Académique Documents
Professionnel Documents
Culture Documents
Introducció a l'Estadística
Anomenem estadística a la ciència que tracta sobre l'obtenció d'informació a partir de
dades numèriques. Concretament, ens centrem en l'estadística aplicada, que posseeix
tres grans camps d'estudi principals.
• L'obtenció de Dades: Obtenim dades per respondre preguntes específiques.
• Anàlisi de Dades: Organitzem i descrivim aquestes dades mitjançant gràfics,
resums numèrics i models matemàtics.
• Inferència estadística: Interpretar les dades i extraure conclusions que puguin
aplicar-se a un col·lectiu més ampli, i determinar la fiabilitat de les conclusions.
Mostres
A l'hora d'obtenir dades cal tenir en compte dos conceptes claus: una població és el
conjunt d'individus que volem estudiar, i una mostra són els individus -o la part de la
població- que realment estudiem. Hi han diversos mètodes per escollir una mostra, hi
han mètodes -o formes d'obtenir la mostra, millor dit- que poden portar a conclusions
falses. Dividirem els diversos mètodes en mostres esbiaixades -o males mostres- i
mostres no esbiaixades.
Les mostres esbiaixades són aquelles que afavoreixen a certs sectors de la població
respecte uns altres, és a dir, les que no donen la mateixa probabilitat a cada individu de la
població a poder ser escollit. Hi han dos grans tipus:
• Mostra de Voluntaris: Són les persones que tenen un interès particular en
respondre en el tema d'estudi i, per tant, s'ofereixen voluntaris per participar. Per
exemple, si a la TV formulen la pregunta de si certa persona hauria d'anar a la
presó i aquesta persona té molts enemics, està clar que el resultat de la pregunta
no reflectirà la realitat.
• Mostra de Conveniència: És aquella on s'escullen els individus de més fàcil
accés. Exemple: les campanyes de degustació de cert aliment.
Les mostres no esbiaixades són aquelles que donen la mateixa probabilitat a cada
individu de la població a poder ser escollit. N'hi han de diversos tipus, segons la mida de
la població.
• Mostra Aleatòria Simple (MAS): Una MAS de tamany n consta de n individus
d'una població escollits de forma tal que cada individu té les mateixes probabilitats
de ser triat. El procés de selecció o tria es fa a l'atzar, a través de programes
estadístics, o bé mitjançant una taula de dígits aleatoris.
Aquesta taula es caracteritza per tenir nombres independents -saber una part de la
taula no atorga informació sobre les altres- on cada valor té la mateixa probabilitat
de ser qualsevol dígit entre el 0 i el 9. Així, donem una xifra a cada individu,
escollim una fila de la taula i ens fixem en els últims dígits dels números:triem
l'individu que té un nombre que coincideix amb els últims dígits d'un número de la
taula, i així per a cada individu.
• Mostra Aleatòria Estratificada: Divideix la població en grups d'individus similars
(estrats) i després fa MAS en cada estrat per combinar-les posteriorment i formar
una mostra completa.
• Mostra en Etapes Múltiples:Aplica MAS per etapes. Per exemple, primer a la
ciutat, després a un barri, posteriorment a un carrer i finalment a un pis. La primera
mostra pot ser estratificada.
L'Enquesta i els seus Possibles Problemes
A l'hora de realitzar l'enquesta, a més de fer preguntes relatives al que volem estudiar,
s'han de fer també qüestions relacionades amb les característiques de l'individu (sexe,
edat, feina...). A més, fins i tot si el mètode de tria de la mostra ha estat a l'atzar, poden
haver-hi problemes:
• Falta de Cobertura: Alguns grups de la població queden fora del procés de
selecció de la mostra. Per exemple, grups marginals.
• Manca de Resposta: Quan un individu no vol col·laborar o no pot ser contactat.
• Biaix de Resposta: Els enquestats poden mentir si se'ls pregunta sobre
comportaments impopulars o il·legals. La falta de memòria de l'entrevistat també
pot influir.
• Redactat de Preguntes: Certes preguntes poden generar confusió o induir a
una resposta concreta.
En conclusió, podem dir que per a una distribució asimètrica o amb valors extrems
utilitzarem els cinc nombres resum. Per a una distribució simètrica usarem la mitjana i
la desviació estàndard.
