Introducción A La Estadística para Ade

JOSE M.
CASAS SANCHEZ
CatedraticodeEstadlstica Economlcoy Empresarial
Universidad de Alcala deHenares. Madrid
Estadlstlco Facultativo del Estado.
JULIAN SANTOS PENAS
INTRODUCCION
,-
A LA ESTADISTICA
PARA ADMINISTRACION
Y DIRECCION
DE EMPRESAS
Segundo edlclon
IEDITORIAL CENTRO OE ESTUDIOSRAM6NARECES.S. Po.
Primer a edici6n: julio 1999
Segunda edici6n: julio 2002
Reservados todos los dereehos.
Ni la totalidad niparte de este libro puede reproducirse 0
transmitirse por ningtin proeedirniento eleetr6nieo 0 me-
cameo, incluyendo fotoeopia, grabaci6n magnetica, 0
eualquier almaeenamiento de informaci6n y sistema de
reeuperaei6n, sin permiso eserito de Editorial Centro de
Estudios Ram6n Areces, S. A.
EDITORIAL CENTRO DE ESTUDIOS RAMON ARECES, S. A.
Tomas Bret6n, 21. 28045 Madrid.
ISBN: 84-8004-522-1
Dep6sito legal: M. 31.204-2002
Compuesto e irnpreso por Fernandez Ciudad, S. L.
1\ ':,
'I' I; Catalina Suarez, 19. 28007 Madrid
.. I
Impreso en Espana / Printed in Spain
I
I
A nuestras [amilias
;
Indice
PR6LOGO 11
CAPfTULO 1. EL METODO ESTADfSTICO EN LA INTERPRE-
TACI6N DE LOS HECHOS ECON6MICOS 13
1.1.
1.2.
1.3.
1.4.
Las ramas de la Estadfstica y sus metodos cientificos
La Estadfstica Descriptiva y el estudio de los hechos econ6-
micos ..
EI Calculo de Probabilidades como herramienta matematica
de Inferencia Estadfstica. La Estadfstica Moderna
La Inferencia Estadfstica como metoda de estudio de los he-
chos econ6micos '......................
13
15
17
18
CAPfTULO 2. DISTRIBUCIONES DE FRECUENCIAS UNIDI-
MENSIONALES 21
2.1.
2.2.
2.3.
2.4.
Introducci6n
Conceptos fundamentales
Tareas a desarrollar en las grandes etapas de la investigaci6n
estadfstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Construcci6n numerica y grafica de las distribuciones de fre-
cuencias unidimensionales
2.4.1. Distribuciones de frecuencias unidimensionales con los
datos no agrupados
2.4.2. Distribuciones de frecuencias unidimensionales con los
, datos agrupados en intervalos de clases
2.4.3. Representaciones graficas para distribuciones de fre-
cuencias de datos cualitativos
21
22
24
33
34
43
47
9
8 CASAS-sANCHEZ,1. M. y SANTOS-PE:NAS, J.
fNDICE
2.4.4. Representaciones graficas para distribuciones de fre-
cuencias de datos cuantitativos. . '.' .
2.5. Medidas de posici6n .
2.5.1. La media aritmetica .
2.5.2. La media geometrica ..
2.5.3. La media arm6nica ..
2.5.4. La mediana .
2.5.5. La moda .
2.5.6. Otras medidas de posici6n no centrales: los cuantiles ..
2.6. Momentos \ .
2.7. Medidas de dispersi6n .
2.8. Medidas de asimetria y curtosis .
2.9. Medidas de concentraci6n .
Ejercicios .
50
61
62
70
73
77
84
90
95
97
102
104
109
4.5.
4.6.
4.7.
4.8.
4.9.
4.10.
4.11.
4.4.1. fndices simples de precios
4.4.2. fndices complejos de precios sin ponderar
4.4.3. fndices complejos de precios ponderados
Indices de cantidades 0 cuanticos
Propiedades que cumplen los indices complejos y ponderados
de precios y cantidades
fndices en cadena
Cambio de base en una misma serie de nnmeros indices
Renovaci6n y enlace de series de numeros indices con distintas
bases
Repercusi6n y participaci6n en las variaciones de un Indice .
lndices de valor y deflactaci6n de series econ6micas
4.11.1. fndices de valor
4.11.2. Deflactaci6n de series econ6micas
205
206
208
212
216
217
218
222
224
226
226
227
4.12. fndice de precios de consumo (IPC) 229
CAPfTULO 3. DISTRIBUCIONES
MENSIONALES
DE FRECUENCIAS BIDI-
. 121
4.12.1.
4.12.2.
4.12.3.
Caracteristicas principales
Metodo de calculo
Enlace de series. Coeficientes de enlace
230
240
242
3.1. Introducci6n . 121
4.13. fndice de precios de consumo armonizado (IPCA) 247
3.2. Tabulaci6n de variables estadfsticas bidimensionales: distribu-
4.14. Otros indices 0 indicadores de coyuntura elaborados 249
ciones bidimensionales de frecuencias . 122
Ejercicios 251
3.2.1. Tablas de correlaci6n .. 122
3.3.
3.4.
3.2.2. Tablas de contingencia
Dependencia funcional y dependencia estadtstica
Regresi6n y correlaci6n lineal simple
.
.
.
135
138
145
CAPfTULO 5. ESTUDIO CLAsICO 0
SERIES TEMPORALES
DESCRIPTIVO DE LAS
261
3.5.
3.4.1. La regresi6n lineal simple .
3.4.2. Correlaci6n lineal simple ..
Regresi6n y correlaci6n lineal multiple .
3.5.1. Ajustede un plano por el metoda mfnimo-cuadratico
145
151
160
160
5.1.
5.2.
5.3.
5.4.
Introducci6n.......................................................
Concepto de serie temporal y definici6n de sus componentes.
Determinaci6n de la tendencia
Determinaci6n de las variaciones estacionales
261
261
267
280
3.6.
3.5.2. Ajuste de un hiperplano mediante la
algebra matricial
Ajustes no lineales por minimos cuadrados
utilizaci6n del
.
.
171
179
5.5. Determinaci6n de las variaciones ciclicas
Ejercicios
288
290
3.7. Estudio de la asociaci6n entre variables cualitativas . 184
Ejercicios . 188
CAPfTULO 6. FEN6MENOS ALEATORIOS Y SUCESOS 297
CAPfTULO 4. NOMEROS fNDICES 201 6.2. Fen6menos aleatorios , . 298
6.3.
6.4.
Espacio muestral
Sucesos
.
.
299
303
4.2.
4.3.
4.4.
Clasificaci6n de los numeros indices
Propiedades de los mimeros indices
Indices de precios
..
.
..
202
203
204
6.5.
6.6.
Operaciones con sucesos
6.5.1. Propiedades de las operaciones con sucesos
Sucesiones de sucesos
.
.
..
305
313
315
~
1
,
I;
I:!
,.
10 CASAS-sANCHEZ, J. M. y SANTOS-PENAS, J.
i'
I:
I'
,
6.7.
6.8.
Algebra de sucesos
Metodos de enumeraci6n 0 conteo '
..
..
