Académique Documents
Professionnel Documents
Culture Documents
UNIDAD 1
CONCEPTOS GENERALES
0. TERMINOLOGÍA
CONTADURÍA
Las empresas de contadores públicos al realizar auditorías para sus clientes
emplean procedimientos de muestreo estadístico. Por ejemplo, suponga que una
empresa de contadores desea determinar si las cantidades en cuentas por cobrar que
aparecen en la hoja de balance del cliente representan la verdadera cantidad en
cuentas por cobrar. Por lo general, el gran número de cuentas por cobrar hace que su
revisión tome demasiado tiempo y sea muy costosa. Lo que se hace en estos casos es
que el personal encargado de la auditoría selecciona un subconjunto de las cuentas al
que se le llama muestra. Después de revisar la exactitud de las cuentas tomadas en la
muestra (muestreadas) los auditores concluyen si la cantidad en cuentas por cobrar
que aparece en la hoja de balance del cliente es aceptable.
1
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
2
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
3
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
3. Cuando el residuo que aparece después del último dígito que queremos conservar es
CINCO, se dan dos alternativas:
a) Si ES CINCO MÁS UN RESIDUO, por mínimo que sea, se aumenta el dígito hasta el
número superior:
24,32𝟓001 → 24,33 1,73𝟓08 → 1, 734
b) Si ES CINCO SIN NINGUN RESIDUO, hay dos casos:
- Cuando el último dígito es par no sufre cambio.
12,745000 → 12,74 0,82500 → 0,82
- Cuando el último dígito es impar, se aumenta el número superior
12,715000 → 12,72 0,83500 → 0,84
4
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
EJERCICIOS UNIDAD 1
1. Dados los siguientes tipos de valores, indique cuales son variables discretas y
variables continuas:
a) El peso del contenido de un paquete de cereal
b) El diámetro de una rueda
c) El número de artículos defectuosos producidos
d) El número de personas que reciben su pensión en un área geográfica.
e) El monto de las ventas de dólares
f) Relación entre activos presentes y pasivos presentes
2. Indique cuales de los siguientes términos u operaciones están relacionados con una
muestra o con muestreo, y cuales se refiere a una población
a) Medidas de grupo llamadas parámetros.
b) El uso de estadística inferencial.
c) La realización de un censo
d) Los estudiantes de un aula de clase de una Universidad
e) La inspección de cada uno de los artículos ensamblados
f) Universo
4. Suponga que desea tomar una muestra aleatoria de 10 cuentas por cobrar de una
población de 25 cuentas. Explique cómo se obtiene la muestra:
a) Mediante muestreo aleatorio simple
b) Mediante muestreo aleatorio sistemático
5
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
UNIDAD 2
PRESENTACIONES ESTADÍSTICAS
2.1. DISTRIBUCIÓNES DE FRECUENCIAS
Una distribución de frecuencia es una tabla en la cual los valores que puede tomar
una variable se agrupan en clases, y se registra la cantidad de valores observados de
clase. A los datos organizados en una distribución de frecuencia se les llama datos
agrupados. En cambio, en el caso de datos no agrupados se hace una lista con cada
uno de los valores observados de la variable aleatoria.
Ejemplo.
Dadas las siguientes puntuaciones:
15 – 22 – 17 – 30 – 22 – 27 – 18 – 20 – 14 – 24
34 – 28 – 21 – 05 – 10 – 09 – 12 – 23 – 16 – 31
Se ordenan en forma creciente, desde la puntuación menor, hasta la puntuación
mayor.
x f x f
05 1 21 1
09 1 22 2
10 1 23 1
12 1 24 1
14 1 27 1
15 1 28 1
16 1 30 1
17 1 31 1
18 1 34 1
20 1
6
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo:
Datos: R =30; N° Clases =?
Solución:
Cálculo del N° de clases
√𝑁 ⟹ √20 = 4,47 ≈ 5
7
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Por lo tanto
30
𝑖𝑐 = =5
6
Si el intervalo de clases nos da un número decimal, redondeamos al número impar
más cercano, para que la mitad del intervalo (punto medio), sea un número entero
30
𝑖𝑐 = = 4,29 ≈ 5
7
Es siempre recomendable que el intervalo de clases sea un número impar
3. Determinar el límite de clases: Se toma el puntaje más bajo como el Límite
inferior (𝐿𝑖 ) del primer intervalo de clases, para obtener el Límite Superior (𝐿𝑠 ) al
Límite inferior se le suma el intervalo de clases menos 1 para obtener el primer
intervalo de clases.
𝐿𝑠 = 𝐿𝑖 + (𝑖𝑐 − 1)
Ejemplo:
Determinar el Límite superior si el puntaje más bajo es 5 y el intervalo de clase es
cinco.
Datos: 𝐿𝑆 =? 𝐿𝑖 = 5 𝑖𝑐 = 5
Solución
𝐿𝑠 = 5 + (5 − 1) = 5 + 4 = 9
Por lo tanto el primer intervalo será: 5 - 9, que abarca los puntajes 5 – 6 – 7 – 8 y 9
Después para determinar las demás clases, se le suma a cada límite (tanto inferior,
como superior) el intervalo de clases y así obtendremos la clase siguiente.
Primera Clase: 5 - 9 5 - 9
Segunda clase: 𝐿𝑖 + 𝑖𝑐 - 𝐿𝑆 + 𝑖𝑐 5+5 - 9 + 5 10 - 14
Tercera clase: 𝐿𝑖 + 𝑖𝑐 - 𝐿𝑆 + 𝑖𝑐 10 + 5 - 14 + 5 15 - 19
Cuarta clase: 𝐿𝑖 + 𝑖𝑐 - 𝐿𝑆 + 𝑖𝑐 15 + 5 - 19 + 5 20 - 24
Quinta clase: 𝐿𝑖 + 𝑖 𝑐 - 𝐿𝑆 + 𝑖𝑐 20 + 5 - 24 + 5 25 - 29
Sexta clase: 𝐿𝑖 + 𝑖 𝑐 - 𝐿𝑆 + 𝑖𝑐 25 + 5 - 29 + 5 30 - 34
CLASES TABULACIÓN f
5 ------ 9 2
10 ------ 14 3
15 ------ 19 4
20 ------ 24 6
25 ------ 29 2
30 ------ 34 3
8
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
34 + 30 64
𝑥= = = 32
2 2
CLASES f fa
5 ------ 9 2 2
10 ------ 14 3 5
15 ------ 19 4 9
20 ------ 24 6 15
25 ------ 29 2 17
30 ------ 34 3 20
9
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo
CLASES f fa fr.(%)
5 ------ 9 2 2 10
10 ------ 14 3 5 25
15 ------ 19 4 9 45
20 ------ 24 6 15 75
25 ------ 29 2 17 85
30 ------ 34 3 20 100
7
6
5
Frecuencia
4
3
2
1
0
7 12 17 22 27 32
Puntos medios de clase
.
Como puede observarse sobre cada punto medio se levanta una barra hasta la altura
que marca la frecuencia correspondiente:
10
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
7
6
5
4
3
2
1
0
2 5 9 15 17 20
Curva de Frecuencia Acumulada: Este gráfico se construye con los límites reales
de cada clase en las abcisas y con la frecuencia acumulada hasta cada clase en las
ordenadas.
20
18
16
frecuencia acumulada
14
12
10
8
6
4
2
0
9.5 14.5 19.5 24.5 29.5 34.5
Límite Superior Real
11
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Curva de Frecuencia Relativa: Este gráfico se construye con los límites reales de
cada clase en las abcisas y con la frecuencia relativa (%) hasta cada clase en las
ordenadas.
100
90
frecuencia Relativa % 80
70
60
50
40
30
20
10
0
9.5 14.5 19.5 24.5 29.5 34.5
Límite Superior Real
Ojiva: Es un gráfico de línea que se diseña utilizando en el eje horizontal los límites
superiores de una distribución de frecuencias. La información se obtiene de la
columna de frecuencias acumuladas (absoluta o relativa).
25 Ojiva
Frecuencia acumulada
20
15
10
0
9 14 19 24 29 34
Limite Superior
12
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
EJERCICIOS UNIDAD 2
1. En un centro comercial, se consultó la edad a todas las personas que entraban entre
las 12:00 h y 12:30 h. Los resultados obtenidos fueron los siguientes:
175 173 181 169 195 196 177 174 170 168
185 173 170 168 172 179 184 183 176 188
179 177 172 180 193 195 178 187 190 192
188 180 172 169 171 176 184 183 180 179
15 36 20 22 4 54 73
42 45 21 17 70 1 3
29 33 48 51 65 61 73
27 25 3 16 19 69 55
36 34 3 36 34 58 11
26 42 47 23 17 4 10
3. En una prueba de
admisión, un grupo de 100 estudiantes obtuvo los siguientes puntajes:
25 18 32 24 17 23 15 28 14 26 12 34 25 16 23 21 9 33 24 15
29 19 35 22 31 20 27 13 25 30 19 24 12 23 32 26 5 24 32 21
22 18 33 20 36 22 25 16 29 19 38 23 35 17 28 11 26 41 20 31
27 18 26 39 24 16 29 21 25 30 23 14 26 37 23 18 32 25 29 20
22 33 21 30 27 15 28 22 31 17 21 34 27 19 28 13 34 10 7 24
4. Los datos que se dan a continuación corresponden a los pesos en Kg. de ochenta
Personas:
60 66 77 70 66 68 57 70 66 52
75 65 69 71 58 66 67 74 61 63
69 80 59 66 70 67 78 75 64 71
81 62 64 69 68 72 83 56 65 74
67 54 65 65 69 61 67 73 57 62
67 38 63 67 71 68 76 61 62 63
76 61 67 67 64 72 64 73 79 58
67 71 68 59 69 70 66 62 63 66
13
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
UNIDAD 3
Notación de Suma: Para denotar la suma de todos los desde hasta, utilizamos la
letra sygma (Σ), letra mayúscula del abecedario griego .Esta letra griega será la
responsable de denotar la suma de todos los Así pues, por definición;
14
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑋1 + 𝑋2 + 𝑋3 … . . +𝑋𝑁 ∑𝑁
𝑗=1 𝑋𝑗 ∑𝑋
𝑋̅ = = =
𝑁 𝑁 𝑁
𝑋̅ = Media Aritmética
X = Puntajes u observaciones
N = Número de observaciones
𝛴 = Sumatoria
Ejemplo.
∑ 𝑋 8 + 3 + 5 + 12 + 10 38
𝑋̅ = = = = 7,6
𝑁 5 5
∑(𝑋 − 𝑋̅𝑎)
𝑋̅ = 𝑋̅𝑎 +
𝑁
Ejemplo.
X (𝑋 − 𝑋̅𝑎)
8 8–5=3
3 3 – 5 = -2
5 5–5=0
12 12 – 5 = 7
10 10 – 5 = 5
N=5 ∑(𝑋 − 𝑋̅𝑎) = 13
Aplicamos la fórmula:
∑(𝑋 − 𝑋̅𝑎) 13
𝑋̅ = 𝑋̅𝑎 + ⟹ 𝑋̅ = 5 + = 7,6
𝑁 5
15
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Aplicamos la fórmula.