Anàlisi de Dades: Temes 3 i 4
Dades Agrupades
Anomenem dades agrupades a un conjunt de dades d’una variable numèrica
presentat en forma d’una taula de freqüències. En aquest cas no coneixem la informació
original, és a dir, les dades cas per cas. Per tant, hem de treballar amb les dades
agrupades en intervals o rangs de valors. No obstant això, podem calcular pràcticament
tots els resums numèrics i d'aquesta forma descriure bastant bé el conjunt de dades.
Imaginem que tenim el conjunt de dades següent:
Límit Límit Freq. Freq. Abs. Punt Mig Suma interval (Punt
inferior superior Absoluta Acumulada mig* Freq. Ab. Ac)
0 10000 15 15 5000 5000*15 = 75000
10000 15000 45 60 12500 12500*45 = 562500
15000 20000 100 160 17500 17500*100 = 1750000
20000 30000 83 243 25000 25000*83 = 2075000
30000 50000 30 273 40000 40000*30 = 1200000
50000 100000 7 280 75000 75000*7 = 525000
Prestem molta atenció a la penúltima columna que hem afegit -ressaltada en blau- ja
que es tracta una eina clau per a calcular els resums numèrics. El punt mig d'un interval
és el seu límit superior -o “màxim” de l'interval- menys el seu límit inferior -o “mínim” de
l'interval- partit per dos. La fórmula es podria expressar de la manera següent:
Punt mig interval = (Límit superior – límit inferior)/2
Un cop hem calculat els punts mitjos, podem trobar els cinc nombres resum:
• Càlcul 1rQuartil: Agafem el punt mig de l'interval que tingui l'observació
determinada per: (Nombre casos+1)/4
En aquest cas, tenim 280 casos, si fem 281/4=70.25. Per tant, agafaríem el
17500 com a valor del primer quartil ja que 70.25 es troba entre les observacions
70 i 71, localitzades al tercer interval.
• Càlcul Mediana: Agafem el punt mig de l'interval que tingui l'observació
determinada per: (Nombre casos+1)/2
En aquest cas, tenim 280 casos, si fem 281/2=140.5. Per tant, agafaríem el
17500 com a valor de la mediana ja que 140.5 es troba entre les observacions
140 i 141, localitzades al tercer interval.
• Càlcul 3rQuartil: Agafem el punt mig de l'interval que tingui l'observació
determinada per: (Nombre casos+1)*0.75
En aquest cas, tenim 280 casos, si fem 281*0.75=210.75. Per tant, agafaríem el
25000 com a valor de la mediana ja que 210.75 es troba entre les observacions
210 i 211, localitzades al quart interval.
• Càlcul Mínim i Màxim: Agafem el valor més baix, és a dir, el límit inferior del
primer interval per saber el mínim; i el valor més alt, en altres paraules, el límit
superior del darrer interval.
Podem calcular altres resums numèrics mitjançant també el punt mig. Ens fixem en la
darrera columna, destacada en color taronja, on hem suposat que cada un dels valors de
cada interval són iguals al punt mig, per això multipliquem el punt mig per la freqüència
absoluta. Un cop fet això, podem calcular diversos resums numèrics:
• Càlcul Mitjana: Sumem tots els valors de la columna taronja i els dividim pel
nombre total d'observacions. Així ens surt: 6187500/280 = 22098,21
Per tant, la mitjana = Total suma intervals/nombre casos
• Càlcul desviació estàndard: Simplement calculem la desviació estàndard com ho
fem normalment -consulta els apunts dels primers dos temes per saber com
calcular-la-; però, com no sabem els valors de totes les observacions, calculem la
desviació usant el punt mig i la multipliquem per la freqüència absoluta. La resta del
procediment és igual.
Per exemple, la desviació estàndard del primer interval és:
◦ Punt mig -mitjana = 5000 – 22098,21 = -17098,21
◦ (Punt mig – mitjana)² = (-17098,21)² = 292348931,76
◦ (Punt mig – mitjana)² * Freq. Absoluta = (-17098,21)² * 15 = 435233976,4
◦ Després sumaríem els resultats de cada interval, dividiríem pel nombre
d'observacions menys 1; i faríem l'arrel quadrada de tot això.
Transformacions de Dades
En cas que vulguem canviar unitats de mesura -passar de euros a dòlars, per exemple-
cal tenir en compte com afecten aquests canvis a les mesures resum. Bàsicament,
distingim dos tipus de canvis.:
• El canvi d'origen: es produeix quan sumem o restem un nombre -una constant-
a la variable original. Així, si suposem que X és la nostra variable original, i a és
una constant qualsevol, un canvi d’origen de la variable X ens donarà una
variable transformada que anomenem Y. El canvi s'expressa d'acord amb la
següent equació Y= X ± a.
