PROPIEDAD:
FRECUENCIA ABSOLUTA (n
i
): Nmero de veces que se repite
un mismo valor o un grupo de valores de la variable.
FRECUENCIA ABSOLUTA ACUMULADA (N
i
): Es el nmero
de veces que se repite un valor de la variable y cualquier valor menor
a ste, una vez ordenados los datos de menor a mayor
N n
i k
k
i
=
=
1
12
80.0 % 20.00 % 3
33.3 % 33.33 % 1
60.0 % 26.67 % 2
100 % Total
100 % 20.00 % 4
Frecuencia Relativa
Acumulada (F
i
= N
i
/ N)
Frecuencia Relativa
(f
i
= n
i
/N)
Curso en el que se haya
matriculado un alumno
FRECUENCIA RELATIVA (f
i
): Es la frecuencia
absoluta expresada como proporcin del nmero
total de observaciones
FRECUENCIA RELATIVA ACUMULADA
(F
i
): Es la frecuencia absoluta acumulada expresada
como proporcin del nmero total de observaciones
f
i
i
n
=
=
1
1
0 1 f
i
PROPIEDADES:
F
N
N
f
i
i
K
k
i
= =
=
1
7
13
AMPLITUD DE UN INTERVALO DE EXTREMOS L
i-1
- L
i
:
Es la distancia existente entre sus lmites o extremos (el superior
menos el inferior)
MARCA DE CLASE DE UN INTERVALO: Es el valor
representativo del intervalo (Punto medio del intervalo)
DENSIDAD DE FRECUENCIAS:
RECORRIDO DE UNA VARIABLE: Es la diferencia entre el
mayor y el menor valor de la variable
a L L
i i i
=
1
x
L L
i
i i
=
+
1
2
R X X =
max min
i
i
i
a
n
d =
1
0.900
0.500
0.133
Frec. Rel.
Acum. F
i
1.575 4 0.133 4 1.55altura<1.60
1.650 15 0.366 11 1.60altura<1.70
1 N = 30 Total
1.825 30 0.100 3 1.80altura<1.85
1.750 27 0.400 12 1.70altura<1.80
Marca
de clase
Frec. Abs.
Acum. N
i
Frec. Relat.
f
i
Frec. Abs.
n
i
Altura
L
i-1
- L
i
14
PASOS QUE HAY QUE DAR PARA LA CONSTRUCCIN DE
INTERVALOS CON IGUAL AMPLITUD a
i
= a (cte)
1) Determinar el nmero de intervalos n
2) Calcular el rango o recorrido de la variable R = X
max
X
min
3) Calcular la amplitud de los intervalos a = R / n
4) Hallar los lmites de los intervalos L
0
L
1
; L
1
L
2
; ... ; L
n-1
L
n
L
0
= X
min
L
1
= L
0
+ a
L
2
= L
1
+ a = L
0
+ 2a
... L
n
= L
n-1
+ a = L
0
+ na = L
0
+ R
8
15
EJEMPLO:
El pasado martes preguntamos a 50 estudiantes de la residencia
universitaria cunto les haba costado comer aquel da, obteniendo los
siguientes resultados:
4, 10, 3, 8, 3, 4, 3, 3, 5, 3, 3, 5, 2, 4, 6, 9, 3, 4, 7, 5, 3, 3, 2, 3, 6, 2, 3, 3, 4,
3, 2, 3, 4, 3, 4, 3, 3, 4, 6, 7, 4, 5, 5, 4, 4, 5, 5, 4, 7, 4
Determina la distribucin de los precios de forma que aparezcan
agrupados en 4 intervalos de igual amplitud.
3.2 DISTRIBUCIONES DE FRECUENCIAS DE UNA VARIABLE 3.2 DISTRIBUCIONES DE FRECUENCIAS DE UNA VARIABLE
16
L
i-1
-L
i
n
i
N
i
f
i
F
i

[2-4) 21 21 0,42 0,42
[4-6) 20 41 0,4 0,82
[6-8) 6 47 0,12 0,94
[8-10] 3 50 0,06 1

SOLUCIN: n = 4; R = 10 - 2 = 8; a = R/n = 8/4 = 2
9
17
Las MODALIDADES de un atributo han de ser
EXHAUSTIVAS y MUTUAMENTE EXCLUYENTES, de
forma que una observacin no se corresponda con ms de una
modalidad.
En la presentacin de un atributo en forma de tabla de
frecuencias suelen utilizarse dos frecuencias:
la frecuencia absoluta y la frecuencia relativa,
pero no las acumuladas.
3.3 TABLAS DE FRECUENCIAS PARA ATRIBUTOS 3.3 TABLAS DE FRECUENCIAS PARA ATRIBUTOS
18
COLOR DEL
PELO
n
i
f
i
(%)
CASTAO 34 49.3
NEGRO 23 33.3
RUBIO 10 14.5
BLANCO 2 2.9
N= 69 100 %
3.3 TABLAS DE FRECUENCIAS PARA ATRIBUTOS 3.3 TABLAS DE FRECUENCIAS PARA ATRIBUTOS
EJEMPLO:
10
19
UNA BUENA REPRESENTACIN GRFICA DE LA
DISTRIBUCIN PUEDE AYUDAR, EN OCASIONES, A
EXTRAER CONCLUSIONES SOBRE EL
COMPORTAMIENTO REAL DE LA VARIABLE O DEL
ATRIBUTO
PARA QUE UNA REPRESENTACIN GRFICA SEA
BUENA HA DE AJUSTARSE A LA REALIDAD
3.4 3.4 REPRESENTACIONES GRFICAS REPRESENTACIONES GRFICAS
20
Caracteres
Cualitativos
Diagrama de sectores
Diagrama de rectngulos
Pictograma
Cartograma
Histograma de frecuencias
Polgono de frecuencias
acumuladas
Datos
agrupados
Cuantitativos
3.4. REPRESENTACIONES GRFICAS 3.4. REPRESENTACIONES GRFICAS
Datos sin
agrupar
Diagrama de barras
Diagrama de escaleras
11
21
http://thales.cica.es/rd/Recursos/rd99/ed99-
0278-01/est_des4.html
http://www.pntic.mec.es/Descartes/Estadistica/
Estadistica_descriptiva/Diagramas.htm
3.4. REPRESENTACIONES GRFICAS 3.4. REPRESENTACIONES GRFICAS
EJEMPLOS:
22
3.4. REPRESENTACIONES GRFICAS PARA VBLES. TIPO II 3.4. REPRESENTACIONES GRFICAS PARA VBLES. TIPO II
x
i
n
i
N
i

1 2 2
2 3 5
3 4 9
4 3 12
5 6 18
6 8 26
7 14 40
8 9 49
9 4 53
10 2 55
Total 55
DIAGRAMA DE BARRAS: Sobre el eje de abscisas se representan los valores de la variable y
sobre el eje de ordenadas, las frecuencias (absolutas o relativas). Desde los puntos marcados sobre el
eje de abscisas se trazan barras verticales de longitud igual a la frecuencia correspondiente.
POLGONO DE FRECUENCIAS: Es la lnea quebrada que une los extremos superiores de las
barras.
12
23
3.4. REPRESENTACIONES GRFICAS PARA VBLES. TIPO II 3.4. REPRESENTACIONES GRFICAS PARA VBLES. TIPO II
x i ni Ni
1 2 2
2 3 5
3 4 9
4 3 12
5 6 18
6 8 26
7 1 4 40
8 9 49
9 4 53
1 0 2 55
Total 5 5
DIAGRAMA DE ESCALERA: En primer lugar, hemos de levantar sobre cada valor de la
variable una altura igual a su frecuencia absoluta acumulada (o frecuencia relativa
acumulada) obteniendo de esta forma una serie de puntos. A continuacin, se deben trazar
lneas horizontales paralelas al eje de abscisas desde cada uno de los puntos obtenidos hasta
el siguiente valor de la distribucin. Asimismo, a la izquierda del primer valor de la variable
se suele trazar una l nea horizontal, mientras que a partir del ltimo punto se suele prolongar
con un trazo horizontal hacia la derecha.
24
3.4. REPRESENTACIONES GRFICAS PARA VBLES. TIPO III 3.4. REPRESENTACIONES GRFICAS PARA VBLES. TIPO III
L
i-1
- L
i
n
i
N
i

0 - 2 6 6
2 - 4 11 17
4 - 6 31 48
6 - 8 36 84
8 - 10 11 95
10 - 12 5 100
N=100
HISTOGRAMA: Para construir un histograma, se representan sobre el eje de abscisas los
lmites de los intervalos. En el eje de ordenadas se colocan las densidades de frecuencias (d
i
).
En el caso que todos los intervalos tengan la misma amplitud, se podran colocar las
frecuencias absolutas en el eje de ordenadas en lugar de las densidades de frecuencias.
Finalmente, sobre los lmites de cada intervalo, se construyen rectngulos de altura igual a la
densidad de frecuencia (caso general) o a la frecuencia absoluta (simplificacin).
13
25
POLGONO DE FRECUENCIAS: Se construye a partir del histograma uniendo los
puntos medios de los lados superiores de cada rectngulo.
L
i-1
- L
i
n
i
N
i

0 - 2 6 6
2 - 4 11 17
4 - 6 31 48
6 - 8 36 84
8 - 10 11 95
10 - 12 5 100
N=100
26
L
i-1
- L
i
n
i
N
i

0 - 2 6 6
2 - 4 11 17
4 - 6 31 48
6 - 8 36 84
8 - 10 11 95
10 - 12 5 100
N=100
POLGONO DE FRECUENCIAS ACUMULADAS: En el lmite superior de cada
intervalo obtenemos un punto de altura igual a la frecuencia acumulada de dicho intervalo.
A continuacin, debemos unir los puntos obtenidos. Para finalizar el grfico, el primer
punto se une con el lmite inferior del primer intervalo, prolongando el polgono desde este
punto hacia la izquierda sobre el eje de abscisas y, por otro lado, se traza tambin una
paralela al eje de abscisas a partir del ltimo punto situado en el extremo superior del
ltimo intervalo.
14
27
3.4. REPRESENTACIONES GRFICAS DE ATRIBUTOS 3.4. REPRESENTACIONES GRFICAS DE ATRIBUTOS
Modalidades fi (%)
frica del Norte 30
Otros pases europeos 30
Resto del mundo 5
Unin Europea 35
Procedencia de extranjeros que viven en Espaa
35%
5%
30%
30% Unin Europea
Resto del mundo
Otros pases europeo
frica del Norte
Modalidades
Uni n Europea
Resto del mundo
Otros pases europeo
frica del Norte
F
r
e
c
u
e
n
c
i
a

r
e
l
a
t
i
v
a
40
30
20
10
0
35
5
30 30
DIAGRAMA DE SECTORES
DIAGRAMA DE RECTNGULOS
28
3.4. REPRESENTACIONES GRFICAS DE ATRIBUTOS 3.4. REPRESENTACIONES GRFICAS DE ATRIBUTOS
PICTOGRAMA: El pictograma consiste en tomar como unidad de medida una siluet a
o smbolo que sea representativo del fenmeno que se va a estudiar. Cada una de estas
siluetas ser igual a un determinado nmero de observaciones (Ejemplo 1). Tambin se
podra construir mediante figuras que tuviesen un tamao variable y proporcional a la
frecuencia de cada modalidad (Ejemplo 2).
Libros n
i

Biologa 25
Matemticas 30
Fsica 43
Qumica 20
Filosofa 10
Total 128
EJEMPLO 1
15
29
EJERCICIO: Pedro encontr un jeroglfico en el interior de una cueva; pretenda ser la
clave para abrir la puerta de una cmara secreta ("puede haber un tesoro oculto").
Necesitaba conocer tres cifras, pero en la inscripcin slo aparecan estos smbolos:
3.4 REPRESENTACIONES GRFICAS DE ATRIBUTOS 3.4 REPRESENTACIONES GRFICAS DE ATRIBUTOS
EJEMPLO 2
Cmo podra
encontrar la clave?
30
CARTOGRAMA: Los cartogramas son especialmente tiles en estudios de carcter
geogr fico. La forma de construirlos es la siguiente: se colorea o se raya con colores e
intensidades diferentes los distintos espacios o zonas (que pueden ser pases, comunidades
autnomas, provincias, etc.) en funcin de la mayor o menor importancia que tenga la
variable o atributo en estudio.
Fuente: Encuesta de Ocupacin en Acampamentos Tursticos (EOAC) Datos provisionales (Agosto de 2002). INE.
16
31
EJEMPLO DE CARTOGRAMA: Nivel de Inflacin de las
Comunidades Autnomas
Sobre cada Comunidad se levantan bloques (dibujo de la izquierda) y
superficies cnicas (dibujo de la derecha) con altura igual a los valores del
nivel de inflacin en cada Comunidad.
32
PIRMIDE DE POBLACIN: Es la representacin gr fica de la estructura por sexo y
edad de una poblacin en un instante temporal determinado. La pirmide de poblacin
consta de dos histogramas horizontales: el del lado izquierdo representa la distribucin
por edad de los hombres y el derecho el de las mujeres. Cada barra horizontal representa
la proporcin de poblacin de un determinado sexo y rango de edad. En el eje de abscisas
se representa los efectivos de poblacin, normalmente en porcentajes, y en el eje de
ordenadas las edades.
Comparacin de la pirmide de poblacin de
Andaluca el 1 de enero de 1911, 1951 y 1991
Fuente: Instituto Nacional de Estadstica (INE) e Instituto de Estadstica de Andaluca (IEA)
17
33
Total
N = 200 = 1
Intervalos
F.
Absoluta
F.
Absoluta
acumulada
F. Relativa
F. Relativa
acumulada
Marcas de
clase
Amplitud
Densidad de
frecuencia
20.000 - 50.000 2 2 0,01 0,01 35.000 30.000 0,000066
50.000 - 60.000 65 8 0,03 0,04 55.000 10.000 0,0006
60.000 - 70000 16 24 0,08 0,12 75.000 10.000 0,0016
70.000 - 80.000 26 50 0,13 0,25 75.000 10.000 0,0026
80.000 - 100.000 44 94 0,22 0,47 90.000 20.000 0,0022
100.000 - 125.000 25 119 0,125 0,595 112.500 25.000 0,001
125.000 - 150.000 22 141 0,11 0,705 137.500 25.000 0,00088
150.000 - 200.000 30 171 0,15 0,855 175.000 50.000 0,0006
200.000 - 250.000 17 188 0,085 0,94 225.000 50.000 0,00034
250.000 - 850.000 12 200 0,06 1 550.000 600.000 0,00002
SOLUCIN DEL EJERCICIO 8 DE LA RELACIN 3 SOLUCIN DEL EJERCICIO 8 DE LA RELACIN 3
1
1
TEMA 4
ANLISIS DE UNA VARIABLE (I).
MEDIDAS DE TENDENCIA CENTRAL
2005 2005--2006 2006
2
TEMA 4. ANLISIS DE UNA VARIABLE (I). TEMA 4. ANLISIS DE UNA VARIABLE (I).
MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE TENDENCIA CENTRAL
4.1 LOS PROMEDIOS Y SUS CARACTERSTICAS
4.2 LA MEDIA ARITMTICA: DEFINICIN Y PROPIEDADES. LA
MEDIA ARTIMTICA PONDERADA
4.3 LA MEDIANA: DEFINICIN, CLCULO Y PROPIEDADES
4.4 LA MODA: DEFINICIN Y SU DETERMINACIN EN
VARIABLES CON DATOS AGRUPADOS EN INTERVALOS
4.5 VISIN CONJUNTA DE LA MEDIA ARITMTICA, LA MEDIANA
Y LA MODA
4.6 MEDIDAS DE POSICIN NO CENTRAL: LOS CUANTILES
2
3
MEDIDAS DE POSICIN
Son medidas de sntesis que recogen las caractersticas ms
relevantes de la distribucin de frecuencias
MEDIDAS DE POSICIN
CENTRAL
MEDIDAS DE POSICIN NO
CENTRAL
PROMEDIOS
(O MEDI AS)
MEDIANA MODA
MEDIA ARITMTICA
MEDIA CUADRTICA
MEDIA GEOMTRICA
MEDIA ARMNICA
CUANTILES
CUARTILES DECILES PERCENTILES
TEMA 4. ANAL. DE UNA VBLE (I). MEDIDAS DE TENDENCIA CENTRAL TEMA 4. ANAL. DE UNA VBLE (I). MEDIDAS DE TENDENCIA CENTRAL
4.1 LOS PROMEDIOS Y SUS CARACTERSTICAS 4.1 LOS PROMEDIOS Y SUS CARACTERSTICAS
4
MEDIDAS DE POSICIN O TENDENCIA CENTRAL
Son medidas que buscan centralizar la informacin de alguna
forma. Se les llama tambin medidas de centralizacin.
LOS PROMEDIOS
Son medidas de posicin que hacen uso de toda la distribucin
de frecuencias. Se les llama tambin valores medios y tienen
sentido para caracteres cuantitativos.
CARACTERSTICAS DE LOS PROMEDIOS
En su clculo intervienen todos los valores de la distribucin.
Es nico para cada distribucin de frecuencias.
Es siempre calculable.
4.1 LOS PROMEDIOS Y SUS CARACTERSTICAS 4.1 LOS PROMEDIOS Y SUS CARACTERSTICAS
3
5
LA MEDIA ARITMTICA
Es el cociente entre la suma de los valores observados
de la variable y el nmero total de datos
__
X
4.2 MEDIA ARITMTICA: DEFINICIN 4.2 MEDIA ARITMTICA: DEFINICIN
N
n x
N
n x n x n x
X
k
i
i i
k k

=
=
+ + +
=
1 2 2 1 1
__
...
n ES LA MEDIDA DE TENDENCIA CENTRAL QUE MS SE
UTILIZA. LE SIGUEN LA MEDIANA Y LA MODA.
n ES EL CENTRO DE GRAVEDAD DE LA DISTRIBUCIN
DE LA VARIABLE.
6
1. LA MEDIA ARITMTICA ES EL CENTRO DE
GRAVEDAD DE UNA DISTRIBUCIN: La suma de las
desviaciones de los valores de la variable con respecto a su
media es cero.
Demostracin:
0 ) (
1
__
=
=
i
k
i
i
n X x
4.2 MEDIA ARITMTICA: PROPIEDADES 4.2 MEDIA ARITMTICA: PROPIEDADES
= = =

= = = =
i
k
i
k
i
i i i
k
i
i i i
k
i
i
n X n x n X n x n X x
1 1
__
1
__
1
__
) ( ) (
0
__ __
1
__
1
= = =

=
=
X N X N n X
N
n x
N
k
i
i
k
i
i i
Multiplicamos y
dividimos por N
Es una
constante
4
7
2. TEOREMA DE KNIG: La suma de los cuadrados de las
desviaciones de los valores observados, x
i
, respecto a cualquier
nmero b se hace mnima cuando b coincide con la media
aritmtica.
Demostracin:
i
k
i
i i
k
i
i
b
n X x n b x
2
1
2
1
) ( ) ( min

= =
=
k k i
k
i
i
n b x n b x n b x n b x b S
2
2
2
2 1
2
1
2
1
) ( ... ) ( ) ( ) ( ) ( + + + = =
=
HALLAMOS EL MNIMO USANDO DERIVADAS
8
= + + + =
k k
n b x n b x n b x b S ) 1 )( ( 2 ... ) 1 )( ( 2 ) 1 )( ( 2 ) (
2 2 1 1
0 ) 1 )( ( 2
1
= =

=
k
i
i i
n b x
0 ) (
1
=
=
k
i
i i
n b x

= =
=
k
i
k
i
i i i
bn n x
1 1
0

= =
=
k
i
k
i
i i i
n b n x
1 1
0
N

=
=
k
i
i i
bN n x
1
0
__
1
X
N
n x
b
k
i
i i
= =
=

= =
> = = =
k
i
i
k
i
i
N n n b S
1 1
0 2 2 ) 1 )( 1 ( 2 ) (
Es siempre positivo, por tanto es un mnimo
__
X b =
5
9
3. CAMBIOS DE ORIGEN: LA MEDIA ARITMTICA
QUEDA AFECTADA POR CAMBIOS DE ORIGEN
Si a todos los valores de una variable (x
i
) le sumamos (o
restamos) un nmero positivo h, la media aritmtica queda
aumentada (o disminuida) en ese nmero.
y
i
= x
i
+ h
=
+
= =

= =
N
n h x
N
n y
Y
k
i
i i
k
i
i i
1 1
__
) (
Demostracin:
h X
N
n h
X
N
hn
N
n x
k
i
i
k
i
i
k
i
i i
+ = + = + =

= = =
__
1
__
1 1
+ = h h X Y
__ __
10
4. CAMBIOS DE ESCALA: LA MEDIA ARITMTICA
QUEDA AFECTADA POR CAMBIOS DE ESCALA
Si multiplicamos o dividimos todos los valores de una variable
(x
i
) por un mismo nmero k, la media aritmtica queda
multiplicada o dividida por ese mismo nmero.
y
i
= kx
i
Demostracin:
( )
__
1 1 1
__
X K
N
n x K
N
n x K
N
n y
Y
k
i
i i
k
i
i i
k
i
i i
= =
= =

= = =
= k X k Y
__ __
6
11
5. CAMBIO DE ORIGEN Y DE ESCALA
Si se efecta a la vez un cambio de origen y de escala en una
variable, la media aritmtica queda afectada por ambos
cambios de la misma forma que lo hace la variable.
y
i
= k x
i
+ h
Demostracin: Ejercicio
h X k Y + =
__ __
12
6. La media aritmtica de una suma de dos variables,
X e Y, es igual a la suma de las medias aritmticas
de cada una de las variables
Y X Y X
__ __ __________
+ = +
i i i
y x z + =
( )
__ __
1 1 1
__

Y X
N
n y
N
n x
N
n y x
Z
k
i
i i
k
i
i i
k
i
i i i
+ = + =
+
=

= = =
Demostracin:
7
13
7. Si de un conjunto de valores obtenemos dos o ms
subconjuntos disjuntos, N
1
y N
2
, entonces la media aritmtica
del conjunto total se relaciona con las medias aritmticas de los
distintos subconjuntos de la forma:
N
X N X N
X
__
2 2
__
1 1
__
+
=
__
1
X
Media aritmtica 1
subconjunto
__
2
X Media aritmtica 2
subconjunto
x
i
n
i
x
1
n
1
x
2
n
2
. .
. .
. .
x
h
n
h
x
h+1
n
h+1
x
h+2
n
h+2
. .
. .
. .
x
k
n
k
N
1
N
2
N = N
1
+ N
2
Demostracin:
14
=
+
=
+
= =