∑ 𝑓𝑖 ∙ 𝑋 219
𝑥̅ = ⟹ 𝑥̅ = = 10,95
∑𝑓 20
Fórmula:
∑(𝑃 ∙ 𝑋)
𝑋̅𝑝 =
∑𝑃
16
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo.
La media de 30 estudiantes de Contaduría es de 7, la de 15 estudiantes de
Ingeniería es de 6,5 y la de 10 estudiantes de Economía es de 6. ¿Cuál es la media
ponderada de todas las medias.
P X .
P X
30 7 210
15 6,5 97,5
10 6 60
∑ 𝑃 = 55 ∑(𝑃 ∙ 𝑋) = 367,5
Aplicamos la fórmula:
∑(𝑃 ∙ 𝑋) 367,5
𝑋̅𝑝 = ⟹ 𝑋̅𝑝 = = 6,68
∑𝑃 55
3.9. PROPIEDADES DE LA MEDIA ARIMÉTICA
a) La suma algebraica de las desviaciones de un conjunto de números con
respecto a su media aritmética es cero.
Ejemplo,
Las desviaciones de los números 8, 3, 5, 12 y 10 en relación con su media
aritmética 7,6 son:
8 – 7,6 = 0,4
3 – 7,6 = - 4,6
5 – 7,6 = - 2,6
12 – 7,6 = 4,4
10 – 7,6 = 2,4
∑(𝑋𝑖 − 𝐴)2
𝑖=1
c) Si 𝑓1 números tiene media 𝑚1 , 𝑓2 números tiene media 𝑚2 ,…..𝑓𝐾 números
tiene media 𝑚𝐾 , entonces la media de todos los números es:
𝑓1 𝑚1 + 𝑓2 𝑚2 + … . . +𝑓𝐾 𝑚𝑘 ∑𝑘𝑗=1 𝑓𝑗 𝑚𝑗
𝑋̅ = = (2)
𝑓1 + 𝑓2 + … . 𝑓𝐾 ∑𝐾𝑗=1 𝑓𝑗
17
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑𝑁
𝑗=𝑖 𝑑𝑗 ∑𝑑 ∑𝑘
𝑗=1 𝑓𝑗 𝑑𝑗 ∑ 𝑓𝑑
𝑋̅ = 𝐴 + 𝑁
=𝐴+ 𝑁
⟹ 𝑋̅ = 𝐴 + ∑𝐾
= 𝐴+
𝑗=1 𝑓𝑗 𝑁
Donde 𝑁 = ∑𝐾
𝑗=1 𝑓𝑗 = ∑ 𝑓 estas dos fórmulas se resumen la ecuación
∑𝑓 𝑥 ∑ 𝑓∙𝑑
𝑋̅ = ∑ 𝑓𝑖 ; 𝑋̅ = 𝑋̅𝑎 + ∑ 𝑓 ; 𝑑 = 𝑋 − 𝑋̅𝑎
𝑖 𝑖
Ejemplo 1
Tenemos la siguiente distribución:
Clases 𝒇𝒊 x 𝒇𝒊 ∙ 𝒙
20 - 24 5 22 110
25 - 29 20 27 540
30 - 34 50 32 1.600
35 - 39 15 37 555
40 - 44 10 42 420
∑ 𝑓𝑖 =100 ∑ 𝑓𝑖 𝑥 = 3.225
Solución.
∑ 𝑓𝑖 𝑥 3.225
𝑋̅ = ⟹ 𝑋̅ = = 32,25
∑ 𝑓𝑖 100
Ejemplo 2
Clases 𝒇𝒊 x ̅𝒂
𝒅=𝑿−𝑿 𝒇𝒊 ∙ 𝒅
20 - 24 5 22 22 – 32 = -10 -50
25 - 29 20 27 27 – 32 = -5 - 100
30 - 34 50 32 32 - 32 = 0 0
35 - 39 15 37 37 – 32 = 5 75
40 - 44 10 42 42 – 32 = 10 100
∑ 𝑓𝑖 =100
∑ 𝑓𝑖 ∙ 𝑑 = 25
18
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Solución.
∑ 𝑓∙𝑑 25
𝑋̅ = 𝑋̅𝑎 + ∑ 𝑓 ⟹ 𝑋̅ = 32 + 100 = 32,25
𝑖
Ejemplo
𝑀𝑑 = 5
𝑓𝑖
∑ = La que corresponda (debe ubicarse)
2
𝑓𝑖
𝑓𝑎𝑒 = La frecuencia acumulada que está encima de ∑ 2
𝑓𝑖
𝑓𝑖𝑑 = La frecuencia que está por debajo de ∑ 2
𝐿𝑖𝑟 = Límite inferior real de la clase que corresponde a 𝑓𝑎𝑒
ic =intervalo de clase que corresponda
19
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo 1
Tenemos la siguiente distribución:
Clases 𝒇𝒊 𝒇𝒂
20 - 24 5 5
25 - 29 20 25 𝑓𝑖
←∑ = 50
2
30 - 34 50 75
35 - 39 15 90
40 - 44 10 100
∑ 𝑓𝑖 =100
Entonces tenemos
100
∑ 𝑓𝑖/2 = = 50
2
𝑓𝑎𝑒 = 25
𝑓𝑖𝑑 = 50
𝐿𝑖𝑟 = 29,5
𝑖𝑐 = 5
Aplicamos la fórmula
𝑓𝑖
∑
− 𝑓𝑎𝑒 50 − 25
𝑀𝑑 = 𝐿𝑖𝑟 + ( 2 ) ∙ 𝑖𝑐 ⟹ 𝑀𝑑 = 29,5 + ( ) ∙ 5 = 32
𝑓𝑖𝑑 50
Ejemplo 2
Entonces tenemos
50
∑ 𝑓𝑖/2 = = 25
2
𝑓𝑎𝑒 = 5
𝑓𝑖𝑑 = 20
𝐿𝑖𝑟 = 109,5
𝑖𝑐 = 10
20
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Aplicamos la fórmula
𝑓
∑ 𝑖 − 𝑓𝑎𝑒 25 − 5
𝑀𝑑 = 𝐿𝑖𝑟 + ( 2 ) ∙ 𝑖𝑐 ⟹ 𝑀𝑑 = 109,5 + ( ) ∙ 10 = 119,5
𝑓𝑖𝑑 20
Ejemplo.
Tenemos las siguientes series de observaciones:
3 - 4 - 8 - 4 - 12 - 4 - 8 - 4 - 7
Ejemplo:
21
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Aplicamos la fórmula:
∆1 50−20
𝑀𝑜 = 𝐿𝑖𝑟 + (∆1+∆2) ∙ 𝑖𝑐 ⟹ 𝑀𝑜 = 29,5 + [(50−20)+(50−15)] ∙ 5 = 31,81
∑ log 𝑋 ∙ 𝑓𝑖
log 𝐺 =
𝑁
Ejemplo:
3 3
La media geométrica de los números 2, 4 y 8, es: √2 ∙ 4 ∙ 8 = √64 = 4
∑ log 𝑥𝑖∙𝑓𝑖
Fórmula para datos agrupados: log 𝐺 = ∑ 𝑓𝑖
22
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo:
Tenemos la siguiente distribución:
Aplicamos la fórmula:
∑ log 𝑥𝑖∙𝑓𝑖 150,55
log 𝐺 = ∑ 𝑓𝑖
⟹ log 𝐺 = 100
23
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Aplicamos la fórmula
∑ 𝑓𝑖 100
𝐻= 𝑓𝑖 ⟹ 𝐻= = 31,45
∑ 3,18
𝑥𝑖
ARMÓNICA
La media geométrica de un conjunto de números positivos 𝑋1 , 𝑋2 , 𝑋3 , … . . , 𝑋𝑁 es
menor o igual a su media aritmética, pero es mayor o igual a su media armónica,
Es decir:
𝐻 ≤ 𝐺 ≤ 𝑋̅
Ejemplo:
El conjunto 2, 4 y 8, tiene
2 + 4 + 8 14
𝑋̅ = = = 4,67
3 3
3
𝐺 = √2 ∙ 4 ∙ 8 = 4
3 3
𝐻= = = 3,43
1 1 1 7
2+4+8 8
Ejemplo:
24
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑ 𝑓𝑖∙𝑥𝑖 2
𝑀𝐶 = √ ∑ 𝑓𝑖
Ejemplo:
Aplicamos la fórmula:
∑ 𝑓𝑖∙𝑥𝑖 2 17.164
𝑀𝐶 = √ ∑ 𝑓𝑖
⟹ 𝑀𝐶 = √ = 20,46
41
De forma similar, los valores que dividen los datos en diez (10) partes iguales son
llamados Deciles, los cuales se denotan por 𝐷1 , 𝐷2 , … … , 𝐷9 , mientras que los valores
que dividen los datos en cien (100) partes iguales se conocen como Percentiles y se
indican con 𝑃1 , 𝑃2 . 𝑃3 , … . . , 𝑃99 . El quinto decil y el 50o percentil coinciden con la
mediana, los percentiles 25o y 75o corresponden al primero y tercer cuartiles,
respectivamente.
De manera conjunta, cuartiles, deciles y percentiles, lo mismo que otros valores
obtenidos por medio de subdivisiones iguales de los datos, son denominados
cuantiles.
25
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Fórmula:
𝑁
𝑄𝑘 = 𝑘 ∙ ( )
4
Ejemplo
26
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑓𝑖
1 ∙ (∑ 4 ) − 𝑓𝑎𝑒
𝑄1 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
𝑓𝑖
2 ∙ (∑ 4 ) − 𝑓𝑎𝑒
𝑄2 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
𝑓𝑖
3 ∙ (∑ 4 ) − 𝑓𝑎𝑒
𝑄3 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
𝑓𝑖
1 ∙ (∑ 10) − 𝑓𝑎𝑒
𝐷1 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
𝑓𝑖
2 ∙ (∑ 10) − 𝑓𝑎𝑒
𝐷2 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
𝑓𝑖
9 ∙ (∑ 10) − 𝑓𝑎𝑒
𝐷9 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
27
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑓𝑖
1 ∙ (∑ 100 − 𝑓𝑎𝑒)
𝑃1 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
𝑓𝑖
2 ∙ (∑ 100) − 𝑓𝑎𝑒
𝑃2 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
𝑓𝑖
99 ∙ (∑ ) − 𝑓𝑎𝑒
100
𝑃99 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐
𝑓𝑖𝑑
Clases 𝒇𝒊 𝒇𝒂
20 - 24 5 5
25 - 29 20 25
30 - 34 50 75
35 - 39 15 90
40 - 44 10 100
∑ 𝑓𝑖 =100
PRIMER CUARTIL:
𝑓𝑖
1∙(∑ )−𝑓𝑎𝑒 1∙(25)−25
4
𝑄1 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐 ⟹ 𝑄1 = 29,5 + [ ] ∙ 5 = 29,5 + 0 = 29,5
𝑓𝑖𝑑 50
SEGUNDO CUARTIL
𝑓𝑖
2∙(∑ )−𝑓𝑎𝑒 2∙(25)−25
4
𝑄2 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐 ⟹ 𝑄2 = 29,5 + [ ] ∙ 5 = 29,5 + 2,5 = 32
𝑓𝑖𝑑 50
28
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
TERCER CUARTIL
𝑓𝑖
3∙(∑ )−𝑓𝑎𝑒 3∙(25)−25
4
𝑄3 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐 ⟹ 𝑄3 = 29,5 + [ ] ∙ 5 = 29,5 + 5 = 34,5
𝑓𝑖𝑑 50
DECIL SIETE
𝑓𝑖
7∙(∑ )−𝑓𝑎𝑒 7∙(10)−25
10
𝐷7 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐 ⟹ 𝐷7 = 29,5 + [ ] ∙ 5 = 29,5 + 4,5 = 34
𝑓𝑖𝑑 50
𝑓𝑖
48∙(∑ )−𝑓𝑎𝑒 48∙(1)−25
100
𝑃48 = 𝐿𝑖𝑟 + [ ] ∙ 𝑖𝑐 ⟹ 𝑃48 = 29,5 + [ ] ∙ 5 = 29,5 + 2,3 = 31,8
𝑓𝑖𝑑 50
29
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
EJERCICIOS UNIDAD 3
1. Completar los datos que faltan en la siguiente tabla estadística, donde fi, fa y fr(%)
representan, respectivamente, la frecuencia absoluta, acumulada y relativa. Calcula La Media
Aritmética, La Mediana y La Moda
x f fa fi.xi
240 8
255 10 510
265 2 12
280 14
290 1 15
300 1 16 300
305 17 305
325 1 18
330 19
340
X fi
4 5
6 8
8 9
9 10
10 8
CLASES fi
preguntas
0 - 10 40
10 - 20 60
20 - 30 75
30 - 40 90
40 - 50 105
50 - 60 85
60 - 70 80
70 - 80 65
30
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
5. Se desea determinar cómo variaban las estaturas (en pulgadas) de las obreras de
una empresa y el cual se toma una muestra de 50 mujeres y se obtuvo la siguiente
tabla,
CLASES fi
Estaturas
53 - 56 2
56 - 59 5
59 - 62 9
62 - 65 15
65 - 68 12
68 - 71 5
71 - 74 2
CLASES fi
200 - 299 85
300 - 399 90
400 - 499 120
500 - 599 70
600 - 699 62
700 - 799 36
.