317
320
Prologo 0 10 Segundo edicion
I
6.8.1. Tablas de doble entrada
320
6.8.2. Principio de multiplicaci6n ..
321
6.8.3. Diagramas de arbol ..
321
6.8.4. Combinaciones, variaciones y permutaciones .
323
Ejercicios ., .
325
!:
i CAPiTULO 7. PROBABILIDAD . 331
il
III
7.1. Introducci6n .
331
q
I
7.2. Definici6n clasica de la probabilidad ..
332
~ 1
7.3. Definici6n frecuentista de la probabilidad .
335
!l 7.4. Interpretaci6n subjetiva de la probabilidad .
339
Elpresente libro estaplanteado paraquesirvadetexto baseparaelestudio "
Ji' 7.5. Defmici6n axiomatica de la probabilidad .
341
de un semestrede I ntroducci6n a la Estadtstica enla Licenciaturade Adminis-
7.5.1. Teoremaselementales0 consecuencias delosaxiomas.
342
II traci6n yDirecci6n de Empresas.
7.6. Probabilidad condicionada .
355
Loscapftulos 1y2pretendenintroducirallectorenelmanejo delosdatos
II
7.6.1. Teorema de la probabilidad compuesta 0 producto ..
361
Ii numericos,ensefiarlea organizarlosresultados obtenidosdelasobservaciones
7.6.2. Teorema de la probabilidad total .
362
yasintetizarlainformaci6n con lasdiferentesmedidas deposici6n,dispersi6n,
I
I
7.6.3. Teorema de.Bayes .
364
forma yconcentraci6n.
!I 7.7. Independencia de sucesos .
366
En elcapftulo 3seproporcionan los instrumentos necesarios paraelestu-
Ejercicios . 370
I:
ii'
dio de las variables estadfsticas bidimensionales. Se introducen los conceptos
de tablas de correlaci6n, contingencia, distribuciones marginales y condicio-
385
4 BIBLIOGRAFiA
nadas, independencia estadfstica, regresi6n, correlaci6n, etc.
Dedicamosloscapftulos4y 5a dar algunosinstrumentos que nos permitan
hacer comparaciones y a estudiar la evoluci6nde magnitudes econ6micas y
sociales, introduciendo para ello los numeros indices y el estudio de las series
temporales.Tambien dedicamosdos capftulosalestudio de losfen6menosalea-
torios ysucesos,asfcomo alosconceptosmas importantes sobre probabilidad.
En esta segunda edici6n seha introducido la nueva unidad monetaria, el
Euro, se ha actualizado todo el capftulo de Ntimeros indices, recogiendo la
l
nueva metodologfa del Indice de Precios de Consumo y se ha suprimido la
i:
I,
Aplicaci6n InformaticaIPDparaAnalisisEstadfsticos.
\
Porultimo, deseamos agradecer a nuestros colaboradores, Mariano Ruiz
Espejo y Ana Isabel Zamora Sanz sus ayudas en la redacci6n de algunos
ejerciciospractices yen la correcci6n de pruebas.
LOS AUTORES
Madrid,julio de 2002
'
K i
i
Capitulo 1
EI rnerodo estadfstico
r
en la interpretacion
I:
I:
de los hechos econornlcos
'.
I
III
;!
I
I,
,I 1. 1. Las romos de 10 estodistico y sus metodos
II.:: cientificos
,'
I
II
La Estadistica, en suacepci6n mas general, puede considerarse como la
I:
I: ciencia que estudia las regularidades que se observan en una serie de fen6-
!:;
menos que pueden expresarse a traves de la informaci6n numerica, Su propia
"1" I
evoluci6n hist6ricafavorece,como veremos, que la percibamoscomo un con-
1
juntode cifras,graficos,promedios, etc. En una segunda acepci6n la Estadfs-
tica es un conjunto de metodos cientfficos que nos permiten interpretar la
I"
informaci6n numerica, elegir muestras representativas para hacer inferencias,
II;
contrastar hip6tesis, estimar relaciones causa-efecto y hacer predicciones. La
Ii
agrupaci6n del conjunto de conocimientos que componen a la Estadfstica da
I
ii
II; origen a tres ramas claramente diferenciadas:
Ii:
~ ' .
LaEstadisticaDescriptivaqueseestudiara enlospr6ximoscincocapftuIos.
El Calculo deProbabilidades que se desarrollaen el capitulosiete y en
i,
I',
I el texto del mismo autor: Estadistica I: Probabilidad y Distribuciones.
I:.
I,.
La Inferencia Estadistica que se estudia en otra obra, tambien del
! ~
mismo autor.
l La Estadistica Descriptiva es la que tiene sus rakes hist6ricas mas pro-
." !:.
fundas, ya que con una ciertaordenaci6n ysistematicafueempleadaporlas
~ Jj:.
~ I;! sociedades humanas mas primitivas. Su metodo cientffico es el deductivo ya
'1 Iii:
que plantea un conjunto de datos ordenados y genericos y va extrayendo
conclusionesparticularesde los mismos. Vade10general a 10particularque
esla esencia del metodo deductivo.
I
:1
,I,
1
I,'.. '.
i ~
"
l
14 CASAS-sANCHEZ, J. M. YSANTOS-PENAS, J.
El CalculodeProbabilidades tambien empiea elmetodadeductivo yaque
en esencia es un razonamiento puramente matematico, Arrancacon la defi-
nici6n de probabilidad a traves de una serie de axiomas de los que se van
deduciendo un conjunto de teoremas. Este conjunto de conocimientos no
constituye en sfuna rama de la Estadistica si no las herramientas materna-
ticas ymodelizadorasenlas que seapoyarala Inferencia Estadfsticaparasu
formulaci6n y desarrollo. El Calculo de Probabilidades empez6 a formali-
zarse a 10largo de las siglos XVI y XVII tratando de resolver problemas de
juegos de azar y del mundo de la Astronomfa.
Por ultimo, sefialaremos que la Inferencia Estadistica empiea el metodo
inductivo basandose enelconjuntodeinstrumentalmatematico-deductivoque
Ie proporciona el Calculo de Probabilidades. Procede de las observaciones
particulares de una muestra representativa y llega a la inducci6n de propie-
dades generalesparaelconjunto delque seextrae la mencionadamuestra. La
Inferencia Estadfstica esconsiderada como la Estadfstica moderna ya que se
"
ha desarrollado a 10 largo del siglo XX como uni6n y confluencia de la
;j
Descriptiva yelCalculo de Probabilidades.
i:;o
Utilizando las anteriores reflexionespodemos concluir que la Estadfstica,
ensuconjunto, teniendoencuenta todassusramas,empleaelmetodo deductivo
ii, en unas determinadas etapas de su proceso de investigaci6ny elinductivo en
otras.
Demanera muygeneralpodemos decirquelasetapasdetoda investigaci6n
estadfstica son las siguientes:
1.1,
t,
:"
1.
8
Definiciondelosobjetivosquese persiguenconla investigacion
Esta primera faseesfundamental, ya que sedefinenlos parametrespobla-
cionales que sepretendeninvestigar. Porejemplo,supongamos que deseamos
conocer los hogares 0 familias que tienen mas de un autom6vil en la Comu-
nidad de Madrid; la poblaci6n a investigar son todos los hogares de la Co-
munidad y el parametro poblacional sera la proporci6n 0 porcentaje de los
mismos que tienen mas de un autom6vil.