+ = =
= + = =
N
N
n x N
N
n x N
N
n x n x
N
n x
X
k
h i
i i
h
i
i i
h
i
k
h i
i i i i
k
i
i i
2
1
2
1
1
1
1 1 1
__
N
X N X N
__
2 2
__
1 1
+
=
8
15
Cuando los valores de la variable tienen distinta importancia con
relacin al grupo total, asignamos un peso o ponderacin a
cada uno de los valores de la variable.
A la media aritmtica ponderada la llamaremos
4.2 MEDIA ARITMTICA PONDERADA: DEFINICIN 4.2 MEDIA ARITMTICA PONDERADA: DEFINICIN
=
=
=
+ + +
+ + +
=
k
i
i
k
i
i i
k
k k
p
w
w x
w w w
w x w x w x
X
1
1
2 1
2 2 1 1
__
...
...
p X
__
16
DEFINICIN DEFINICIN:
En una serie ordenada, la mediana es aquel valor de la variable
que deja a su izquierda el 50% de las observaciones y a su
derecha el otro 50%, es decir,
es el valor que ocupa el lugar central, si hay un n impar de
observaciones y es la media aritmtica de los dos valores
centrales si hay un n par de observaciones
4.3 LA MEDIANA: DEFINICIN 4.3 LA MEDIANA: DEFINICIN
Me
Observaciones:
n La mediana es nica para cada distribucin.
n Se utiliza con caracteres cuantitativos.
9
17
MeEN UNA VARIABLE CON POCAS OBSERVACIONES
Si el nmero de observaciones es impar Si el nmero de observaciones es impar
EJ: La variable X representa la edad de 5 personas X={8, 26, 23, 19, 44}
1) Ordenar la serie de menor a mayor X={8, 19, 23, 26, 44}
2) La mediana es el valor central Me= 23 aos
Si el nmero de observaciones es par Si el nmero de observaciones es par
EJ: La variable X representa la edad de 4 personas X={8, 23, 19, 26}
1) Ordenar la serie de menor a mayor X={8, 19, 23, 26}
2) La mediana es la media aritmtica de los dos valores centrales de la
distribucin Me = (19+23)/2 = 21 aos
4.3 LA MEDIANA: SU CLCULO 4.3 LA MEDIANA: SU CLCULO
18
Me CON DATOS SIN AGRUPAR
La mediana es el valor de la variable que en una serie ordenada se
corresponde con la primera frecuencia acumulada mayor que N/2.
PASOS:
Ordenar los valores de la variable de menor a mayor
Calcular la frecuencia absoluta acumulada N
i
Calcular la mitad del nmero de observaciones (N/2)
El valor x
i
que se corresponda con el primer N
i
mayor que N/2 es la
mediana.
NOTA: Si el nmero de observaciones es par y N/2 = N
i
entonces, la
mediana es la media aritmtica del valor correspondiente a N/2 y del
siguiente.
10
19
x
i
n
i
N
i
1 3 3
2 4 7
5 9 16
7 10 26
10 7 33
13 2 35
>17,5
N= 35
N/2=35/2=17,5
Ejemplos:
x
i
n
i
N
i
1 3 3
2 5 8
5 4 12
7 4 16
Me = (2+5)/2= 3,5
N= 16
N/2 = 16/2 = 8
Me = 7
20
L
i-1
= extremo inferior del intervalo mediano
N
i-1
= frecuencia absoluta acumulada del intervalo anterior al int. mediano
n
i
= frecuencia absoluta del intervalo mediano
a
i
= amplitud del intervalo mediano
El primer N
i
mayor que N/ 2es el intervalo mediano.
NOTA NOTA: En el caso de que N
i
= N/ 2, da igual coger como intervalo
mediano el correspondiente al igual que el primer mayor a N/2.
N/2 - N
i-1
n
i
a
i
Me = L
i-1
+
MeCON DATOS
AGRUPADOS
11
21
4.3 LA MEDIANA: EJEMPLOS 4.3 LA MEDIANA: EJEMPLOS
L
i -1
L
i
n
i
N
i
0-25 20 20
25-50 140 160
50-125 180 340
125-150 40 380
150-200 20 400
N=400
L
i -1
L
i
n
i
N
i
0 - 25 20 20
25 - 75 40 60
75 - 125 50 110
125 - 150 10 120
N=120
200 - 160
180
75 = 66,66 Me = 50 +
60 - 20
40
50 = 75 Me = 25 +
60 - 60
50
50 = 75 Me = 75 +
N/2 - N
i-1
n
i
a
i
Me = L
i-1
+
=N/2
>N/2
22
1. La Mediana es la nica medida de tendencia central que hace
mnima la suma de todas las desviaciones absolutas.
2. Para distribuciones con datos agrupados en intervalos, la
mediana es grficamente el valor que divide la vertical del
histograma en dos partes de reas iguales.
3. A la mediana le afectan los cambios de origen y de escala.
i
k
i
i i
k
i
i
b
n Me x n b x Min
1 1

= =
=
4.3 LA MEDIANA: PROPIEDADES 4.3 LA MEDIANA: PROPIEDADES
Demostracin
Ejercicio
12
23
4.3 LA MEDIANA: EJEMPLOS 4.3 LA MEDIANA: EJEMPLOS
x
i
-25 n
i
x
i
-200 n
i
250 3750
1000 6000
3750 5000
1125 625
6125 15375
Aplicar la propiedad 1 de la mediana con b = 25 y b = 200
sabiendo que Me = 75
x
i
-75n
i
1250
1000
1250
625
4125
L
i -1
L
i
n
i
x
i
0 25 20 12,5
25 75 40 50
75 125 50 100
125 150 10 137,5
Total N=120
i
k
i
i i
k
i
i
b
n Me x n b x Min
1 1

= =
=
24
La Moda, Mo, es el valor de la variable que ms veces se
repite, es decir, es el valor de la variable con mayor frecuencia
absoluta.
4.4 LA MODA: DEFINICIN 4.4 LA MODA: DEFINICIN
x
i
n
i
16 1
17 8
18 3
19 2
20 8
21 2
Puede no existir e incluso no ser nica. Una distribucin con dos
modas se dice que es BIMODAL y con tres o ms modas PLURI-
MODAL.
x
i
n
i
1 3
2 4
5 9
7 10
12 7
15 2
M
0
=
Ejemplos:
X = {3, 5, 8, 10, 12, 15, 19}
M
0
=
M
0
=
13
25
i
i i
i
i o
a
n n
n
L M
1 1
1
1
+
+
+
+ =
L
i-1
= extremo inferior del intervalo modal
n
i-1
= frecuencia absoluta del intervalo anterior al intervalo modal
n
i
= frecuencia absoluta del intervalo modal
n
i+1
= frecuencia absoluta del intervalo posterior al intervalo modal
a
i
= amplitud del intervalo modal
4.4 LA MODA: CLCULO PARA DATOS AGRUPADOS 4.4 LA MODA: CLCULO PARA DATOS AGRUPADOS
i
i i
i
i o
a
d d
d
L M
1 1
1
1
+
+
+
+ =
d
i-1
= densidad de frecuencia del intervalo anterior al intervalo modal
d
i
= densidad de frecuencia del intervalo modal
d
i+1
= densidad de frecuencia del intervalo posterior al intervalo modal
Amplitud constante Distinta amplitud
26
Ejemplos:
4.4 LA MODA: CLCULO PARA DATOS AGRUPADOS 4.4 LA MODA: CLCULO PARA DATOS AGRUPADOS
L
i -1
L
i
n
i
0-25 20
25-50 40
50-75 100
75-100 60
N=220
M
0
= 65
M
0
= 45,5
Propiedad Propiedad: A la moda le afectan los cambios de origen y de escala.
Observaci Observacin n: La moda se utiliza tanto con caracteres cuantitativos
como cualitativos.
Demostracin
Ejercicio
L
i -1
L
i
n
i
d
i
0-25 20 0,8
25-50 140 5,6
50-100 180 3,6
100-150 40 0,8
150-200 20 0,4
N=400
14
27
VEN VENTAJAS TAJAS de la media:
Intervienen en su clculo todos los valores de la distribucin.
Es siempre calculable.
Es nica para cada distribucin de frecuencia.
Es el centro de gravedad de la distribucin.
Viene siempre definida por una expresin algebraica.
4.5 VISIN CONJUNTA DE LAS TRES MEDIDAS 4.5 VISIN CONJUNTA DE LAS TRES MEDIDAS
INCONVENIENTE INCONVENIENTE de la media: : Puede resultar poco
representativa ante la presencia de valores extremos.
UTILIZACIN UTILIZACIN de la media: Se utiliza principalmente con datos
en escala de intervalos o de proporcin.
Mo y Me X,
28
4.5 VISIN CONJUNTA DE LAS TRES MEDIDAS 4.5 VISIN CONJUNTA DE LAS TRES MEDIDAS Mo y Me X,
VENTAJAS VENTAJAS de la Me y Mo con respecto a la Media: NO le
influyen ni los valores muy grandes ni los valores muy pequeos
de la variable, es decir, no le influyen los valores extremos.
INCONVENIENTES INCONVENIENTES de la Mediana y Moda:
1. NO utilizan toda la informacin posible, slo el valor de la
observacin central en el caso de la mediana y el valor ms
frecuente en el caso de la moda.
2. NO vienen definidas siempre con una expresin matemtica, la
frmula para distribuciones con datos agrupados es slo una
aproximacin y no goza, por tanto, de las propiedades
algebraicas que tena la media aritmtica.
3. Para la moda se tiene adems el inconveniente de que NO tiene
por qu ser nica, pues puede haber ms de una moda.
15
29
UTILIZACIN de la Me y UTILIZACIN de la Me y Mo Mo: La mediana se usa
principalmente en distribuciones que tienen los datos no
agrupados en intervalos y para distribuciones en escala ordinal.
La moda se usa principalmente en distribuciones en escala
nominal.
4.5 VISIN CONJUNTA DE LAS TRES MEDIDAS 4.5 VISIN CONJUNTA DE LAS TRES MEDIDAS Mo y Me X,
30
Los CUANTILES CUANTILES son valores que dividen a la distribucin en
partes iguales, es decir, en intervalos que comprenden el mismo
nmero de observaciones. Los que ms se utilizan son: los
CUARTILES, DECILES y PERCENTILES.
4.6 LOS CUANTILES: CUARTILES, DECILES Y PERCENTILES 4.6 LOS CUANTILES: CUARTILES, DECILES Y PERCENTILES
Los CUARTILES CUARTILES son 3 valores que dividen a la distribucin
en 4 partes iguales, cada una de las cuales contiene el 25% de
las observaciones.
Los DECILES DECILES (PERCENTILES PERCENTILES) son 9 (99) valores que
dividen a la distribucin en 10 (100) partes iguales, cada una
de las cuales contiene el 10% (1%) de las observaciones.
16
31
4.6 LOS CUANTILES: SU CLCULO 4.6 LOS CUANTILES: SU CLCULO
C L
KN N
n
a
k i
i
i
i
= +

1
1
4 /
K=1, 2, 3
D L
KN N
n
a
k i
i
i
i
= +

1
1
10 /
K=1, 2,,9
OBSERVACIN:
50 5 2
P D C Me = = =
P L
KN N
n
a
k i
i
i
i
= +

1
1
100 /
K=1, 2,,99
x
i
n
i
N
i
L
i -1
- L
i
n
i
N
i
18 10 10 50 - 55 40 40
19 30 40 55 - 60 160 200
20 35 75 60 - 65 350 550
21 15 90 65 - 70 200 750
22 10 100 70 - 75 150 900
N=100 75 80 100 1000
N=1000
C
3
= 20,5
D
1
= 18,5 D
8
= 21
P
3
= 18 P
40
= 19,5
C
1
= 60,71 C
2
= 64,28
C
3
= 70 D
1
= 56,87 P
3
= 53,75
C
1
=
C
2
=
1
2005 2005--2006 2006
TEMA 5 TEMA 5
ANLISIS DE UNA VARIABLE (II). MEDIDAS DE
DISPERSIN. MOMENTOS DE UNA DISTRIBUCIN
2
5.1. La Dispersin y su Medida
5.2. Medidas de Dispersin Absoluta: Recorrido, Desviacin Media, Varianza y
Desviacin Tpica o estndard
5.3. Medidas de Dispersin Relativa: Coeficiente de Disparidad y Coeficiente de
Variacin
5.4. Otras Medidas de Dispersin
5.5. Momentos Potenciales de una Distribucin: Momentos con respecto al Origen y
Momentos con respecto a la Media
5.6 Variable Tipificada
5.7 Direcciones en Internet.
TEMA 5. ANLISIS DE UNA VARIABLE (II). MEDIDAS DE TEMA 5. ANLISIS DE UNA VARIABLE (II). MEDIDAS DE
DISPERSIN. MOMENTOS DE UNA DISTRIBUCIN DISPERSIN. MOMENTOS DE UNA DISTRIBUCIN
3
5.1. La Dispersin y su Medida 5.1. La Dispersin y su Medida
SOLUCIN Depende de la mayor o menor separacin de cada uno de los valores de
la distribucin con respecto a la medida utilizada para resumir la distribucin. Esto es,
depende del esparcimiento variabilidad o disparidad de la distribucin
MEDIDAS
DE DISPERSIN
ABSOLUTAS
RELATIVAS
Tienen dimensin
No permiten comparar
Le afectan los cambios de escala
Adimensionales
Permiten comparar
Le afectan los cambios de origen
CUESTIN Son las medidas de resumen (posicin) calculadas en el Tema 4
representativas?
OBJETIVO Medir la variabilidad o disparidad de la distribucin con el objeto de
obtener una medida de la representatividad de las distintas medidas de resumen
4
5.1. La Dispersin y su Medida 5.1. La Dispersin y su Medida
MEDIDAS DE
DISPERSIN
ABSOLUTAS
RELATIVAS
RECORRIDO
DESV. MEDIA
VARIANZA
DESV. TPICA
COEF. DE VARIACIN
COEF. DE DISPARIDAD
5
5.2. Medidas de Dispersin Absoluta: Recorrido 5.2. Medidas de Dispersin Absoluta: Recorrido
INTERPRETACIN Cuanto mayor sea el recorrido mayor ser la dispersin de la
distribucin
FORMULACIN min max
x x R =
Valor mximo de la variable
Valor mnimo de la variable
VENTAJA:
- Sencillez de clculo
INCONVENIENTES:
- Slo considera los valores extremos
- No hace referencia a ninguna medida de tendencia central
- Supone que la variable se distribuye uniformemente. No considera la forma de la
distribucin
6
5.2. Medidas de Dispersin Absoluta: Varianza y Desviacin Tpic 5.2. Medidas de Dispersin Absoluta: Varianza y Desviacin Tpicaa
INTERPRETACIN Cuanto mayor sean la varianza y la desviacin t pica mayor
ser la dispersin de la distribucin
OBSERVACIN La varianza viene expresada en unidades de la variable al
cuadrado mientras que la desviacin tpica en las mismas unidades que la variable
PROPIEDADES:
1. Slo toman valores positivos o iguales a 0
2. No se ven afectadas por los cambios de origen
Demos (para dist. tipo II): Sea y
i
= x
i
+ b, entonces:
FORMULACIN:
- Varianza:
- Desviacin Tpica
( )
2
i
k
1 i
2
i i
k
1 i
2
i
2
x
N
n x
N
n x x
S =
=

= = 2
S S + =
x x y
S S S = + = + =
2 2
y
S y
Igualdad de Knig: Demostracin ejercicio
( ) ( ) [ ] ( )
2 1
2
1
2
2
x
i
k
i
i i
k
i
i
y
S
N
n x x
N
n b x b x
S =
=
+ +
=

= =
7
5.2. Medidas de Dispersin Absoluta: Varianza y Desviacin Tpic 5.2. Medidas de Dispersin Absoluta: Varianza y Desviacin Tpicaa
PROPIEDADES:
3. Se ven afectadas por los cambios de escala.
Demos: Sea y
i
= a x
i
,
entonces:
[ ] [ ] ( )
x x y
x
i
k
i
i i
k
i
i i
k
i
i
y
S a S a S
S a
N
n x x
a
N
n x a x a
N
n y y
S
= + = + =
=
=

=
=

= = =
2 2 2
y
2 2 1
2
2 1
2
1
2
2
S y
- Ante un cambio de origen y escala slo se ven afectadas por el cambio de escala.
- La varianza es la medida cuadrtica de dispersin ptima
( ) ( )
x b
N
n b x
N
n x x
S
i
k
i
i i
k
i
i

<
=

= =

1
2
1
2
2
Demostracin:
Condicin de primer orden:
( )
0
b d
=
db
Condicin de segundo orden:
( )
0
b d
2
<
b d
Demostracin:
Ejercicio
8
EJEMPLOS EJEMPLOS
EJEMPLO 1: (Adaptado de http://thales.cica.es/rd/Recursos/rd99/ed99-0278-
01/est_des5.html) Como resultado de la medicin de los niveles de colinesterasa en un
recuento de eritrocitos de 34 agricultores expuestos a insecticidas agrcolas se ha obtenido
la siguiente tabla de frecuencias:
Li-1-Li xi ni
7.5-9 8.25 3
9-10.5 9.75 8
10.5-12 11.3 10
12-13.5 12.8 10
13.5-15 14.3 1
15-16.5 15.8 2
Se pide:
a) Calcule la media aritmtica. Interprtela
b) Compruebe la representatividad de la media mediante el
Recorrido, la Varianza y la Desviacin Tpica. Interprtelos
EJEMPLO 2: El coste medio de mantenimiento de una hectrea de ctricos en l a
provincia de Huelva en el ao 2002 fue de 15.000 euros. Si se sabe que los costes se han
incrementado en un 5% en el ao 2003. Cul ha sido el coste medio este ao 2003? Si la
desviacin tpica de la muestra era 1.000 euros en el 2000 Cul es en el ao 2003?
9
5.3. Medidas de Dispersin Relativas: Coeficiente de Variacin 5.3. Medidas de Dispersin Relativas: Coeficiente de Variacin
INTERPRETACIN Cuanto mayor sea el CV mayor ser la dispersin de la
distribucin
VENTAJA:
- Adimensional (Permite comparar distribuciones)
- Utiliza toda la informacin de la distribucin
INCONVENIENTES:
- Tiende a 8 conforme la media aritmtica tiende a 0
FORMULACIN
) 100 (
x
S
CV =
Toma valores en el intervalo [0,+8 )
Cmo le
afectan los
cambios de
origen y escala
al CV?
10
EJEMPLOS EJEMPLOS
EJEMPLO 3: Calcule el Coeficiente de Variacin utilizando los datos de la tabla de
frecuencias del Ejemplo 1. Interprtelo.
EJEMPLO 4: El INE ha contratado a dos diplomados (Eva y Luis) para analizar una
encuesta sobre las mujeres que trabajan fuera del hogar.
A) El nmero de horas de trabajo semanales (de lunes a viernes) fuera del hogar para las
mujeres encuestadas oscilaba, con bastante variacin, entre 15 y 38.
A.1) Cul de los siguientes valores es el
nmero medio de horas de trabajo
semanales correcto?
1. 8.5
2. 15
3. 24
A.2) Cul sera la desviacin tpica
correcta de los resultados?
1. -12.3
2. -3.1
3. 0
4. 12.3
11
EJEMPLOS EJEMPLOS
C) Suponiendo que el nmero de horas de trabajo fuera del hogar aumenta en 1 hora al
da para cada mujer. Cmo afecta este cambio a:
1. El n medio de horas de trabajo semanales
2. La desviacin tpica
3. La Varianza
3. La moda, sabiendo que la moda antes de este aumento era de 30 h/sem.
B) El nmero medio de horas semanales que estas mujeres dedican a las tareas del
hogar tiene un coeficiente de variacin igual a 2,5. Teniendo en cuenta los resultados
obtenidos en el apartado anterior, Eva y Luis quieren comparar el dato facilitado con el
nmero medio de horas de trabajo semanales. Qu conjunto de dat os es ms
homogneo?
12
5.6. Variable Tipificada 5.6. Variable Tipificada
OBJETIVO Comparar la posicin relativa de diversos valores en distintas
distribuciones
PROPIEDADES:
DEFINICIN
X
S
x X
Z

=
1 S ) 2
0 Z ) 1
2
Z
=
=
13
EJEMPLO EJEMPLO
EJEMPLO 5: Dada la distribucin formada por la variable X y sus valores {2, 4, 8, 6},
calcular:
1. El rango de la variable.
2. La variable tipificada de X.
3. La media y la desviacin tpica de la variable tipificada.
3. La media y la varianza de X a partir de la media y la varianza de su
tipificada.
14
5.7. 5.7. Direcciones en Internet Direcciones en Internet
http://thales.cica.es/rd/
http://thales.cica.es/rd/Recursos/rd97/Problemas/40-2-p-
estadistica.html
http://thales.cica.es/rd/Recursos/rd97/Problemas/52-1-p-c000.html
http://thales.cica.es/rd/Recursos/rd97/UnidadesDidacticas/53-1-u-
indice.html
1
1
TEMA 6
ANLISIS DE UNA VARIABLE (III). MEDIDAS DE
ASIMETRA, CURTOSIS Y CONCENTRACIN
2005 2005--2006 2006
2
TEMA 6. ANLISIS DE UNA VARIABLE (III). TEMA 6. ANLISIS DE UNA VARIABLE (III).
MEDIDAS DE ASIMETRA, CURTOSIS Y CONCENTRACIN MEDIDAS DE ASIMETRA, CURTOSIS Y CONCENTRACIN
1. Medidas de Forma. Clasificacin
2. La Asimetra y su medida. Coeficientes de Asimetra
3. Apuntamiento o Curtosis. Coeficiente de Curtosis
4. Estudio Grfico y Analtico de la Concentracin: Curva de Lorenz
e ndice de Concentracin de Gini.
2
3
MEDIDAS DE FORMA
Son medidas que recogen dos aspectos de la distribucin: su asimetra alrededor
de una medida de tendencia central y su grado de apuntamiento o curtosis de
la distribucin
MEDIDAS DE ASIMETRA MEDIDAS DE CURTOSIS
TEMA 6. ANLISIS DE UNA VARIABLE (III). MEDIDAS DE ASIMETRA, TEMA 6. ANLISIS DE UNA VARIABLE (III). MEDIDAS DE ASIMETRA,
CURTOSIS Y CONCENTRACIN. CURTOSIS Y CONCENTRACIN.
COEFICIENTES DE ASIMETRA
DE
PEARSON
COEFICIENTES DE CURTOSIS
DE FISHER
DE
FISHER
DE
BOWLEY
ABSOLUTO
6.1. Medidas de Forma. Clasificacin 6.1. Medidas de Forma. Clasificacin
4
Diremos que una distribucin de
frecuencias es simtrica cuando
toma el mismo n de valores a
ambos lados de la media aritmtica
y cada par de valores equidistantes
a la media tienen las mismas
frecuencias.
Val or cent r al Val or cent r al
Una distribucin se dir que es
asimtricaa la derecha (izquierda), si
existen ms observaciones por la
derecha (izquierda) de la media que
por su izquierda (derecha).
Asi met r a a l a derecha Asimetra a la izquierda
6.2. La Asimetra y su medida. Coeficientes de Asimetra 6.2. La Asimetra y su medida. Coeficientes de Asimetra
3
5
En una distribucin simtrica:
En una distribucin asimtrica a la derecha:
En una distribucin asimtrica a la izquierda:
En una distribucin unimodal y poco asimtrica:
Mo Me x = =
Mo Me x > >
Mo Me x < <
) ( 3 Me X Mo X =
Puede ser asimtrica una
distribucin con el mismo
n de observaciones por la
izquierda que por la derecha
de la media?
Mo
Me
x
Mo
Me
x
Mo
Me
x
Mo
Me
x
Mo
Me
xx
6
Coeficiente de Asimetra de Pearson: Vlido slo para distribuciones
campaniformes y unimodales
Coeficiente de Asimetra de Fisher
X
P
S
Mo x
A