31
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
UNIDAD 4
MEDIDAS DE DISPERSIÓN
4.1. INTRODUCCIÓN
Mientras los estadísticos de tendencia central nos indican los valores alrededor de
los cuales se sitúan un grupo de observaciones, los estadísticos de variabilidad o
dispersión muestran si los valores de las observaciones están próximos entre sí o
están muy separados. Dos conjuntos de datos pueden tener la misma localización
central y no obstante, ser muy distintos si uno de ellos se halla más disperso que el
otro.
Por ejemplo, a continuación se te presenta el monto en bolívares de ventas
mensuales en el segundo semestre de las empresas “X” y “Y”
Empresa “X”
12.900.000
𝑥̅ = = 2.150.000
6
Empresa “Y”
12.900.000
𝑥̅ = = 2.150.000
6
Ambas tienen la misma media en ventas, pero si realizamos el análisis
considerando cada una de las ventas del mes podemos apreciar que la situación de la
empresa “Y” es muy delicada, debido a que el último mes de facturación se aleja
mucho de la media. Por esto la importancia de las medidas de dispersión.
32
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
4.2. DISPERSIÓN.
Es el grado en que los datos numéricos tienden a extenderse alrededor de un valor
medio. La dispersión de la distribución suministra información complementaria que
permite juzgar la confiabilidad de nuestra medida de tendencia central. Si los datos están
ampliamente dispersos, la localización central será menos representativa de los datos en
su conjunto lo que sería en el caso de datos que se acumulasen más alrededor de la
media. Además, si no conviene tener una amplia dispersión de valores respecto al centro
o si esa dispersión implica un riesgo inaceptable, deberemos ser capaces de reconocerlo y
no escoger las distribuciones que presentan la máxima dispersión.
𝑅 = 𝐿𝑆 − 𝐿𝑖 Datos agrupados
Un rango pequeño indica poca variación, uno grande indica una gran variabilidad.
Observaciones:
a. No es muy útil porque solo toma en cuenta los valores máximos y mínimos de
una distribución por lo que no da una idea de la verdadera concentración de
los valores. Igual rango pero diferente variabilidad.
b. No se puede utilizar en distribuciones que contenga intervalos abiertos.
c. Puede ser afectados por observaciones externas.
Fórmula:
∑ 𝑓 ∙ (|𝑋 − 𝑥̅ |)
𝐷. 𝑀 =
∑ 𝑓𝑖
33
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo:
Aplicamos la fórmula
∑ 𝑓 ∙ (|𝑋 − 𝑥̅ |) 337,5
𝐷. 𝑀 = ⟹ 𝐷. 𝑀 = = 3,375
∑ 𝑓𝑖 100
Fórmula:
𝑅𝐼𝑄 = 𝑄1 − 𝑄3
Gráficamente.
25% 25%
datos datos
𝑋𝑚𝑒𝑛𝑜𝑟 𝑄1 𝑄2 𝑄3 𝑋𝑚𝑎𝑦𝑜𝑟
A través del rango intercuartil podemos ver (aproximadamente), qué tan lejos de la
mediana tenemos que ir en cualquiera de las dos direcciones antes de que podamos recorrer
una mitad de los valores del conjunto de datos. Sin embargo una de las medidas más utilizada
es el rango semi-intercuartil.
34
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Fórmula:
𝑄1 − 𝑄3
𝑅𝑆𝐼𝑄 =
2
El Rango Percentil 10-90. Se define como la diferencia de los valores de 𝑃90 𝑦 𝑃10
Fórmula:
𝑃10−90 = 𝑃90 − 𝑃10
𝜎 2 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑁𝑜𝑡𝑎𝑐𝑖ó𝑛: { 2
𝑆 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
Fórmulas:
35
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Fórmulas:
∑𝑁
𝑖=1(𝑋𝑖 − 𝑥̅ )
2 ∑𝑁 2
𝑖=1(𝑋𝑖 − 𝑥̅ ) ∙ 𝑓𝑖
𝜎= √ 𝜎=√
𝑁 ∑ 𝑓𝑖
∑𝑁 (𝑋𝑖 − 𝑥̅ )2 ∑𝑁 2
𝑖=1(𝑋𝑖 − 𝑥̅ ) ∙ 𝑓𝑖
𝑆 = √ 𝑖=1 𝑆=√
𝑁−1 𝑁−1
Ejemplo:
Solución:
∑ 𝑓𝑖 𝑥 3.225
𝑋̅ = ⟹ 𝑋̅ = = 32,25
∑ 𝑓𝑖 100
Cálculo de la Varianza
∑𝑁 2
𝑖=1(𝑋𝑖 − 𝑥̅ ) ∙ 𝑓𝑖 2.422,30
𝜎2 = ⟹ 𝜎2 = = 24,22
∑ 𝑓𝑖 100
∑𝑁 2
𝑖=1(𝑋𝑖 − 𝑥̅ ) ∙ 𝑓𝑖
𝜎=√ ⟹ 𝜎 = √24,22 = 4,92
∑ 𝑓𝑖
36
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Comprobación de la media
∑ 𝑓(𝑢 + 1) = ∑(𝑓𝑢 + 𝑓) = ∑ 𝑓𝑢 + ∑ 𝑓 = ∑ 𝑓𝑢 + 𝑁
Ejemplo
𝑋𝑖 − 𝑥̅ 𝑎
CLASES 𝒇𝒊 𝑿𝒊 𝑢= 𝑓𝑢 𝑢2 𝑓𝑢2
𝑖𝑐
22 − 32
20 - 24 5 22 = −2 -10 4 20
5
27 − 32
25 - 29 20 27 = −1 -20 1 20
5
32 − 32
30 - 34 50 32 =0 0 0 0
5
37 − 32
35 - 39 15 37 =1 15 1 15
5
42 − 32
40 - 44 10 42 =2 20 4 40
5
∑ 𝑓𝑖 = 100 ∑ 𝑓𝑢= 5 95
Aplicamos la fórmula
∑ 𝑓𝑢 + 𝑁 = 5 + 100 = 105
37
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Corrección de Sheppard para la Varianza SC: Cuando en una serie clasificada los
límites de clase comprenden varias unidades se introducen un error al agrupar los
datos en clase (llamado error de agrupamiento), debido a que los puntos medios o
marcas no coinciden con los respectivos promedios de los datos agrupados en cada
clase.
Los puntos medios o marcas de clase tienen mayor dispersión que los promedios lo
que da lugar a un error en la varianza en exceso, este error se corrige mediante la
corrección Sheppard con lo cual se obtiene la varianza ajustada o corregida para lo
𝑖𝑐 2
cual a la varianza calculada se le resta la constante
12
Ejemplo
∑ 𝑓𝑖 𝑥 3.480
𝑋̅ = ⟹ 𝑋̅ = = 69,6
∑ 𝑓𝑖 50
Cálculo de la Varianza:
∑𝑁 2
𝑖=1(𝑋𝑖 − 𝑥̅ ) ∙ 𝑓𝑖 5.392
𝑆2 = ⟹ 𝑆2 = = 107,84
𝑓𝑖 50
𝑖𝑐 = 10 ⟹ 𝑖𝑐 2 = 100
38
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑖𝑐 2 100
𝑆𝐶 = √𝑆 2 − ⟹ 𝑆𝐶 = √107,84 − = √99,50666 = 9,975302
12 12
Ejemplo.
Cálculo de la Varianza:
2
∑𝑁 2
𝑖=1(𝑋𝑖 − 𝑥̅ ) ∙ 𝑓𝑖 5.392
𝑆 = ⟹ 𝑆2 = = 110,04
𝑁−1 49
39
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑𝑁 2
𝑖=1(𝑋𝑖 − 𝑥̅ ) ∙ 𝑓𝑖 5.392
𝑆=√ ⟹𝑆=√ = 10,49
𝑁−1 49
𝑆 10,49
𝑉= ∙ 100 ⟹ 𝑉= = 0,1507 ∙ 100 = 15,07%
𝑥̅ 69,6
𝑥𝑖 − 𝑥̅
𝑧=
𝑆
Si las desviaciones en relación con la media se dan en unidades de la desviación estándar,
se dice que están expresadas en unidades estándar o medidas estándar. Son muy útiles
para comparar distribuciones.
Ejemplo.
Matemática Financiera
𝑥𝑖 = 17 ; 𝑥̅ = 15 ; 𝑆 = 5
𝑥𝑖 − 𝑥̅ 17 − 15
𝑧= ⟹ 𝑧= = 0,40
𝑆 5
Estadística
𝑥𝑖 = 16 ; 𝑥̅ = 13 ; 𝑆 = 4
𝑥𝑖 − 𝑥̅ 16 − 13
𝑧= ⟹ 𝑧= = 0,75
𝑆 4
40
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Luego ha obtenido una desviación estándar de 0,40 y 0,75 por encima de la media,
siendo por lo tanto su puntuación superior en estadística.
∑ 𝑥𝑖 2 ∙ 𝑓𝑖
𝑆=√ − 𝑥̅ 2
𝑁
Ejemplo.