El canvi d'origen desplaça el gràfic a l'esquerra o a la dreta -depèn de a-. En
aquest canvi, només varien les mesures de posició (mitjana, quartils...) però la
dispersió i la forma no canvien.
• El canvi d'escala: es produeix quan multipliquem o dividim les dades per un
nombre. Així, si suposem que X és la nostra variable original, i b és una constant
qualsevol, un canvi d’escala de la variable X ens donarà una variable
transformada que anomenem Y. El canvi s'expressa d'acord amb la següent
equació Y= X * b (si multipliquem) o Y= X/b (si dividim)
Aquesta mena de canvi fa variar la mida o grandària de l'histograma, depenent
de si multipliquem o dividim. En aquest canvi, varien les mesures de posició
(mitjana, quartils...) i les de dispersió (desviació estàndard, curtosi...), tan sols la
forma es manté constant.
• Transformacions lineals: Són els dos canvis junts, els expressem amb
l'equació: Y= (X ± a)/b o Y= (X ± a)*b. En aquest canvi, varien les mesures de
posició (mitjana, quartils...) i les de dispersió (desviació estàndard, curtosi...), tan
sols la forma es manté constant.
Al seu torn, existeixen un altre tipus de transformacions no tan freqüents: les
transformacions no lineals. Aquestes transformacions es basen en funcions no lineals,
com logarítmiques o exponencials, i s'utilitzen per convertir distribucions asimètriques en
simètriques i calcular així resums numèrics que només són vàlids per aquestes
distribucions (mitjana, desviació estàndard...).
Al aplicar aquestes transformacions, canvia tot: forma, dispersió i posició. A més, no
podem calcular la nova mitjana i la desviació estàndard amb les dades anteriors. És a dir,
que si fem una transformació logarítmica la nova mitjana NO serà el logaritme de la
mitjana anterior. Per últim, el programa ODStatistics permet fer totes aquestes
transformacions de forma quasi immediata.
Corbes de densitat i histogrames
A l'hora d'explorar una variable numèrica o quantitativa:
1. Realitzem un gràfic (un histograma o diagrama de troncs i fulles)
2. Analitzem l’aspecte general de la distribució (centre, dispersió, forma) i les
observacions atípiques.
3. Triem un resum numèric per a descriure de forma breu el centre i la dispersió de
la distribució.
A més de l'anterior, podem descriure determinats histogrames amb un gran nombre
d'observacions mitjançant una corba llisa. Per poder-ho fer, l'histograma ha de ser
regular i, per tant, ha de complir el següent:
1. Ha de ser simètric.
2. Els dos costats han de disminuir gradualment.
3. No pot tenir observacions atípiques ni buits destacables.
Així doncs, la corba de densitat -nom tècnic de la corba descrita anteriorment- és un
model matemàtic ens proporciona una bona descripció de les dades, malgrat que aquesta
descripció sigui idealitzada ja que ignora els valors atípics i les petites irregularitats.
Finalment, cal dir que l'histograma depèn del nombre de classes triades mentre que la
corba de densitat no.
Per un altre banda, la corba de densitat defineix abaix seu un àrea exactament igual a
1, és a dir, la regió sota la corba conté la proporció total de totes les observacions. Això
ens permet, per exemple, saber la proporció de casos per sota d'un valor o situar
mesures de centre com la mediana -que divideix l'àrea de la corba en dues meitats,
cadascuna de les quals conté el 50% de casos-. Com en la resta de distribucions, la
mitjana i la mediana coincideixen si la forma és simètrica i si és asimètrica la mitjana es
desplaça cap al costat més llarg. També podem situar mesures de posició (primer
quartil...)
La distribució normal
Les corbes de densitat Normals són una classe especial de corbes de densitat. Es
caracteritzen per ser simètriques, tenir una sola moda o “pic”, tenir forma de campana i
perquè es descriuen donant simplement la mitjana μ i la desviació estàndard σ. Aquesta
mena de distribucions són molt importants ja que:
• Descriuen bé una gran part dels conjunts de dades reals.
• Aproximen bé els resultats de molts processos aleatoris.
• Molts processos d'inferència estadística es basen en les seves propietats.