2.
8
Recogida de los datos estadisticos para Uegara conocer los parametres
ji
poblacionales
:Ii
, I'
Existen fundamentalmente dos formas de obtenerlos datos estadfsticos:
'ii
r'
,I
Porla ejecuci6nde una encuestacensal.En elejemplode los hogaresde
!,I
laComunidadde Madridconsistirfaenpreguntara todosellossiposeen
il'
'I': mas de un autom6vil. La caracterfstica de interes se mide en todos y
'I"
cada uno deloselementosdelapoblaci6n. Cuandoelestudio estadfstico
que se ejecuta es de naturaleza censal no existe ningun problema de
1:1
'Ii inferenciayelmetodo empleado sera Integramente deductivo. Los estu-
::1
Ii,:
"" dios censales son excepcionales ya que tienen un elevado coste y un
perfodo largo de ejecuci6n.
:1
I:
I
II
EL METODO ESTADfsTICO EN LA INTERPRETACI6NDE LOS HECHOS... 15
Por la ejecuci6nde una encuestamuestral. Esta segunda alternativa es
la que seutiliza en la investigaci6n estadfstica ya que tiene las enormes
ventajasde un costeecon6micoreducido, un corto perfodo deejecuci6n,
en comparaci6n con los censos, Yla calidad de los datos observados
puede controlarse mejor que en estes al ser vohimenes mas reducidos.
Lacaracterfsticaqueseestainvestigando s610 semideenunsubconjunto
de la poblaci6n, muestra, y los resultados obtenidos se infieren al total
poblacional. Elmetodapor tantoesinductivo yaquede10particularde
la muestra se generaliza al total de la poblaci6n. Siendo esta la raz6n
por la que la Inferencia Estadfstica adquiere toda su significaci6n: defi-
nicion de estimadores para los parametres poblacionales, modelos de
probabilidadquesiguen,nivelesdeconfianzaenlasestimaciones,errores
demuestreo queestamosdispuestos aadmitir, tamafiosdemuestras,etc.
3.
8
Descrlpclony estimackindelosparametres poblacionales
Si se ha utilizado la investigaci6n censal nuestro estudio finaliza con la
descripci6n de las caracterfsticas poblacionales a traves de tablas de frecuen-
cias y graficos, Se empleara el metodo deductivo siguiendo el camino de 10
general a 10 particular.
Siseha utilizado la investigaci6nmuestral hay que considerardos niveles
de analisis: el de modelizaci6n probabilfstica del proceso a priori que es
deductivo-inductivo (definici6ndel modelo y proceso de inferencia) y el de
descripci6n de losdatos obtenidos 0 analisis a posteriori que esdescriptivo 0
deductivo. Cuando se obtienen los datos de la muestra seleccionada por un
procedimiento probabilfstico, ya no tenemos estimadores que siguen una dis-
tribuci6n 0 modelo de probabilidad, sino estimaciones0 datos concretos que
hay que describir 0 reducir de forma ordenada de 10general ---conjunto de
losdatos muestrales- a10particular. Luegola Estadfstica Descriptiva con su
metoda deductivo interviene cuando tenemos un conjunto de datos a poste-
riori,bienprovengan deuna investigaci6ncensal,biendeuna muestral. Cuan-
do estemos en este ultimo caso, las descripciones de las estimaciones deben
veniracompafiadas desusnivelesde confianzaydesusrespectivoserrores de
muestreo.
1 2 ~ La estadistica descriptiva y el estudio
de los hechos economicos
La utilizaci6n de la Estadfstica en la interpretaci6n de los hechos econ6-
micos, hay que contemplarla a traves de la evoluci6n hist6rica de las tres
ramas que venimos considerando: la Estadfstica Descriptiva, el Calculo de
i
rr
i
I.
I
i!
ii
I'
I
"
I:
I:i',
II'
1.
!'
1
,:,
!I,!
I
Ii
1,1.
>.' 'Ii.,..
I,:
Iii
.il:i
.' !"i
Ii'
'I':
hi s.:
I.,
iii:
"
!,
, ,j
!I'
L:;
",
1
1'
"I
11 ;i.
I, 'I
~ ~
~
"
,i,1
CASAS-sANCHEZ, J. M. YSANTOS-PENAS, J. 16
Probabilidades yla InferenciaEstadfstica,Empecemos por la primera. Es de
todos conocido que losegipcios,chinos,griegosyromanos realizaron recuen-
tos descriptivos de su poblaci6n y riquezas.Tenemos referenciasdelhistoria-
dor griegoHerodoto (485-425 a.deJ.e.) que enelafio3050a.deJ.e. Egipto
elabor6 un censo de poblaci6n yriqueza con objeto de abordar la construe-
ci6n de laspiramides,Tambien en Egipto RamsesII hizo un censode tierras
conobjeto deestableceruna nuevapoliticaderepartodelasmismas.Siguien-
do elenfoque descriptivo,los griegosy romanos efectuaban recuentos perio-
dicos de sus recursos econ6micos y humanos con claros fines tributarios y
militares.
En la Edad Media no se realizan operaciones estadisticas de descripci6n
econ6micasiseexceptuanlosinventarios deposesionesdelaIglesia.Hay que
esperar al nacimiento delasescuelasmercantilistas de losfranceses, alemanes
y anglosajones de los siglosXVI, XVII YXVIII. Las ideas mercantilistas de los
franceses Colbert, Buffony Condorcet influyen tanto en la escuela alemana
formada por Seckendorff, Coring yAchenwall, como en lainglesaconstituida
por Graunt, Petty, Halley,Davenanty King,principalmente.
La preocupaci6n fundamental de la escuelainglesaeran los datos demo-
graficos,Graunt, a mitad delsigloXVII, seplante6 la estimaci6n de la pobla-
ci6n inglesa que estaba sometida a grandes fluctuaciones por causa de las
epidemias.Obtuvo tasasdemortalidadydenatalidadpartiendodeunamues-
tra delapoblacion, AfinalesdelsigloXVII Petty efectuaestudios descriptivos
sobre demograffa,de rentas y traficosmercantiles.
En los siglos XVIII y XIX se produce un rapido crecimiento de datos
estadisticos iniciandose la elaboraci6n de los.primeros censos oficiales. En
EE.UU. seelaborancensosdepoblaci6n cada diezafiosdesde1790;a10 largo
del sigloXIX se crean Oficinasde Estadistica en los principales Estados que
sededican aelaborarestadisticasdeforma peri6dica sobre temasecon6micos.
Tambien, durante el siglo xx la producci6n de estadisticas descriptivas ha
seguido una tendencia exponencial debido a la demanda de datos en los
modelos de planificaci6nydesarrollo econ6mico.
Vistalaevoluci6nhist6rica delaEstadistica Descriptivapodemosconcluir
con las siguientesreflexiones:
El origen de la palabra Estadistica, en terminos filol6gicos, esestadista
que proviene a su vezdel latin status. Es la ciencia que contabiliza las
cosas del Estado desde los tiempos mas remotos hasta nuestros dfas:
recoge,describe y analiza informaci6n de cualquier hecho 0 fen6meno.