=
Interpretacin:
Si A
P
> 0, la distribucin es asimtrica a la derecha o
positiva, ya que
Si A
P
= 0, la distribucin es simtrica
Si A
P
< 0, la distribucin es asimtrica a la izquierda o
negativa, ya que
Mo x>
Mo x <
( )
3
1
3
3
3
1
x
k
i
i i
x
S
N n x x
S
m
g
=
= =
Interpretacin:
Si g
1
> 0, la distribucin es asimtrica a la derecha o
positiva
Si la distribucin es simtrica, entonces g
1
= 0
Si g
1
< 0, la distribucin es asimtrica a la izquierda
o negativa
4
7
APUNTAMIENTO O CURTOSIS: Concepto aplicable a distribuciones
campaniformes, unimodales, simtricas o ligeramente asimtricas.
6.3. Apuntamiento o 6.3. Apuntamiento o curtosis curtosis. Coeficiente de . Coeficiente de Curtosis Curtosis
Las MEDIDAS DE CURTOSIS son aquellas que estudian la distribucin de
frecuencias en la zona central. La mayor o menor concentracin de frecuencias
alrededor de la media y en la zona central de la distribucin, dar lugar a una distribucin
ms o menos apuntada. As a estas medidas se les denomina tambin de apuntamiento.
Se estudia la curtosis de una distribucin, comparndola con una distribucin tipo,
que tomaremos como referencia. Es la llamada distribucin normal o campana de
Gauss.
8
Distribucin PLATICRTICA: Distribucin menos
puntiaguda o apuntada que la distribucin normal
Distribucin MESOCRTICA: Si es igual que la
campana de Gauss
Distribucin LEPTOCRTICA: Si es ms
puntiaguda o apuntada que la distribucin normal
Coeficiente de Apuntamiento (o de Curtosis) de Fisher:
Interpretacin:
Si g
2
> 0, la distribucin es Leptocrtica
Si g
2
= 0, la distribucin es Mesocrtica
Si g
2
< 0, la distribucin es Platicrtica
( )
3
3
4
1
4
4
4
2
=
= =
=
x
k
i
i i
x
S
N n x x
S
m
g
6.3. Apuntamiento o 6.3. Apuntamiento o curtosis curtosis. Coeficiente de . Coeficiente de Curtosis Curtosis
5
9
Ejemplo 1.- Dada la siguiente distribucin de frecuencias,
x
i
0 10 20 30 40
n
i
2 4 7 5 2
Se pide:
Analizar el grado de asimetra de la distribucin mediante
los coeficientes de asimetra de Pearson y de Fisher.
Analizar el grado de apuntamiento de la distribucin.
EJEMPLO EJEMPLO
10
CONCENTRACIN: Es la mayor o menor equidad en el reparto de la suma
total de los valores de la variable considerada (rentas, salarios, propiedades, etc).
CASOS EXTREMOS
Concentracin Mxima: Cuando todos los valores de la variable son 0, excepto
uno que recibe el total de cantidad de variable.
Concentracin Mnima: Cuando todos los valores de la variable perciben la misma
cantidad de variable.
0 0
1 1
= = =
N N
x , x x L
N N
x x x = = =
1 1
L
6.4. Estudio grfico y analtico de la concentracin 6.4. Estudio grfico y analtico de la concentracin
6
11
Las MEDIDAS DE CONCENTRACIN se aplican principalmente en variables de
tipo econmicas. Tratan de poner de relieve el mayor o menor grado de igualdad en el
reparto del total de los valores de la variable. Son, por tanto, indicadores del grado de
equidistribucinde la variable.
Son de tres tipos: la curva de Lorenz, el ndice de Gini, el coeficiente de concentracin
de Theil.
MEDIDAS DE CONCENTRACIN
CURVA DE
LORENZ
NDICE DE
CONCENTRACIN DE GINI
COEFICIENTE DE
CONCENTRACIN DE THEIL
6.4. Estudio grfico y analtico de la concentracin 6.4. Estudio grfico y analtico de la concentracin
12
INTERPRETACIN
Cuanto ms se aproxime la curva
de Lorenz a la diagonal OB
menor ser la concentracin, y
mejor ser el reparto, en el
sentido de ms justo y equitativo.
C B
A
O
0
10
20
30
40
50
60
70
80
90
100
100
90
80
70
60
50
40
30
20
10
q
i
%
p
i
%
6.4. Estudio grfico de la concentracin: Curva de 6.4. Estudio grfico de la concentracin: Curva de Lorenz Lorenz
% 100
% 100
1 1
1 1
+ +
+ +
= =
= =
N N
i i
N
i
i
i
i i
n x n x
n x n x
u
u
q
N
N
F p
L
L
7
13
C B
A
O
0
10
20
30
40
50
60
70
80
90
100
100
90
80
70
60
50
40
30
20
10
q
i
%
p
i
%
Concentracin
Mnima
Concentracin
Mxima
CASOS EXTREMOS DE
CONCENTRACIN
Si p
i
= q
i
: La concentracin es mnima
y la curva de Lorenz coincide con la
diagonal OB.
Si q
1
= ... = q
N-1
= 0: La concentracin
es mxima y la curva de Lorenz
coincide con los lados OA y AB .
6.4. Estudio grfico de la concentracin: Curva de 6.4. Estudio grfico de la concentracin: Curva de Lorenz Lorenz
14
( )
=
1
1
1
1
N
i
i
N
i
i i
G
p
q p
I
CLCULO: CAMPO DE VARIACIN:
) 100 ( 1 0 % I
G

INTERPRETACIN: El reparto ser mejor, en el sentido de ms justo o
equitativo, cuanto menor sea el ndice de Gini.
CASOS EXTREMOS
Si I
G
= 0: La concentracin es mnima, ya que p
i
= q
i
.
Si I
G
= 1: La concentracin es mxima, ya que q
1
= ... = q
N-1
= 0
6.4. Estudio analtico de la concentracin: ndice de Concentrac 6.4. Estudio analtico de la concentracin: ndice de Concentracin in Gini Gini
8
15
n VENTAJAS:
Resume en una sola cifra la
informacin expresada por la
curva de Lorenz.
Permite comparar con ms
facilidad la concentracin de
dos distribuciones.
n INCONVENIENTE:
Dos distribuciones de aspecto
muy diferentes pueden tener el
mismo I
G
.
n PROPIEDAD:
OAB tringulo del rea
tor sec del rea
G
I =
B
A
0
10
20
30
40
50
60
70
80
90
100
100
90
80
70
60
50
40
30
20
10
q
i
%
p
i
%
6.4. Estudio analtico de la concentracin: ndice de Concentrac 6.4. Estudio analtico de la concentracin: ndice de Concentracin in Gini Gini
16
Ejemplo 2.- En una pequea regin del sur de Andaluca se han seleccionado al
azar a 90 individuos y se ha elaborado una tabla que recoge la distribucin de la
renta:
Ni vel es de Rent a
( mi l es de )
N de
i ndi vi duos
0 - 4 2
4 10 5
10 16 8
16 20 15
20 24 30
24 32 16
32 36 7
36 42 6
42 60 1
a) Estudiar la asimetra y el grado
de apuntamiento de esta
distribucin.
b) Analizar la concentracin de
renta para esta regin usando el
ndice de concentracin de Gini y
la curva de Lorenz.
c) Qu porcentaje de renta le corresponde al 50% de los individuos que tienen
ms nivel de renta?
d) Qu porcentaje de renta percibe el 75% de los individuos con menos nivel de
renta?
EJEMPLO EJEMPLO
1
1
TEMA 7
ANLISIS DE DOS VARIABLES. GENERALIDADES Y
ANLISIS DE DOS ATRIBUTOS
2005 2005--2006 2006
2
7.1. Distribuciones Bidimensionales. Tablas de Correlacin y de
Contingencia. Distribuciones Marginales y Condicionadas.
Independencia Estadstica.
7.2. Representaciones Grficas de dos variables.
7.3. Covarianza de dos Variables.
7.4. Anlisis de dos Atributos: Coeficiente de Contingencia Chi
Cuadrado.
7.5. Correlacin por Rangos: Coeficiente de Correlacin por
Rangos de Spearman.
TEMA 7. ANLISIS DE DOS VARIABLES. GENERALIDADES Y TEMA 7. ANLISIS DE DOS VARIABLES. GENERALIDADES Y
ANLISIS DE DOS ATRIBUTOS ANLISIS DE DOS ATRIBUTOS
2
3
Frecuentemente se analiza ms de un carcter de los individuos de la poblacin. Es
posible el anlisis estadstico descriptivo de cada uno de estos caracteres por
separado y conjuntamente.
A la consideracin conjunta de dos variables X e Y se les denomina variable
bidimensional (X,Y) con valores (x
i
, y
j
). Junto con sus frecuencias absolutas n
ij
constituyen una distribucin bidimensional (X, Y; n
ij
).
A la consideracin conjunta de dos atributos A y B se le denomina atributo
bidimensional (A,B) de valores (a
i
, b
j
). Junto con sus frecuencias absolutas
constituyen una distribucin bidimensional (A, B; n
ij
).
7.1. Distribuciones Bidimensionales 7.1. Distribuciones Bidimensionales
Tipos de caracteres
Atributos
Variables
Tablas de Contingencia
Tablas de Correlacin
4
Tabla de Correlacin para la variable bidimensional (X,Y)
X \ Y y1 y2 ... yj ... yk ni.
x1 n11 n12 ... n1j ... n1k n1.
x2 n21 n22 ... n2j ... n2k n2.
... ... ... ... ... ... ... ...
xi ni1 ni2 ... nij ... nik ni.
... ... ... ... ... ... ... ...
xh nh1 nh2 ... nhj ... nhk nh.
n.j n.1 n.2 ... n.i ... n..k N

=
=
k
j
ij i
n n
1
.
=
=
h
i
ij j
n n
1
.
= = = =
= = =
h
i
k
j
ij
k
j
j
h
i
i
n n n N
1 1 1
.
1
.
3
5
Tabla de Contingencia para el atributo bidimensional (A,B)
A \ B B1 B2 ... Bj ... Bk ni.
A1 n11 n12 n1j ... n1k n1.
A2 n21 n22 ... n2j ... n2k n2.
... ... ... ... ... ... ...
Ai ni1 ni2 ... nij ... nik ni.
... ... ... ... ... ... ... ...
Ah nh1 nh2 ... nhj ... nhk nh.
n.j n.1 n.2 ... n.i ... n.k N

=
=
k
j
ij i
n n
1
.
=
=
h
i
ij j
n n
1
.

= = = =
= = =
h
i
k
j
ij
k
j
j
h
i
i
n n n N
1 1 1
.
1
.
6
Distribuciones Marginales
Distribucin marginal de X
Distribucin marginal de Y

= = = =
= = =
h
i
k
j
ij
k
j
j
h
i
i
n n n N
1 1 1
.
1
.
X ni.
x1 n1.
x2 n2.
... ...
xi ni.
... ...
xh nh.
N
Y y1 y2 ... yj ... yk
n.j n.1 n.2 ... n.j ... n.k N
4
7
Distribuciones Condicionadas
Distribucin de X condicionada
a un valor de Y= y
j
Distribucin de Y condicionada
a un valor de X= x
i
=
=
h
i
ij j
n n
1
.
xi / yj ni/j
x1 n1j
x2 n2j
... ...
xi nij
... ...
xh nhj
n.j
yj / xi y1 y2 ... yj .... yk
nj/i ni1 ni2 ... nij ... nik ni.
=
=
k
j
ij i
n n
1
.
8
Independencia Estadstica
Dos variables (o atributos) son independientes estadsticamente si verifican:
Frecuencias relativas condicionadas en caso de independencia:
i.
i.
j
j
i
j
ij
j i
f
N n
N
n
n
n
n
f = =
= =
n

.
.
.
.
.j
.j
i
j
i
i
ij
i j
f
N
n
n
N
n
n
n
n
f = =
= =
.
.
.
.
i,j
N
n n
n
N
n
N
n
N
n
j i
ij
j
i
ij
= =
. . .
.
5
9
Nube de puntos o diagrama de dispersin
Diagrama de barras
Y
X
Y
X
n
ij
Y
X
n
ij
h
ij
c
i
c
j
L
j-1
L
j
L
i-1
L
i
Escalograma
( ) ( )
ij 1 j j 1 i i ij
h L L L L n =

7.2. Representaciones Grficas de dos Variables 7.2. Representaciones Grficas de dos Variables
10
7.3. 7.3. Covarianza Covarianza de dos Variables de dos Variables
1.- A la covarianza no le afectan los cambios de origen pero s los de escala.

= = = =
= = =
h
i
k
j
j . . i
j i
h
i
k
j
ij
j i xy
y x
N
n
N
n
y x
N
n
y x S
1 1 1 1
? 0 : Demos
i,j
N
n
N
n
N
n
j . . i ij
=
Independencia
2.- Cuando se realiza un cambio de origen y de escala al mismo tiempo, la covarianza slo
se ve afectada por el cambio de escala.
Demos: (Ejercicio) Si y entonces
3.- En caso de independencia estadstica de dos variables, la covarianza toma el valor cero.
xy xy
S b b S =
2 1
) ( ) (
_ _
1 1 1 1
_ _
y x
N
n y x
N
n
y y x x S
h
i
k
j
ij j i
h
i
k
j
ij
j i xy

= =

= = = =
Demostracin: Ejercicio
i i
x b a x + =
1 1 j j
y b a y + =
2 2
6
11
(3,11) (4,13) (3,11) (3,12) (3,12) (3,12) (3,13) (3,12) (3,13) (2,11) (2,13) (3,11) (2,13) (2,13)
(2,12) (4,12) (2,12) (3,12) (2,11) (2,12) (4,12) (4,12) (4,13) (2,13) (4,12) (3,13) (3,12) (4.12)
(2,12) (2,13) (2,12) (3,13) (3,11) (4,13) (2,11) (3,11) (3,13) (2,12) (2,12) (4,12) (3,12) (2,11)
(3,11) (2,13) (3,11) (3,12) (3,12) (3,12) (3,12) (2,12)
Se pide:
a) La distribucin conjunta (X,Y) y las distribuciones marginales de X (x
i
; n
i.
) y de Y (y
j
; n
.j
).
b) La distribucin del nmero de aos de crianza condicionada a que los vinos tengan 12 de alcohol.
c) La distribucin de los grados de alcohol condicionada a que los vinos sean de 3 o ms aos de
crianza.
d) Son las dos variables X e Y estadsticamente dependientes?
d1) utilizar la definicin; d2) utilizar la covarianza.
A un curso de vinos se presentaron 50 variedades diferentes. De cada una, se anot el nmero
de aos de crianza (variable X) y los grados de Alcohol (variable Y). Para cada vino, los datos
fueron los siguientes:
EJEMPLO 1 EJEMPLO 1
12
X \ Y 11 12 13 ni.
2 4 8 6 18
3 7 11 5 23
4 0 6 3 9
n. j 11 25 14 N=50
X ni.
2 18
3 23
4 9
N 50
Y n.j
11 11
12 25
13 14
N 50
a) Distribucin conjunta
Distribuciones marginales de X y de Y
xi / yj = 12 ni / j
2 8
3 11
4 6
n. j =25
yj / xi 3

11 7
12 17
13 8
ni . =32
=
3
2 i
ij
n
b) Distribucin del n de aos de crianza
condicionada a que los vinos tengan 12 de
alcohol
c) Distribucin de los grados de alcohol condicionada
a que los vinos sean de 3 o ms aos de crianza
7
13
0308 , 0
50
603
50
141
50
1702
=
=
xy
S
X \ Y 11 12 13 ni. xi ni. xi
2
ni.
2 4 8 6 18 36 72 218 436
3 7 11 5 23 69 207 274 822
4 0 6 3 9 36 144 111 444
n.j 11 25 14 50 141 423 603 1702
yj n.j 121 300 182 603
yj
2
n.j 1331 3600 2366 7297

=
3
1 j
ij j
n y

=
3
1 j
ij j i
n y x

= =
3
1
3
1 i j
ij j i
n y x
d1) Por definicin: las dos variables X e Y son estadsticamente dependientes ya que
N
n
N
n
N
n
1 . . 1 11

EJEMPLO 1 EJEMPLO 1
d2) Con la covarianza
14
7.4. Anlisis de dos Atributos: Coeficiente de Contingencia Chi 7.4. Anlisis de dos Atributos: Coeficiente de Contingencia Chi Cuadrado Cuadrado
Coeficiente de Contingencia Chi-Cuadrado:

) (
1 1
2
2
= =
=
h
i
k
j ij
ij ij
e
e n
j , i
N
n n
e
j . . i
ij

=
Interpretacin:
vCuanto ms se acerque la chi-cuadrado a 0 menos asociacin hay (ms independencia)
entre los atributos Ay B.
vCuanto ms se acerque a su cota superior ms asociacin hay (menos independencia)
entre los atributos Ay B.
v En el 0 no hay asociacin entre los atributos Ay B. Los dos atributos Ay B son
independientes.
Frecuencia
esperada o terica
[ ] 1 ) , ( 0
2
k h mn N
Campo de variacin:
8
15
EJEMPLO 2 EJEMPLO 2
En un centro universitario se dispone de tres libros de texto pa ra impartir la asignatura
de Estad stica: A, B y C. Se supone que la calidad de los textos influye en las
calificaciones obtenidas por los alumnos. Para comprobarlo se realiza un experimento
consistente en que tres grupos de alumnos estudien con cada uno de los libros, siendo
impartidas las clases por el mismo profesor. Los resultados fueron:
Estudiar la asociacin que existe entre las calificaciones y los libros utilizados.
16 6 10 8 C
30 10 12 14 B
40 12 32 10 A
Sobresaliente Notable Aprobado Suspenso Libros Calif.
16
7.5. Correlacin por Rangos: 7.5. Correlacin por Rangos: Coef Coef. de Correlacin por Rangos de . de Correlacin por Rangos de Spearman Spearman
El Coeficiente de Correlacin por Rangos de Spearman permite determinar la
correlacin de datos de carcter ordinal midiendo la concordancia o discordancia
entre las clasificaciones.
Se define el Rango como el nmero ordinal asignado a cada observacin
previamente ordenada o clasificada segn cierto criterio relativo a una
caracterstica.
Formulacin:

) 1 (
6
1
2
1
2
=
N N
d
r
N
i
i
o
1 1 - +
o
r
N , , 2 , 1 i
) y ( rg ) x ( rg d
i i i
L =
=
Campo de variacin:
9
17
7.5. Correlacin por Rangos: 7.5. Correlacin por Rangos: Coef Coef. de Correlacin por Rangos de . de Correlacin por Rangos de Spearman Spearman
Interpretacin:
v Si 0 < r
0
< 1: Correlacin por rangos positiva.
v Si -1 < r
0
< 0: Correlacin por rangos negativa.
v Si r
0
= -1: Correlacin por rangos perfecta y negativa. La concordancia
entre los rangos es perfecta.
v Si r
0
= 0: Correlacin por rangos nula. No hay concordancia entre los
rangos.
v Si r
0
= 1: Correlacin por rangos perfecta y positiva. La concordancia
entre los rangos es perfecta.
18
En una prueba de maratn, 15 atletas llegan a la meta en este orden (los atletas llevan
un dorsal que va desde el 1 al 15):
7, 4, 2, 3, 1, 6, 10, 5, 8, 11, 14, 9, 13, 12 y 15
Hallar el coeficiente de correlaci n por rangos entre los rdenes de los dorsales y los de
llegada.
EJEMPLO 3 EJEMPLO 3
1
1
TEMA 8
REGRESIN Y CORRELACIN
2005 2005--2006 2006
2
8.1. Regresin Lineal Mnimo-Cuadrtica.
8.2. Bondad del Ajuste. Coeficiente de Determinacin Lineal.
8.3. Coeficiente de Correlacin Lineal. Su Interpretacin Geomtrica.
8.4. Prediccin.
8.5. La Elasticidad.
TEMA 8. REGRESIN Y CORRELACION TEMA 8. REGRESIN Y CORRELACION
2
3
El anlisis de las relaciones existentes entre dos o ms variables requiere en la mayora de las
ocasiones de tratamiento estadstico debido a que:
La estructura verdadera de la relacin no es conocida.
No existe dependencia funcional exacta entre las variables consideradas.
Enfoques
Grado de dependencia
Estructura de dependencia
Correlacin
Regresin
La eleccin de la familia de curvas apropiada de la distribucin bidimensional es crucial, por
lo que ser necesario la elaboracin de un diagrama de dispersin que permita inferir la misma.
8.1. Regresin Lineal Mnimo 8.1. Regresin Lineal Mnimo--Cuadrtica Cuadrtica
4
La regresin lineal mnimo-cuadrtica supone que una distribucin bidimensional responde a
una familia de curvas lineales.
Los parmetros a y b de la recta de regresin lineal de ecuacin y*= a +bx resultan de la
minimizacin de .
+
+

h
i
h
i
i i
h
i
i i
k
j
ij j i
h
i
i i
k
j
j j
n x b n x a n y x
n x b N a n y
1 1
.
2
1
.
1
1
.
1
.
La solucin a este problema se obtiene mediante el denominado Sistema de Ecuaciones
Normales.
( )

h
i
k
j
ij i j
n x b a y
1 1
2
( ) x - x
S
S
y - y
x
S
S
y x b y a
S
S
b
i
x
xy *
j
x
xy
x
xy

2
2 2
: Pendiente - Punto Ec.

Interpretacin: El parmetro a representa la ordenada en el origen, esto es, el valor que toma
la variable dependiente cuando la variable independiente toma el valor 0 y el parmetro bes la
pendiente de la recta de regresin y*= a +bx.
3
5
Ambas rectas de regresin (y*=a+bx; x*=a+by)
tienen en comn el punto:
A la diferencia entre el valor real de la variable
(y) y el valor arrojado por la regresin mnimo-
cuadrtica (y*) se le denomina residuo o error.
y
x
y + y
y
x + x x
tg
x
y
S
S
b
x
xy

2
El signo del parmetro b(b) ser el signo de la covarianza:
- Si la covarianza es positiva (negativa) la pendiente de la recta de regresin lineal es positiva
(negativa).
- Si la covarianza toma el valor cero, las rectas de regresin sern paralelas a los ejes de coordenadas.
x
y
0 S
xy
>
( ) y , x
x
y
0 S
xy
<
x
y
0 S
xy

6
El anlisis de la regresin se basa en el supuesto de que la informacin que suministra la
variable sobre la que se regresa va a mejorar el conocimiento del comportamiento de la otra
variable.
Para ver en qu medida se alcanza este objetivo es necesario definir el concepto de Varianza
debida a la Regresin.
Para ello, consideremos los valores de las tres variables que se obtienen en la regresin:
y
j
==> Valores observados de Y (o valores reales de Y).
y*
j
==> Valores tericos para cada x
i
en la regresin de Y sobre X (o valores
previstos de Y).
e
j
= y
j
- y*
j
==> Conjunto de residuos o errores generados en la regresin mnimo-
cuadrtica.
8.2. Bondad del Ajuste. Coeficiente de Determinacin 8.2. Bondad del Ajuste. Coeficiente de Determinacin
4
7
Las tres medias aritmticas son:

h
i
k
j
ij
j
N
n
y y
1 1
Media de los valores
observados de Y

h
i
k
j
ij
j
N
n
e e
1 1
Media de
los residuos

h
i
k
j
ij * *
N
n
y y
j
1 1
Media de los
valores tericos
( ) ( )

'
1
]
1
+
h
i
k
j
ij
i
x
xy
j
h
i
k
j
ij *
j j
h
i
k
j
ij
j
N
n
x x
S
S
y y
N
n
y y
N
n
e e
1 1
2
1 1 1 1
( ) ( ) 0 0 0
2
1 1
2
1 1
+

x
xy
h
i
k
j
ij
i
x
xy
h
i
k
j
ij
j
S
S
N
n
x x
S
S
N
n
y y
Propiedades:
( ) y y e y
N
n
e y
N
n
y y
h
i
k
j
ij
j j
h
i
k
j
ij * *
j

0
1 1 1 1
La media de los residuos es 0
La media de los valores tericos es la media de los valores observados
8
( )

h
i
k
j
ij
j y
N
n
y y S
1 1
2 2
( ) ( )

h
i
k
j
ij *
j
h
i
k
j
ij * *
j * y
N
n
y y
N
n
y y S
1 1
2
1 1
2
2
( ) ( )

h
i
k
j
ij *
j j
h
i
k
j
ij
h
i
k
j
ij
j e
N
n
y y
N
n
e
N
n
e e S
j
1 1
2
1 1
2
1 1
2 2
Varianza Total
Varianza Residual
Las tres varianzas son:
Varianza debida a la Regresin
5
9
TEMA 7. ANLISIS DE DOS VARIABLES. REGRESIN Y TEMA 7. ANLISIS DE DOS VARIABLES. REGRESIN Y
CORRELACION CORRELACION
Coeficiente de Determinacin Lineal: R
2
R
2
representa el porcentaje de la varianza explicada por el modelo (la recta de regresin).
1- R
2
representa el porcentaje de la varianza no explicada por el modelo.
Si se dividen ambos miembros de la igualdad anterior entre S
2
y
obtenemos:
2
2
2
2
2
2
2
2
2
1 1 R
S
S
S
S
S
S
S
S
y
e
y
* y
y
e
y
* y
+
Relacin entre las tres varianzas en la regresin lineal:
2 2 2
e * y y
S S S +
1 0
2
R
Campo de variacin:
2
2
2
1
y
e
S
S
R
10
Interpretacin analtica del Coeficiente de Determinacin Lineal:
Cuanto ms se acerque R
2
a 1 mejor ser el ajuste de la recta a la nube de puntos.
Casos extremos:
R
2
= 1 ==> S
e
2
= 0.
La recta de regresin elegida es buena y ajusta perfectamente a la nube de punto.
R
2
= 0 ==> S
e
2
= S
y
2
.
La recta de regresin elegida no es buena o bien las variables Xe Y son independientes.
6
11
Correlacin: La correlacin hace referencia al grado de dependencia mutua entre dos variables.
La medicin de la correlacin se basa en el hecho de que cuando la dependencia entre las variables
es exacta o funcional los residuos de la regresin mnimo-cuadrtica toman el valor 0. Conforme
estos residuos crecen en valor absoluto la intensidad de la asociacin entre las variables ser menor.
2
2
2
1
y
e
S
S
R r t t
1 1 + r
( ) ( ) ( )
2
2
2
1
2
1
2
1 1
2
2
x
xy
y
h
i
ij
k
j
i
x
xy
j
h
i
ij
k
j
*
j j e
S
S
S
N
n
x x
S
S
y y
N
n
y y S
1
]
1