𝑥𝑖 𝑓𝑖 𝑥𝑖 ∙ 𝑓𝑖 𝑥𝑖 2 𝑥𝑖 2 ∙ 𝑓𝑖 𝑧𝑖
2 4 8 4 16 -1,71
4 6 24 16 96 - 0,84
6 10 60 36 360 0,03
8 7 56 64 448 0,90
10 3 30 100 300 1,77
N= 30 ∑ 𝑥𝑖 ∙ 𝑓𝑖 =178 ∑ 𝑥𝑖 2 ∙ 𝑓𝑖 = 1220
Fórmulas:
𝑥𝑖 − 𝑥̅ ∑ 𝑥𝑖 2 ∙ 𝑓𝑖
𝑧= ; 𝑆=√ − 𝑥̅ 2
𝑆 𝑁
∑ 𝑓𝑖 𝑥 178
𝑋̅ = ⟹ ̅𝑋 = = 5,93
∑ 𝑓𝑖 30
∑ 𝑥𝑖 2 ∙ 𝑓𝑖 1.220
𝑆=√ − 𝑥̅ 2 ⟹ 𝑆=√ − 5,932 = √40,67 − 35,16 = 2,3
𝑁 30
𝑥𝑖 − 𝑥̅
𝑧=
𝑆
2−5,93 4−5,93 6−5,93
𝑧1 = = −1,7 ; 𝑧2 = = −0,84 ; 𝑧3 = = 0,03
2,3 2,3 2,3
8−5,93 10−5,93
𝑧4 = 2,3
= 0,90 ; 𝑧5 = 2,3
= 1,77
41
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
EJERCICIOS UNIDAD 4
CLASES fi CLASES fi
20 - 30 16 60 - 62 5
30 - 40 25 63 - 65 18
40 - 50 51 66 - 68 42
50 - 60 80 69 - 71 27
60 - 70 20 72 - 74 8
70 - 80 8
42
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
UNIDAD 5
𝑋1 𝑟 + 𝑋2 𝑟 + ⋯ + 𝑋𝑛 𝑟 ∑ 𝑋 𝑟
̅̅̅
𝑥𝑟 = =
𝑁 𝑁
A la que se llama el r-ésimo momento. El primer momento, en el que r = 1 es la
media aritmética 𝑥̅ .
∑(𝑋 − 𝑥̅ )𝑟
𝑚𝑟 = ̅̅̅̅̅̅̅̅̅̅̅
= (𝑋 − 𝑥̅ )𝑟
𝑁
Si r = 1 entonces 𝑚1 = 0. Si r = 2 entonces 𝑚2 es la Varianza
∑(𝑋 − 𝐴)𝑟 ∑ 𝑑 𝑟
𝑚′𝑟 = = ̅̅̅̅̅̅̅̅̅̅̅
= (𝑋 − 𝑥̅ )𝑟
𝑁 𝑁
Donde las 𝑑 = 𝑋 − 𝐴 son las desviaciones de X con respecto de A (marca de clase de
la mayor frecuencia absoluta)
43
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑚1 = 0
2
𝑚2 = 𝑚′2 − 𝑚′1
3
𝑚3 = 𝑚′3 − 3𝑚′1 𝑚′ 2 + 2𝑚′1
2 4
𝑚4 = 𝑚′4 − 4𝑚′1 𝑚′ 3 + 6𝑚′1 𝑚′ 2 − 3𝑚′1
∑ 𝑓𝑖 ∙ 𝑢
𝑚′1 = 𝑖𝑐 ∙
∑ 𝑓𝑖
′
∑ 𝑓𝑖 ∙ 𝑢2
2
𝑚 2 = 𝑖𝑐 ∙
∑ 𝑓𝑖
′
∑ 𝑓𝑖 ∙ 𝑢33
𝑚 3 = 𝑖𝑐 ∙
∑ 𝑓𝑖
′ 4
∑ 𝑓𝑖 ∙ 𝑢4
𝑚 4 = 𝑖𝑐 ∙
∑ 𝑓𝑖
Ejemplo
CLASES 𝑓𝑖 𝑥𝑖 𝑢 𝑓𝑖 ∙ 𝑢 𝑢2 𝑓𝑖 ∙ 𝑢2 𝑢3 𝑓𝑖 ∙ 𝑢3 𝑢4 𝑓𝑖 ∙ 𝑢4
60 - 62 5 61 -2 -10 4 20 -8 -40 16 80
63 - 65 18 64 -1 -18 1 18 -1 -18 1 18
66 - 68 42 67 0 0 0 0 0 0 0 0
69 - 71 27 70 1 27 1 27 1 27 1 27
72 - 74 8 73 2 16 4 32 8 64 16 128
∑ 𝑓𝑖 = 100 ∑ 𝑓𝑖 ∙ 𝑢 = 15 ∑ 𝑓𝑖 ∙ 𝑢2 = 97 ∑ 𝑓𝑖 ∙ 𝑢3 = 33 ∑ 𝑓𝑖 ∙ 𝑢4 = 253
∑ 𝑓𝑖 ∙ 𝑢 15
𝑚′1 = 𝑖𝑐 ∙ ⟹ 𝑚′1 = 3 ∙ = 0,45
∑ 𝑓𝑖 100
∑ 𝑓𝑖 ∙ 𝑢2 97
𝑚′ 2 = 𝑖𝑐 2 ∙ ⟹ 𝑚′ 2 = 9 ∙ = 8,73
∑ 𝑓𝑖 100
44
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑ 𝑓𝑖 ∙ 𝑢3 33
𝑚′ 3 = 𝑖𝑐 3 ∙ ⟹ 𝑚′ 3 = 27 ∙ = 8,91
∑ 𝑓𝑖 100
∑ 𝑓𝑖 ∙ 𝑢4 253
𝑚′ 4 = 𝑖𝑐 4 ∙ ⟹ 𝑚′ 4 = 81 ∙ = 204,93
∑ 𝑓𝑖 100
𝑚1 = 0
2
𝑚2 = 𝑚′ 2 − 𝑚′1
∑ 𝑓(𝑢 + 1) = ∑(𝑓𝑢 + 𝑓) = ∑ 𝑓𝑢 + 𝑁
∑ 𝑓(𝑢 + 1)2 = ∑ 𝑓𝑢2 + 2 ∑ 𝑓𝑢 + 𝑁
∑ 𝑓(𝑢 + 1)3 = ∑ 𝑓𝑢3 + 3 ∑ 𝑓𝑢2 + 3 ∑ 𝑓𝑢 + 𝑁
∑ 𝑓(𝑢 + 1)4 = ∑ 𝑓𝑢4 + 4 ∑ 𝑓𝑢3 + 6 ∑ 𝑓𝑢2 + 4 ∑ 𝑓𝑢 + 𝑁
45
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo.
CLASES 𝑓 𝑥𝑖 𝑢 𝑓. 𝑢 𝑢2 𝑓. 𝑢2 𝑢3 𝑓. 𝑢3 𝑢4 𝑓. 𝑢4
21 − 27
20 - 22 3 21 = −2 -6 4 12 -8 -24 16 48
3
24 − 27
23 - 25 10 24 = −1 - 10 1 10 -1 -10 1 10
3
27 − 27
26 - 28 25 27 =0 0 0 0 0 0 0 0
3
30 − 27
29 - 31 7 30 =1 7 1 7 1 7 1 7
3
33 − 27
32 - 34 5 33 =2 10 4 20 8 40 16 80
3
∑𝑓 = ∑ 𝑓.u = 2 3 ∑𝑓𝑢 = 4
50 1 ∑𝑓𝑢 = 49 ∑𝑓𝑢 = 13 145
Solución:
Comprobación de Charlier
∑ 𝑓(𝑢 + 1) = ∑ 𝑓𝑢 + 𝑁 = 1 + 50 = 51
∑ 𝑓(𝑢 + 1)2 = ∑ 𝑓𝑢2 + 2 ∑ 𝑓𝑢 + 𝑁 = 49 + 2 ∙ 1 + 50 = 101
∑ 𝑓(𝑢 + 1)3 = ∑ 𝑓𝑢3 + 3 ∑ 𝑓𝑢2 + 3 ∑ 𝑓𝑢 + 𝑁 = 13 + 3 ∙ 49 + 3 ∙ 1 + 50 = 213
∑ 𝑓(𝑢 + 1)4 = ∑ 𝑓𝑢4 + 4 ∑ 𝑓𝑢3 + 6 ∑ 𝑓𝑢2 + 4 ∑ 𝑓𝑢 + 𝑁 = 145 + 4 ∙ 13 + 6 ∙ 49 + 4 ∙ 1 + 50 = 545
Corrección de Sheppard
1
a) 𝑚2 𝑐𝑜𝑟𝑟𝑒𝑔𝑖𝑑𝑜 = 𝑚2 − 𝑖𝑐 2
12
2
𝑚2 = 𝑚′ 2 − 𝑚′1
∑ 𝑓𝑖 ∙ 𝑢 1
𝑚′1 = 𝑖𝑐 ∙ ⟹ 𝑚′1 = 3 ∙ = 0,06
∑ 𝑓𝑖 50
∑ 𝑓𝑖 ∙ 𝑢2 49
𝑚′ 2 = 𝑖𝑐 2 ∙ ⟹ 𝑚′ 2 = 9 ∙ = 8,82
∑ 𝑓𝑖 50
46
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
2
𝑚2 = 𝑚′ 2 − 𝑚′1 = 8,82 − (0,06)2 = 8,82
1 2 1
𝑚2 𝑐𝑜𝑟𝑟𝑒𝑔𝑖𝑑𝑜 = 𝑚2 − 𝑖𝑐 = 8,82 − 32 = 8,82 − 0,75 = 8,07
12 12
1 7
b) 𝑚4 𝑐𝑜𝑟𝑟𝑒𝑔𝑖𝑑𝑜 = 𝑚4 − 2 𝑖𝑐 2 𝑚2 + 240 𝑖𝑐 4
2 4
𝑚4 = 𝑚′ 4 − 4𝑚′1 𝑚′ 3 + 6𝑚′1 𝑚′ 2 − 3𝑚′1
∑ 𝑓𝑖 ∙ 𝑢3 13
𝑚′ 3 = 𝑖𝑐 3 ∙ ⟹ 𝑚′ 3 = 27 ∙ = 7,02
∑ 𝑓𝑖 50
∑ 𝑓𝑖 ∙ 𝑢4 145
𝑚′ 4 = 𝑖𝑐 4 ∙ ⟹ 𝑚′ 4 = 81 ∙ = 234,9
∑ 𝑓𝑖 50
𝑚4 = 234,9 − 4 ∙ 0,06 ∙ 7,02 + 6 ∙ (0,06)2 ∙ 8,82 − 3 ∙ (0,06)4 = 233,41
1 7
𝑚4 𝑐𝑜𝑟𝑟𝑒𝑔𝑖𝑑𝑜 = 233,41 − ∙ 9 ∙ 8,82 + ∙ 81 = 191,36
2 240
𝑚1 Y 𝑚3 no necesitan correcciones
∑ 𝑓(𝑢 + 1) = 51
∑ 𝑓(𝑢 + 1)2 = 101
∑ 𝑓(𝑢 + 1)3 = 213
∑ 𝑓(𝑢 + 1)4 = 545
5.3 SESGO
Medida de Sesgo: En un análisis estadístico de una serie de valores, no sólo interesa
conocer el promedio y la dispersión de los datos, sino también cómo se refleja o
acerca esta serie a una distribución simétrica.