Siesdel mundo econ6micoestaremos ante una Estadistica Descriptiva
Econ6mica.
Es una estadistica econ6mica queno contieneincertidumbre con10 que
esta ausente la probabilidad como medida de aquella,
EL METODO ESTADfSTICO EN LA INTERPRETACI6NDE LOS HECHOS... 17
La Estadistica Descriptiva0 Deductiva la debe de dominar tanto el
economista de empresa como el general, ya que Ieensefia c6mo debe
hacer un analisisprimario ybasico deun conjunto dedatos que provie-
nen dehaber efectuadouna investigaci6ncensal0 muestral de un deter-
minado fen6meno econ6mico.
1.3. EI calculodeprobabilidadescomo
herramienta mctemeftcodeinferencia
estadistica.Laestadisticamoderna
Hemos apuntado anteriormente que ,la base cientffica de la Inferencia
Estadistica esel Calculo de Probabilidades que es una rama de las materna-
ticasque sebasa enel razonamiento deductivo. Veremosposteriormente que
la Estadistica Modernadelsigloxx eselresultado delafusi6nde la Descrip-
tiva yelCalculo de Probabilidades con 10 que esobligado efectuar un breve
desarrollo hist6rico de este, El origen del Calculo de Probabilidades esta
relacionado con la resoluci6nde problemas dejuegos de azar. Las excavacio-
nes arqueol6gicas han demostrado que las culturas primitivas practicaban
juegos de azar cuyosresultados estabanligados a la voluntad divina. Pero es
a partirdel sigloXVII, con pequefiosantecedentes de Cardano (1501-1576) y
Galileo(1564-1642) cuando seempiezaaformalizar esta rama delasmaterna-
ticas.
Los Matematicos BiasPascal (1623-1662) y Pierre de Fermat(1601-1665)
empiezan con su famosa correspondencia la formalizaci6n del Calculo de
Probabilidades sobre juegos de azar que les planteaba el conocido jugador
Caballero de Mere. Christian Huygens recopil6 los trabajos de Fermat y
Pascal apareciendo en 1669la primera sistematizaci6n del Calculo de Proba-
bilidades.Espoleados por lacontrastaci6nempirica delasteorias sobre astro-
nomia y fisica siguieron las aportaciones de Jacobo Bernoulli (1654-1705);
Abraham de Moivre (1675-1750); Daniel Bernoulli (1700-1782); Pierre Simon
Laplace(1749-1827); Karl Friedrich Gauss (1777-1855); SimeonDenis Poisson
(1781-1840) y P. Chebychev como grandes impulsores de esta disciplina a 10
largo de los siglosXVIII y XIX. Durante el sigloxx son autores clasicos del
Calculo de Probabilidades Markov, Liapounoffy Kolmogoroff de la escuela
rusa; Borel;Levy,Lebesguey Frechet de la francesa.
Durante los siglosXVII, XVIII YXIX elCalculo de Probabilidades sedesa-
rrolla desconectado dela Descripci6nestadistica de loshechos econ6micos si
exceptuamos pequefiasinterrelaciones efectuadasfundamentalmente por Que-
telet amediados delsigloXIX. Losmatematicos dedicados a losproblemas de
la ffsica y la astronomia emplean un lenguaje diametralmente opuesto al
utilizado por losestadisticos quedescriben loshechos econ6micos a traves de
CASAS-sANCHEZ, 1. M. y SANTOS-PENAS, J.
18
sus tablas, tasas de mortalidad y natalidad, mirneros indices, etc. La uni6n de
ambas tendencias se produce a comienzos del siglo xx ,consolidandose a 10
largo del mismo por 10que conocemos como la Inferencia Estadistica aplicada
a la economia, cuyo estudio requiere un conocimiento previo del cuerpo
fundamental del Calculo de Probabilidades ya que nos proporcionara los
instrumentos matematicos necesarios para que, siguiendo la l6gica inductiva,
las conc1usiones de una muestra las generalicemos a la poblaci6n a la que
pertenece.
1.4. La inferencia estadistica como metodo
II;:
II',
de estudio de los hechos econ6micos
!I:.I

La Inferencia Estadfstica tambien se empez6 a desarrollar a 10 largo del

siglo XVIII resolviendo problemas de estimaci6n y contraste en el mundo de
..
,
la astronomia. Combina la observaci6n de datos (Descriptiva) con la estima-
ci6n de determinados parametres de los modelos te6ricos del Calculo de

Probabilidades. Dentro del desarrollo de la Inferencia hay que considerar tres

I
: corrientes metodo16gicas que surgen de las distintas interpretaciones del con-
cepto de probabilidad. En primer lugar hay que considerar la Inferencia

1, '
u
Clasicax que arranca con Laplace-Gauss con su problematica de las observa-
1
ciones astron6micas y culmina con la estimaci6n y contrastaci6n de hip6tesis
I
'I:' ":,'
de la Escuela Inglesa en el campo de las ciencias naturales --estudios funda-
j'l
r
mentalmente bio16gicos- formada por Karl Pearson (1857-1936), William S.

",1:
Gosset (Student) (1876-1937), Ronald A. Fisher (1890-1962) y Jerzy Neyman
il'I,:

(1894-1981). Esta corriente clasica de la Inferencia se apoya en el concepto

frecuencialista de la probabilidad obtenido de la informaci6n descriptiva mues-
'I
tral cuando el experimento aleatorio de la investigaci6n se realiza en las

mismas condiciones un nnmero elevado de veces.
Una segunda corriente es la denominada Inferencia Bayesiana. Sus bases
I
iniciales las formu16 el matematico ingles reverendo Thomas Bayes (1702-
Ii,
1761). La esencia del enfoque bayesiano esta en su famoso teorema que com-
'ii bina todo tipo de informacion a priori sobre los distintbs estados de la natu-
'il
raleza con la informaci6n muestral en sentido clasico para obtener 0 inferir el
',' modelo de distribucion a posteriori. A Bayes Ie siguen los modernos autores
:II,i
de la probabilidad subjetiva como son los estadfsticos .Frank Ramsey, Bruno
de Finetti y Leonard Savage cuyos enfoques son de gran utilidad en el mundo
econ6mico-empresarial.
La tercera corriente, de enorme aplicaci6n en el campo econ6mico-empre- ,
sarial, es 10que se conoce como Teoria de la Decisi6n. Su formulaci6n se debe
al estadfstico A. Wald (1902-1950) que aprovecha la inferencia bayesiana com-
binada con la noci6n de probabilidad subjetiva aportando el concepto de
EL METODO ESTADfSTICO EN LA INTERPRETACI6N DE LOS HECHOS... 19
funcion de perdida en el que se apoya el decisor para cuantificar sus expecta-
tivas y racionalizar el tratamiento de la incertidumbre econ6mica.