K
y x
xy
S S
S
r
8.3. Coeficiente de Correlacin Lineal. Su interpretacin Geomt 8.3. Coeficiente de Correlacin Lineal. Su interpretacin Geomtrica rica
Coeficiente de Correlacin Lineal: r
t
2 2
2
y x
xy
S S
S
r
Campo de variacin:
2 2
2
2
2
1
y x
xy
y
e
S S
S
S
S

2 2
2
2
2
1
y x
xy
y
e
S S
S
S
S

Varianza Residual
12
Interpretacin Analtica y Geomtrica del Coeficiente de Correlacin Lineal:
-1< r < 0 ==> Correlacin lineal negativa o inversa, siendo ms intensa la relacin de
dependencia entre X e Y cuanto ms prximo est a 1. Las variables X e Y varan en sentidos
opuestos. La recta de regresin es decreciente (S
xy
< 0).
0 < r < 1 ==> Correlacin lineal positiva o directa, siendo ms intensa la relacin de dependencia
entre X e Y cuanto ms prximo est a 1. X e Y varan en el mismo sentido. La recta de
regresin es creciente (S
xy
> 0).
r = -1 ==> S
e
2
= 0. Correlacin lineal perfecta negativa o inversa.
r = 1 ==> S
e
2
= 0. Correlacin lineal perfecta positiva o directa.
r = 0 ==> S
e
2
= S
y
2
. Correlacin lineal nula. Las variables X e Y son independientes. S
xy
= 0. La
recta de regresin es de la forma: 0 y -
*
j
y
7
13
Propiedades del Coeficiente de Correlacin Lineal:
1.- En caso de independencia lineal el coeficiente de correlacin lineal es nulo debido a que
en este caso la covarianza es nula.
X e Y variables independientes ==> S
xy
= 0 ==> r = 0
2.- El coeficiente de correlacin lineal no se ve afectado por cambios de origen.
3.- Cambios de escala:
Ejercicio: Cmo le afecta a r los cambios de escala?
14
( ) x - x
S
S
y y
x
xy
0 2 0
+
Sea x el precio de demanda de un bien determinado e yla cantidad demandada de ese bien,
se define la elasticidad de la cantidad demandada con respecto al precio como:
0
0
0
bx a
x
b
x x , y
+

Para la recta de regresin de ecuacin y*= a +bx se tiene que la prediccin de Y en el punto
x = x
0
es y
0
:
Interpretacin: La elasticidad es el porcentaje de variacin de la variable dependiente Y
cuando la independiente X aumenta un 1%.
8.4. Prediccin 8.4. Prediccin
8.5. Elasticidad 8.5. Elasticidad
y
x
dx
dy
x , y

Para la recta de regresin y*= a +bx, la elasticidad de Y con respecto a X en el punto x = x
0
se calcula como:
8
15
1.- El ingreso anual disponible y los gastos de consumo de 12 familias de una ciudad han sido, en
cientos de euros, los siguientes:
INGRESO: 8 15 20 25 25 25 8 13 7 6 12 15
CONSUMO: 8 12 13 30 20 24 8 11 7 6 10 14
a) Ajustar por mnimos-cuadrados una recta en la que el consumo sea funcin de los ingresos.
b) Explicar el significado estadstico y econmico de los coeficientes de la recta de regresin del
apartado anterior.
c) Hallar e interpretar el coeficiente de correlacin lineal.
c) Analizar la bondad del ajuste.
d) Hallar el incremento porcentual que experimenta el consumo de un a familia cuyos ingresos
fueron de 800 euros ante un incremento porcentual unitario de estos ltimos.
2.- Entre las variables X e Y se ha obtenido la siguiente relacin lineal: Y* = 2,5 0,7X con R
2
=
0,89. Hallar la elasticidad de Y con respecto a X en el punto en que X = 4,8 y comentar el valor
obtenido.
EJEMPLOS EJEMPLOS
1
1
TEMA 9
ANLISIS DE SERIES TEMPORALES. PREDICCIN
2005 2005--2006 2006
Profesores de SPSS: David Castilla Espino, Ramn Jimnez Toribio, Germn Prez Morales
Profesores de Teora: Encarnacin Cordn Lagares, Concepcin Corts Rodrguez, Ana Gonzlez Galn
2
9.1. Introduccin.
9.2. Componentes de una Serie Temporal. Formas de combinar las componentes.
9.3. Anlisis de la Tendencia. Mtodos para su determinacin.
9.4. Anlisis de la Estacionalidad. Desestacionalizacin.
9.5. Las Tasas de Variacin en el anlisis de series temporales.
TEMA 9. ANLISIS DE SERIES TEMPORALES. PREDICCIN TEMA 9. ANLISIS DE SERIES TEMPORALES. PREDICCIN
2
3
9.1. Introduccin 9.1. Introduccin
Serie Temporal (cronolgica, histrica o de tiempo): Sucesin de observaciones
cuantitativas de un fenmeno ordenadas en el tiempo. Los datos tienen un orden que no
podemos variar (ej: en la evolucin trimestral del n de parados de 2002, el dato del 1
er
trimestre ha de ir antes del dato del 2 trimestre).
Una serie temporal se designa por y
t
con t = n de observaciones [t = 1, , Np] o y
ik
con i =
n de aos [i = 1, , N] y k = perodo inferior al ao (mes, trimestre, ...) [k = 1, , p].
Utilidad:
Analizar la evolucin de una variable en el transcurso del tiempo.
Efectuar predicciones futuras.
Representacin grfica:
y
t
t
4
www.5dias.com
3
5
Definiciones:
Magnitudes econmicas de
Stock: Las que toman valores concretos, de una variable continua en el tiempo, en
momentos concretos del tiempo. Ej: n de empleados en hostelera en el momento t.
Flujo: Las que representan el total acumulado de una variable desde la observacin
anterior. El intervalo de tiempo entre dos observaciones contiguas ha de ser constante.
Ej: viajeros extranjeros alojados en hoteles durante el mes m del ao t.
Diferencias:
El valor de una magnitud flujo depender del intervalo temporal que consideremos entre
dos observaciones, a diferencia del valor de una magnitud de stock.
El valor de una magnitud flujo no es homogneo.
6
Componentes Clsicas
de una Serie Temporal
Tendencia (T
ik
)
Variaciones o
fluctuaciones
estacionales (e
ik
)
Variaciones o
fluctuaciones
cclicas (c
ik
)
Variaciones
residuales,
accidentales
o irregulares (r
ik
)
Pon ejemplos
9.2. Componentes de una Serie Temporal 9.2. Componentes de una Serie Temporal
4
7
Tendencia (T
ik
): Es el movimiento a largo plazo de la serie (crecimiento, decrecimiento o
estancamiento). Es necesario un n suficientemente grande de observaciones.
Variaciones estacionales (e
ik
): Son oscilaciones a corto plazo que se producen en un
perodo inferior al ao (si el perodo marco o de repeticin es el ao), como el mes, la
semana, el da, ... Se repiten de forma reconocible en los diferentes aos, por lo que siguen
patrones regulares. Se deben a factores climatolgicos, culturales, de tradicin.
Variaciones cclicas (c
ik
): Son oscilaciones o movimientos de la serie a medio plazo
producidos con un perodo superior al ao y se deben principalmente a la alternancia de
etapas de prosperidad y de depresin en la actividad econmica. La amplitud de un ciclo es el
n de aos que dura un ciclo. Normalmente, se suelen superponer distintos ciclos, siendo muy
difciles de aislar.
A veces se trata conjuntamente el ciclo con la tendencia y se habla de Componente
Tendencia-Ciclo o Componente Extraestacional (E
ik
).
Residuos (r
ik
): Son movimientos de muy c/p, sin un carcter peridico reconocible,
ocasionados por fenmenos singulares o fortuitos produciendo efectos casuales y no
permanentes, como el efecto causado por una huelga, una guerra, un terremoto, etc.
8
5
9
EJEMPLO EJEMPLO
1.- Con qu componentes de una serie temporal asociaras cada uno de los
siguientes hechos? [Martn Pliego, F.J., (1995), p. 535]
a) Una huelga de trabajadores del sector del metal.
b) Un incremento de la produccin de trigo debido a la incorporacin de nuevas
tcnicas de cultivo.
c) Un aumento de las ventas de automviles durante el mes de mayo.
d) Una disminucin de las ventas de helados en agosto a causa de una oleada de fro.
e) Una recesin en el volumen de construccin de viviendas durante tres aos.
10
Combinacin de las Componentes Clsicas
de una Serie Temporal
ADITIVA MULTIPLICATIVA
y
ik
= T
i k
+ e
ik
+ c
ik
+ r
ik
I: y
ik
= T
ik
x e
ik
x c
ik
x r
ik
II: y
ik
= T
i k
x e
ik
x c
ik
+ r
ik
Mtodo Analtico de las Diferencias y de los Cocientes Estacionales: Si el valor absoluto
del coeficiente de variacin de Pearson de la serie de diferencias: d
t
= y
t
y
t-p
es menor
(mayor) que el de la serie de cocientes: c
t
= y
t
/ y
t-p
entonces el esquema es aditivo
(multiplicativo).
En este mtodo ambas series (cocientes y diferencias) se toman con datos del mismo mes
(trimestre,...) de cada 2 aos consecutivos.
6
11
I) Mtodo de las Medias Mviles:
Se basa en el suavizado de la serie mediante medias mviles sucesivas de orden p.
PASOS:
1. Representar grficamente la serie y observar cul es el perodo de oscilaciones
ms importantes.
2. Elegir un nmero p que represente el perodo de oscilaciones ms importantes
que caracteriza la serie.
Caso 2.1. Si p es impar, obtenemos una sucesin de medias mviles de orden
p centradas:
p
p
y
2
y
1
y
2
1 p
y
+ + +
=
+
K
p
1 p
y
3
y
2
y
2
3 p
y
+
+ + +
=
+
K
p
2 p
y
4
y
3
y
2
5 p
y
+
+ + +
=
+
K
p
3 p
y
5
y
4
y
2
7 p
y
+
+ + +
=
+
K
Medias Mviles
Centradas
...
9.3. Anlisis de la Tendencia. Mtodos para su determinacin 9.3. Anlisis de la Tendencia. Mtodos para su determinacin
Totales
Mviles
12
Caso 2.2. Si p es par las medias mviles de orden p sern descentradas:
p
p
y
2
y
1
y
2
1 p
y
+ + +
=
+
K
p
1 p
y
3
y
2
y
2
3 p
y
+
+ + +
=
+
K
p
2 p
y
4
y
3
y
2
5 p
y
+
+ + +
=
+
K
p
3 p
y
5
y
4
y
2
7 p
y
+
+ + +
=
+
K
Medias Mviles
Descentradas
2
2
3 p
y
2
1 p
y
2
2 p
y
+
+
+
=
+
2
2
5 p
y
2
3 p
y
2
4 p
y
+
+
+
=
+
2
2
7 p
y
2
5 p
y
2
6 p
y
+
+
+
=
+ 2
2
9 p
y
2
7 p
y
2
8 p
y
+
+
+
=
+
Medias Mviles
Centradas
...
...
3. La tendencia de la serie, T
ik
, es la lnea quebrada que une las medias mviles
centradas obtenidas en el Paso 2.
Para centrarlas ser necesario hacer la media de dos medias mviles consecutivas:
7
13
VENTAJAS:
- Sencillez.
INCONVENIENTES:
- Supone conocer parte de las componentes cclicas y/o estacionales.
- Problemas cuando se superponen oscilaciones.
Difcil
eleccin
de p
Cuanto ms pequeo sea el valor de p menos observaciones se pierden.
- Las medias mviles pueden generar ciclos u otros movimientos que no estaban
presentes en los datos originales.
- No existe una medida de fiabilidad de los valores de la tendencia.
- La eleccin de p supone una prdida de observaciones. Se pierden:
p1 observaciones, si p es impar;
p observaciones, si p es par.
14
Yt MMC
y1
y2
y3
y4

EJEMPLO: Obtencin de la tendencia con p = 3
3
3 2
y
1
y
2
2
1 3
y
y + +
=
=
+
3
4
y
3
y
2
y
3
2
3 3
y
+ +
=
=
+
8
15
Yt MMD MMC
y1
y2
y3
Obtencin de la tendencia con p = 2
2
2
y
1
y
5 1
2
1 2
y
+
=
=
+
.
2
2
3 2
y
2
1 2
y
2
2
2 2
y
+
+
+
=
=
+
2
3
y
2
y
5 2
2
3 2
y
+
=
=
+
.
16
II) Mtodo del Ajuste Analtico:
Consiste en ajustar una funcin que relacione la variable en fun cin del tiempo, que
sea sencilla y que recoja de manera satisfactoria la marcha general del fenmeno.
PASOS:
1. Representar grficamente la serie y observar si existe estacionalidad.
2. En caso de que exista estacionalidad, calcular la media anual y ajustar a estas
medias la funcin lineal de la forma:
Sistema de
ecuaciones normales

=
+ =
=
N
i
i b Na
N
i
i
1 1
.
y
Hallar el valor de los parmetros a y b resolviendo las dos ecuaciones normales:
i y
.
b a
i
+ =

=
+
=
=
=
N
i
i b
N
i
i a
N
i
i
i
1
2
1 1
.
y
3. La tendencia de la serie es la recta de ecuacin T
ik
= a + bi.
9
17
VENTAJAS:
- Podemos dar una medida de la fiabilidad de los valores de la tendencia,
calculando el coeficiente de determinacin.
- Podemos obtener e interpretar el coeficiente de correlacin lin eal entre .
i
i
e y
.
INCONVENIENTES:
- La tendencia no siempre es lineal. Puede ser parablica, hiperblica, etc.
- Si la serie presenta una ruptura brusca y pueden distinguirse dos partes
diferentes, puede ser aconsejable ajustar diferentes funciones para cada conjunto
de datos homogneo.
18
ELIMINACIN DE LA TENDENCIA:
En una serie temporal, una vez obtenida la componente de tendencia, bien por el
mtodo de las medias mviles para la tendencia o bien por el mt odo del ajuste
analtico, se proceder a su eliminacin teniendo en cuenta el esquema en el que se
combinan sus componentes, aditivo o multiplicativo.
- En un esquema aditivo: y
ik
T
ik
- En un esquema multiplicativo: y
ik
/ T
ik
10
19
Mtodo de las Medias Mviles:
Se basa en la eliminacin de la Componente Extraestacional (E
ik
) de los valores de
la serie temporal.
PASOS:
1. Obtener la Componente Extraestacional (E
ik
) utilizando el Mtodo de las Medias
Mviles para la determinacin de la tendencia estudiado en el apartado anterior
(Utilizar un valor de p igual al nmero de observaciones dentro de cada ao).
2. Calcular los ndices Especficos de Variacin Estacional (IEVE
i k
) de acuerdo con
el esquema con el que se combinan las componentes de la serie:
2.1. Aditivo
ik
E
ik
y
ik
IEVE =
2.2. Multiplicativo
100
ik
E
ik
y
ik
IEVE =
9.4. Anlisis de la Estacionalidad. 9.4. Anlisis de la Estacionalidad. Desestacionalizacin Desestacionalizacin
20
3. Calcular los ndices Generales de Variacin Estacional (IGVE
k
):
p , 2, 1, para
1
1
1
K =
=
k
N
IEVE
IGVE
N
i
ik
k
N = Nmero
de aos
4. Calcular el ndice General de Variacin Estacional Medio:
k
IGVE
E V G I
p
k
k
=
=
1
5. Calcular los ndices Generales de Variacin Estacional Ajustados (IGVEA
k
)
segn sea el esquema con el que se combinan las componentes de la serie.
5.1. Aditivo
E V G I IGVE IGVEA
k k
= 100 =
E V G I
IGVE
IGVEA
k
k
5.2. Multiplicativo
0
1
=
=
p
i
k
IGVEA p IGVEA
p
i
k
=
=
100
1
11
21
6. La estacionalidad de cada perodo vendr representada por los ndices Generales
de Variacin Estacional Ajustados (IGVEA
k
) correspondientes a cada uno de los
perodos.
INTERPRETACIN de los IGVEA
k
:
- En el esquema aditivo : Cuando un ndice General de Variacin Estacional
Ajustado sea positivo, entonces la variable supera a la media de tendencia-ciclo en
dicho perodo, debido al efecto estacional; dndose el efecto contrario si es negativo.
- En el esquema multiplicativo : Cuando un ndice General de Variacin Estacional
Ajustado es mayor que 1 (que 100 en %), entonces la variable supera a la media de
tendencia-ciclo en dicho perodo, por el efecto estacional; y viceversa, si es menor
que 100%.
22
DESESTACIONALIZACIN:
Desestacionalizar una serie consiste en eliminar la componente estacional de los
valores de la misma.
El modo de desestacionalizar una serie depender de si las componentes se
combinan segn un esquema aditivo o multiplicativo.
Esquema Aditivo
p , 1,2, para K = = k
k
IGVEA
ik
y
d
ik
y
Esquema Multiplicativo
p , 1,2, para
100
K = = k
k
IGVEA
ik
y
d
ik
y
12
23
2.- El nmero de visitantes de un museo, recogido trimestralmente en diversos aos, aparece en el
siguiente cuadro [Sanz et al., (1996)]:

1992 1993 1994
1
er
Trimestre 2250 2278 2327
2 Trimestre 2535 2624 2734
3
er
Trimestre 2742 2840 3011
4 Trimestre 2341 2427 2516

Con estos datos, se pide:

a) Represente grficamente la serie.
b) Determine qu esquema es el ms adecuado para combinar las componentes de la serie.
c) Elimine la tendencia a travs del mtodo de las medias mviles con p = 4, considerando un
modelo aditivo y multiplicativo.
d) Obtenga los valores de la componente estacional con p = 4 y desestacionalizar la serie original.
EJEMPLO EJEMPLO
24
Tasa de Variacin: Son medidas de la evolucin (variacin) intertemporal de una
variable en el tiempo.
Se distingue entre:
Tasas de variacin absolutas:
Tasas de variacin relativas:
1 t
Y
t
Y
t
Y
t
Y VA

= =
( )
1
1 t
Y
t
Y
1 t
Y
1 t
Y
t
Y
1 t
Y
t
Y VA
Y
Identidad entre tasas de variacin:

No comparable Adimensional
( )
=
=
= +
=
t
Y 1
1 t
Y
1 t
Y
t
Y
1 t
Y
1 t
Y
1 t
Y
t
Y VA
1 t
Y
t
Y VA
1 t
Y
t
Y
Factor de variacin unitaria
9.5. Las Tasas de Variacin en el anlisis de series temporales
13
25
La estacionalidad distorsiona las medidas que hacemos de las tasas de variacin al
indicarnos evoluciones ficticias de la variable.
La SOLUCIN a este problema es el suavizado de la serie objeto de estudio.
DOS TCNICAS de suavizado:
- I) Medias Escalonadas: Se calculan con grupos consecutivas de p observaciones
excluyentes.
1
Y Y Y
Y Y Y
1
3
9 t
Y
8 t
Y
7 t
Y
3
12 t
Y
11 t
Y
10 t
Y
*
3 j
T
9 t 8 t 7 t
12 t 11 t 10 t
+ +
+ +
=
+ +
+ +
=
=
Media Escalonada de Diciembre
Media Escalonada de Septiembre
Tasa de Variacin Trimestral (j=3) en diciembre (k=12) del ao i =t
26
1
Y Y Y
Y Y Y
1
3
11 t
Y
10 t
Y
9 t
Y
3
12 t
Y
11 t
Y
10 t
Y
0
1 j
T
11 t 10 t 9 t
12 t 11 t 10 t
+ +
+ +
=
+ +
+ +
=
=
- II) Medias Mviles: Se calculan con grupos de p observaciones no excluyentes.
Slo permiten calcular tasas de variacin mensual.
Media Mvil de orden 3 de Diciembre
Media Mvil de orden 3 de Noviembre
Tasa de Variacin mensual (j=1) en diciembre (k=12) del ao i=t
usando medas mviles de orden 3.
14
27
Partiendo de la igualdad:
=
t
Y 1
1 t
Y
t
Y
es posible encontrar un valor p
t
tal que:
+

1 t
Y
t
Y
1 t
Y
t
Y
t
Y
t t
Y
t
t
Y 1 ln Y
t t
p
p
e
p
e
Esta aproximacin ser tanto ms aceptable cuanto menor
sea la tasa de variacin relativa en el momento t
Clculo Aproximado
28
3.- La siguiente tabla recoge la poblacin activa espaola por cada 1000 habitantes de
edad comprendida entre 25 y 34 aos en el perodo comprendido entre el primer trimestre
de 1999 hasta el cuarto de 2001.
Determine:
a) Las tasas de variacin absolutas y
relativas trimestrales.
b) Las tasas de variacin relativas anuales.
c) Las tasas de variacin anuales
eliminando el efecto de la estacionalidad
usando medias escalonadas.
5587,3 5609,3 5456,9 4
5535,7 5547,6 5414,3 3
5488,1 5527,7 5351,6 2
5462,8 5506,6 5337,3 1
2001 2000 1999 Trimestre
d) Las tasas de variacin eliminando el efecto de la estacionalidad usando medias
mviles
e) Una aproximacin de las tasas de variacin trimestrales usando logaritmos.
EJEMPLO EJEMPLO
1
1
2005 2005--2006 2006
TEMA 10 TEMA 10
NMEROS NDICES. INDICADORES
Profesores de Teora: Concepcin Corts Rodrguez, Ana Gonzlez Galn, Ramn
Jimnez Toribio
Profesores de SPSS: Concepcin Corts Rodrguez, Gema Domnguez Ponce, Ana
Gonzlez Galn, Germn Prez Morales
2
10.1. Introduccin
10.2. Nmeros ndices Simples y Complejos. Propiedades
10.3. ndices Complejos de Precios y de Cantidades
10.4. Deflactacin de Series Estadsticas
10.5. Enlaces y Cambio de Base
10.6. ndice de Precios al Consumo (I.P.C.)
TEMA 10. NMEROS NDICES. INDICADORES TEMA 10. NMEROS NDICES. INDICADORES
2
3
PROBLEMA Comparar una serie de observaciones de carcter cuantitativo,
(generalmente precios o cantidades) respecto a una situacin inicial fijada arbitrariamente.
SOLUCIN:
- Comparacin por diferencias: - Comparacin por cociente:
EJEMPLO 1. El precio, en euros, de un coche en 1995 fue de 8775 y en 1996 de 9000.
Comparar los dos precios, tomando como referencia el ao 1995.
- Comparacin por diferencias:
0
D x
t
x =
0
c
x
t
x
=
- Comparacin por cociente:
225 8775 9000
1995 1996 0
D
= =
= = = x x x
t
x
026 , 1
8775
9000
1995
1996
0
c = = = =
x
x
x
t
x
El Origen de
referencia es el 0
El Origen de
referencia es el 1
Adimensional
4
A la hora de comparar se ha de considerar:
1) La fijacin arbitraria de la situacin inicial a la que se refieren las comparaciones: a la
situacin inicial se le llama periodo base o de referencia. A la situacin que
queremos comparar periodo actual o corriente.
2) La comparacin de magnitudes simples (precio de un bien) y complejas (precio del
conjunto de bienes de una economa).
- Nmero ndice (DEFINICIN) Es aquella medida estadstica que nos
permite estudiar los cambios o variaciones que se producen en un a magnitud
simple o compleja a lo largo del tiempo o del espacio.
3
5
Nmero ndice Simple o Elemental (DEFINICIN) Es el cociente entre dos
observaciones que se quieren comparar. Nos mide la variacin que ha sufrido una magnitud
simple X
i
en el perodo actual o corriente (t) con respecto al perodo base o de
referencia (0).
( ) 100
0
0
i
it t
i
x
x
i I I = =
Valor de la magnitud en el perodo actual t para el ente i
Valor de la magnitud en el perodo base 0 para el ente i
Los Nmeros ndices Simples ms usuales son los de:
- Precio relativo: - Cantidad relativa: - Valor relativo: - Salario relativo:
0
0
i
it t
p
p
p =
0
0
i
it t
q
q
q =
t t
i i
it it t
q p
q p
q p
v
0 0
0 0
0
= =
0
0
i
it t
s
s
s =
10.2. Nmeros ndices Simples y Complejos. Propiedades 10.2. Nmeros ndices Simples y Complejos. Propiedades
6
Ejemplo 2. Sea X el precio de un determinado bien.
Como puede observarse:
Tasa de Variacin Relativa = ( ) 1
0
i I
t
-50.00 -0.50 50 0.50 100 2003
100.00 1.00 200 2.00 400 2002
50.00 0.50 150 1.50 300 2001
0.00 0.00 100 1.00 200 2000
%
TASA DE VARIACIN
RESPECTO A 2000
%
INDICE SIMPLE
BASE 2000
X AOS
4
7
Nmero ndice Complejo (DEFINICIN) Son aquellos que resumen la
informacin suministrada por dos o ms nmeros ndices simples y comparan los cambios
producidos para el conjunto de entes a los que se refieren los mencionados ndices simples.
Ejemplo: I. P.C.
OBJETIVO de la construccin de ndices Complejos
- Ha de ser Sencillo.
- Ha de contener la mayor cantidad de informacin posible.
TIPOLOGA de los Nmeros ndices Complejos:
- No Ponderado Su cmputo es sencillo pero contienen poca cantidad de
informacin.
- Ponderado Tienen la ventaja de que suministran mayor cantidad de
informacin, aunque su cmputo es ms complejo.
8
ndices Complejos
No ponderados
Media Aritmtica
Media Geomtrica
Media Armnica
Media Agregativa
N
I
N
I I I
I
N
i
i
N