47
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
En las distribuciones sesgadas, la media tiende encontrarse del mismo lado que la
cola más larga opuesto al de la moda. Por lo tanto, una medida de la simetría (o
sesgo) se obtiene de la siguiente manera:
𝑥̅ − 𝑀𝑜
𝑆𝑒𝑠𝑔𝑜 =
𝑆
Para evitar el uso de la moda se puede utilizar la fórmula empírica y definir:
3(𝑥̅ − 𝑀𝑑)
𝑆𝑒𝑠𝑔𝑜 =
𝑆
A estas ecuaciones se les llama respectivamente, primer coeficiente de sesgo de
Pearson y segundo coeficiente de sesgo de Pearson.
Ejemplo.
Clases 𝒇𝒊 𝒙𝒊 𝒇𝒂 𝒇𝒊 ∙ 𝒙𝒊 𝒙𝒊 𝟐 𝒇𝒊 ∙ 𝒙𝒊 𝟐
20 - 24 5 22 5 110 484 2.420
25 - 29 20 27 25 540 729 14.580
30 - 34 50 32 75 1.600 1.024 51.200
35 - 39 15 37 90 555 1.369 20.535
40 - 44 10 42 100 420 1.764 17.640
∑ 𝑓𝑖 =100 ∑ 𝑓𝑖 𝑥𝑖 = 3.225 ∑ 𝑓𝑖 ∙ 𝑥𝑖 2 = 106.375
Solución:
48
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑ 𝑓𝑖 ∙𝑥𝑖 2 106.375
𝑆=√ − 𝑥̅ 2 = √ − 32,252 = √1.063,75 − 1.040,06
𝑁 100
𝑆 = √23,6875 = 4,87
Cálculo de la Mediana
𝑓
∑ 𝑖 − 𝑓𝑎𝑒 50 − 25
𝑀𝑑 = 𝐿𝑖𝑟 + ( 2 ) ∙ 𝑖𝑐 ⟹ 𝑀𝑑 = 29,5 + ( ) ∙ 5 = 32
𝑓𝑖𝑑 50
Cálculo de la Moda
∆1 50−20
𝑀𝑜 = 𝐿𝑖𝑟 + (∆1+∆2) ∙ 𝑖𝑐 ⟹ 𝑀𝑜 = 29,5 + [(50−20)+(50−15)] ∙ 5 = 31,81
𝑥̅ − 𝑀𝑜
𝑆𝑒𝑠𝑔𝑜1 =
𝑆
32,25 − 31,81
𝑆𝑒𝑠𝑔𝑜1 = = 0,09
4,87
3(𝑥̅ − 𝑀𝑑)
𝑆𝑒𝑠𝑔𝑜 =
𝑆
3(32,25 − 32)
𝑆𝑒𝑠𝑔𝑜 = = 0,15
4,87
5.4 CURTOSIS
La curtosis indica qué tan puntiaguda es una distribución; esto por lo regular es en
relación con la distribución normal.
A una distribución que tiene un pico relativamente se le llama Leptocurtica, en tanto
que si es relativamente aplastado se le dice platicúrtica. Una distribución normal, que
no es ni puntiaguda ni muy aplastada se llama mesocúrtica.
En una medida de curtosis se emplea el cuarto momento respecto a la media
aritmética, expresada en forma adimensional (que no tiene dimensiones), esta medida
se encuentra dada por:
49
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑚4
𝑎2 =
𝑚2 2
Dónde:
𝑎2 : Es el coeficiente de Curtosis
𝑚4 : Momento cuatro
𝑚2 : Momento dos.
Cuando 𝑎2 − 3 = 0 , la distribución es Mesocúrtica
Cuando 𝑎2 − 3 > 0 , la distribución es Leptocurtica
Cuando 𝑎2 − 3 < 0 , la distribución es Platicúrtica
Ejemplo:
𝑎2 − 3 = 3 − 3 = 0 La distribución es Mesocúrtica
50
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
EJERCICIOS UNIDAD 5
SALARIOS 𝑓
25.000 - 25.999 8
26.000 - 26.999 10
27.000 - 27.999 16
28.000 - 28.999 14
29.000 - 29.999 10
30.000 - 30.999 5
31.000 - 31.999 2
CLASES fi
60 - 62 5
63 - 65 18
66 - 68 42
69 - 71 27
72 - 74 8
CLASES fi
45 - 55 6
55 - 65 10
65 - 75 19
75 - 85 11
85 - 95 4
51
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
UNIDAD 6
REGRESIÓN Y CORRELACIÓN
6.1. REGRESIÓN:
La regresión estadística o regresión a la media es la tendencia de una medición
extrema a presentarse más cercana a la media en una segunda medición. La regresión
se utiliza para predecir una medida basándonos en el conocimiento de otra. Es una
técnica estadística utilizada para simular la relación existente entre dos o más
variables. Por lo tanto se puede emplear para construir un modelo que permita
predecir el comportamiento de una variable dada.
Análisis de regresión
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖
52
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Los parámetros, 𝛽0 y 𝛽1, del modelo se estiman por los estadísticos muestrales
𝑏𝑜 y 𝑏1 , los cuales se calcula utilizando el método de mínimos cuadrados.
𝑦̂ = 𝑏0 + 𝑏1 𝑥
∑ 𝑦𝑖 = 𝑛𝑏𝑜 + (∑ 𝑥𝑖 )𝑏1
{
∑ 𝑥𝑖 𝑦𝑖 = (∑ 𝑥𝑖 )𝑏0 + (∑ 𝑥𝑖 2 )𝑏1
Dónde:
𝑏0 = 𝑦̅ − 𝑏1 𝑥̅
∑ 𝑥𝑖 ∑ 𝑦𝑖
∑ 𝑥𝑖 𝑦𝑖 − 𝑆𝑥𝑦
𝑏1 = 𝑛 =
∑ 𝑥𝑖 2 −
(∑ 𝑥𝑖 )2 𝑆𝑥 2
𝑛
Ejemplo.
53
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑥𝑖 𝑦𝑖 𝑥𝑖 𝑦𝑖 𝑥𝑖 2
2 58 116 4
6 105 630 36
8 88 704 64
8 118 944 64
12 117 1.404 144
16 137 2.192 256
20 157 3.140 400
20 169 3.380 400
22 149 3.278 484
26 202 5252 676
∑ 𝑥𝑖 =140 ∑ 𝑦𝑖 =1300 ∑ 𝑥𝑖 𝑦𝑖 = 21.040 2
∑ 𝑥𝑖 = 2.528
∑ 𝑥𝑖 140
𝑥̅ = = = 14
𝑁 10
∑ 𝑦𝑖 1300
𝑦̅ = = = 130
𝑁 10
∑ 𝑥𝑖 ∑ 𝑦𝑖
∑ 𝑥𝑖 𝑦𝑖 − 𝑆𝑥𝑦
𝑏1 = 𝑛 =
∑ 𝑥𝑖 2 −
(∑ 𝑥𝑖 )2 𝑆𝑥 2
𝑛
𝑏0 = 𝑦̅ − 𝑏1 𝑥̅
Solución:
140 ∙ 1300
21.040 − 21.040 − 18.200 2.840
𝑏1 = 10 = = =5
140 2 2.528 − 1.960 568
2.528 − 10
𝑏0 = 130 − 5 ∙ 14 = 130 − 70 = 60
La ecuación de regresión:
𝑦̂ = 𝑏0 + 𝑏1 𝑥
𝑦̂ = 60 + 5𝑥
54
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Gráfica
250
200
150
Valores Y
100 Linear (Valores Y)
50
0
0 10 20 30
Ejemplo
Las notas de 12 alumnos de una clase de Contabilidad y Estadística son las
siguientes:
CONTABILIDAD 2 3 4 4 5 6 6 7 7 8 10 10
ESTADÍSTICA 1 3 2 4 4 4 6 4 6 7 9 10
Diagrama de dispersión
12
10
ESTADISTICA
6
Valores Y
4
Linear (Valores Y)
2
0
0 5 10 15
CONTABILIDAD
55
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
6.3. CORRELACIÓN
Es el grado de asociación entre dos o más variable, cuando la relación se hace
entre dos variables diremos que hay correlación simple y cuando la relación, se hace
con más de dos variables diremos que la correlación es múltiple.
Estos mismos valores de la tabla con signo negativo corresponden a la mis ma correlación
pero negativa.
𝑟 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
56
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo;
RANGO
ALUMNOS ESTADISTICA FINANZAS 𝐷 =𝑋−𝑌 𝐷2
𝑋 𝑌
A 18 20 2 1 1 1
B 20 12 1 4 -3 9
C 12 13 4 3 1 1
D 15 18 3 2 1 1
∑ 𝐷2 =12
Aplicamos la fórmula de Spearman:
6 ∑ 𝐷2
𝑟 =1−
𝑁(𝑁 2 − 1)
6 ∙ 12 72 −12
𝑟 =1− =1− = = −0,20
4(16 − 1) 60 60
Representación gráfica:
4.5
4
3.5
3
FINANZAS
2.5
2 Valores Y
1.5
Linear (Valores Y)
1
0.5
0
0 2 4 6
ESTADÍSTICA
(Datos no agrupados)
57
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Para X = 0, 4, 1, 5 y 10.
Para Y = 8, 6, 15, 4, y 2
Construimos la tabla:
𝑋 𝑌 𝑋∙𝑌 𝑋2 𝑌2
0 8 0 0 64
4 6 24 16 36
1 15 15 1 225
5 4 20 25 16
10 2 20 100 4
∑ 𝑋 =20 ∑ 𝑌 = 35 ∑ 𝑋𝑌 = 79 ∑ 𝑋 2 = 142 ∑ 𝑌 2 = 345
Aplicamos la fórmula1.
𝑁(∑ 𝑋𝑌) − ∑ 𝑋 ∙ ∑ 𝑌
𝑟=
√[𝑁(∑ 𝑋 2 ) − (∑ 𝑋)2 ][𝑁(∑ 𝑌 2 ) − (∑ 𝑌)2 ]
5 ∙ 79 − 20 ∙ 35 − 305 −305
𝑟= = = = −0,77
√[5 ∙ 142 − (20)2 ][5 ∙ 345 − (35)2 ] √(310)(500) 393,7
58
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
−61
5 −12,2
𝑟= = = −0,77
62 100 15,75
√ ∙
5 5
∑ 𝑍𝑋 𝑧𝑌
𝑟𝑥𝑦 =
𝑁
Esto es, el coeficiente de correlación de Pearson hace referencia a la media de los
productos cruzados de las puntuaciones estandarizadas de X y de Y. Esta fórmula
reúne algunas propiedades que la hacen preferible a otras. A operar con puntuaciones
estandarizadas es un índice libre de escala de medida. Por otro lado, su valor oscila,
en términos absolutos, entre 0 y 1
Téngase en cuenta que las puntuaciones estandarizadas muestran, precisamente, la
posición en desviaciones tipo de un individuo respecto a su media. Reflejan la medida
en que dicho individuo se separa de la media. En este sentido, supongamos que para
cada individuo tomamos dos medidas en X e Y. La correlación entre estas dos
variables será perfecta positiva cuando cada individuo manifieste la misma
superioridad o inferioridad en cada una de ellas. Esto se cumple cuando su posición
relativa sea la misma, es decir, cuando sus puntuaciones tipo sean iguales (Zx= Zy).