En 1912 Irving Fisher (1867-1947), economista americano conocido por su
dedicaci6n a la elaboraci6n de mimeros indices, inicia un movimiento para
incorporar los metodos inferenciales conocidos en el mundo de las Ciencias
Naturales al mundo de la economia. En 1930 funda con Charles F. Roos y
Ragnar Frisch la Sociedad de Econometria con el objetivo de que los econo-
mistas aceptasen que el cuerpo vigente de conocimientos estadfsticos prove-
nientes de los campos de la Fisica, Astronomia y Ciencias Naturales, podia
ser aplicado a los datos econ6micos.
A 10 largo de las siguientes decadas se ha ido implantado paulatinamente
el enfoque probabilistico en el estudio de los hechos econ6micos 10que permite
confrontar los modelos te6ricos con los datos estadfsticos 0 estudiar el modelo
que mejor se ajusta a los datos empfricos disponibles.
No cabe duda que la aparici6n y difusi6n de los potentes ordenadores
personales ha revolucionado la aplicaci6n y difusi6n de los metodos estadis-
ticos aplicados a la economia. Existen multitud de aplicaciones de facil manejo
que permiten dar un tratamiento descriptivo a uri conjunto de datos econ6-
micos en un tiempo record. En una segunda fase pueden ejecutarse tratamien-
tos multivariantes mas complejos: regresi6n y correlaci6n, analisis factoriales,
analisis de conglomerados y analisis discriminantes.
I
I
i
1:
I
I ;'
!
Ii:
"
I,
IL
'I'
I
i"
I
"
,I
I,
II '
Iii': ;
::
III . 'I
!;
. 1-: ..
i!
I
!
I'
t
Ii '
"
1:
! II!
i )1
I"
(:
)'
I
:.:
I,
I
;:1] .
l":'1
p!.!
II!,!
,i11
1i
'
!II!
ll
l,
a d,I,
'Iii , '"II.
; nl:
Capitulo2
Distribuciones de frecuenclos
unidimensionales
Ii
I
'j
!
I
I
,
1
l
2.1. Introduccion
j
j
I
l En este capitulo iniciamos 10 que hemos deriominado la Estadfstica Des-
criptiva 0 Deductiva que se ocupa de recopilar, organizar y analizar datos
numericos, El estudio 10 iniciamos con la presentaci6n de una serie de con-
I
ceptos previos fundamentales que se emplearan constantemente en el desarro-
I
llo de esta disciplina: poblaci6n, muestra, atributos, escalas de medici6n y va-
riables estadfsticas.
En segundo lugar se aborda la explicaci6n de las distintas tareas que
componen las tres grandes etapas de toda investigaci6n estadfstica: definici6n
j
de objetivos, recogida de los datos y estimaci6n y descripci6ti de los parame-
tros poblacionales.
I El tercer aspecto que se estudia, centrandonos en la tarea descriptiva de la
etapa denominada analisis descriptivo primario, es la elaboraci6n de 10 que se
denomina distribuci6n de frecuencias unidimensionales, tanto en su aspecto
numerico como grafico, En cuarta posici6n se anallzan de forma global las
distribuciones de frecuencias a traves de sus medidas de posici6n: medias,
mediana, moda y cuantiles.
Otras medidas que se introducen, en quinto lugar, en el estudio de las
distribuciones son los denominados momentos potenciales con relaci6nal ori-
gen y a la media aritmetica. En sexta posici6n se abordan las medidas de
dispersi6n: recorrido, intervalos intercuartflicos, varianza, desviaci6n tfpica,
coeficiente de apertura, recorrido relativo, recorrido semi-intercuartflico y coe-
ficiente de variaci6n. Le siguen la exposici6n de 10 que se conoce como
medidas de forma: asimetrfa y curtosis. Dos distribuciones que tengan la
misma media aritmetica y la misma varianza pueden diferir en la forma de sus
23 22 CASAS-sANCHEZ, 1.M. y SANTOS-PENAS, 1.
representaciones graficas,con 10que se llega a un estudio mas profundo con
la utilizaci6n de las medidas de forma.
Por ultimo se abordan las medidas de concentracion 0 de desigualdad:
Indice de Gini y Curva de Lorentz. Estas medidas se conciben paramedir la
equidad en la distribuci6n de ciertas caracterfsticas de contenido econ6mico:
rentas personales 0 familiares, salarios, beneficios, etc.
2.2. Conceptos fundamentales
Vamos a exponer de forma sencilla unaserie de definiciones que constan-
temente las estaremos empleando en estadfstica,
Poblaci6n. Seentiendeporpoblaci6n,universo0 colectivocualquierconjun-
to de personas, objetos, animales, plantas,instituciones 0 entes en general que
son portadores de una serie de caracterfsticas que nos interesa estudiar.
Ejemplos de poblaciones:
Las personas que trabajan en la Administraci6n Central.
Las lavadorasautomaticasque sehanproducidoen nuestropais duran-
te 1994.
Los pinos existentes en la Comunidad de Madrid a 31 de diciembre
de 1994.
Los autobuses de la E.M.T. a 30 de junio de 1995.
Las poblaciones estan compuestas de elementos 0 individuos por 10que
debendeestardefinidascon absolutaprecisi6nde formaque siempresepueda
discernir si un elemento pertenece 0 no pertenece a la misma. Se clasifican en
iii:'
finitas 0 infinitas segnn que el mimero de elementos que la componen sea de
unaclase u otra. En elmundoecon6micoysocial estaremoscasi siempreante
poblaciones finitas: habitantes de una regi6n, empresas de un sector, deman-
dantes potenciales 0 reales de un producto, etc.
Muestra. Llamamos muestra a todo subconjunto representative de la po-
blaci6ndeforma que las conclusionessacadasen aquellasegeneralizana esta,
Las poblacionesse puedenestudiarbien realizando unainvestigaci6nexhaus-
tiva de todos sus elementos y entonces diremos que estamos realizando un
censo,0 bien, investigando unaparte0 subconjuntode las mismas y entonces
diremos que estamos realizando un estudio muestraI.. #
Atributo. Es toda caraeterfstica poblacional no susceptible de ser medida
numericamente, La observaci6ndeun atnbutoda lugar adistintasmodalidades.
,II'
Son ejemplos de atributos:
El sexode unapoblaci6nhumanacuyas modalidadesson: varon ymujer.
Loscoloresdeun semaforocuyas modalidadesson: rojo,verdeyamarillo.
Laprofesidn de un conjunto de personas activas.
DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES
Aunque los atributos no sonsusceptibles de ser medidos numericamente,
sus modalidades pueden relacionarse con 10que se denominan escalas nomi-
nales y ordinales. Las observaciones de las distintas modalidadesdecimos que
estan en una escala nominal cuando los mimeros que Ie asignamos s610se
emplean para diferenciar las distintas categorfas, Si al ejemplo de los colores
del semaforo Ieasignamos los digitos 1,2 y 3, s610cabe la interpretaci6n de
que el 1#- 2 #- 3 sin que se pueda afirmar que uno es superior a otro y sin
que se puedan ordenar. La escala nominal es la forma de medici6n mas debit
y se utiliza s6lo para clasificar las distintas modalidades de un atributo. No
permitenningunarelaci6nde ordenni operaciones aritmeticas de suma, resta,
multiplicaci6n y divisi6n. La medici6n de las caracterfsticas cualitativas 0
atributos tambien admite en ciertos casos 10 que se conoce como escalas
ordinales. Sepodraemplearla escala ordinalcuandolas distintasmodalidades
admiten una determinadagraduaci6n u ordenaci6n. Enestudios de mercado
j yde opini6nseempleancon muchafrecuencia las escalas ordinales.La imagen
!
de un determinado politico podra calificarse de: muy mala, mala, regular,
I
buena y muy buena. Si se Ie asignan los dlgitos 1, 2, 3, 4 y 5 no quiere decir
que la imagen buena sea el doble que la mala, sino que esta en un orden
superior. Este tipo de mediciones con escalas ordinaleses superioral nominal
ya que ademas de clasificar las distintas modalidades permiten ordenarlas,
perc tampoco admite, como en las nominales, las operaciones aritmeticas de
suma, rest a, multiplicaci6n ydivisi6n.
Variables. Son las caracterfsticas poblacionales susceptibles de tomarvalo-
res numericos alos que se les pueda aplicar 10 que se conocen como escalas
de intervalos yde razon 0 proporcion, Las primerasson aquellas que permiten
una unidad de medida con 10 que podemos cuantificar numericamente la
distancia existente entre dos observaciones cualesquiera. El orden de esta
escala es superior a las nominales y ordinales ya que ademas de clasificar y
ordenar las mediciones permite diferenciar con exactitud unas situaciones de
otras.Enelmundoecon6mico-empresarialtenemosmultitudde caracterfsticas
en las que pueden aplicarse escalas de intervalos: salarios de una empresa,
cualquier tipo de presupuesto, gastos, ventas, etc. Las escalas de proporci6n 0
razon, ademas de las cualidades de las de intervalo, se caracterizan porincor-
porar un punto de origen no arbitrario (un cero verdadero) como puede
ocurrir, con los pesos y las edades de las personas, litros de gasolina en
un dep6sito, etc. En conclusi6n podemos decir que lasescalas de intervalo
admiten unidades de medida y un origen (cero) arbitrarios y las de raz6n
ademas de la unidad de medida tienen asignado un punto de origen no
arbitrario ya que es un verdadero cero 0 cero absoluto. En estas escalas sf
se permiten las operaciones aritmeticas de la suma, resta, multiplicaci6n y
divisi6n.
Las variables estadfsticas puedenclasificarse de distintas maneras. Tenien-
i
24
25 DISTRmUCIONES DE FRECUENCIAS UNIDIMENSIONALES
CASAS-sANCHEZ, 1.M. ySANTOS-PENAS, 1.
,
I
CD Etapa: Definiciondeobjetivos
do en cuenta elnnmero de caracterfsticas que estudiamos enloselementos de
Ii una poblaci6n las variables pueden ser unidimensionales, 'bidimensionales 0
j
,
pluridimensionales. Porejemplo,sienelcolectivo0 poblaci6nformado por las
Tareas:
empresas delsector qufrnico estudiamos solo su volumen de producci6nesta-
remos ante una variable unidimensional. Si estudiamos al mismo tiempo la
Identificaci6n de caracterfsticas cualitativas 0 cuantitativas que
se desean estudiar.
I
I
j
I
1
1
I
i
i
j
producci6n yelnumero de trabajadores de cada empresa sera bidimensional
(se observan dos caracterfsticas 0 variables cuantitativas en los elementos
poblacionales).Las variables tambien pueden ser discretas 0 continuas segun
tomen un mimerofinito 0 infinitonumerable, 0 bieninfinito no numerablede
valores en un determinado intervalo de su campo de variaci6n.
Definici6n de la poblaci6n portadora de las caracterfsticas a
investigar.
Identificar elmarco 0 listado de unidades poblacionales especifi-
cando sus soportes (magnetico, papel, documentos, etc.) y su
accesibilidad. '
1
Decidir silainvestigaci6nvaasercensal0 muestraldeterminan-
do tamafio de la muestra ypresupuesto necesario.
2.3. Tareas a desarrollar en las grandes etapas
i
de la investigacion estadistica
Especificarelambito delestudio ylaforma de recoger losdatos:
.
\
entrevistas personales, por correo, por telefono 0 mixtas.
@ Etapa: Recogidadelosdatos estadfsticos
I
l
I
1
I
En elprimer capitulo hemos considerado, de forma muy generica,las tres '
grandes etapas que pueden considerarse en toda operaci6n'estadfstica:defini-
ci6n de objetivos, recogida de datos yestimaci6n y descripci6n de resultados
finales. En el presente apartado vamos a comentar brevemente las distintas
tareas contenidas en las grandes fases tal y como estan relacionadas en el
1
iii:
cualitativas 0 cuantitativasque sedesean estudiar. Debe existir una necesidad
I:j
' I
grafico 2.1.
Tareas:
Disefio del cuestionario.
Enladefiniciondeobjetivoslaprimeratarea esidentificarlascaracterfsticas
derealizarlainvestigaci6nestadfsticaexplicitando quedatos sonlosrelevantes ' 1 '" ,, :" '
Diseiio muestral de acuerdo con elmarco disponible.
parala toma de decisiones.El gobierno de un pais puede tener necesidad de
,
1
Disefio del material auxiliar de la encuesta.
investigara traves deuna muestra representativalassiguientescaracterfsticas:
Recogida de los datos.
- Altas y bajas de empleados en distintos sectores econ6micos por tipo-
Tratamiento de los datos.
logfade contratos (fijos, eventuales, por obra, de.formacion, a tiempo
completo, a tiempo parcial, etc.).
- Evoluci6n mensual de las ventas del comercio minotista.'
- Evoluci6n del transporte de mercancfas por carretera.
Etapa: Estimacion y descripciondelosparametres
poblacionalesespecificados enlosobjetivos
Tareas:
Analisis descriptivo primario.
Estimaci6n de errores muestrales y no muestrales.
Analisis especialesmultivariantes.
1
l
I
l
I
Una empresa puede tener la necesidad de conocer:
- Elmercado actual deun determinado productoa traves desuvolumen
de ventas (caracterfstica cuantitativa). .
I
I
I
I
I
I
1
:1
j - La motivaci6n fundamental por la que se compra un artfculo de una
determinada marca (caracterfstica cualitativa) que se consume en los
hogares.
El exito de toda investigaci6n estadfstica se basa en la correcta selecci6n
de las caracterfsticas que se van a analizar de forma que se alcancen los
GRAFIeo 2.1. Etapas y tareas de toda investigaci6n estadistica.
objetivos que nos hemos propuesto.
:i
27
I.. II!.:
I!
IIill
Ii
:1: 26 CASAS-sANCHEZ, 1.M. y SANTOS-PENAS, 1.
La segunda tarea consiste en delimitar con absoluta precisi6n, sin ningun
tipo de ambiguedad, la poblaci6n en la que podemos estudiar las caracterfs-
ticas que nos interesan. En elcaso de las altas ylas bajas en elempleo senin
las empresas que conformanlos distintos sectores, enelsegundo ejemplo sera
todo el conjunto de establecimientos minoristas (tiendas tradicionales, auto-
servicios, supermercados, hipermercados y grandes almacenes), en el tercer
caso elcensode camiones yfurgonetasde distintostonelajes, enelcuartocaso
lasempresas que fabriquenelproducto en cuesti6nyen elquintoejemplo los
compradores del producto.