=
=
+ + +
=
1 2 1
...
=
=
+ + +
=
N
i i N
H
I
N
I I I
N
I
1 2 1
1 1
...
1 1
N
N
i
i
N
N G
I I I I I

=
= =
1
2 1
...
=
=
=
+ + +
+ + +
=
N
i
i
N
i
it
N
Nt t t
A
x
x
x x x
x x x
I
1
0
1
0 20 10
2 1
...
...
5
9
ndices Complejos
Ponderados
Media Aritmtica
Media Geomtrica
Media Armnica
Media Agregativa
=
=
=
+ + +
+ + +
=
N
i
i
N
i
i i
N
N N
w
w I
w w w
w I w I w I
I
1
1
2 1
2 2 1 1 *
...
...
=
=
=
+ + +
+ + +
=
N
i i
i
N
i
i
N
N
N
H
I
w
w
w
I
w
I
w
I
w w w
I
1
1
2
2
1
1
2 1 *
1
...
1 1
...
=
=
=
+ + +
+ + +
=
N
i
i i
N
i
i it
N N
N Nt t t
A
w x
w x
w x w x w x
w x w x w x
I
1
0
1
0 2 20 1 10
2 2 1 1 *
...
...
=
=
=
= =
N
1 i
i
i
N
1 i
i
N 2 1
w
N
1 i
w
i
w
w
N
w
2
w
1
*
G
I I ... I I I
10
EJEMPLO 3. La siguiente tabla recoge los precios y la importancia relativa de los bienes
A, B y C en el perodo 1990-1992 (adaptado de Martn Pliego (1994): 447):
Bienes p1990 p1991 p1992
A 25 27 30 10700
B 20 24 25 10600
C 30 37 39 3060
Determine:
a) Los ndices Simples de precios con base 1990 del bien A.
b) Los ndices Complejos No Ponderados media geomtrica y agregativa con base
1990 y perodo actual 1991.
c) Los ndices Complejos Ponderados media aritmtica y armnica con base 1990
y perodo actual en 1992.
6
11
PROPIEDADES de los Nmeros ndices Simples:
-1. Existencia Todo nmero ndice debe existir, ha de tener un valor finito distinto
de cero.
-2. IdentidadSi el perodo base o de referencia (0) coincide con el perodo actual
o corriente (t) el nmero ndice debe ser igual a la unidad:
- 3. Inversin:
1 =
t
t
I
t t
I
I
0
0
1
=
1 1
0
0
0
0
= =

t
t
t
t
t
t
t
t
t
t
I I I I I I I
t t
t
t
t
t
t
t
t
t
t
t
I I I
I
I I I I I

= = =
0 0 0 0
0
0
1
1 : Demost.
- 4. Circular:
- 5. Propiedad c clica o circular modificada:
t t
t
t
I I I

=
0 0
12
- 7. Proporcionalidad Si en el perodo actual todas las magnitudes sufren una
variacin proporcional, el nmero ndice debe quedar lgicamente afectado por esta
variacin.
( )
( )
t
i
it
i
t i t
I k
x
x k
x
x
I
0
0 0
0
1
1
+ =
+
= =

( )
it it it t i
x k x k x x + = + =
1
- 6. Homogeneidad Un nmero ndice simple no queda afectado por cambios en
las unidades de medida de las magnitudes que en l intervienen.
Por ejemplo, al convertir los datos de euros a miles de euros (en el caso de los
precios) o de grs. a kgs. (en el caso de las cantidades), los nmeros ndices que
construyamos no varan.
7
13
EJEMPLO 4. Pruebe que:
a) Un nmero ndice Simple o Elemental cumple la propiedad de Identidad.
b) Un nmero ndice Simple o Elemental es Invertible.
c) Un nmero ndice Complejo no Ponderado Media Aritmtica no cumple la
propiedad de Inversin.
d) Un nmero ndice Complejo no Ponderado Media Agregativa cumple la
propiedad de Inversin EJERCICIO
e) Un nmero ndice Complejo no Ponderado Media Geomtrica cumple la
propiedad de Inversin EJERCICIO
f) Un nmero ndice Complejo no Ponderado Media Aritmtica cumple l a
propiedad de Proporcionalidad.
g) Un nmero ndice Complejo no Ponderado Media Agregativa cumple la
propiedad de Proporcionalidad EJERCICIO
14
ndices Complejos
de Precios
Ponderados
Laspeyres
Paasche
Edgeworth
Fisher
0
1
0
1
0
i
N
i
i
N
i
i it
p
q p
q p
L
=
=
it
N
i
i
N
i
it it
p
q p
q p
P
=
=
1
0
1
( )
( )
=
+
=
+
=
N
i
it
q
i
q
i
p
N
i
it
q
i
q
it
p
p
E
1
0 0
1
0
p p p
xP L F =
ndice Ponderado
Media Aritmtica
con
i
= p
i0
x q
i0
ndice Ponderado
Media Aritmtica
con
i
= p
i0
x q
it
ndice Ponderado
Media Agregativa
con
i
= q
i0
+ q
it
10.3. ndices Complejos de Precios y de Cantidades 10.3. ndices Complejos de Precios y de Cantidades
8
15
EJEMPLO 5. La siguiente tabla recoge los precios y cantidades de los bienes A, B y C en
el perodo 1990-1992 (adaptado de Martn Pliego (1994): 447):
Determine:
a) Los ndices de precios de Laspeyres para 1991 y 1992, con base 1990=100.
b) El ndice de precios de Paasche para 1992, con base 1991=100.
c) El ndice de Edgeworth para 1992, con base 1990=100.
d) El ndice Ideal de precios de Fisher para 1991, con base 1990=100.
Bienes p1990 q1990 p1991 q1991 p1992 q1992
A 25 428 27 614 30 805
B 20 530 24 722 25 910
C 30 102 37 224 39 235
16
ndices Complejos de Cantidad
(cunticos o de produccin)
Ponderados
Laspeyres
Paasche
Fisher
q q q
xP L F =
=
=
=
N
i
it i
N
i
it it
q
p q
p q
P
1
0
1
=
=
=
N
i
i i
N
i
i it
q
p q
p q
L
1
0 0
1
0
Los ndices de cantidad deben
ponderarse por el
valor neto o aadido y no
por el precio de venta
o valor bruto del bien
9
17
PROPIEDADES:
1.- Todos los ndices Complejos a los que se ha hecho referencia en este apartado
cumplen las propiedades de existencia e identidad.
2.- Slo cumplen la propiedad de inversin los ndices de Edgeworth y Fisher.
3.- Todos los ndices complejos a los que se ha hecho referencia en este apartado
cumplen algebraicamente la propiedad de proporcionalidad, aunque econmicamente
no tiene sentido en los siguientes ndices: Paasche, Edgeworth y Fisher.
18
EJEMPLO 6. Pruebe que:
a) Los ndices de Laspeyres y de Paasche de cantidad no cumplen la propiedad de
inversin.
b) El ndice de Fisher de cantidad cumple la propiedad de inversin EJERCICIO
c) Los ndices de precios de Laspeyres y Paasche no cumplen la propiedad de inversin
EJERCICIO
d) El ndice de produccin de Paasche cumple la propiedad de proporcionalidad.
e) El ndice de precios de Paasche cumple la propiedad de proporcionalidad
EJERCICIO
f) El ndice cuntico de Laspeyres cumple la propiedad de identidad.
g) El ndice de Laspeyres de precios cumple la propiedad de identidad EJERCICIO
h) El ndice de Paasche de precios cumple la propiedad de identidad EJERCICIO
i) Por qu no tiene sentido econmico que los ndices de precios de Paasche,
Edgeworth y Fisher cumplan la propiedad de proporcionalidad algebraicamente?
10
19
10.4. 10.4. Deflactacin Deflactacin de Series Estadsticas de Series Estadsticas
FUNCIN DEL DINERO Permite valorar los bienes, y de esta manera,
homogeneizar las magnitudes para su comparacin.
PROBLEMA Qu efecto tiene la inflacin?; Qu efecto tiene la valoracin de un
bien a precios corrientes, esto es, a los precios de cada perodo considerado?; Es
comparable el valor de un coche de 1950 y otro en 2003 a los precios de cada uno de estos
aos?
IPC ESPAA
99
100
101
102
103
104
105
106
IPC 101 101 102 104 104 104 103 104 104 105 105 106 105
2002
M01
2002
M02
2002
M03
2002
M04
2002
M05
2002
M06
2002
M07
2002
M08
2002
M09
2002
M10
2002
M11
2002
M12
2003
M01
20
Valor Nominal (V
t
):
=
=
n
i
it it t
q p V
1
CONSISTE EN ... Dividir la serie de valores nominales por un ndice de precios
adecuado denominado deflactor (comnmente se utilizan los ndices de precios de
Laspeyres o Paasche) con base en el perodo al que quieran referirse los precios.
R
t
deflactor V n deflactaci
t
V V
t

:
SOLUCIN Cuando se dispone de una serie temporal de valoraciones de uno o varios
entes en distintos perodos de tiempo ser necesario expresar sta a precios constantes de
un perodo determinado.
DEFLACTACIN Es el proceso por el que se transforma una serie de valores en
precios corrientes (euros de cada ao) a valores en precios constantes o reales de un
perodo determinado.
Valor Real (V
t
R
):

=
=
n
i
it i
R
q p V
t
1
0
11
21
EJEMPLO 7. Las cantidades pagadas por una empresa de seguros en concepto de
indemnizaciones por incendios en el perodo 1989-1993, as como los correspondientes
ndices de Precios al Consumo para dicho perodo vienen dadas en el siguiente cuadro
(adaptado de Martn Pliego (1994): 449):
Determine:
- El valor de las indemnizaciones en euros constantes de 1986.
Ao
IPC
(1986=100)
I
(x1000)
1989 204,3 5430
1990 275,7 9680
1991 384,3 13940
1992 424,5 15100
1993 479,8 17590
22
EL DEFLACTOR A UTILIZAR DEPENDE DE:
- La serie de valores que se pretenda deflactar: Utilizarais el mismo deflactor para
la produccin agraria que para la produccin industrial?
- El perodo determinado al que se refieren los euros constantes o reales. ste ser el
perodo base o de referencia del ndice utilizado.
NO TODOS LOS NDICES PERMITEN DEFLACTAR LA SERIE
CORRECTAMENTE:
- Laspeyres:
R
t q N
i
i it
N
i
it it
i
N
i
i
i
N
i
i
N
i
i it
N
i
it it
p
t
V P V
q p
q p
q p
q p
q p
q p
L
V
=
=
=
=
=
=
=
0
1
0
1
0
1
0
0
1
0
1
0
1
- Y Paasche? EJERCICIO
12
23
10.5. Enlaces y Cambio de Base 10.5. Enlaces y Cambio de Base
PROBLEMA Los nmeros ndices, especialmente los complejos (o sintticos) pierden
representatividad con el paso del tiempo:
SOLUCIN Realizar un Cambio de Base o un Cambio de Origen de tal forma que la
base del ndice se refiera a un perodo ms cercano al actual.
- Coman tus padres lo mismo que t cuando eran jvenes? Se come lo mismo en
Holanda que en Espaa?
- Alguno de vosotros tiene un tocadiscos? Utilizis los casetes de msica?
- Alguno de vosotros recuerda el Spectrum, los Commodore o los MSX?
- Exista la televisin en los aos 20 del siglo pasado? Alguien tena telfono mvil
en los aos sesenta?
t fijado t para
I
I
I
t
0
t
0 t *
t
=
- Cambio de Base Consiste en cambiar el perodo base o de referencia de una

serie de nmeros ndices recalculndolos de nuevo.
- Cambio de Origen Dada una serie de nmeros ndices I
0
t
con base en el
ao 0 un cambio de origen consiste en dividir la serie de ndices por un ndice I
0
t
para un t fijado, obtenindose otra serie de ndices que denotamos por I
t
*t
.
24
EJEMPLO 8. Las cantidades pagadas por una empresa de seguros en concepto de
indemnizaciones por incendios en el perodo 1989-1993, as como los correspondientes
ndices de Precios al Consumo para dicho perodo vienen dadas en el siguiente cuadro
(adaptado de Martn Pliego (1994): 449):
Determine:
- El valor de las indemnizaciones en euros constantes de 1993.
Ao
IPC
(1986=100)
I
(x1000)
1989 204,3 5430
1990 275,7 9680
1991 384,3 13940
1992 424,5 15100
1993 479,8 17590
13
25
PROBLEMA Por las razones apuntadas a lo largo de este apartado, en muchas ocasiones la
metodologa utilizada para el clculo de un ndice queda obsoleta lo que hace necesario cambiar el
perodo base o de referencia del ndice e incluso la cesta de bienes que intervienen en su clculo.
1983 t para
I
I
I t t para
I
I
I
1983
1980
t
1980 t *
1983 t
0
t
0 t *
t
< = < =
SOLUCIN ENLACE de las dos series de ndices:

1983 t para I I I t t para I I I
1983
1980
t
1983
t *
1980
t
0
t
t
t *
0
> = > =

Ao I1980
t
I1983
t
1980 100 %
1981 110 %
1982 120 %
1983 130 % 100 %
1984 112,5 %
1985 125 %
1986 131,25 %
76,92 %
84,62 %
92,31 %
146,25%
162,5 %
170,63 %
Cambios de origen y Enlaces usando reglas de tres:
% 92 , 76
130
100 100
I
I I
x I
x I 100 I
100 I 130 I
83
80
80
80
83
83 80
83
80
83
80
80
83
83
83
80
=
=
= =
= =
= =
% 5 , 162
100
130 125
I
I I
x I
125 I x I
100 I 130 I
83
83
83
80
85
83 85
80
85
83
85
80
83
83
83
80
=
=
= =
= =
= =
La remodelacin del ndice lleva a que en muchas ocasiones nos encontremos con dos series
temporales de nmeros ndices, la antigua y la nueva, elaboradas con distinta base y que no cubren
el mismo intervalo temporal.
26
EJEMPLO 9. La siguiente tabla recoge los ndices de precios de Laspeyres con base
1988 y 1992 (adaptado de Novales (1997): 111):
Determine:
a) La serie de ndices enlazados con origen en 1988.
b) La serie de ndices enlazados con origen en 1992.
Ao I1988
t
% I1992
t
%
1988 100
1989 108,3
1990 112,4
1991 122,8
1992 126,9
1993 105,6
1994 108,5
1995 111,7
14
27
10.6. ndice de Precios al Consumo ( 10.6. ndice de Precios al Consumo (I.P.C I.P.C.) .)
ORIGEN Kons (1924): Verdadero ndice del Coste de la Vida.
ELABORACINI.N.E. Se recomienda visitar la web: www.ine.es
Se utiliza para su clculo el ndice de precios de Laspeyres.
PASOS:
- Encuesta de Presupuestos Familiares (E.P.F.)
- Estimacin de bienes y servicios del perodo base.
- Seleccin del conjunto de bienes y servicios que componen la Cesta de Compra.
- Especificacin de los art culos de la Cesta de Compra.
- Seleccin de los municipios y establecimientos de recogida de datos.
- Trabajo de Campo.
- Proceso de datos.
VENTAJAS:
- Clculo mensual.
INCONVENIENTES:
- Slo incluye bienes y servicios de consumo final ignorando los intermedios.
28
OTROS NDICES:
- ndices de Produccin Industrial (IPI), es un ndice de cantidades de Laspeyres.
- ndices de Precios Industriales.
- ndices de Comercio Exterior.
- ndices de Cotizacin de Valores en Bolsa.
LECTURAS: (www.fuentesestadisticas.com/indice_rev.html)
-Gonzlez Veiga, I.y Garca-Almuzara Martn, A., (2001): El nuevo sistema del
ndice de Precios de Consumo. Base 2001, Fuentes Estadsticas, 58.
-Hayes, K., (2001): Los ndices de Precios de Consumo Armonizados se publican
cada mes, Fuentes Estadsticas, 58.
-Mart n Pliego, F.J., (1994): Introduccin a la Estadstica Econmica y Empresarial,
AC, 411-443.
-Novales, A., (1997): Estadstica y Econometra, McGraw-Hill.
-Rodrguez Lpez, A., (2001): Historia de los cambios de base en el ndice de Precios
de Consumo, Fuentes Estadsticas, 58.
-Schfer, G. y Walkner, K., (2001): El ndice de Produccin Industrial, Fuentes
Estadsticas, 58.
10.6. ndice de Precios al Consumo 10.6. ndice de Precios al Consumo ((I.P.C I.P.C.) .)
1
1
Jimnez Toribio
2005 2005--2006 2006
TEMA 11 TEMA 11
CONCEPTO DE PROBABILIDAD
2
11.1. Introduccin. Fenmenos y Experimentos Aleatorios
11.2. Sucesos y Espacio Muestral
11.3. Evoluci n Histrica del Concepto de Probabilidad: Clsica, Frecuentista y Subjetiva
11.4. Probabilidad Axiomtica de Kolmogorov
11.5. Teoremas Derivados de los Axiomas de Probabilidad
11.6. Probabilidad Condicionada. Independencia de sucesos
11.7. Probabilidad Compuesta. Regla de la Multiplicacin
11.8. Teorema de la Probabilidad Total y Teorema de Bayes
11.9. Bibliografa
TEMA 11. CONCEPTO DE PROBABILIDAD TEMA 11. CONCEPTO DE PROBABILIDAD
2
3
La Estadstica es una Ciencia que trata de la coleccin, organizacin y anlisis de datos.
Fenmeno: Cualquier acontecimiento o hecho que se percibe directamente por los sentidos.
Tipos de fenmenos:
Fenmeno Determinstico ==> Aqul cuyo resultado se puede predecir de
antemano o a priori con absoluta certeza, manteniendo las condiciones iniciales.
Ejemplos: resultado de una reaccin qumica, de clavar una aguja en un globo, o de la
ecuacin y = x
2
.
Fenmeno Aleatorio ==> Aqul cuyo resultado no se puede predecir con exactitud,
aunque al repetirlo se produzca bajo las mismas condiciones.
Ejemplos: resultado del lanzamiento de una moneda al aire, de arrojar un dado o de
sacar una carta de una baraja.
La Teor a de la Probabilidad es una parte de la Estadstica que trata de caracterizar los
fenmenos aleatorios.
11.1. Introduccin. Fenmenos y experimentos aleatorios 11.1. Introduccin. Fenmenos y experimentos aleatorios
Experimento
Aleatorio
4
11.2. 11.2. Sucesos y espacio Sucesos y espacio muestral muestral
Espacio Muestral (E): El conjunto de todos los posibles resultados asociados a un
experimento aleatorio. El espacio muestral puede ser finito o infinito.
Ejemplos: - Experimento Aleatorio = Lanzamiento de un dado
# E = finito E = {1, 2, 3, 4, 5, 6}
- Experimento Aleatorio = Lanzamiento de una moneda hasta obtener una
cara
# E = infinito E = {C, XC, XXC, XXXC, ...}
Suceso (A, B, C...): Cada uno de los posibles resultados que pueden obtenerse en un
experimento aleatorio, es decir, cualquier subconjunto del espacio muestral.
Ejemplos: - Experimento Aleatorio = Lanzamiento de un dado
A = Obtener un resultado par = {2, 4, 6}
- Experimento Aleatorio = Lanzamiento de dos monedas
B = Obtener al menos una cara = {CX, XC, CC}
E A
1
3
5
2
4
6
3
5
Tipos de Sucesos:
Suceso simple o elemental ==>El que est formado por un solo elemento de E.
Ejemplo: A = Sacar un 6 en el lanzamiento de un dado = {6}
Suceso compuesto ==> El que est formado por ms de un suceso simple.
Ejemplo: B = Obtener un n mayor o igual que 3 al lanzar un dado = {3, 4, 5, 6}
Suceso imposible, nulo o vaco ==>El que no contiene ningn resultado de E.
Ejemplo: C = Sacar un 7 al lanzar un dado =
Suceso seguro ==> El que est formado por todos los resultados de E.
Ejemplo: D= Obtener un nmero menor o igual que 10 = {1, 2, 3, 4, 5, 6} = E
Experimento
Aleatorio:
Lanzamiento
de un dado
6
Operaciones con sucesos: Sean A y B dos sucesos del espacio muestral E (A,B E)
UNIN DE SUCESOS: A B = {xE xA o xB}
INTERSECCIN DE SUCESOS: A B = {xE xA y xB}
DIFERENCIA DE SUCESOS: A B = {xE xA y xB}
Propiedades de la unin y de la interseccin de sucesos:
2) Asociativa
A ( B C) = (A B) C
A ( B C) = (A B) C
3) Distributiva
A ( B C) = (A B) (A C)
A ( B C) = (A B) (A C)
1) Conmutativa
A B = B A
A B = B A
4
7
SUCESOS INCOMPATIBLES, mutuamente exclusivos o excluyentes: A B =
SUCESOS COMPATIBLES: A B
SUCESO COMPLEMENTARIO de A: A
C
= {xE x A}
E
Relaciones evidentes: Sea A un suceso del espacio muestral E (A E)
1) A A
C
= E
2) A A
C
=
3) (A
C
)
C
= A
4) E
C
=
5)
C
= E
6) A A = A; A A = A
7) A = A
8) A =
9) A E = E
10) A E = A
8
Leyes de Morgan:
i) El suceso complementario de la unin de dos sucesos A y B del mismo espacio
muestral E es igual a la interseccin de los sucesos complementarios de A y de B
(A B)
C
= A
C
B
C
ii) El suceso complementario de la interseccin de dos sucesos A y B del mismo
espacio muestral E es igual a la unin de los sucesos complementarios de A y de B
(A B)
C
= A
C
B
C
Compruebe grficamente
las dos Leyes de Morgan
5
9
Concepto de Probabilidad
Durante la segunda mitad del s. XVII se inician los primeros intentos cientficos de medir la
probabilidad de un suceso con Pascal, Fermat , Bernouilli, etc.
La probabilidad representa la capacidad de ocurrencia de un determinado suceso en un
experimento aleatorio. Implica la posibilidad pero excluye la seguridad. Se puede considerar
como una medida de la incertidumbre con valores comprendidos entre 0 y 1 (0 y 100%).
TRES ENFOQUES PARA ASIGNAR LA PROBABILIDAD A UN SUCESO
1) Enfoque de LAPLACE. Probabilidad CLSICA o a priori:
La primera definicin de probabilidad surge del estudio de los posibles resultados que pueden
producirse en los juegos de azar. Fue dada por Laplace en 1812.
Limitaciones: La definicin clsica de probabilidad de Laplace es vlida en un espacio muestral
finito, con sucesos elementales igualmente probables, y con resultados del experimento aleatorio
conocidos.
A de posibles casos de n
A de favorables casos de n
) A ( P =
11.3. Evoluci 11.3. Evolucin hist n histrica del concepto de probabilidad: cl rica del concepto de probabilidad: clsica, sica, frecuentista frecuentista y y
subjetiva subjetiva
10
2) Enfoque de VON MISES. Probabilidad FRECUENTISTA o a posteriori:
La probabilidad de un suceso A del espacio muestral E es el nmero al que tiende a
estabilizarse la frecuencia de ocurrencia de dicho suceso, cuando el experimento aleatorio
se repite un nmero indefinido de veces bajo las mismas condiciones.
Limitacin: Este enfoque no puede utilizarse en fenmenos no experimentales.
o experiment el repite se que veces de n
A suceso el obtiene se que veces de n
lim
N
n
lim ) A ( P
N
A
N
= =
11.3. Evoluci 11.3. Evolucin hist n histrica del concepto de probabilidad: cl rica del concepto de probabilidad: clsica, sica, frecuentista frecuentista y y
subjetiva subjetiva
3) Enfoque de FINETTI. Probabilidad SUBJETIVA:
La probabilidad de un suceso A ser el valor que una persona o grupo de personas asigna
conforme a los conocimientos que posee del fenmeno, con independencia de que ste
pueda repetirse o no.
6
11
Definicin Axiomtica de Probabilidad:
La probabilidad axiomtica de Kolmogorov (1933) es una funcin P que a cada suceso del
espacio muestral E le asigna un nmero real en el intervalo [0,1] y que cumple los siguientes tres
axiomas:
P: E ----> [0,1]
AXIOMA 1 DE NO NEGATIVIDAD: P(A) 0 A E
AXIOMA 2 DE CERTEZA: P(E) = 1
AXIOMA 3 DE ADITIVIDAD: A B = P(A B) = P(A) + P(B) A, B E
Este axioma se puede generalizar al caso infinito:
A
i
A
j
= P(A
1
A
2
A
3
... A
) = P(A
1
) + P(A
2
) + ... + P(A
) A
i
E
11.4. Probabilidad axiom 11.4. Probabilidad axiomtica de tica de Kolmogorov Kolmogorov
12
Teorema 1: P(A
C
) = 1 P(A) A E
Teorema 2: P() = 0
Teorema 3: A B P(A) P(B) A, BE
Teorema 4: P(A) 1 A E
Teorema 5: Para n sucesos incompatibles dos a dos
A
i
A
j
= P(A
1
A
2
... A
n
) = P(A
1
) + P(A
2
) + ... + P(A
n
) A
i
E
Teorema 6: P(A B) = P(A B
C
) + P(A
C
B) + P(A B) A, BE
Teorema 7: A B P(A B) = P(A) + P(B) P(A B) A, BE
Teorema 8: A, B, CE
P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C)
11.5. Teoremas derivados de los axiomas de probabilidad 11.5. Teoremas derivados de los axiomas de probabilidad
Demuestre los
Teoremas 2, 5 y 8
7
13
Sucesos Dependientes e Independientes:
Dos sucesos son dependientes si la presencia de uno de ellos reduce el espacio muestral. En
caso contrario diremos que son independientes.
11.6. Probabilidad condicionada. Independencia de sucesos 11.6. Probabilidad condicionada. Independencia de sucesos
( )
( )
( )
( ) 0 B P con ,
B P
B A P
B A P
=
Probabilidad condicionada
Si A y B son dos sucesos del mismo espacio muestral E dependientes, la probabilidad de
que suceda A, condicionado a que B se haya producido se define como:
Ejemplo: - Experimento Aleatorio = Lanzamiento de un dado
A
1
= Obtener un 6 P(A
1
) = 1/6
A
2
= Obtener un 6 sabiendo que el resultado es un nmero par
( ) ( )
( )
( )
1/3
3/6
1/6
par P
par A P
par / A P A P
1
= =
= =
1 2
14
Propiedades:
1) P(A
C
/ B) = 1 P(A / B) A, B E
2) P(A
C
B) = P (B) P(A B) A, BE