En este caso la fórmula de la correlación se transforma en:
59
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑ 𝑍𝑋 𝑧𝑌 ∑ 𝑍𝑋 𝑍𝑋 ∑ 𝑍𝑋 2
𝑟𝑥𝑦 = = = =1
𝑁 𝑁 𝑁
Cuando la correlación es perfecta negativa los valores de Zx y Zy son exactamente
iguales pero de signo contrario, resultando los productos cruzados de Zx y Zy
negativos. En este caso, el valor de la correlación es el mismo que anteriormente pero
de signo negativo.
Cuando la correlación es nula, para un valor obtenido de X se podrá obtener
cualquier valor de Y; es decir, para un valor determinado de Zx la misma cantidad de
valores positivos y negativos de Zy. De todo ello resulta que la suma de productos
cruzados valdrá cero ya que habrá tantos productos positivos como negativos. Así
pues:
∑ 𝑍𝑋 𝑧𝑌
𝑟𝑥𝑦 = =0
𝑁
Otra fórmula de la correlación de Pearson en Puntuaciones Directa es:
∑ 𝑋𝑌 ̅ ̅
− 𝑋𝑌
𝑟𝑋𝑌 = 𝑁
𝑆𝑋 𝑆𝑌
Dónde:
∑ 𝑋2 ∑𝑋
𝑆𝑋 = √ − 𝑋̅ 2 ⟹ 𝑋̅ = 𝑁
𝑁
∑ 𝑌2 ∑𝑌
𝑆𝑌 = √ − 𝑌̅ 2 ⟹ 𝑌̅ = 𝑁
𝑁
X: 105 116 103 124 137 126 112 129 118 105
Y: 4 8 2 7 9 9 3 10 7 6
60
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Solución:
a) Puntuaciones directas:
Fórmula:
∑ 𝑋𝑌 ̅ ̅
− 𝑋𝑌
𝑟𝑋𝑌 = 𝑁
𝑆𝑋 𝑆𝑌
𝑋 𝑌 𝑋2 𝑌2 𝑋𝑌
105 4 11.025 16 420
116 8 13.456 64 928
103 2 10.609 4 206
124 7 15.376 49 868
137 9 18.769 81 1.233
126 9 15.876 81 1.134
112 3 12.544 9 336
129 10 16.641 100 1.290
118 7 13.924 49 826
105 6 11.025 36 630
∑ 𝑋 =1175 ∑ 𝑌 =65 ∑ 𝑋 2 =139.245 ∑ 𝑌 2 =489 ∑ 𝑋𝑌 =7.871
∑ 𝑋 1.175
𝑋̅ = = = 117,5
𝑁 10
∑ 𝑌 65
𝑌̅ = = = 6,5
𝑁 10
Cálculo de la Desviaciones Estándar de X e Y
∑ 𝑋2 139.245
𝑆𝑥 = √ − 𝑋̅ 2 ⟹ 𝑆𝑥 = √ − (117,5)2 = √13.924,5 − 13.806,25
𝑁 10
𝑆𝑥 = √118,25 = 10,874
∑ 𝑌2 489
𝑆𝑌 = √ − 𝑌̅ 2 ⟹ 𝑆𝑌 = √ − (6,5)2 = √48,9 − 42,25
𝑁 10
61
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑆𝑌 = √6,65 = 2,579
Aplicamos la fórmula:
∑ 𝑋𝑌 ̅ ̅ 7.871
− 𝑋𝑌 − (117,5) ∙ (6,5) 787,1 − 763,75
𝑟𝑋𝑌 = 𝑁 ⟹ 𝑟𝑋𝑌 = 10 =
𝑆𝑋 𝑆𝑌 (10,874)(2,579) 28,044
23,35
𝑟𝑋𝑌 = = 0,8327
28,044
𝑋 𝑌 𝑋̅ 𝑥 𝑌̅ 𝑦 𝑥2 𝑦2 𝑥𝑦
105 4 117,5 -12,50 6,5 -2,50 156,25 6,25 31,25
116 8 117,5 -1,50 6,5 1,50 2,25 2,25 -2,25
103 2 117,5 -14,50 6,5 -4,50 210,25 20,25 65,25
124 7 117,5 6,50 6,5 0,50 42,25 0,25 3,25
137 9 117,5 19,50 6,5 2,50 380,25 6,25 48,75
126 9 117,5 8,50 6,5 2,50 72,25 6,25 21,25
112 3 117,5 -5,50 6,5 -3,50 30,25 12,25 19,25
129 10 117,5 11,50 6,5 3,50 132,25 12,25 40,25
118 7 117,5 0,50 6,5 0,50 0,25 0,25 0,25
105 6 117,5 -12,50 6,5 -0,50 156,25 0,25 6,25
∑ 𝑋 =1175 ∑ 𝑌 =65 ∑ 𝑥 =0 ∑𝑦 = 0 ∑ 𝑥 2 =1182,5 ∑ 𝑦 2 = 66,5 ∑ 𝑥𝑦 =233,5
Aplicamos la Fórmula:
∑ 𝑥𝑦 233,5 233,5
𝑟𝑥𝑦 = ⟹ 𝑟𝑥𝑦 = =
√∑ 𝑥 2 ∙ √∑ 𝑦 2 √1.182,5 ∙ √66,5 (34,387)(8,155)
233,5
𝑟𝑥𝑦 = = 0,8326
280,43
c) Puntuaciones Estandarizadas
Fórmulas:
∑ 𝑍𝑋 𝑧𝑌
𝑟𝑥𝑦 =
𝑁
𝑋 − 𝑋̅ 𝑌 − 𝑌̅
𝑍𝑥 = ; 𝑍𝑦 =
𝑆𝑋 𝑆𝑌
62
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Configuremos la tabla:
𝑋 𝑌 𝑋̅ 𝑆𝑋 𝑍𝑥 𝑌̅ 𝑆𝑌 𝑍𝑦 𝑍𝑥 𝑍𝑦
105 4 117,5 10,874 -1,15 6,5 2,579 -0,97 1,11
116 8 117,5 10,874 -0,14 6,5 2,579 0,58 -0,08
103 2 117,5 10,874 -1,33 6,5 2,579 -1,74 2,33
124 7 117,5 10,874 0,60 6,5 2,579 0,19 0,12
137 9 117,5 10,874 1,79 6,5 2,579 0,97 1,74
126 9 117,5 10,874 0,78 6,5 2,579 0,97 0,76
112 3 117,5 10,874 -0,51 6,5 2,579 -1,36 0,69
129 10 117,5 10,874 1,06 6,5 2,579 1,36 1,44
118 7 117,5 10,874 0,05 6,5 2,579 0,19 0,01
105 6 117,5 10,874 -1,15 6,5 2,579 -0,19 0,22
∑ 𝑋 =1175 ∑ 𝑌 =65 ∑ Zx = 0 ∑ 𝑍𝑦 = 0 ∑ 𝑍𝑥 𝑍𝑦 = 8,34
Aplicamos la fórmula:
∑ 𝑍𝑋 𝑧𝑌 8,34
𝑟𝑥𝑦 = ⟹ 𝑟𝑥𝑦 = = 0,834
𝑁 10
Fórmula:
(𝑁 − 𝑀𝑜𝑦 ) − (𝑁 − ∑ 𝑚𝑦 ) ∑ 𝑚𝑦 − 𝑀𝑜𝑦
𝜆𝑥𝑦 = =
𝑁 − 𝑀𝑜𝑦 𝑁 − 𝑀𝑜𝑦
Dónde:
63
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo:
Tras el hundimiento del Titanic de las 1285 personas que viajaban en él perecieron
800 y murieron 485 en función del sexo la distribución fue:
V M total %
Mueren 637 163 800 62,3
Sobreviven 138 347 485 37,7
Total 775 510 1.285 100
% 60,3 39,78
Solución.
64
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
También:
Ejemplo:
Supongamos que estamos estudiando la situación matrimonial de los cabezas de
familia y que hemos obtenido, a partir de una muestra representativa de la población,
los datos que se presentan en la siguiente tabla de distribución de frecuencia absoluta
tipo de familia
El cabeza de familia es hombre El cabeza de familia es mujer
Hay niño No hay niño Hay niño No hay niño
Situación matrimonial menores de 15 menores de 15 menores de 15 menores de 15
del cabeza de familia años años años años Total
Casado 6.444 4.804 78 50 11.376
Separado 20 126 250 106 502
Divorciado 19 237 284 276 816
Viudo 47 300 236 1.614 2.197
Total ∑ 𝑚𝑥 = 6.530 5.467 848 2.046 14.891
65
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
elige dicha categoría acertaremos con mayor frecuencia que si hubiéramos elegido el
resto de la categoría.
Esto es, si hubiéramos supuesto, antes de visitar a cada uno de los 14.891 cabezas
de familia entrevistados, que cada uno de ellos estaba casado, habríamos
acertado11.376 veces y nos hubiésemos equivocados (14.891 − 11.376 = 3.515)
ocasiones, Esta última cantidad representaría el número total de errores se predicción
que se cometería si predijéramos simplemente la moda global de la situación
matrimonial de la variable cabeza de familia.