Al seu torn, existeixen dues propietats importants d'aquestes corbes: La mitjana µ se
situa en el centre de la corba i la desviació típica σ controla la dispersió de la corba. A
més, la mitjana i la desviació típica ens permeten calcular els punts d'inflexió ja que són
aquells punts iguals a µ ±σ. Cal mencionar també la regla 68-95-99.7 que diu que:
• El 68% de les observacions es troben entre μ – σ i μ + σ
• El 95% de les observacions es troben entre μ – 2σ i μ + 2σ
• El 99,7% de les observacions es troben entre μ – 3σ i μ + 3σ
La Correlació i la Covariància
A l'hora de determinar la força d'una relació, tenim un problema: l'escala en que
mesurem les variables influeix en la nostra percepció de la força. Així, un gràfic mesurat
amb escala de 0 a 250 serà considerat menys fort que un altre mesurat amb escala de
100 a 150. Per solucionar això, necessitem una mesura numèrica que no es vegi afectada
per l'escala: la correlació.
La correlació mesura la força i la direcció d'una relació lineal entre dues variables
quantitatives. És a dir, només ens serveix per rectes. Per calcular la correlació (r)
necessitem la mitjana de la variable x (Mx) i la de la variable y (My), així com les
desviacions típiques de x (Sx) i de y (Sy). Per últim, utilitzarem també els valors de x y de
y de tots els individus (x1, y1, x2, y2...). Una vegada tenim tot això:
1. Fem una divisió: 1/ (nombre casos-1)
2. Fem un altre divisió: (x1-Mx)/Sx i fem això per tots els valors de x.
3. Fem un altre divisió: (y1-My)/Sy i fem això per tots els valors de y.
4. Multipliquem: el resultat de (x1-Mx)/Sx pel de (y1-My)/Sy. Fem això per tots els
valors: amb x2 i y2, x3 i y3....xn i yn.
5. Sumem els resultats de totes les multiplicacions anteriors.
6. Multipliquem 1/ (nombre casos-1) pel resultat del pas 5è.
La formula seria així, sent x barret i y barret les mitjanes de x i de y. I la lletra grega
sigma vol dir suma d'aquests termes per tots els individus.
Existeix un altre mesura relacionada amb la correlació: la covariància, que mesura la
dispersió de dues variables numèriques i té una formula molt similar a l'anterior -l'únic
que canvia és que no dividim per les desviacions estàndard-
La Recta de Regressió
Si el diagrama de dispersió té una forma lineal, ens agradaria saber com és aquesta
recta. És a dir, volem dibuixar la recta que resumeix la relació entre ambdues variables.
Aquesta recta s'anomena recta de regressió i descriu com canvia la variable resposta y
a mesura que canvia la variable explicativa x. Fem servir aquesta recta per predir el valor
de y a partir d'un valor x. Per usar aquesta eina, hem de definir correctament la variable
dependent i independent. Cal tenir en compte que hi han errors de predicció, és a dir,
els valors observats i els predits són diferents.
Per aconseguir que aquests errors o residus siguin els mínims possibles -tinguin el
mínim valor possible-, fem servir la recta de regressió mínim-quadràtica de y en relació
a x. Aquesta recta fa que la suma dels quadrats dels residus sigui el més petit possible.
L'equació de la recta té la forma Ў= a +bx, amb:
• Pendent: Es calcula amb la correlació (r) i les desviacions típiques de x (Sx) i de
y (Sy). La seva formula és b=r*(Sy/Sx). El pendent es diu en quina quantitat Ў
canvia quan x augmenta una unitat.
• Ordenada a l'orígen: Es calcula amb la mitjana de x (Mx) i la de y (My) i el
pendent (b). La seva formula és a= My – (b*Mx). La ordenada a l'origen ens
diu el valor de y quan x val zero.
Al seu torn, hi ha una mesura derivada de la correlació que està íntimament relacionada
amb la recta de regressió: el coeficient de determinació. El coeficient de determinació
o R² és el quadrat de la correlació, i determina quin % de les variacions de y pot ésser
explicat a partir de les variacions de x. Així, un R² de 0,8 significa que el 80% de les
variacions de y són explicades amb les de x o, el que és el mateix, amb la variable
explicativa x expliquem un 80% dels valors de la variable resposta y.
La Traça Mediana
Al representar gràficament dues variables en el diagrama de dispersió, sovint ens
sembla que a primera vista no hi ha relació entre les dues variables ja que tots els punts
estan molt dispersos. En aquests casos, la traça mitjana o la traça mediana poden
ajudar-nos a descobrir la forma d’una relació que pot no ser òbvia a primera vista. Per
calcular la traça mitjana o mediana seguim el procés següent:
1. Esbrinar si hi ha molta dispersió en la variable resposta y per alguna causa aliena a
l’estudi.