Consideremos un experimento que consiste en la extraccin de dos cartas sucesivas de
una baraja espaola. Cul es la probabilidad de extraer dos reyes:

a) sin devolver la carta extrada despus de la primera extraccin?
b) devolviendo la carta extrada despus de la primera extraccin?
Ejercicio 1:
8
15
INDEPENDENCIA DE SUCESOS:
A y B son dos sucesos independientes si y slo si P(A B) = P(A) P(B)
Propiedades: Si A y B son sucesos independientes
a) P(A / B) = P(A)
b) P(B / A) = P(B)
c) A
C
y B son independientes
d) A y B
C
son independientes
e) A
C
y B
C
son independientes
Definicin: A, B, C son tres sucesos mutuamente independientes si
P(A B C) = P(A) P(B) P(C) y adems, son independientes dos a dos.
16
Ejercicio 2: Martn Pliego y Ruiz Maya (1999: 30-31)
Un juego que consiste en arrojar una moneda y un dado, ideales, se gana cuando se obtiene la
puntuacin 2 en el dado. Vamos a comprobar que los sucesos en los que estn implicados la
moneda y el dado son independientes, calculando la probabilidad del suceso condicionado
P(obtener un 2 / cara) y la probabilidad P(obtener un 2).
X4
C4
4
X5
C5
5
X6 X3 X2 X1 X
C6 C3 C2 C1 C
6 3 2 1
A
1
= Obtener un 2 P(A
1
) = P(C2) + P(X2) = 2/12 = 1/6
A
2
= Obtener un 2 sabiendo que el resultado es una cara
( ) ( )
( )
( )
1/6
6/12
1/6
cara P
cara A P
cara / A P A P
1
= =
= =
1 2
Solucin:
9
17
REGLA DE LA MULTIPLICACIN (para n sucesos dependientes):
P(A B) = P(A) P(B / A) = P(B) P( A / B)
P(A B C) = P(A) P(B / A) P(C / AB)
...
P(A
1
A
2
... A
n
) = P(A
1
) P(A
2
/ A
1
) P(A
3
/ A
1
A
2
) ... P(A
n
/A
1
A
2
... A
n-1
)
11.7. Probabilidad compuesta. Regla de la multiplicaci 11.7. Probabilidad compuesta. Regla de la multiplicacinn
Ejercicio 3: Novales (1997: 139-140)
Consideremos una urna con 3 bolas blancas, 4 negras y 5 rojas. Si extraemos cuatro bolas, sin
reemplazarlas a la urna una vez extradas, cul es la probabilidad de obtener una secuencia:
roja, blanca, negra, roja?
P(RBNR) = P(R B N R) = P(R) P(B / R) P(N / RB) P(R / RBN) =
= (5/12) (3/11) (4/10) (4/9) = 0.02
Solucin:
18
11.8. Teorema de la Probabilidad Total y Teorema de 11.8. Teorema de la Probabilidad Total y Teorema de Bayes Bayes
( ) ( ) ( )
=
=
n
1 i
i i
A P A B P B P
( )
( ) ( )
( ) ( )
=
n
1 i
i i
i i
i
A P A B P
A P A B P
B A P
Demuestre
el Teorema
de Bayes
Hiptesis: Dados un conjunto de sucesos A
1
, A
2
, ... , A
n
que forman una particin finita de E,
o sea, que
i) la unin de todos ellos es igual al espacio muestral (A
i
= E); y
ii) son incompatibles dos a dos (A
i
A
j
= i j)
Si B es un suceso cualquiera de E y se suponen conocidas las probabilidades P(B/A
i
) i,
Teorema de la Probabilidad Total
Teorema de Bayes
10
19
11.8. Teorema de la Probabilidad Total y Teorema de 11.8. Teorema de la Probabilidad Total y Teorema de Bayes Bayes
Ejercicio 4:
Supongamos un bloque de tres pisos de forma que es equiprobable estar en cualquiera de
ellos. En el primer piso hay 3 nios, 2 mujeres y 1 hombre. En el segundo piso hay 5
mujeres, 2 nios y 2 hombres. En el tercer piso hay 3 hombres, 1 mujer y 4 nios.
a) Cul es la probabilidad de que salga un nio del bloque de pisos?
b) Dado que ha salido un nio, cul es la probabilidad de que sea del 2 piso?
20
11.9. Bibliografa 11.9. Bibliografa
- CASAS SNCHEZ, J.M., GARCA PREZ, C., RIVERA GALICIA, L.F. y ZAMORA
SANZ, A.I., (1998): Problemas de Estadstica. Descriptiva, Probabilidad e Inferencia,
Madrid, Ed. Pirmide.
- MARTN PLIEGO, F.J. y RUIZ-MAYA PREZ, L., (1999): Fundamentos de
Probabilidad, Madrid, Ed. AC.
- NOVALES, A., (1997): Estadstica y Econometra, Madrid, Ed. Mc GrawHill.
1
1
2005 2005--2006 2006
TEMA 12 TEMA 12
VARIABLES ALEATORIAS
Jimnez Toribio
2
12.1. Concepto de Variable Aleatoria
12.2. Variables Aleatorias Discretas y Continuas
12.3. Funcin de Probabilidad y Funcin de Densidad
12.4. Descripcin de una Variable Aleatoria: Distribucin de Probabilidad y Funcin
de Distribucin
12.5. Propiedades de la Funcin de Distribucin
12.6. Esperanza Matemtica. Varianza. Propiedades
12.7. Momentos de una Distribucin de Probabilidad
12.8. Medidas de Posicin y Dispersin
12.9. Medidas de Forma
12.10. Teorema de Markov. Desigualdad de Tchebychev
12.11. Funcin Generatriz de Momentos
12.12. Transformacin Lineal de Variables Unidimensionales
TEMA 12. VARIABLES ALEATORIAS TEMA 12. VARIABLES ALEATORIAS
2
3
HECHO En la mayora de las ocasiones, los experimentos que son objeto de estudio
estadstico proporcionan resultados numricos. Hay una fcil asociacin entre sucesos y
nmeros reales. Ej.: IPC o Nmero de piezas defectuosas producida por una mquina.
PROBLEMA No siempre la asociacin entre sucesos y nmeros reales es tan obvia o
conveniente en el caso en que pudiera parecer obvia.
- Color preferido de los consumidores de cepillos de dientes Jordan.
- Resultado obtenido al lanzar una moneda de un euro.
- Resultado de la extraccin al azar de una carta de una baraja espaola.
Variable Aleatoria (DEFINICIN) Una Variable Aleatoria X es una funcin
definida sobre el espacio muestral E que asigna a cada suceso elemental A un nico nmero
real X(A) . (es decir, X: E tal que AE X(A) )
- Resultado obtenido al lanzar una moneda de un euro: Cara 0, Cruz 1.
SOLUCIN Poner etiquetas numricas a los distintos sucesos bajo los que pueden
presentarse los resultados de un experimento aleatorio.
12.1. Concepto de Variable Aleatoria 12.1. Concepto de Variable Aleatoria
4
Los fenmenos pueden ser de naturaleza:
- Discreta Cuando producen un nmero finito o infinito numerable de resultados
(sucesos). Sus resultados se pueden hacer corresponder con el conjunto de los
nmeros naturales (N) o enteros (Z). Ej.: Nmero de piezas defectuosas producidas.
- Continua Cuando produce un nmero infinito no numerable de resultados
(sucesos). Sus resultados se pueden hacer corresponder con el conjunto de l os
nmeros reales (). Ej.: Altura o peso.
La naturaleza de un fenmeno se ve influida por:
- El modo en que se mide el resultado de un fenmeno. Ej.: Nmero de decimales
considerados en el cmputo del IPC.
- El tipo de preguntas que interesan al investigador. Ej.: Valor numrico de la renta de
la poblacin o clasificacin de los individuos segn renta baja, media y alta.
Variable Aleatoria (TIPOLOGA):
- Discreta Variables aleatorias que corresponden a fenmenos de naturaleza
discreta. Entre dos valores prximos hay a lo sumo un nmero finito de valores.
- Continua Variables aleatorias que corresponden a fenmenos de naturaleza
continua. Entre dos valores prximos hay un nmero infinito de valores.
12.2. Variables Aleatorias Discretas y Continuas 12.2. Variables Aleatorias Discretas y Continuas
3
5
Funcin de Probabilidad Discreta (DEFINICIN) Tambin denominada Funcin
de Cuanta.
Sea X una variable aleatoria discreta. Una Funcin de Probabilidad Discreta es una
funcin P que toma valores en el intervalo [0,1] y que satisface las siguientes dos
condiciones:
i) ii) X x 0 P(x)
1 P(x)
X x
=
Funcin de Probabilidad Continua (DEFINICIN) Tambin denominada Funcin

de Densidad.
Sea X una variable aleatoria continua. Una Funcin de Probabilidad Continua es una
funcin , definida sobre el conjunto de los nmeros reales (x) y que satisface las
siguientes dos condiciones:
i) ii) X x 0 (x) 1 dx (x) =
+

OJO! La funcin de densidad no es la probabilidad del valor x de la
variable aleatoria X. La probabilidad de un suceso elemental en un
fenmeno de naturaleza continua es 0.
12.3. Funcin de Probabilidad y Funcin de Densidad 12.3. Funcin de Probabilidad y Funcin de Densidad
( ) dx (x) b X a p
b
a
=
Observacin:
6
EJEMPLO 1 En un dado trucado, la variable aleatoria puntuacin tiene la siguiente
distribucin de probabilidad (adaptado de Mart n Pliego y Ruiz-Maya Prez (1998): 47):
Determine: a) Si P
X
(x) es funcin de probabilidad.
b) La probabilidad de que el resultado de lanzar el dado sea inferior a 3.
x i 1 2 3 4 5 6
P( xi ) 0, 10 0, 40 0, 10 0, 20 0, 05 0 , 1 5
EJEMPLO 2 Sea la funcin (adaptado de Mart n Pliego y Ruiz-Maya Prez (1998):
49):
Determine: a) Si (x) es funcin de densidad.
b) La probabilidad de que x 0,7 y de que x < 0,7 .
EJEMPLOS EJEMPLOS
( ) [ ] 0,1 x para x 2 2 x =
4
7
Distribuci n de Probabilidad (DEFINICIN):
- Discreta Es el conjunto de los valores asociados a la variable aleatoria discreta
junto con las probabilidades asociadas a cada uno de ellos (valores + f. de cuanta).
Caso particular: Distribucin degenerada
- Continua Es el soporte o rango de valores de la variable aleatoria contin ua junto
con su funcin de densidad, la cual es no negativa y estrictamente positiva en todos
los puntos del soporte (valores + f. de densidad).
Funcin de Distribuci n (DEFINICIN): Sea la variable aleatoria X. Se denota
Funcin de Distribucin a la probabilidad del suceso compuesto {X(-, x]}.
- Discreta: Continua:
( ) ( ) ( )
= =
x X
x P x X P x F
( ) ( ) ( )

= =
x
dx x x X P x F
EJEMPLO 3 Obtener y representar la Funcin de Distribucin en los Ejemplos 1 y 2 .
12.4. Distribucin de Probabilidad y Funcin de Distribucin 12.4. Distribucin de Probabilidad y Funcin de Distribucin
8
Funcin de Distribucin (PROPIEDADES):
12.5. Propiedades de la Funcin de Distribucin 12.5. Propiedades de la Funcin de Distribucin
( ) 1. x F lim 1)
x
=
+
( ) 0. x F lim ) 2
x
=

( ) ( ) x F 1 x X P 3) = >
y en continua tambin
( ) ( ). x F 1 x X P =
( ) ( ) ( ) a F b F b X a P 4) = < y en continua tambin
( ) ( ) ( ) a F b F b X a P = < <
( ) ( ) ( ) a F b F b X a P = <
( ) ( ) ( ) a F b F b X a P =
( ) x F 7) es continua por la derecha.
( )
( )
x d
x F d
x 5) =
si X es continua.
es decir, F es montona no decreciente. ( ) ( ) y F x F y x si 6) <
5
9
EJEMPLOS EJEMPLOS
EJEMPLO 4 Utilizando la Funcin de Distribucin de la Funcin de Probabilidad
discreta del Ejemplo 1 obtenida en el Ejemplo 3 (adaptado de Mart n Pliego y Ruiz-Maya
Prez (1998): 47).
Determine: a) P(3 < X 4).
b) P( X > 3).
c) P( X > 7).
d) P( X < 0).
e) P( X = 5).
f) P( X 3,5).
EJEMPLO 5 Utilizando la Funcin de Distribucin de la Funcin de Densidad del
Ejemplo 2 obtenida en el Ejemplo 3 (adaptado de Mart n Pliego y Ruiz-Maya Prez (1998):
49):
Determine: a) P(3 < X 4).
b) P(X > 3).
c) La Funcin de Densidad de la variable X.
d) P( X > 0,5).
e) P( X = 0,5).
10
Esperanza Matemtica (DEFINICIN): Tambin denominada Valor Esperado de la
variable. Es el promedio de los valores posibles de la variable X, cada uno de ellos
ponderados con su probabilidad. Se denota por o E[X].
- Distribuci n Discreta
- Distribucin Continua
[ ] ( )
= =
X x
x P x X E
[ ] ( )dx x x X E

+

= =
Varianza (DEFINICIN): Denotada por Var(X), V(X),
2
o
2
, se define como:
- Distribuci n Discreta
- Distribucin Continua
[ ] ( )
= = =
X x
2 2 2
x P ) (x ) (X E s
2
[ ] ( ) ( ) dx x x ) (X E s
2 2 2
2
+

= = =
No
es la Media
Aritmtica
Ejercicios 1 y
2 d) (rel. 9)
12.6. Esperanza Matemtica. Varianza. Propiedades 12.6. Esperanza Matemtica. Varianza. Propiedades
6
11
12.6. Esperanza Matemtica. Varianza. Propiedades 12.6. Esperanza Matemtica. Varianza. Propiedades
Esperanza Matemtica (PROPIEDADES):
( ) X x 0 x
( ) [ ] ( ) ( ) x P x g x g E -
x
=

si X es discreta y ( ) [ ] ( ) ( )dx x x g x g E

+

= si X es continua
( ) ( ) . a X E a X a E - =
( ) ( ) . b b X E b X E - + = +
( ) ( ) ( ). Y E X E Y X E - + = +
( ) ( ) ( ) Y E X E Y X E - = si X e Y son variables aleatorias independientes
( ) ( ) . b a, b X E a b X a E - + = +
Varianza (PROPIEDADES):
( ) . a 0 a V - =
( ) ( ) . a X V a X a V -
2
=
( ) ( ) . b X V b X V - = +
( ) x. 0 X V -
( ) ( ) . b a, X V a b X a V -
2
= +
( ) ( )
2 2
X E X V - =
Igualdad de Knig
Demuestre los
cambios de
origen y de escala
para E[X] y V(X)
Ejercicios 1 y
2 e) (rel. 10)
Demuestre
la igualdad
de Knig
( ) . a a a E - =
12
12.7. Momentos de una Distribucin de Probabilidad 12.7. Momentos de una Distribucin de Probabilidad
Momentos de una Distribucin (DEFINICIN): Son indicadores numricos que
resumen las principales caractersticas de una distribucin.
- Respecto al Origen (de orden r) Denotados por a
r
:
- Respecto a la E[X] (de orden r) Denotados por
r
:
[ ] ( )
= =
X x
x P x X E
r r
r
a [ ] ( ) dx x x X E

+

= =
r r
r
a
Variable
discreta:
Variable
continua:
( ) [ ] ( ) ( )
= =
X x
r r
x P x X E
r ( ) [ ] ( ) ( ) dx x - x X E

+

= =
r r
r

Momentos de una Distribucin (PROPIEDADES): Cuando existen, se verifica que:
0 c)
1
=
2
2
s d) = [ ] X E b)
1
= = a 1 a)
0
= a
f) Todos los momentos con respecto a la E[x] pueden ponerse en funcin de los
momentos con respecto al origen:
[ ] . 0 X E Si e)
r r
a = =
Variable
discreta:
Variable
continua:
Determine
2
y
3
en
funcin de los momentos
con respecto al origen
Ejercicios 1 y
2 f) (rel. 10)
( )
h r
h
r
0 h
h
r
a
h
r
1

=

7
13
12.8. Medidas de Posicin y Dispersin 12.8. Medidas de Posicin y Dispersin
MEDIDAS DE POSICIN CENTRAL
- Media: = E[X]
- Mediana: m
-Moda: Valor que ms veces se repite. Coincide con el valor ms probable en
variables discretas y con el mximo de la funcin de densidad en variables continuas.
La moda puede no existir e incluso no ser nica.
( ) ( ) ( ) 0,5 X P y 0,5 X P F = m m m
Variable discreta: Variable continua:
( ) ( ) ( ) 0,5 X P o 0,5 X P F = = = m m m
MEDIDAS DE POSICIN NO CENTRAL
- Cuartiles: Son 3 nmeros reales, i =1, 2, 3, tales que:
( ) ( )
4
i
1 c X P y
4
i
c X P
i i

( ) ( )
4
i
1 c X P o
4
i
c X P
i i
= =
14
MEDIDAS DE POSICIN NO CENTRAL (Contina)
- Deciles: Son 9 nmeros reales, i =1, 2, ..., 9, tales que:
( ) ( )
10
i
1 d X P y
10
i
d X P
i i

( ) ( )
10
i
1 d X P o
10
i
d X P
i i
= =
- Percentiles: Son 99 nmeros reales, i =1, 2, ..., 99, tales que:
( ) ( )
100
i
1 p X P y
100
i
p X P
i i

( ) ( )
100
i
1 p X P o
100
i
p X P
i i
= =
MEDIDAS DE DISPERSIN
- Varianza: V(X)
La variable Z cumple que:
1 V(Z) y 0 E[Z] = =
Ejercicios 1 y
2 g) (rel. 10)
12.8. Medidas de Posicin y Dispersin 12.8. Medidas de Posicin y Dispersin
- Desviaci n T pica: V(X) s + =
- Coeficiente de Variaci n:
s
CV
X
=
TIPIFICACIN:
s
- X
Z =
8
15
12.9. Medidas de Forma 12.9. Medidas de Forma
COEFICIENTE DE ASIMETRA:
3
3
s
AS(X) =
COEFICIENTE DE CURTOSIS:
> 0 Distribucin Asimetra Positiva o a la Derecha.
= 0 Distribucin Simtrica.
< 0 Distribucin Asimetra Negativa o a la Izquierda.
3
s
K(X)
4
4
=
> 0 Distribucin Leptocrtica (por encima de la curva normal).
= 0 Distribucin Mesocrtica o Normal.
< 0 Distribucin Platicrtica (por debajo de la curva normal).
Ejercicio 3
(relacin 10)
16
12.10. Teorema de 12.10. Teorema de Markov Markov. Desigualdad de . Desigualdad de Tchebychev Tchebychev
Teorema de Markov Sea X una variable aleatoria y g(x) una funcin no negativa de
X (g(x) 0, x). Dada una constante positiva (>0), se tiene:
( ) [ ]
( ) [ ]
e
x g E
e x g P
Desigualdad de Tchebychev (Consecuencia del Teorema de Markov) Sea X una
variable aleatoria con varianza finita. Dada una constante posit iva (>0), se tiene que:
( )
( )
2
e
X V
e X P ( ) ( )
( )
2
e
X V
1 e X e P e X P + < < = <
( ) ( )
2
1
1 s X s P s - X P
k
k k k + < < = <
UTILIDAD Permite calcular cotas inferiores y superiores de probabilidad sin conocer
la familia de distribuciones a la que pertenece la variable aleatoria X.
Demuestre la
desigualdad de
Tchebychev
Si es un mltiplo de la desviacin t pica de X ( = k ), se tiene que:
Ejercicios 11 y 12
(relacin 10)
( )
2
k
1
k X P
9
17
12.11. Funcin Generatriz de Momentos 12.11. Funcin Generatriz de Momentos
Funcin Generatriz de Momentos (DEFINICIN) Sea X una variable aleatoria. Si
la Esperanza matemtica de la funcin e
tX
existe para valores del parmetro t en el
intervalo: h<t<h, siendo h un nmero real (h), entonces denominamos a M(t) funcin
generatriz de momentos de la variable aleatoria X, para todos los valores de t para los que
dicha esperanza existe:
UTILIDAD Permite calcular momentos con respecto al origen para funciones de
probabilidad discretas y continuas utilizando derivadas de orden r:
Variable
discreta:
Variable
continua:
( ) ( ) ( )
= =
X x
x X
x P E M
t t
e e t ( ) ( ) dx (x) E M
x X
+

= =
t t
e e t
( ) ( )
=
X x
x P x 0 M
r ) r (
( ) ( ) dx x x 0 M

+

=
r ) r (
Variable
discreta:
Variable
continua:
Ejercicio 14
(relacin 10)
( )
( ) ( )
2
] 0 [M 0 M Var(X)
0 M E[X]
' ' '
'
=
=
Ejemplo
18
Transformacin lineal de una variable aleatoria (cambio de origen y de escala) Sea
X una variable aleatoria, y sean a 0 y b constantes. Definamos la variable aleatoria Y= aX
+ b, entonces:
a) Si X es una variable discreta,