La tercera tarea de la primeraetapa es determinar el marco que contiene
aloselementos delapoblaci6ndenuestroestudio. En los ejemplosanteriores,
y siguiendo el mismo orden establecido los marcos suelen sec las bases de
datos existentes en soportes magneticos en el Ministerio del Trabajo (altas y
bajas dela Seguridad Social);los censos de establecimientosminoristas elabo-
radospororganismospiiblicos 0 empresas privadas;losficherosdelMinisterio
deTransportesque contenganlaslicenciasdetransportedemercancfas vigen-
tes;anuarios de fabricantes por productos y los censos de poblaci6nelabora-
dos peri6dicamenteporelINE. Los marcos deben estar actualizados y depu-
rados de unidades extrafias ya que de ellos se seleccionan de forma aleatoria
las unidades muestrales cuando la investigaci6n estadfstica no es exhaustiva.
En la cuarta tarea se decidira si la investigaci6n estadfstica va a ser ex-
haustiva o,nodependiendo del tamano de la poblaci6n, las disponibilidades
econ6micas, elplazadisponible, etc.Normalmenteseacudiraainvestigaciones
muestrales(no exhaustivas) con 10 que seestableceranlos tamafios muestrales
de acuerdo con losnivelesdeconfianzaque sedeseen yloserrores muestrales
que estemos dispuestos a admitir. Estas tiltimas cuestiones que serefierena la
fiabilidad de la investigaci6n estanrelacionadas con los costesde la misma ya
que a mayor nivel de precisi6n se requerira unamayor muestra y por tanto,
un mayor presupuesto. Tambien tendremos que establecer elambito de la
investigaci6n: nivel municipal, comarcal, regional, nacional, etc., asf como la
forma mas adecuada de recoger la informaci6n: entrevistas personales, por
correo, por telefono 0 mixtas.
La primera tarea de la segunda etapa(recogida de los datos estadfsticos)
eseldiseiiodelcuestionario. Parasu elaboraci6nsepartede todoslos antece-
dentes que nos proporciona la primera etapa: caractensticas que mediremos,
unidades que van a facilitar los datos: empresas, personas, organismos,etc.,y
forma de recoger los datos: por correo, con agentes entrevistadores 0 por
telefono.Todaesta seriede antecedentesnos van determinandoelformato del
cuestionario y la naturalezade sus contenidos. Elaborar un cuestionario que
no tenga fallos es una tarea especializada que debe de desarrollar un grupo
de expertos en las materias correspondientes. Aquf nos vamos a limitar a dar
unas directrices parasu buena confecci6n:
Claridad en ellenguajeutilizado. El nivel cultural de los estrevistados es
heterogeneo en la mayorfa de los casos (se exceptuan las encuestas
realizadas a colectivos del mismo nivel cultural: medicos, abogados, in-
genieros, economistas, etc.) por 10 que hay que emplear un lenguaje
sencillo ydirecto evitando terminos tecnicos que solo son comprensibles
paralos especialistas.
Precision en las preguntas. Deben de ser concretas y cortas con objeto
de obtener respuestas precisas. Un ejemplo de pregunta no concreta es
lNo piensa Yd.que fuma mucho? Eltermino mucboessubjetivo ytiene
distintovalor paradistintaspersonas. La preguntaconcretaserfa u n ~
tos cigarrillos fuma Vd. diariamente?
No se debe influir en la respuesta, Deben evitarse juicios de valor a la
hora de efectuar las preguntasque condicionanlas respuestas. No serfa
correcto hacer preguntas del tipo lNo piensa Yd. que nuestra empresa
da un servicio posventa de gran eficacia? La pregunta correcta serfa:
lQu6 opinaYd. de nuestro servicio posventa?
Deben evitarselas preguntas indiscretas quemolestan al entrevistado.Hay
que tener en cuenta que determinadas preguntas pueden molestar al
entrevistado con 10 que podemos conseguir que seniegue a contestar a
la totalidad del cuestionario, 0 bien, que nos den respuestas falseadas.
Esta demostrado que no deben de pedirse directamente los ingresos de
una persona ni la edad. Es mucho mas eficaz pedirles que se situen
dentro de unaescala previamente establecida. La pregunta zCuales son
I sus ingresos anuales?, debe de sustituirse por: Indique, por favor, dentro
de que tramo de la siguiente escala se encuentran sus ingresos anuales:
~
.menos de dos millones, entre dos y cuatro 0 mas de cuatro.
j
Hay que cuidar el orden de las preguntas. Las preguntas mas sencillas
deben deir al comienzo delcuestionario ylasmas complejas 0 delicadas
j
al final. Conello se consigue un mayor grado de respuestay colabora-
ci6n por parte del entrevistado ya que una vez que se ha avanzado en
I
la cumplimentaci6n es mas dificil que se niegue a seguir contestando
i
aunquelaspreguntas sean mas comprometidas.
Las anteriores recomendaciones generales no agotan toda la normativa
l existente de como deben confeccionarse las preguntas de un cuestionario. Se
j
ponena titulo deejemplo paradejar constancia deque esuna tareacompleja
1 que requiere verdaderos especialistas.
I
J
l
Las preguntas de un cuestionario pueden c1asificarsedesde multiples as-
pectos. Si atendemos, por ejemplo, a la libertad de elecci6n de respuesta las
preguntas puedenser:
Abiertas: son aquellas cuya respuesta es totalmente libre para el entre-
vistado. Porejemplo,aloscabezas defamiliapodnapreguntarseleszQue
r
',j
i!
28 CASAS-sANCHEZ, J. M. YSANTOS-PENAS, J. DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES 29
usoslesdarla Vd.a losordenadorespersonalesensuhogar? Senaletodos
1
,
~
maciones para cada estrato 0 subpoblacion en los que hemos dividido la
"
losqueIeparezean.interesantes, En esta cuesti6n nos encontraremosuna
'j poblaci6n objetodeestudio.La estratificaci6nconsisteendividirla poblaci6n
gama variada de respuestas: hacer un inventario de'las existencias de engrupos que sean homogeaeosinternamente respecto a la caracterfstica que
productosalimenticios,hacer un presupuesto por partidasdegastos con estemosestudiando yqueexistangrandesdiferenciasentre unos yotros estra-
1
un seguimiento semanal,hacer un listado de productos que sevan ago- tos. Si,por ejemplo,se deseainvestigar la renta de los hogares de la Comu-
tando para responerlos cuando vamos a la compra, confeccionar un
,I
nidad de Madrid se pueden agrupar en tres estratos 0 grupos: renta baja,
'I'
1 archivo con telefonosydireccionesde nuestras amistades yproveedores, mediayalta.EItotal delamuestra queseempleepuede distribuirse deforma
etc. En este caso el entrevistador anota literalmente las respuestas em- proporcional a la poblaci6n de cada estrato 0 emplear otros criterios que
1
,j
j
j
pleando las mismas palabras del entrevistado.