Solución:
Fórmula:
∑ 𝑚𝑦 − 𝑀𝑜𝑦
𝜆𝑥𝑦 =
𝑁 − 𝑀𝑜𝑦
𝑀𝑜𝑦 = 11.376
𝑁 = 14.891
𝐸1 − 𝐸2
𝜏−𝑦 =
𝐸1
66
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Dónde:
𝑁−𝑓𝑖
𝐸1 = ∑ [ ∙ (𝑓𝑖 )]
𝑁
𝐸1 : 𝑃𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑡𝑖𝑝𝑜 𝐼
𝑓𝑖 : 𝐸𝑠 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑡𝑒𝑔ℎ𝑜𝑟í𝑎 𝑖 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
𝑁 = 𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠
𝑁𝑖 − 𝑛𝑖
𝐸2 = ∑ ∑ [ ∙ (𝑛𝑖 )]
𝑁𝑖
𝐸2 : 𝑃𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑡𝑖𝑝𝑜 𝐼𝐼
𝑛𝑖 : 𝐸𝑠 𝑙𝑎 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑒𝑙𝑑𝑖𝑙𝑙𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑡𝑒𝑔𝑜𝑟í𝑎 𝑖 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑢𝑛𝑎 𝑑𝑒 𝑙𝑎𝑠 𝑐 𝑐𝑎𝑡𝑒𝑔𝑜𝑟í𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
𝑁𝑖 = 𝐸𝑠 𝑒𝑙 𝑝𝑎𝑟𝑐𝑖𝑎𝑙 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑢𝑛𝑎 𝑑𝑒 𝑙𝑎𝑠 𝑐𝑎𝑡𝑒𝑔𝑜𝑟í𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒
𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
Ejemplo:
Solución:
Errores que se cometería al predecir la situación matrimonial a partir de los datos de
la tabla:
Errores bajo la predicción I (𝐸1 ),sin conocer la distribución de la variable
independiente
𝑁−𝑓𝑖
𝐸1 = ∑ [ ∙ (𝑓𝑖 )]
𝑁
14.891−11.376
14.891
∙ (11.376) = 2.685,29 Errores para la categoría de casados
67
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
14.891−502
∙ (502) = 485,08 Errores para la categoría de separados
14.891
14.891−816
∙ (816) = 771,28 Errores para la categoría de divorciados
14.891
14.891−2.197
∙ (2.197) = 1.872,86 Errores para la categoría de viudos
14.891
𝑁𝑖 −𝑛𝑖
𝐸2 = ∑ ∑ [ ∙ (𝑛𝑖 )]
𝑁𝑖
𝑁𝑖 −𝑛𝑖 6.530−6.444
∙ (𝑛𝑖 ) = ∙ (6.444) = 84,87 Errores para la categoría de casados
𝑁𝑖 6.530
𝑁𝑖 −𝑛𝑖 6.530−20
∙ (𝑛𝑖 ) = ∙ (20) = 19,94 Errores para la categoría de separados
𝑁𝑖 6.530
𝑁𝑖 −𝑛𝑖 6.530−19
∙ (𝑛𝑖 ) = ∙ (19) = 18,94 Errores para la categoría de divorciados
𝑁𝑖 6.530
𝑁𝑖 −𝑛𝑖 6.530−47
∙ (𝑛𝑖 ) = ∙ (47) = 46,66 Errores para la categoría de viudos
𝑁𝑖 6.530
𝑁𝑖 −𝑛𝑖
∑[ ∙ (𝑛𝑖 )] = 170,41,
𝑁𝑖
Error esperado para la categoría cabeza de familia varón con niños menores de 15
años = 170,41
𝑁𝑖 −𝑛𝑖 5.467−4.804
∙ (𝑛𝑖 ) = ∙ (4.804) = 582,60 Errores para la categoría de casados
𝑁𝑖 5.467
𝑁𝑖 −𝑛𝑖 5.467−126
∙ (𝑛𝑖 ) = ∙ (126) = 123,09 Errores para la categoría de separados
𝑁𝑖 5.467
𝑁𝑖 −𝑛𝑖 5.467−237
∙ (𝑛𝑖 ) = ∙ (237) = 226,73 Errores para la categoría de divorciados
𝑁𝑖 5.467
𝑁𝑖 −𝑛𝑖 5.467−300
∙ (𝑛𝑖 ) = ∙ (300) = 283,54 Errores para la categoría de viudos
𝑁𝑖 5.467
𝑁𝑖 −𝑛𝑖
∑[ ∙ (𝑛𝑖 )] = 1.215,96
𝑁𝑖
68
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Error esperado para la categoría cabeza de familia varón sin niños menores de 15
años = 1.215,96
𝑁𝑖 − 𝑛𝑖 848 − 78
∙ (𝑛𝑖 ) = ∙ (78) = 70,83
𝑁𝑖 848
𝑁𝑖 − 𝑛𝑖 848 − 250
∙ (𝑛𝑖 ) = ∙ (250) = 176,29
𝑁𝑖 848
𝑁𝑖 − 𝑛𝑖 848 − 236
∙ (𝑛𝑖 ) = ∙ (284) = 204,96
𝑁𝑖 848
𝑁𝑖 − 𝑛𝑖 848 − 236
∙ (𝑛𝑖 ) = ∙ (236) = 170,32
𝑁𝑖 848
𝑁𝑖 −𝑛𝑖
∑[ ∙ (𝑛𝑖 )] = 622,40
𝑁𝑖
Error esperado para la categoría cabeza de familia mujer con niños menores de 15
años = 622,40
𝑁𝑖 − 𝑛𝑖 2.046 − 50
∙ (𝑛𝑖 ) = ∙ (50) = 48,78
𝑁𝑖 2.046
𝑁𝑖 − 𝑛𝑖 2.046 − 106
∙ (𝑛𝑖 ) = ∙ (106) = 100,51
𝑁𝑖 2.046
𝑁𝑖 − 𝑛𝑖 2.046 − 276
∙ (𝑛𝑖 ) = ∙ (276) = 238,77
𝑁𝑖 2.046
𝑁𝑖 − 𝑛𝑖 2.046 − 1.614
∙ (𝑛𝑖 ) = ∙ (1.614) = 340,79
𝑁𝑖 2.046
𝑁𝑖 −𝑛𝑖
∑[ ∙ (𝑛𝑖 )] = 728,85
𝑁𝑖
Error esperado para la categoría cabeza de familia mujer sin niños menores de 15
años = 728,85
𝑁𝑖 −𝑛𝑖
𝐸2 = ∑ ∑ [ ∙ (𝑛𝑖 )] = 170,41 + 1.215,96 + 622,40 + 728,85
𝑁𝑖
𝐸2 = 2.737,62
69
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝐸1 − 𝐸2 5.814,51 − 2.737,62
𝜏−𝑦 = ⟹ 𝜏−𝑦 = = 0,53𝑥100 = 53%
𝐸1 5.814,51
Esto nos indica que se han reducido en un 53% los errores cometidos al predecir la
colocación de los casos las categorías de la variable dependiente, mediante la
información que aporta la distribución de los casos en la variable independiente.
Naturalmente, si en lugar de haber considerado independiente la variable “tipo de
familia” hubiéramos estados interesados en la predicción de esta variable a partir de
la distribución se la variable “situación matrimonial”, se hubiese obtenido un valor de
𝜏−𝑦 diferente porque se trata de una medida asimétrica.
70
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
EJERCICIO UNIDAD 6
N° de clientes (X) 8 7 6 4 2 1
Distancia (Y) 15 19 25 23 34 40
Para X = 4, 3, 5, 2, y 1
Para Y = 6, 2, 0, 4 y 3
71
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Para X = 2, 7, 4, 3, y 5
Para Y = 1, 6, 9, 2 y 4
7. Una compañía desea hacer predicciones del valor anual de sus ventas totales en
cierto país a partir de la relación de éstas y la renta nacional. Para investigar la
relación cuenta con los siguientes datos:
Renta Nacional (X) 189 190 208 227 239 252 257 274 293 308 316
Ventas (Y) 402 404 412 425 429 436 440 447 458 469 469
LUGAR DE RESIDENCIA
Religiosidad Rural Semi-urbano Urbano Metropolitano
Católico practicante 320 305 188 80
Católico no practicante 432 290 170 62
Indiferente 280 212 126 66
No creyente 60 35 20 3
72
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
UNIDAD 7
SERIES CRONOLÓGICAS
0. NÚMEROS INDICES
Generalmente las magnitudes socioeconómicas varían en el espacio y/o en el
tiempo y normalmente surge la necesidad de hacer comparaciones en función del
tiempo y/o el espacio, tanto por separado como por grupos o conjunto de las mismas.
Con el fin de poder realizar estas comparaciones es necesario elaborar series de
indicadores económicos, siendo los números índices uno de ellos. La teoría de los
números índices se ha desarrollado, fundamentalmente, para el estudio de las
variaciones de precios, tratando de medir el nivel general de precios e inversamente,
el poder adquisitivo del dinero. Sin embargo, la aplicabilidad de estos indicadores no
se limita al estudio de los precios, utilizándose en todos los campos de la actividad
humana que se pueden observar y cuantificar estadísticamente. En economía tienen
un gran empleo, existiendo números índice de salarios, producción, precios, comercio
exterior, y otros.
7.1 DEFINICIÓN
Los números índices constituyen una técnica para analizar y comparar un conjunto
de datos en distintos momentos del tiempo y/o del espacio. Mediante los números
índices se pretende estudiar las variaciones de un fenómeno complejo por medio de
una expresión que permita comparar dos o más situaciones distintas en el tiempo y/o
el espacio. Actualmente, los números índice son muy utilizados y cada vez más
conocidos, digamos: ¿Quién no ha escuchado hablar del índice de Precios al
Consumidor (IPC) que se emite mensualmente, del índice de inflación que emite el
Banco Central trimestralmente, del índice de precios y cotizaciones que maneja la
Bolsa de Valores, del promedio industrial Dow Jones, del índice Nasdaq o del
Promedio accionario Estándar & Poor?
El período de referencia se llama también período base y a veces se toma como tal
no un solo período sino el promedio de varios de ellos, como cuando se dice, por
ejemplo, que el consumo de un artículo es de130% respecto a la década .2010-2015
73
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
7.2 NATURALEZA.
Los números índices pueden tener distinta naturaleza:
a) NATURALEZA ESTADISTICA, cuando se obtienen sin tener en cuenta las
posibles relaciones funcionales de las magnitudes en estudio, y
b) NATURALEZA FUNCIONAL, cuando se obtienen suponiendo una relación
funcional entre los valores de las variables y su entorno. En este tema nos
centraremos en los números índices de naturaleza estadística y comentaremos los de
naturaleza funcional en un anexo.
En resumen, podemos decir que un número índice, indica, mediante sus
variaciones, los cambios de una magnitud que no es susceptible de medición exacta
en sí misma, ni de una evaluación directa en la práctica.
7.3 CLASIFICACIÓN
Atendiendo a la naturaleza estadística, podemos establecer la siguiente
clasificación de los números índice:
Índices Simples: Los números índices simples se refieren a un solo artículo o
concepto, lo cual se traduce a trabajar con una variable unidimensional. Son simples
relaciones o porcentajes entre los valores de un artículo o concepto correspondientes
a dos épocas o lugares que desean compararse. La comparación se realiza entre el
valor correspondiente a un periodo fijo (periodo base) y el valor alcanzado por la
magnitud en cualquier otro momento i.
Dónde:
74
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo:
La siguiente serie se refiere a los derechos liquidados en el Banco Industrial:
a) Calcular un índice simple para estudiar la evolución de los pagos, tomando como
periodo de referencia el año 2010
b) Interpretar algunos de los índices
c) Calcular un índice simple para estudiar la evolución de los pagos, tomando como
periodo de referencia el promedio de los años 2011 y 2012
13.429
𝐼2010⁄ (𝑃) = 𝑥100 = 1𝑥100 = 100%
2010 13.429
14.454
𝐼2011⁄ (𝑃) = 𝑥100 = 1,076𝑥100 = 107,6%
2010 13.429
16.663
𝐼2012⁄ (𝑃) = 𝑥100 = 1,241𝑥100 = 124,1%
2010 13.429
18.085
𝐼2013⁄ (𝑃) = 𝑥100 = 1,347𝑥100 = 134,7%
2010 13.429
4.768
𝐼2014⁄ (𝑃) = 𝑥100 = 0,355𝑥100 = 35,5%
2010 13.429
5.210
𝐼2015⁄ (𝑃) = 𝑥100 = 0,388𝑥100 = 38,8%
2010 13.429
13.429
𝐼2010⁄2010 (𝑃) = 15.558,50 = 0,863𝑥100 = 86,3%
75
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
14.454
𝐼2011⁄2010 (𝑃) = 15.558,50 = 0,929𝑥100 = 92,9%
16.663
𝐼2012/2010 (𝑃) = 15.558,50 = 0,1071𝑥100 = 107,1%
18.085
𝐼2013⁄2010 (𝑃) = 15.558,50 = 0,1162𝑥100 = 116,2%
4.768
𝐼2014⁄2010 (𝑃) = 15.558,50 = 0,307𝑥100 = 30,7%
5.210
𝐼2015⁄2010 (𝑃) = 15.558,50 == 0,335𝑥100 = 33,5%
Índices No Ponderados: Los índices no ponderados son los más sencillos de los
compuestos pero su utilidad es muy limitada. Los índices no ponderados de
agregados se construyen como el porcentaje de la suma de los agregados para cada
año, en relación del año base:
∑𝑝 ∑𝑞
𝐼𝑝𝑖⁄ (𝑃) = ∑ 𝑝 𝑖 𝑥100 𝐼𝑞𝑖⁄ (𝑃) = ∑ 𝑞 𝑖 𝑥100
𝑝0 𝑜 𝑞0 𝑜
Ejemplo
Los siguientes renglones constituyen los precios promedios para cada quinquenio
de las tres clases de tela usadas en la confección de vestido. Calcular los respectivos
índices compuestos agregados, tomando como base el quinquenio 2.000-2.004, y los
índices no ponderados.