=
a
b - y
P (y) P
X Y
=
a
b
f
a
f
- y 1
(y)
X Y
Transformacin lineal de dos variables aleatorias Sean X e Y dos variables
aleatorias independientes. Consideremos la variable suma Z = X+Y, entonces:
a) Si X e Y son variables discretas,

=
x
x z x z ) - ( P ) ( P ) ( P
Y X Z

= x x z f x f z f )d - ( ) ( ) (
Y X Z
b) Si X es una variable continua,
b) Si X e Y son variables continuas,
Ejercicios 1 y 2 h)
(relacin 10)
Ejercicios 1 y 2 i)
(relacin 10)
12.12. Transformacin lineal de variables unidimensionales 12.12. Transformacin lineal de variables unidimensionales
1
1
2005 2005- -2006 2006
TEMA 13 TEMA 13
MODELOS DE PROBABILIDAD DISCRETOS MODELOS DE PROBABILIDAD DISCRETOS
Jimnez Toribio
2
13.1. Distribucin Bernouilli
13.2. Distribucin Binomial
13.3. Distribucin Hipergeomtrica
13.4. Distribucin Geomtrica
13.5. Distribucin Binomial Negativa
13.6. Distribucin de Poisson
TEMA 13. MODELOS DE PROBABILIDAD DISCRETOS TEMA 13. MODELOS DE PROBABILIDAD DISCRETOS
2
3
Se aplica a experimentos aleatorios donde existen dos posibles resultados, que denominaremos como xito o
fracaso.
Funcin de Probabilidad Discreta o de Cuanta Sea X una variable aleatoria que toma el valor 0,
cuando se produce un fracaso y 1, cuando se produce un xito. Diremos que X tiene una distribucin de
Bernoulli con parmetro p, Be(p) 0p1, siendo p, la probabilidad de que se produzca el xito: P(X=1) =
p y q=1-p, la probabilidad de que se produzca el fracaso: P(X=0) = 1-p si:
x - 1 x
p) - (1 p p(x) x] P[X = = =
Aplicacin Procesos dicotmicos donde slo existen dos sucesos posibles y, por consiguiente
complementarios.
Momentos Bsicos:
- Esperanza Matemtica:
- Varianza:
Ejemplo Variable aleatoria que representa que una pieza sea defectuosa o no.
Funcin Generatriz de Momentos:
X= n de xitos obtenidos
p p 1 q 0 ) x ( p x E[X]
1
0 x
= + = =
=
( ) ( ) ( ) q p p p 1 q 0 p x p x ] X [ E ] X [ E X V
2 2 2 2
1
0 x
2 2 2
= + = = =

=
( ) ( ) p 1 e p t M
t
x
+ =
13.1. Distribucin 13.1. Distribucin Bernouilli Bernouilli
4
Funcin de Probabilidad Discreta o de Cuanta Sea X una variable aleatoria que representa el
nmero de xitos que se obtienen al repetir n veces la prueba de Bernouilli de forma independiente (x = 0,
1, , n). La Funcin de Cuanta de la distribucin de Binomial con parmetros n y p, B(n,p), viene
dada por:
Aplicacin Describe situaciones que se pueden presentar si un mismo suceso dicotmico se observa o se
repite n veces y si los posibles resultados de cada observacin o repeticin son independientes los unos de los
otros.
Momentos Bsicos: - Esperanza Matemtica:
p n ] E[X ] E[X ] E[X E[X]
n 2 1
= + + + = L
- Varianza:
( ) ( ) ( ) ( ) q p n X V X V X V X V
n 2 1
= + + + = L
Ejemplo Variable que representa el nmero de piezas no defectuosas del total de piezas fabricadas en un
proceso productivo.
Propiedades:
1) B(1, p) = Be(p)
2) Aditiva o Reproductiva:
( )
( ) ( ) p ; n n B Y X
indep. Y , X
p ; n B Y
p ; n B X
2 1 2
1
+ +
3) Convergencia:
( ) ( ) p n P p ; n B
1 , 0 p
30 n
=

>
x - n x
q p
x
n
p(x) x] P[X
|
|
.
|
\
|
= = =
( ) ( ) | |
n
t
x
p 1 e p t M + =
Indique las
propiedades
aplicadas
13.2. Distribucin 13.2. Distribucin Binomial Binomial
3
5
EJEMPLO 13.2 La probabilidad de que un alumno que empieza sus estudios acabe su
carrera es del 70%, si se extrae una muestra aleatoria de 10 alumnos.
a) Cul es la probabilidad de que no acaben al menos dos de ellos?
b) Cul es el nmero esperado de alumnos que no acaben?
EJEMPLO 13.1 La probabilidad de que un individuo se contagie de gripe es 0,3.
Hallar la media y varianza de esta variable as como la probabilidad de que no padezca esta
enfermedad.
EJEMPLO EJEMPLO
6
13.3. Distribucin 13.3. Distribucin Hipergeomtrica Hipergeomtrica
Funcin de Probabilidad Discreta o de Cuanta Sea X una variable aleatoria que representa el
nmero de xitos obtenidos al repetir n veces la prueba de Bernoulli de forma dependiente y con valores
discretos x tales que x = 0, 1, .., mn (N
1
,n) y 0n-xN
2
. Entonces, la Funcin de Cuanta de la
distribucin Hipergeomtrica, H(N, N
1,
,n), viene dada por:
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = =
n
N
x n
N
x
N
p(x) x] P[X
2 1
Aplicacin Describe situaciones que se pueden presentar si un mismo suceso dicotmico se observa
o se repite n veces y si los posibles resultados de cada observacin o repeticin son dependientes los
unos de los otros (no existe reemplazamiento).
Momentos Bsicos:
N
N
n E[X]
1
=
- Varianza: ( )
1 N
n N
N
N
N
N
n X V
2 1
=
Ejemplo Si tenemos una saca con bolas blancas y rojas, nuestra variable representara el nmero de
bolas blancas que resultaran al extraer de la saca una muestra de n bolas.
Propiedades:
- Convergencia:
( ) |
.
|
\
|

<
N
N
n, B n , N N, H
1
0,1 N n
50 N
1
N = N
1
+ N
2
: tamao de la poblacin
N
1
: xitos
N
2
: fracasos
n: tamao de la muestra ( N)
P(E) = N
1
/N
P(F) = N
2
/N
4
7
EJEMPLO 13.3 Hallar la probabilidad de obtener exactamente 3 caras en 5 tiradas
de una moneda.
EJEMPLO EJEMPLO
EJEMPLO 13.4 Supngase que se tienen 50 representantes de cierto estado, para una
convencin poltica nacional, de los cuales 30 apoyan al candidato A y 20 al candidato B. Si
se selecciona aleatoriamente a 5 representantes.
a) Cul es la probabilidad de que entre los 5, por lo menos 2 apoyen al candidato A?
b) Hallar el nmero esperado de representantes que apoyan al candidato A.
c) Hallar el nmero esperado de representantes que apoyan al candidato B.
8
Funcin de Probabilidad Discreta o de Cuanta Sea X una variable aleatoria definida
como el nmero de realizaciones o repeticiones (independientes) en un experimento Bernouilli
hasta conseguir el primer xito y que toma los valores discretos superiores o iguales a 1 (x 1). La
Funcin de Cuanta de la distribucin de Geomtrica, Ge(p) 0<p<1 (p es la probabilidad obtener
xito) viene dada por:
Aplicacin Nmero de repeticiones de un experimento de Bernouilli para obtener un xito.
Momentos Bsicos:
- Varianza:
Ejemplo Variable que representa el nmero de piezas producidas en un proceso productivo
para obtener una defectuosa.
Funcin Generatriz de Momentos
13.4. Distribucin Geomtrica 13.4. Distribucin Geomtrica
( ) p p 1 p(x) x] P[X
1 - x
= = =
p
1
E[X] =
( )
2
p
p 1
X V

=
Determine E[X] y
V(X) usando M
x
(t)
( )
( )
( ) p - 1 -ln t para
e p 1 1
e p
t M
t
t
x
<

=
5
9
Funcin de Probabilidad Discreta o de Cuanta Sea X una variable aleatoria definida como el
nmero de repeticiones independientes en un experimento Bernouilli hasta la obtencin de r xitos y que
toma los valores discretos superiores a r (x = r, r+1, ). La Funcin de Cuanta de la distribucin de
Binomial Negativa, BN(r,p), con p la probabilidad de obtener xito, viene dada por:
Aplicacin Nmero de repeticiones independientes de un experimento de Bernouilli para obtener r
xitos.
Momentos Bsicos:
- Varianza:
Ejemplo Variable que representa el nmero de piezas producidas en un proceso productivo para
obtener r piezas defectuosa.
Funcin Generatriz
de Momentos
13.5. Distribucin 13.5. Distribucin Binomial Binomial Negativa Negativa
r - x r
q p
1 r
1 x
) x ( p x] P[X
|
|
.
|
\
|
= = =
p
r
E[X] =
( )
( )
2
p
p 1 r
X V

=
( )
( )
( ) | |
r
t
r
t
x
e p 1 1
e p
t M

=
Determine
E[X] y V(X)
usando M
x
(t)
Propiedades:
1) BN(1, p) = Ge(p)
2) Aditiva o Reproductiva:
( )
( ) ( ) p , r r BN Y X
indep. Y X,
p , r BN Y
p , r BN X
2 1 2
1
+ +
10
EJEMPLO 13.5 Trfico pretende modificar la normativa de circulacin de tal modo
que un conductor pierda su permiso de conducir si recibe tres multas por exceso de
velocidad. Cada vez que un conductor coge su coche, tiene una probabilidad de 0,001 de ser
sancionado por exceso de velocidad.
a) Calcule la probabilidad de que un conductor reciba su primera multa por exceso de
velocidad la decimoquinta vez que coja su coche tras la aplicacin de la nueva
normativa.
b) Cul es el nmero esperado de veces que coger el coche hasta que reciba la primera
multa por exceso de velocidad?
c) Cul es la probabilidad de que un conductor coja su coche al menos tres veces hasta
que reciba la primera multa? Y la de que lo coja al menos 3 veces antes de recibir su
primera multa?
d) Cul es la probabilidad de que un conductor pierda su permiso de conducir la novena
vez que coge el coche?
e) Determine el nmero esperado de veces que coger el coche un conductor hasta que le
sea retirado el permiso de conducir y la desviacin tpica.
EJEMPLO EJEMPLO
6
11
Funcin de Probabilidad Discreta o de Cuanta Sea X una variable aleatoria definida
como el nmero de ocurrencias (independientes) de un fenmeno en un periodo de tiempo fijo,
que toma los valores discretos superiores o iguales a 0 (x 0). La Funcin de Cuanta de la
distribucin de Poisson, P(), viene dada por:
Aplicacin Se ajusta a fenmenos repetitivos que no se dan con frecuencia. Es comnmente
utilizada para catstrofes y la modelizacin de colas.
Momentos Bsicos:
- Varianza:
Ejemplo Nmero de individuos que se encuentran en la cola de la caja de una superficie
comercial.
Propiedad Reproductiva
13.6. Distribucin 13.6. Distribucin Poisson Poisson
0 donde ,
x!
e
) x ( p x] P[X
x -
>
= = =
( )
( ) ( )
2 1 2
1
P
. indep Y , X
P Y
P X
+ =
Determine
E[X] y V(X)
usando M
x
(t)
E[X] =
( ) X V =
( )
( ) 1 e
x
t
e t M

=
12
EJEMPLO 13.6 El nmero medio de automviles que llegan a una estacin de
suministro de combustible es de 210 automviles por hora. Si dicha estacin puede atender
un mximo de 10 automviles por minuto, determine la probabilidad de que en un minuto
dado lleguen a la estacin ms automviles de los que se pueden atender.
EJEMPLO 13.7 Una compaa de seguros con 10000 asegurados, ha estimado que el
0,005% de la poblacin fallece cada ao de un cierto tipo de accidente. Se pide:
a) La probabilidad de que la compaa tenga que pagar a los beneficiarios de ms de tres
asegurados contra tal accidente en un ao determinado.
b) Cul es el nmero de accidentes esperados al ao?
EJEMPLO EJEMPLO
1
1
2005 2005- -06 06
TEMA 14 TEMA 14
MODELOS DE PROBABILIDAD CONTINUOS
Jimnez Toribio
2
14.1. Distribucin Uniforme
14.2. Distribucin Exponencial
14.3. Distribucin Gamma
14.4. Distribucin Normal
TEMA 14. MODELOS DE PROBABILIDAD CONTINUOS TEMA 14. MODELOS DE PROBABILIDAD CONTINUOS
2
3
14.1. Distribucin Uniforme 14.1. Distribucin Uniforme
Funcin de Densidad o de Probabilidad Continua Sea X variable aleatoria continua
X que toma valores comprendidos en el intervalo cerrado [a,b]. Diremos que X sigue una
distribucin uniforme si su funcin de densidad es constante y viene dada por:
( )
a b
1
x
=
Momentos Bsicos
2
b a
E[X]
+
=
- Varianza:
( )
( )
12
a b
X V
2
=
Funcin de Distribucin:
( )
a b
a x
x F
=
Determine la
E[X] y V(X)
con f(x)
b x a
X ~ U(a,b)
a b x
f(x)
1/(b-a)
b x a
Aplicacin Cuando la masa de probabilidad de la v.a. X se encuentra uniformemente
repartida a lo largo de su soporte.
4
EJEMPLO EJEMPLO
EJEMPLO 14.1 Sea X una variable aleatoria con distribucin uniforme sobre el
intervalo [a,b]. Si E[X]=10 y V(X)=12, determine los valores de los parmetros a y b de
la distribucin.
X ~ U(a,b)
3
5
14.2. Distribucin Exponencial 14.2. Distribucin Exponencial
Funcin de Densidad o de Probabilidad Continua Sea X una variable aleatoria
continua que toma valores mayores que 0. Diremos que X sigue una distribucin
exponencial de parmetro 0 [Exp()], si su funcin de densidad viene dada por:
( )
x
e x

=
Aplicacin Cuando la v.a. X representa el tiempo que transcurre hasta la primera
ocurrencia de un proceso de Poisson P().
Momentos Bsicos
1
E[X] = =
- Varianza:
( )
2
2

1
X V = =
Ejemplo Tiempo que transcurre hasta que entra un individuo en un pequeo comercio.
Funcin de Distribucin:
( ) 0 x para e 1 x F
x
> =

( ) t para
t
1
1
t M
x
<
=
Determine
E[X] y V(X)
usando M
x
(t)
X ~ Exp(=1/)
0 x >
6
EJEMPLO EJEMPLO
EJEMPLO 14.2 El tiempo de atencin al cliente en un servicio de informacin de
una biblioteca sigue una distribucin exponencial, con un tiempo de servicio medio de 5
minutos. Cul es la probabilidad de que una consulta de un cliente dure ms de 10
minutos?
X ~ Exp(=1/)
4
7
14.3. Distribucin Gamma 14.3. Distribucin Gamma
Funcin de Densidad o de Probabilidad Continua Sea X una variable aleatoria que
toma valores mayores que 0. Diremos que X sigue una distribucin Gamma [Ga(a, = 1/)]
si su funcin de densidad viene dada por:
( )
( )
x 1 a
a
e x
a
x

=
Aplicacin Cuando la v.a. X representa el tiempo transcurrido hasta a ocurrencias de
un proceso de Poisson P().
Momentos Bsicos
a
E[X] =
- Varianza:
( )
2
a
X V =
Ejemplo Tiempo que transcurre hasta que entran dos clientes en un pequeo comercio.
( )
( )
t para
t
1
1
t M
a x
<
=
Determine
E[X] y V(X)
con M
x
(t)
X ~ Ga(a, =1/)
0 x >
8
14.3. Distribucin Gamma 14.3. Distribucin Gamma
( ) ( ) ( )
( ) ( )! 1 a a : a Si
1 - a 1 a a
2
1
=
=
= |
.
|
\
|
+
X ~ Ga(a, =1/)
(a)= x
a-1
e
x
dx
0
Propiedades
1) Reproductiva:
( )
( )
( ) , a a Ga
indep. , a Ga
, a Ga
2 1
2
1
+
)
`
3) Convergencia:
( ) |
.
|
\
|
= =

2
2 10 a
a
,
a
N a, Ga
4) Relacin con la Poisson:
( ) ( ) ( ) ( ) x P Y donde 1 a Y P x X P , a, Ga X Si = 2) Si a=1: Ga(1, ) = Exp()
Funcin
Gamma
5
9
EJEMPLO EJEMPLO
EJEMPLO 14.3 Los clientes entran en una tienda de discos aproximadamente con un
proceso de Poisson, con un nmero medio de 20 clientes/ hora.
a) Cul es la probabilidad de que el dueo de la tienda tenga que esperar ms de 5
minutos a que entre el primer cliente?
b) Cul es el tiempo medio que transcurre hasta la llegada del primer cliente?
c) Cul es la probabilidad de que tenga que esperar ms de 5 minutos a que entren los
dos primeros clientes?
X ~ Ga(a, =1/)
10
14.4. Distribucin Normal 14.4. Distribucin Normal
Funcin de Probabilidad Continua o de Densidad Sea X una variable aleatoria
continua que toma valores en el intervalo (-, +). Diremos que X sigue una distribucin
Normal [N(,
2
)] si su funcin de densidad es campaniforme, simtrica, centrada en , con
puntos de inflexin en y viene dada por:
( )
=
|
.
|
\
|

x e
2
1
x
2
x
2
1
Aplicacin Cuando la masa de probabilidad de la v.a. X se encuentra concentrada en
torno a su valor medio .
Momentos Bsicos
E[X] =
- Varianza:
( )
2
X V =
( )
( ) t t
2
1
x
2
e t M
+
=
X ~ N(,
2
)
Determine
E[X] y V(X)
con M
x
(t)
6
11
14.4. Distribucin Normal 14.4. Distribucin Normal
Propiedades:
( )
( )
( )
2
2
2
1
2
2 1
2
2 2
2
1 1
, N
indep. , N
, N
+ = + =
3) Convergencias:
( ) ( ) , N P
2 20
= =
>
Aplicar la correccin de
medio punto de Yates en
ambas convergencias
X ~ N(,
2
)
( ) ( ) q p n p, n N p n, B
2 0,1 p
30 n
= =
>
>
1) La distribucin N(=0,
2
=1) viene tabulada
2) Reproductiva:
12
EJEMPLO EJEMPLO
EJEMPLO 14.4 La altura de unos individuos en edad militar de un determinado pas
sigue una distribucin normal con media 170 cm. y desviacin tpica 10 cm. Se pide:
a) La proporcin de individuos que miden menos de 150 cm. o ms de 200 cm.
b) Si no se admiten para el servicio militar todos aquellos individuos cuya talla dista ms
o menos de 30 cm. de la talla media, calcular la proporcin de individuos que se
rechazan.
c) Si por razones de presupuesto se decide por el anterior criterio no admitir un 20% de
los individuos en edad militar, qu lmites de altura se deben elegir?
EJEMPLO 14.5 Una oficina de defensa del consumidor recibe, en promedio, 25
llamadas por da. Hallar la probabilidad de que el nmero de llamadas recibidas en un da
est entre 20 y 30.
X ~ N(,
2
)
7
13
EJEMPLO EJEMPLO
EJEMPLO 14.6 En unos grandes almacenes el 50% de los clientes pagan en efectivo,
el 40% con tarjeta de crdito y el 10% con cheques de viajes. Se pide:
a) Probabilidad de que de los 10 prximos clientes que realizan una compra, 6
paguen con tarjeta.
b) Aplicando aproximacin o convergencia de variables aleatorias, calcular la
probabilidad de que de los 500 clientes que entran en un da, ms de 400 paguen
en efectivo.
X ~ N(,
2
)
1
1
2005 2005--06 06
TEMA 16 TEMA 16
DISTRIBUCIONES DE FUNCIONES DE VARIABLES ALEATORIAS
Y APROXIMACIONES
Jimnez Toribio
2
16.1. Distribucin de combinaciones lineales de variables aleatorias
16.2. Distribucin Chi-cuadrado de Pearson
16.3. Distribucin t de Student
16.4. Distribucin F de Fisher-Snedecor
16.5. Convergencia de sucesiones de variables aleatorias: Teorema Central del
Lmite
TEMA 16. DISTRIBUCIONES DE FUNCIONES DE VARIABLES TEMA 16. DISTRIBUCIONES DE FUNCIONES DE VARIABLES
ALEATORIAS Y APROXIMACIONES ALEATORIAS Y APROXIMACIONES
2
3
16.1. Distribucin de combinaciones lineales de variables aleato 16.1. Distribucin de combinaciones lineales de variables aleatorias rias
Distribucin Binomial:
( )
( ) ( ) ? , a a Ga Y X
ntes independie
? , a Ga Y
? , a Ga X
2 1 2
1
+ +
( )
( ) ( )
2 1 2
1
? ? P Y X
ntes independie
? P Y
? P X
+ +
( )
( ) ( ) p , r r N B Y X
ntes independie
p , r N B Y
p , r N B X
2 1 2
1
+ +
( )
( ) ( ) p , n n B Y X
ntes independie
p , n B Y
p , n B X
2 1 2
1
+ +
Distribucin de Poisson: Distribucin Gamma:

Distribucin Binomial Negativa:
4
16.1. Distribucin de combinaciones lineales de variables aleato 16.1. Distribucin de combinaciones lineales de variables aleatorias rias
Distribucin Normal:
( ) ( )
2
X
2 2
Y X Y
2
X X
a b, a N b X a Y , N X = + = + =
( ) ( )
( )
( )
2
Y
2
X Y X
2
Y
2
X Y X 2
Y Y
2
X X
, N Y X
, N Y X
ntes independie , N Y , , N X
+
+ + +

3
5
EJEMPLO EJEMPLO
EJEMPLO 16.1 Se sabe que los ingresos mensuales (en euros) de una empresa se
distribuyen segn una normal de media 1000 y desviacin t pica 100, y los gastos segn
una normal de media 500 y desviacin t pica 75. Se toma una muestra de tamao n = 16
de ingresos y una muestra de tamao m = 9 de gastos. Calcular la probabilidad de que la
ganancia media est comprendida entre 400 y 600 euros.
6
16.2. Distribucin Chi 16.2. Distribucin Chi--cuadrado de cuadrado de Pearson Pearson
Interpretacin Ga(a = r/2, =1/2)
Momentos Bsicos
r E[X] =
- Varianza:
( ) r 2 X V =
( ) ( ) 2 1 t para t 2 1 t M
2 r
x
< =

Determine
E[X] y V(X)
usando M
x
(t)
2
r
?
Convergencia:
( ) r 2 r, N
100 r 2
r

>
La altura depende del valor de r.
X ~
4
7
16.2. Distribucin Chi 16.2. Distribucin Chi--cuadrado de cuadrado de Pearson Pearson
Propiedades:
Teoremas:
( )
2
1
2
X 1 , 0 N X ) 1
2
s r
2
s
2
r
Y X ntes independie Y , X ) 2
+
+
( ) ( )
2
1 1
2 2
Y X ntes independie 1 , 0 N Y , 1 , 0 N X ) 3
+
+
1) Es continua, unimodal y asimtrica a la derecha.
2) Est definida slo para valores positivos.
3) Depende de un solo parmetro r, llamado grado de libertad.
4) Viene tabulada.
2
r
?
X ~
8
EJEMPLO EJEMPLO
EJEMPLO 16.2 Obtener las siguientes probabilidades:
a) P[
2
5
2,67]
b) P[
2
20
> 28,4]
c) P[ 6,26
2
15
< 27,5]
d) P[
2
14
15,5]
a) P[
2
15
a] = 0,01
b) P[
2
6
> a] = 0,75
c) P[
2
10
< a] = 0,80
EJEMPLO 16.3 Obtener el valor de a que cumpla las siguientes expresiones:
2
r
?
X ~
5
9
16.3. Distribucin t de 16.3. Distribucin t de Student Student
Interpretacin
Propiedades:
Momentos Bsicos
0 E[X] =
- Varianza:
( ) 2 n
2 n
n
X V >
=
n
t
1) Es continua, campaniforme, unimodal y simtrica alrededor del origen.
2) Depende de un solo parmetro n, llamado grado de libertad.
3) Viene tabulada.
( )
n
1 , 0 N
T
2
n
=
La altura depende del valor de n.
Convergencia:
( ) 2 n n , 0 N t
30 n
n