2. Fixar els valors de la x i calcular la mitjana (o la mediana) dels valors de la y per a
valors de la x fixos.
3. Unir per mitjà d’una línia les mitjanes (o medianes) calculades.
Ho veurem més clar amb un exemple. Imaginem que tenim el conjunt de dades
següent:
Renda 15000 25000 45000 55000
Consum 1000 1500 2010 1700
Octubre
Consum 1150 1420 1925 1545
Novembre
Consum 1880 2245 3285 2065
Desembre
Consum Gener 820 1250 2023 1675
Consum Mitjà 1212,5 1603,75 2310,75 1746,25
A la fila ressaltada en blau hem calculat la mitjana de y -consum- per valors de x -renda-
fixos. Ara tan sols quedaria representar això en un diagrama de dispersió i podríem
veure quina relació hi ha: una corba.
Anàlisi de Residus
Els residus són la diferencia entre el valor observat i el valor predit per la recta de
regressió. Podem representar els residus en un diagrama de residus o un diagrama de
dispersió dels residus. Cal dir que la mitjana dels residus d'una recta de regressió és
sempre zero. Amb aquest diagrama podem comprovar que:
• La relació és lineal i per tant podem representar-la amb una recta de regressió.
• No hi ha observacions estranyes o influents que condicionen els resultats i
que potser seria millor no incloure a l’hora de fer la regressió.
• No hi ha variables latents que no estem tenint en compte i que explicarien
millor la relació observada.
Per determinar tot això hem d'observar la dispersió dels residus. Si la dispersió és
aleatòria, no hi ha cap problema amb la relació d'ambdues variables. No obstant, si
segueixen un patró, la relació no és lineal. A més, si els residus són més grans -en valor
absolut- quan x creix hem d'esbrinar el motiu.
Pel que fa a les observacions atípiques, són observacions influents si al eliminar-les
canvia significativament la recta de regressió. Els punts que són atípics en l'eix
d'abscisses -eix de les x- solen ser influents.
Regressions no Lineals
En certs casos la relació és clarament no lineal, ja sigui per la forma del diagrama de
dispersió o per la forma corba del diagrama de residus. En aquests casos, podem
convertir-la en lineal si realitzem una transformació no lineal de les dades. Per
exemple, podem prendre logaritmes neperians de x i de y (transformació log-log) de forma
que: ln(y)=a+b*ln(x). Aquesta transformació està molt lligada a l'elasticitat degut a que b
és una elasticitat:
Per predir el valor de y -i no pas ln(y)- en aquesta transformació log-log fem:
La Paradoxa de Simpson
Igual que amb les variables numèriques, les variables latents poden canviar i fins i tot
invertir les relacions observades entre dues variables categòriques. En aquest cas existeix
una paradoxa de Simpson: el canvi de sentit d'una comparació o associació quan dades
de diversos grups es combinen en un de sol. Ho entendrem millor amb un exemple:
Aprovats No Aprovats Totals
Homes 350 150 500
Dones 170 330 500
Totals 520 480 1000
Si calculem les distribucions condicionals sembla que les dones suspenguin molt
més:
Aprovats No Aprovats Totals
Homes 0,7 0,3 1
Dones 0,34 0,66 1
Però hi ha una variable latent: l'assignatura.
Bioquímica Molecular Avançada Introducció a l'Estadística
Aprovats No Aprovats Totals Aprovats No Totals
Aprovats
Homes 0,25 0,75 1 Homes 0,7 0,3 1
Dones 0,34 0,66 1 Dones 0,7 0,3 1
En realitat les dones treuen igual la mateixa nota o més que els homes, però hi ha més
dones cursant Bioquímica Molecular Avançada que no pas introducció a l'Estadística. En
aquest cas, com l'associació canvia de sentit, es dóna una paradoxa de Simpson.
Sèries Temporals
Anomenem sèrie temporal a un conjunt de dades sobre una variable concreta ordenat
cronològicament. Segons la periodicitat o el període de temps en què estan ordenades
les dades, les sèries temporals són trimestrals -si estan ordenades per trimestres-,
mensuals -si ho estan per mesos...-. Utilitzem aquestes sèries per observar l'evolució
d'una variable al llarg d'un període concret i per preveure la seva evolució futura -quins
valors prendrà en un futur-, és a dir, les sèries temporals ens ajuden a fer previsions
estadístiques.