76
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
𝑀𝑖𝑙𝑒𝑠 𝑑𝑒 𝐵𝑠./𝑚2
2000 - 04 56 15 32 34,33
2005-09 62 18 50 43,33
2010-14 72 23 51 48,67
𝑀𝑖𝑙𝑒𝑠 𝑑𝑒 𝐵𝑠./𝑚2
3
Tela A Tela B Tela C 𝐴∙𝐵∙𝐶 𝐺 = √𝐴 ∙ 𝐵 ∙ 𝐶
Años
2000 - 04 56 15 32 26.880 163,95
2005-09 62 18 50 55.800 236,22
2010-14 72 23 51 84.456 290,61
𝑀𝑖𝑙𝑒𝑠 𝑑𝑒 𝐵𝑠./𝑚2
Tela A Tela B Tela C Media Ponderada
Años
(56 + 15 + 32)
2000 - 04 56 15 32 𝑥100 = 100
(56 + 15 + 32)
(62 + 18 + 50)
2005-09 62 18 50 𝑥100 = 126,21
(56 + 15 + 32)
(72 + 23 + 51)
2010-14 72 23 51 𝑥100 = 141,75
(56 + 15 + 32)
77
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑𝑝
𝐼𝑝𝑖⁄ (𝑃) = ∑ 𝑝 𝑖 𝑥100
𝑝0 𝑜
Para 2.000-2004
(56+15+32)
𝐼2000−04⁄ (𝑃) = 𝑥100 = 100%
2000−04 (56+15+32)
(62+18+50)
𝐼2005−09⁄ (𝑃) = 𝑥100 = 126,21%
2000−04 (56+15+32)
(72+23+51)
𝐼2010−14⁄ (𝑃) = 𝑥100 = 141,75%
2000−04 (56+15+32)
Índice no ponderado relativo: Son aquellos que tienen que ver con los precios (p) o
cantidades (q)
𝑘
1 𝑝𝑖
𝐼𝑡⁄0 (𝑃) = ∙ ∑
𝐾 𝑝0
𝑖=1
𝑘
1 𝑞𝑖
𝐼𝑡⁄0 (𝑄) = ∙ ∑
𝐾 𝑞0
𝑖=1
Ejemplo
𝑡 𝐴 𝐵 𝐶
0 2 1 3
1 4 2 2
2 5 1 1
3 7 3 1
4 9 4 4
78
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Solución:
a) Cálculo de los índices simples con respecto al instante 0 y los Índices no
Ponderados
𝑞1 − 𝑞𝑜 1,6 − 1
∆𝐼1⁄ (𝑄) = 𝑥100 = = 0,6𝑥100 = 60%
0 𝑞0 1
𝑞2 − 𝑞𝑜 1,3 − 1
∆𝐼2⁄ (𝑄) = 𝑥100 = = 0,3𝑥100 = 30%
0 𝑞0 1
𝑞3 − 𝑞𝑜 2,3 − 1
∆𝐼3⁄ (𝑄) = 𝑥100 = = 1,3𝑥100 = 130%
0 𝑞0 1
𝑞4 − 𝑞𝑜 3,3 − 1
∆𝐼4⁄ (𝑄) = 𝑥100 = = 2,3𝑥100 = 230%
0 𝑞0 1
∑ 𝑤𝑡 𝑖 = 1
𝑖=1
79
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑ 𝑝𝑡 𝑖 ∙ 𝑞0 𝑖 ∑ 𝑞𝑡 𝑖 ∙ 𝑝0 𝑖
𝐿𝑝 = 𝑥100 𝐿𝑞 = 𝑥100
∑ 𝑝0 𝑖 ∙ 𝑞0 𝑖 ∑ 𝑞0 𝑖 ∙ 𝑝0 𝑖
𝑝 = 𝑝𝑟𝑒𝑐𝑖𝑜 ; 𝑞 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑
80
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑ 𝑝𝑡 𝑖 ∙ 𝑞0 𝑖
𝐿𝑝 = 𝑥100
∑ 𝑝0 𝑖 ∙ 𝑞0 𝑖
Para 2.013
(2,00𝑥4.000) + (5,00𝑥1.500)
𝐿2013⁄2013 (𝑃) = 𝑥100 = 1𝑥100 = 100%
(2,00𝑥4.000) + (5,00𝑥1.500)
Para 2.014
(2,20𝑥4.000) + (5,00𝑥1.500)
𝐿2014⁄2013 (𝑃) = 𝑥100 = 1,052𝑥100 = 105,2%
(2,00𝑥4.000) + (5,00𝑥1.500)
Para 2.015
(2,50𝑥4.000) + (5,30𝑥1.500)
𝐿2015⁄2013 (𝑃) = 𝑥100 = 1,161𝑥100 = 116,1%
(2,00𝑥4.000) + (5,00𝑥1.500)
Estos índices construidos para los precios y ponderados con las cantidades
correspondiente al año base, expresan la variación porcentual hipotética del
rendimiento en el año considerado si se hubieran consumido las mismas cantidades
del año base 2.013
El índice 116,1 para 2.015 indica que, debido a la variación de los precios, si en
este año de hubieran consumido las mismas cantidades de 2.013, el costo hubiese
aumentado en un 16,1%. Es claro que no se toma en cuenta que las cantidades
también han variado.
∑ 𝑝𝑡 𝑖 ∙ 𝑞𝑡 𝑖 ∑ 𝑞𝑡 𝑖 ∙ 𝑝𝑡 𝑖
𝑃𝑝 = 𝑥100 ; 𝑃𝑞 = 𝑥100
∑ 𝑝0 𝑖 ∙ 𝑞𝑡 𝑖 ∑ 𝑞0 𝑖 ∙ 𝑝𝑡 𝑖
81
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo:
Para 2.013
(2,00𝑥4.000) + (5,00𝑥1.500)
𝑃𝑝 = 𝑥100 = 1𝑥100 = 100%
(2,00𝑥4.000) + (5,00𝑥1.500)
Para 2.014
(2,20𝑥4.300) + (5,00𝑥2.000)
𝑃𝑝 = 𝑥100 = 1,0107𝑥100 = 101,07%
(2,00𝑥4.300) + (5,00𝑥2.000)
Para 2015
(2,50𝑥5.000) + (5,30𝑥2.200)
𝑃𝑝 = 𝑥100 = 1,1505𝑥100 = 115,05
(2,50𝑥5.000) + (5,00𝑥2.200)
82
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Ejemplo:
AÑOS
2012 2013 2014
BIENES
𝑝 𝑞 𝑝 𝑞 𝑝 𝑞
Papas 50 150 60 140 75 135
Azúcar 150 430 180 450 200 460
Aceite 180 300 200 310 220 325
Pollo 1000 250 1150 270 1300 300
83
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Solución:
∑ 𝑝 𝑖 ∙𝑞 𝑖 ∑𝑝 𝑖 ∙𝑞 𝑖 488.250
𝐿𝑝 = ∑ 𝑝𝑡 𝑖 ∙𝑞0 𝑖 𝑥100 ⟹ 𝐿𝑝 = ∑ 𝑝14 𝑖 ∙𝑞12𝑖 𝑥100 = 376.000 𝑥100 = 129,85
0 0 12 12
∑ 𝑝 𝑖 ∙𝑞 𝑖 ∑ 𝑝 𝑖 ∙𝑞 𝑖 563.625
𝑃𝑝 = ∑ 𝑝𝑡 𝑖 ∙𝑞𝑡 𝑖 𝑥100 ⟹ 𝑃𝑝 = ∑ 𝑝14𝑖 ∙𝑞14𝑖 𝑥100 = 434.250 𝑥100 = 129,79
0 𝑡 12 14
∑ 𝑞 𝑖 ∙𝑝 𝑖 ∑𝑞 𝑖 ∙𝑝 𝑖 434.250
𝐿𝑞 = ∑ 𝑞 𝑡 𝑖 ∙𝑝0 𝑖 𝑥100 ⟹ 𝐿𝑞 = ∑ 𝑞14𝑖 ∙𝑝12𝑖 𝑥100 = 376.000 = 115,49
0 0 12 12
∑ 𝑞 𝑖 ∙𝑝 𝑖 ∑𝑞 𝑖 ∙𝑝 𝑖 563.625
𝑃𝑞 = ∑ 𝑞 𝑡 𝑖 ∙𝑝𝑡 𝑖 𝑥100 ⟹ 𝑃𝑞 = ∑ 𝑞14 𝑖 ∙𝑝14 𝑖 𝑥100 = 488.250 = 115,44
0 𝑡 12 14
Expresando el valor (𝑣) como el producto del precio (𝑝) por la cantidad (𝑞):
𝑣 =𝑝∙𝑞
Pero cuando el bien en estudio está constituido por la agregación de varios bienes
elementales (como el valor de la alimentación esta fórmula se convierte en:
84
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
∑ 𝑝𝑖 ∙ 𝑞𝑖
𝑉= ∙ 100
∑ 𝑝0 ∙ 𝑞0
Ejemplo:
Para conocer la variación porcentual del valor agregado del plástico incorporado a la
construcción de la máquina, se construirá los índices de valor como el año 2012 como
base.
Solución:
Para 2012 = Año base = 100,00
Para 2013
Para 2014
Lo que debe interpretarse como incremento del 45,47% y 85,28% respectivamente para los años 2013
y 2014 en el valor añadido del plástico en la construcción de la máquina.
85
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
EJERCICIOS UNIDAD 7
1. Construir los índices simples para las ventas en serie tomando como período base
el promedio de las ventas en 2012 de acuerdo a la siguiente tabla:
2. Construir los índices simples para los precios de la serie de acuerdo a la siguiente
tabla, tomando como año base 2009
3. La siguiente serie se refiere a los costos de producción de un cierto artículo para los
años que se indican. Calcúlense los índices compuestos de agregados no ponderados
y los índices no ponderados relativos tomando como base el año 2012
86
ESTADÍSTICA 1 PROFESOR MIGUEL ANGEL RONDÓN
Artículo A Artículo B
Años
𝑝 𝑞 𝑝 𝑞
2009 3 3.000 5 1.500
2010 4 3.500 6 2.000
2011 5 4.000 7 2.200
7. Elaborar los índices de valor, con base en el año 1999, para los siguientes datos,
referentes a las importaciones de mineral de hierro por U.S.A, procedentes de los
países que se indican:
87