>
X ~
10
EJEMPLO EJEMPLO
EJEMPLO 16.4 Obtener las siguientes probabilidades:
a) P[ t
10
> 1,37]
b) P[ 1,71 < t
23
< 0,685]
P[ a < t
19
< a] = 0,95
EJEMPLO 16.5 Obtener el valor de a que cumpla la siguiente expresin:
n
t
X ~
6
11
16.4. Distribucin F de 16.4. Distribucin F de Fisher Fisher--Snedecor Snedecor
Interpretacin
Propiedades:
Momentos Bsicos
2 n
2 n
n
E[X] >
=
- Varianza:
( )
( )
( ) ( ) 4 n 2 n m
2 n m n 2
X V
2
2

+
=
n m,
F
1) Es continua, unimodal y asimtrica a la derecha.
2) Est definida slo para valores positivos.
3) Depende de dos parmetros: m y n, denominados grados de libertad.
4) Viene tabulada.
n
m
T
2
n
2
m

=
, m , n
1 , n , m
F
1
F ) 5
X ~
12
EJEMPLO EJEMPLO
EJEMPLO 16.6 Obtener la siguiente probabilidad:
P[ F
6, 22
< 3,76]
a) P[ F
10, 5
a] = 0,95
b) P[ F
8, 12
a] = 0,05
EJEMPLO 16.7 Obtener el valor de a que cumpla las siguientes expresiones:
n m,
F
X ~
7
13
16.5. Convergencia de sucesiones de variables aleatorias: Teorem 16.5. Convergencia de sucesiones de variables aleatorias: Teorema Central a Central
del Lmite del Lmite
Teorema Central del Lmite
Sea X
1
, X
2
, ..., X
n
(n>30) una sucesin de variables aleatorias independientes e
idnticamente distribuidas (i.i.d.) con E[X] = y Var(X) =
2
conocidas. Entonces:
( ) n , N n X X
2
i
i
__
=
( )
2
i
i n
n , n N X S =
14
EJEMPLO EJEMPLO
EJEMPLO 16.8 Un estudio general sobre un conjunto de entidades financieras revela
que el nmero de prstamos concedidos en un da en una sucursal cualquiera es una
variable con media 33 y varianza 36. Responded a las siguientes preguntas:
a) Cul es la probabilidad de que, en un da, en 100 sucursales se concedan ms de
3.390 prstamos?
b) Calcular la probabilidad de que el nmero medio de prstamos concedidos
diariamente en 40 sucursales sea inferior a 32.
1
1
2005 2005--2006 2006
TEMA 18 TEMA 18
ESTIMACIN POR INTERVALOS
Jimnez Toribio
2
18.1. Introduccin
18.2. Intervalos de Confianza para la media de una poblacin normal
18.3. Intervalos de Confianza para la varianza
2
de una poblacin normal
18.4. Intervalos de Confianza para la diferencia de medias
x
-
Y
de dos poblaciones
normales
18.5. Intervalos de Confianza para el cociente de varianzas
2
x
/
2
Y
de dos poblaciones
normales
TEMA 18. ESTIMACIN POR INTERVALOS TEMA 18. ESTIMACIN POR INTERVALOS
2
3
Poblacin: Conjunto de todos los elementos que pueden ser analizados en relacin con
las caractersticas comn objeto de estudio por el investigador o consultor.
Parmetro: Son constantes desconocidas que caracterizan a la poblacin.
Muestra: Subconjunto representativo de elementos (extrados azarosamente) de la
poblacin. Se habla de Muestreo Aleatorio Simple (MAS) cuando se extrae una muestra de
forma que todos los elementos de la poblacin tienen la misma probabilidad de formar
parte de la muestra. La distribucin conjunta de una muestra proporciona la probabilidad de
extraer cada una de las muestras posibles. Cada observacin de la muestra es la realizacin
de las variables aleatorias que componen la muestra.
Estadstico: Funcin de las variables aleatorias que componen una muestra que no
contiene ningn parmetro poblacional. Un estadstico es una variable aleatoria. Su
distribucin se denomina distribucin muestral o distribucin de probabilidad en el
muestreo.
Estimador: Es un estadstico utilizado para realizar una estimacin puntual de un
parmetro poblacional.
Estimacin: Es la realizacin de un estadstico utilizada para la obtencin de una
estimacin puntual. Una estimacin no es una variable aleatoria, es un escalar.
4
OBJETIVO Elaborar un intervalo de confianza [?*
1
, ?*
2
] que contenga al verdadero
valor del parmetro desconocido ? con una determinada probabilidad o nivel de confianza,
fijado de antemano.
Para una muestra de tamao n, y
Para dos muestras de tamaos n y m, respectivamente.
Nivel de confianza 1 . Los ms usuales son el 90%, 95% y 99%.
Nivel de significacin . Los ms usuales son el 10%, 5% y 1%.
OBSERVACIONES En la construccin de intervalos de confianza (I.C.):
Utilizaremos como parmetros ? a la media y varianza
2
.
Los estadsticos a utilizar sern variables aleatorias normales, t de Student, Chi-
Cuadrado y F-Snedecor.
( ) 1 P
2 1
* *
3
5
Caso 1: Con varianza poblacional
2
conocida
Para una muestra aleatoria simple (X
1
,..., X
n
) extrada de una poblacin X N (,
2
) con
2
conocida (o de tamao n>30) se verifica que la media muestral es el estimador de mxima
verosimilitud de , y que es insesgado. A partir de la propiedad aditiva (o Teorema Central
del Lmite), si tipificamos la distribucin de la media de X obtenemos:
18.2. Intervalos de Confianza para la media 18.2. Intervalos de Confianza para la media de una poblaci de una poblacin normal n normal
1
]
1

n
z x ,
n
z x
2 2

) n , ( N x
2

Buscamos tal que:
2
z

,
_

1 P
2 2
z
n
x
z
Un intervalo de confianza para (con
2
conocida) al nivel de confianza 1 es de la forma:

,
_

1 P
2 2
n
z x
n
z x
) 1 0 ( , N
n
x

Demuestre que
estas dos
probabilidades
son iguales
6
Caso 2: Con varianza poblacional
2
desconocida
1
,..., X
n
2
) con
2
desconocida, o de tamao n>30, se verifica que:
18.2. Intervalos de Confianza para la media 18.2. Intervalos de Confianza para la media de una poblaci de una poblacin normal n normal
1
]
1
+

n
' s
t x ,
n
' s
t x
2 2
1
'

n
t
n s
x
Buscamos un valor tal que:
2
t

,
_

1 P
2 2
t
n ' s
x
t
2
desconocida) al nivel de confianza 1 es de la forma:

,
_
+

1 P
2 2
n
' s
t x
n
' s
t x
4
7
1
,..., X
n
2
) y a
partir de la cuasivarianza muestral de X, se verifica que:
18.3. Intervalos de Confianza para la varianza 18.3. Intervalos de Confianza para la varianza
22
en una poblacin normal en una poblacin normal
2
1 2
2
2
2
) 1 (

n
S n ' s n

,
_

1 P
2
) 2 ( 1 2
2
2
2
S n
Un intervalo de confianza para
2
al nivel de confianza 1 es de la forma:
( )

,
_

1 P
2
2
2
2
2
2 1
2
S n S n
1
1
]
1

2
2
2
2
) 2 ( 1
2
2

S n
,
S n
Demuestre que
estas dos
probabilidades
son iguales
Buscamos dos valores y tal que:
2
2
2
) 2 ( 1
8
Caso 1: Con varianzas
2
XX
y
2
Y Y
conocidas
Sean X e Y dos poblaciones Normales: X N (
X
,
2
X
), Y N (
Y
,
2
Y
). Extraemos
muestras aleatorias simples, independientes entre s, (X
1
,...,X
n
) de X e (Y
1
,...,Y
m
) de Y. Por
la propiedad aditiva o reproductiva de la normal obtenemos:
18.4. I.C. para la diferencia de medias 18.4. I.C. para la diferencia de medias
X X
--
YY
en dos poblaciones normales en dos poblaciones normales
1
1
]
1

m n
z y x ,
m n
z y x
Y X Y X
Y X
2 2
2
2 2
2
) ( ) (
,
_

m n
, N y x
Y X
Y X
2 2
Buscamos tal que:
2
z
( ) ( )

,
_

1 P
2
2 2
2
z
m n
y x
z
Y X
Y X
2
conocida) al nivel de confianza 1 es de la forma:
( ) ( )
) 1 0 (
2 2
, N
m n
y x
Y X
Y X

5
9
Caso 2: Con varianzas
2
XX
y
2
Y Y
desconocidas pero iguales (
2
XX
=
2
Y Y
=
2
)
Sean X e Y dos poblaciones Normales: X N (
X
,
2
), Y N (
Y
,
2
). Extraemos muestras
aleatorias simples, independientes entre s, (X
1
,...,X
n
) de X e (Y
1
,...,Y
m
) de Y. Se verifica que:
18.4. I.C. para la diferencia de medias 18.4. I.C. para la diferencia de medias
X X
--
YY
( ) ( )
1
1
]
1
+
+
+

2
1 1

1 1
) (
2 2
2
m n
' s m ' s n
m n
t y x
Y X
Y X
m
X
-
Y
( ) ( )
( ) ( )
2
2 2
2
' 1 ' 1 1 1
+
+
+
+

m n
Y X
Y X
t
m n
s m s n
m n
y x
t

Buscamos un valor tal que:
2
t
( )

1 P
2 2
t t t
10
Para dos muestras aleatorias simples (X
1
,..., X
n
) y (Y
1
,..., Y
m
) procedentes de dos
poblaciones XN (
X
,
2
X
) y YN (
Y
,
2
Y
), respectivmaente, y a partir de la cuasivarianza
muestral de X y de Y, se verifica que:
18.5. I.C. para el cociente de varianzas 18.5. I.C. para el cociente de varianzas
2 2
XX
/ /
2 2
YY
1 , 1
2 2
2 2
'
'

n m
X X
Y Y
F
s
s
f

2
X
/
2
Y
1
]
1
2
2
) 2 ( 1 2
2
2 2
2

Y
X
Y
X
Y
X
' s
' s
f ,
' s
' s
f
Buscamos dos valores y tales que:
2
f
) 2 ( 1
f
( ) 2 P
2

f f
( )
( ) 2 P
2 1

f f
1
1
2005 2005--2006 2006
TEMA 19 TEMA 19
CONTRASTES DE HIPTESIS PARAMTRICOS
Jimnez Toribio
2
19.1. Introduccin
19.2. Etapas del Contraste de Hiptesis
19.3. Contrastes de hiptesis para la media de una poblacin normal
19.4. Contrastes de hiptesis para la varianza
2
de una poblacin normal
19.5. Contrastes de hiptesis de igualdad de medias
X
y
Y
en poblaciones normales
19.6. Contrastes de hiptesis de igualdad de varianzas
2
X
y
2
Y
en poblaciones
normales
TEMA 19. CONTRASTES DE HIPTESIS PARAMTRICOS TEMA 19. CONTRASTES DE HIPTESIS PARAMTRICOS
2
3
DEFINICIN Un contraste o test de hiptesis es una regla de decisin mediante la
cual optamos por una u otra hip tesis.
HIPTESIS ESTADSTICAS Una hiptesis estadstica sobre un parmetro es una
conjetura sobre los valores concretos que puede tomar dicho parmetro.
El establecimiento de hiptesis sobre un parmetro supone dividir el espacio paramtrico
en dos regiones:
Regin de Aceptacin: Aquella integrada por el conjunto de valores del estadstico de
contraste que cumplen la hiptesis (
0
).
Regin Crtica: Aquella integrada por el conjunto de valores del estadstico de
contraste que cumplen la hiptesis (
1
).
Los dos subconjuntos
0
y
1
son disjuntos por definicin,
0

1
= , siendo tal divisin
una particin del espacio paramtrico .
4
Se denomina:
Hiptesis Nula: H
0
La hiptesis que se desea contrastar.
H
0
:
0
Hiptesis Alternativa: H
1
La hip tesis que aceptamos si rechazamos la hip tesis nula.
H
1
:
1
TIPOS DE HIPTESIS:
Simples Los dos subconjuntos
0
y
1
se componen de un solo elemento.
H
0
: =
0
H
1
: =
1
Compuestas Cuando alguno de los dos subconjuntos
0

1
se compone de ms de
un elemento.
3
5
Caso II)
H
0
: =
0
H
1
:
0
En el caso de hiptesis compuestas nos encontramos con las siguientes hiptesis
alternativas:
Estas diferentes hiptesis compuestas conducen a:
contrastes o test unilaterales en el primer caso y a contrastes o test bilaterales en el
segundo.
Caso I)
H
0
: =
0
H
1
: ( >
0
) ( <
0
)
6
En la aplicacin de esta metodologa, nos podemos encontrar con los siguientes tipos de
errores:
Deci si n
Aceptar H0 Rechazar H0
H0 Correcta Errnea
Hiptesis
cierta
H1 Errnea Correcta
v Si la hiptesis nula es cierta y se rechaza, la decisin es errnea, y a este error se le
denomina Error de Tipo I, o de primera especie A la probabilidad del Error de Tipo I se le
llama ste es el Nivel de Significaci n o tamao de la regin crtica.
v Si la hiptesis nula es falsa y se acepta, la decisin es errnea, y a este error se le denomina
Error de Tipo II, o de segunda especie. A la probabilidad del Error de Tipo II se le llama
A la diferencia 1- se le denomina Potencia del Contraste y sta representa la
probabilidad de rechazar la hiptesis nula siendo falsa.
4
7
El clculo de estas probabilidades para hiptesis simples se realizara de la siguiente manera:
= P(error de tipo I) = P(rechazar H
0
/ H
0
es cierta) = P( C / H
0
).
C*: Regin de aceptacin
C: Regin crtica
1 - = 1- P(error de tipo II) = 1- P(aceptar H
0
/ H
0
es falsa) = P(rechazar H
0
/ H
0
es falsa) =
P( C / H
1
)
= P(error de tipo II) = P(aceptar H
0
/ H
0
es falsa) = P( C*/ H
1
).
8
TIPOS DE CONTRASTES DE HIPTESIS PARAMTRICOS:
Contrastes Bilaterales (tienen dos regiones crticas)
H
0
: =
0
H
1
: >
0
H
0
: =
0
H
1
: <
0
H
0
:
2
=
0
2
H
1
:
2

0
2
Contrastes Unilaterales (tienen una nica regin crtica)
H
0
: =
0
H
1
:
0
H
0
:
X
=
Y
H
1
:
X

Y
H
0
:
2
=
0
2
H
1
:
2
<
0
2
H
0
:
2
=
0
2
H
1
:
2
>
0
2
H
0
:
X
=
Y
H
1
:
X
>
Y
H
0
:
X
=
Y
H
1
:
X
<
Y
Para la media poblacional Para la varianza poblacional
Para la media poblacional Para la varianza poblacional
5
9
1. Planteamiento de la hiptesis nula H
0
y de la hiptesis alternativa H
1
referentes a
valores posibles de uno o varios parmetros.
2. Eleccin del estadstico de contraste (normal, t de Student, Chi-cuadrado, F-Snedecor).
3. Divisin del espacio muestral en dos regiones disjuntas: la regin crtica y la regin de
aceptacin.
4. Obtencin de una muestra aleatoria simple para calcular el estadstico elegido: X
1
,...,
X
n
.
5. Clculo del valor del estadstico en la muestra recogida bajo la suposicin de que H
0
es
cierta.
6. Resolucin del contraste: si el valor muestral del estadstico cae en la regin crtica, se
rechaza la hiptesis nula H
0
a favor de la hiptesis alternativa H
1
; si el valor muestral
del estadstico cae en la regin de aceptacin, no se rechaza la hiptesis nula H
0
.
19.2. Etapas del Contraste de Hiptesis 19.2. Etapas del Contraste de Hiptesis
10
19.3. Contrastes de hiptesis para la media 19.3. Contrastes de hiptesis para la media de una poblacin normal de una poblacin normal
Caso 1: Con VARIANZA
2
CONOCIDA
1.I) Contraste o Test Bilateral H
0
: =
0
y H
1
:
0
Si la hiptesis nula H
0
es cierta, entonces se verifica que:

=

n
, N
H

0
Bajo
0
De modo que, tipificando:
( ) 1 0
0 Baj o
0
, N
n
Z
H

=
Para una muestra de tamao n, nuestra regin crtica (C) vendr dada por:
0 2 2
0
2
+

n
z z
n
z Z y
0 2 2
0
2
+

n
z z
n
z Z
6
11
2
CONOCIDA
1.II) Contraste Unilateral H
0
: =
0
y H
1
: >
0
Si H
0
es cierto, entonces se verifica que:
De modo que:
Para una muestra de tamao n, nuestra regin crtica vendr dada por:
( ) 1 0
0
Baj o
0
, N
n
Z
H

=
0
0
+

n
z z
n
z Z

=

n
, N
H

0
Bajo
0
12
2
CONOCIDA
1.III) Contraste Unilateral H
0
: =
0
y H
1
: <
0
Si H
0
De modo que:
( ) 1 , 0
0
Baj o
0
N
n
Z
H

=
0
0
+

n
z z
n
z Z

=

n
, N
H

0
Bajo
0
7
13
2
DESCONOCIDA
2.I) Contraste Bilateral H
0
: =
0
y H
1
:
0
Si H
0
1
Bajo
0

0

=
n
H
t
n
s
T
0 2 2
0
2
+

n
s
t t
n
s
t T y
0 2 2
0
2
+

n
s
t t
n
s
t T
s es la cuasi
desviacin tpica
14
19.3. Contrastes 19.3. Contrastes de hiptesis de hiptesis para la media para la media de una poblacin normal de una poblacin normal
2
DESCONOCIDA
2.II) Contraste Unilateral H
0
: =
0
y H
1
: >
0
Si H
0
0
0
+

n
s
t t
n
s
t T
1
Bajo
0

0

=
n
H
t
n
s
T
8
15
19.3. Contrastes 19.3. Contrastes de hiptesis de hiptesis para la media para la media de una poblacin normal de una poblacin normal
2
DESCONOCIDA
2.III) Contraste Unilateral H
0
: =
0
y H
1
: <
0
Si H
0
0
0
+

n
s
t t
n
s
t T
1
Bajo
0

0

=
n
H
t
n
s
T
16
19.4. Contrastes 19.4. Contrastes de hiptesis de hiptesis para la varianza para la varianza
22
de una poblacin normal de una poblacin normal
Si se cumple que la variable aleatoria X se distribuye normalmente:
Entonces, suponiendo que H
0
:
2
=
0
2
es cierto:
) (
2
, N X
( )
2
1
2
1
2
1
2
2
0 2 2
2
0
2
2
1
1

n
s
s n
T
2
1
Baj o
2
0
2
2
0
2

) 1 (
0

=
n
H
S n ' s n
T
( )
2 2 2
2
2
0 2 2
2
0
2
2
1
1

n
s
s n
T
y
I) Contraste Bilateral H
0
:
2
=
0
2
y H
1
:
2

0
2
9
17
19.4. Contrastes 19.4. Contrastes de hiptesis de hiptesis para la varianza para la varianza
22
de una poblacin normal de una poblacin normal
II) Contraste Unilateral H
0
:
2
=
0
2
y H
1
:
2
>
0
2
III) Contraste Unilateral H
0
:
2
=
0
2
y H
1
:
2
<
0
2
( )

1 1 1
2
2
0 2 2
2
0
2
2
1
1
n
s
s n
T
( )

2
2
0 2 2
2
0
2
2
1
1
n
s
s n
T
18
19.5. Contrastes de igualdad de medias 19.5. Contrastes de igualdad de medias
X X
y y
YY
en poblaciones normales en poblaciones normales
Caso 1: Con VARIANZAS POBLACIONALES
2
XX
y
2
Y Y
CONOCIDAS
0
:
X
=
Y
y H
1
:
X

Y
Para dos muestras de tamaos n y m, de dos poblaciones normales independientes X e Y,
la diferencia de medias es una normal de la forma:
=
m n
, N y x
Y X
Y X
2 2

Si H
0
es cierto, nuestra regin crtica vendr dada por:
m n
z y x z
m n
y x
z Z
Y X
Y X
2 2
2 2
2 2
2

+

( ) ( )
) 1 0 (
0 Bajo
2 2
, N
m n
y x
Z
H
Y X
Y X

=
m n
z y x z
m n
y x
z Z
Y X
Y X
2 2
2 2
2 2
2

+

y
10
19
X X
y y
YY
Si H
0
m n
z y x z
m n
y x
z Z
Y X
Y X
2 2
2 2

+
+

( ) ( )
) 1 0 (
0 Bajo
2 2
, N
m n
y x
Z
H
Y X
Y X

=
m n
z y x z
m n
y x
z Z
Y X
Y X
2 2
2 2

+
+

1.II) Contrastes Unilaterales H
0
:
X
=
Y
Para dos muestras de tamaos n y m, la diferencia de medias es una normal de la forma:
H
1
:
X
>
Y
H
1
:
X
<
Y
20
Caso 2: Con VARIANZA POBLACIONAL
2
XX
=
2
YY
=
2
DESCONOCIDA
0
:
X
=
Y
y H
1
:
X

Y
Para dos muestras de tamaos n y m, el estadstico de contraste es:
Si H
0
( ) ( )
2
1 1
2 2
+
+
=
m n
s m s n
S
y x
p
m n
S t y x t
m n
S
y x
t T
p
p
1 1
1 1
2 2 2
+
+

( ) ( )
2
Bajo 0 1 1
+
+

=
m n
H
p
Y X
t
m n
S
y x
T
m n
S t y x t
m n
S
y x
t T
p
p
1 1
1 1
2 2 2
+
+

y
S
p
es un estimador
combinado
X X
y y
YY
11
21
X X
y y
YY
Si H
0
2.II) Contrastes Unilaterales H
0
:
X
=
Y
Para dos muestras de tamaos n y m, la diferencia de medias es una normal de la forma:
H
1
:
X
>
Y
H
1
:
X
<
Y
( ) ( )
2
Bajo 0 1 1
+
+

=
m n
H
p
Y X
t
m n
S
y x
T
m n
S t y x t
m n
S
y x
t T
p
p
1 1
1 1
+
+

m n
S t y x t
m n
S
y x
t T
p
p
1 1
1 1
+
+

22
19.6. Contrastes de igualdad de varianzas 19.6. Contrastes de igualdad de varianzas
22
XX
y y
22
YY
I) Contraste Bilateral H
0
:
X
2
=
Y
2
y H
1
:
X
2

Y
2
Si se cumple que X e Y son dos normales independientes: ( )
X X
, N X
Entonces, para dos muestras de tamaos n y m:
( )
2
1 2
2
1

n
X
X
s n
( )
2
1 2
2
1

m
Y
Y
s m
De otra parte, si se cumple la hiptesis nula H
0
:
( )
( )
1 1 2 2
2 2
2
2
2
2
1
1
1
1

=
m , n
Y Y
X X
Y
Y
X
X
F
s
s
m
s m
n
s n
F
Por lo que nuestra regin crtica vendr dada por:
2
1
2
2
2
1

F
s
s
F F
Y
X
2
2
2
2

F
s
s
F F
Y
X
( )
Y Y
, N Y
1 1
Bajo
2
2

0

=
m , n
H
Y
X
F
s
s
F
y
12
23
19.6. Contrastes de igualdad de varianzas 19.6. Contrastes de igualdad de varianzas
22
XX
y y
22
YY
II) Contrastes Unilaterales H
0
:
X
2
=
Y
2
Si se cumple que X e Y son dos normales independientes: ( )
X X
, N X
El estadstico del contraste, para dos muestras de
tamaos n y m, bajo la hiptesis nula H
0
es:
Por lo que nuestra regin crtica vendr dada por:
1 2
2
1

F
s
s
F F
Y
X

F
s
s
F F
Y
X

2
2

( )
Y Y
, N Y
1 1
Bajo
2
2

0

=
m , n
H
Y
X
F
s
s
F
H
1
:
X
2
>
Y
2
H
1
:
X
2
<
Y
2

Curso de Estadística Empresarial

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Curso de Estadística Empresarial

Transféré par

Droits d'auteur :

Formats disponibles

1

Identidad entre tasas de variacin:

- Cambio de Base Consiste en cambiar el perodo base o de referencia de una

SOLUCIN ENLACE de las dos series de ndices:

Funcin de Probabilidad Continua (DEFINICIN) Tambin denominada Funcin

Distribucin de Poisson: Distribucin Gamma:

Un intervalo de confianza para

Vous aimerez peut-être aussi