Les sèries temporals tenen quatre components:
• Tendència (T): Comportament de la sèrie a llarg termini -més de cinc anys-.
• Cicle (C): Comportament de la sèrie a mig termini -més d'un any i menor a cinc-
• Estacionalitat (E): Comportament a curt termini -menys d'un any- que es
repeteix al llarg del temps. Per exemple, el sector turístic espanyol pateix una
forta estacionalitat a l'estiu -rep molt més turistes en aquesta època de l'any-.
• Irregular (I): Factor puntual i imprevisible a curt termini, no ve explicat per altres
components. Per exemple, l'impacte a l'economia japonesa pel tsunami és un fet
irregular.
Aquests components poden estar associats de forma additiva Y= T+E+C+I; de forma
multiplicativa Y=T*E*C*I o mixta Y=T+C*E*I. Les sèries multiplicatives o mixtes pateixen
variacions fortes al llarg del temps, en altres paraules, són més irregulars i volàtils que
les additives.
Ens pot interessar separar els components d'una sèrie temporal i poder veure quin és
l'efecte de cadascun sobre l'evolució de la sèrie. Atès que el component tendència és el
que millor representa la sèrie, podem intentar aïllar-lo intentant representar-lo mitjançant
les següents funcions matemàtiques:
• Recta: T= a+b*t on t és el temps
• Polinomi: T= a+b*t+c*t² +d*t³ ... El polinomi pot ser de qualsevol grau.
• Exponencial:
Predicció
Si fem servir una funció per predir el component tendència i si coneixem el component
estacional, podem predir els valors futurs de la sèrie. Per exemple en una sèrie additiva
seria així: Y = (Funció Tendència) + E
L'Índex de Laspeyres
Per calcular aquest índex fem el següent:
1. Triem un període base per l'índex, el valor del qual serà sempre 100.
2. Calculem el % que suposa cada producte en la despesa total -ponderacions-
NOMÉS ho fem en el període base. És a dir:
3. Ponderació = (preu producte *quantitat)/Despesa
4. Calculem els índex simples del preu de cada producte per separat. Recordem
que: IS = (Preu / Preu període base) *100
5. Calculem un índex complex dels preus amb la mitjana ponderada dels índex
simples.
Ho entendrem millor amb un exemple:
Producte A Producte B Producte C
Període Q P Q P Q P Despesa
La inflació
La inflació té diverses taxes, que expliquem tot seguit:
• Taxa d'inflació mensual: és la taxa de variació de l'IPC entre dos meses
consecutius.
I mensual =[IPC mes actual - IPC mes anterior) / IPC mes anterior] *100
• Taxa d'inflació interanual: és la taxa de variació de l'IPC entre un mes
qualsevol i el mateix mes de l'any anterior.
I interanual =[IPC mes actual - IPC mes any anterior)/IPC mes any anterior] *100
• Taxa d'inflació acumulada: és la taxa de variació de l'IPC entre un mes
qualsevol i l'inici de l'any al que pertany.
IA=[IPC mes actual-IPC desembre any anterior)/IPC desembre any anterior] *100
Creixement nominal i creixement real
Sovint ens pot interessar saber si la pujada del nostre sou ens fa perdre poder
adquisitiu arran de l'efecte de la inflació o si pel contrari hem augmentat el nostre poder
adquisitiu. D'aquesta forma, distingim entre creixement nominal i creixement real.
El creixement nominal es calcula calculant quan ha augmentat el valor en % i no té en
compte l'efecte de l'IPC.
Creixement nominal = [(Valor actual-valor anterior)/valor anterior] *100
En canvi, el creixement real sí considera l'efecte de la inflació i mesura quan ha
crescut -o descrescut- el nostre sou en termes de l'IPC. Primer hem de deflactar el sou
per saber quin sou hauríem de tenir per estar igual que abans -sense perdre ni guanyar
poder adquisitiu per l'inflació-.
Valor deflactat = (Valor anterior/IPC anterior) * IPC actual
Creixement real = [(Valor anterior-valor deflactat)/valor deflactat] *100
Podem realitzar el procés invers -actualització-, és a dir, mirem a quin valor
correspondria el valor actual si estiguéssim a l'any del valor anterior:
Valor actualitzat = (Valor actual/IPC actual) * IPC anterior
Creixement real = [(Valor actualitzat-valor anterior)/valor anterior] *100