Cerradas:son aquellascuyas posiblesrespuestas estan listadas. EIentre-
puedenestudiarse en los manuales de Muestreo de Poblaciones Finitas.
c) Muestreo por conglomerados: Los conglomeradosson agrupaciones de
vistado escoge una 0 varias respuestas de las que se Ie presentan. Si
elementosde la poblaci6n de naturaleza heterogeneadentro de ellosrespecto
a lacaracterfstica que estemos estudiando. En el ejemplo de los hogares un
conglomerado debe tener unidades de renta baja, media yaltade forma que
si se efectua un muestreo dentro del mismo se obtenga informaci6n de los
]
I
j
queremos cerrar la pregunta de los usos que se dan a los ordenadores
personales en el hogar serfa:;,Que usosdana Yd.a unPCensu hogar
detodoslossiguientes?: D Paraescribircartas, D Hacer un invetario de
productosno perecederos, D Llevarlacontabilidaddelhogar, D Como
!
distintos nivelesque pueden alcanzar los ingresos de las unidades familiares.
pasatiempo con videojuegos,
I
J
Sedistinguen varios tipos demuestreo porconglomerados: dedistintos tama-
Otrosaspectosque permiten clasificarlas preguntas son:porelnumerode nos,de tamafios iguales,sinsubmuestreo, con submuestreo, etc. 'j
i respuestasquepermiten:dieotemicas (dos respuestas) 0 de respuesta multiple;
1
d) Muestreo sistematico: Es una forma muy sencilla de selecci6n de la
por la forma de realizarse:directas 0 indirectas,etc. Un ejemplo de pregunta
dicot6mica ydirecta seria:~ Yd.fumador?: D Si, D No.
Como recomendaci6n finalenla elaboraci6nde un buen cuestionario hay
que hacer constar la absoluta necesidad de someterlo a una prueba piloto 0
'j
i
I
1
1
muestra dada enuna poblaci6n numerada dell hasta N. EI procedimiento
consisteen lasfasessiguientes:se divideel tamafio de la poblaci6n N por el
dela muestra n; empleando una tabla de nnmeros aleatorios seeligeuno que
estecomprendido dentro del cociente dado por el resultado anterior (si
pretest con objeto de aseguramos su buen funcionamiento antes de proceder
II
a su edici6n.
r
N = 100 y n =5,N In =20,seeligede forma aleatoria un mimero entre 1y
20) ypor ultimoseobtienenlos(n - 1)elementosmuestrales restantes suman-
La segundatarea que serelaciona en el grafico 2.1,dentro de la segunda
t
do al que seha elegidode forma aleatoria el resultado del cociente (sien el
etapa, vienereferidaal disenomuestral en elsupuesto de que la investigaci6n
1 ejemploelaleatorio ha sido 12,elsegundo seria 12+20= 32,eltercero serfa
estadistica no tenga caracter de exhaustiva. EI disefio de muestras proba-
bilisticas,que son las que deben emplearse en toda toma de datos, requieren
~
I
1
32+20=52, el cuarto 52+20= 72 y el quinto elemento muestral serfa
72+20= 92). Este procedimiento sedenomina sistematico ya que 10 nnico
eldominio delaTeoriadelMuestreoenPoblacionesFinitas queesunamateria
1
que tiene aleatorio es el arranque. EIinconveniente de este disefio,igual que
compleja a la que se dedican cursos completos para obtener un nivel de
conocimientos adecuados. Los tipos de muestreo que seestudian son:
a) Muestreo aleatorio simple (m.a.s.): Es la forma de muestreo mas sen-
1
J
i
j
enelmuestreo aleatorio simple,esque para utilizarlo esabsolutamente nece-
sario tener numerados del 1 al N todos 10 elementos de la poblaclo, Esta
numeraci6n tiene que estar hecha alazarparaevitar posibles sesgossistema-
cilia.Loselementosdela poblaci6n objeto deestudio senumerandel 1hasta ticosa la hora de medir la caracterfstica de interes en nuestro estudio.
1
N y se seleccionann de forma aleatoria (empleando tablas de mimeros alea-
:1
e) Muestreo polietdpico 0 complejo: Es el que se aplica en la practica
torios)que constituyen una muestra aleatoria sinreemplazamiento (unlnisnio
mimeroaleatorio solo aparece una vez)representativa de todo el conjunto.EI
j
j
cuando se hacen estudios sociales. Los tipos de muestreo que hemos visto
anteriormente no suelen aplicarse en estado puro cuando deseamos medir
disefiotambien puede efectuarseconreemplazamiento (m.a.s.r.).
b) Muestreo estratificado: Es un disefioque seemplea mucho en la prac-
J
I
caracterfsticas de unidades de consumo (familias) 0 de producci6n (empresas)
por razones de carencias de marco (inexistencia de soportes que contengan
~
numerados todos los elementos de la poblaci6n) 0 por razones de coste (el tica yaque permite mejorar lafiabilidaddelasestimaciones respecto alm.a.s,
para un mismo tamafio n de la muestra. Tambien nos permite obtener esti-
il
metodo deselecci6nconllevatal dispersi6n enla localizaci6n de las unidades
30 31 CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, J.
de la poblaci6n que hacen inviable el estudio desde el punto de vista econ6-
mico). Por estas tazones en la practica hay que acudir al muestreo polietapico
o complejo.
Veamos esta problematica con un ejemplo. Supongamos que el Ministerio
de Cultura desea entrevistar a la poblaci6n espanola mayor de 18 anos para
conocer con que periodicidad se visitan los museos. Se considera que a nivel
nacional una muestra de 3.000 personas es suficiente. Para seleccionarlas por
un procedimiento puro de m.a.s, podrfa acudir a la Direcci6n General de la
Policfa y solicitar que de forma aleatoria, utilizando los nnmeros del D.N.I.,
se seleccionaran las 3.000 personas con su nombre completo, direcci6n y demas
datos personales. Estas personas estarfan muy dispersas por todo el territorio:
zonas rurales, pueblos pequenos, median os, capitales de provincia, etc. Habrfa
que entrevistar a una persona en un pueblo, a otra en una pedania, a dos en
una capital de provincia y asf sucesivamente se tendrfa un perfodo largo y
dificultoso en recogida de informaci6n con costes de desplazamientos y dietas
de los entrevistadores elevadfsimos. Tambien es probable que ni el Minis-
terio del Interior ni el Instituto Nacional de Estadfstica puedan por Ley
utilizar esa informaci6n para facilitar la muestra al Ministerio de Cultura.
Luego en este diseiio de m.a.s. existen dos graves impedimentos: elevado coste
y no disponibilidad de ficheros de poblaci6n para seleccionar aleatoriamente
la muestra.
La nnica soluci6n viable suele ser acudir a un muestreo polietapico ejecu-
tando el siguiente diseiio muestral complejo: en primer lugar se estratifican
(muestreo estratificado) los micleos de poblaci6n por cruce de Comunidades
Aut6nomas y tamano de habitat; en segundo lugar (primera etapa de se1ecci6n)
se eligen municipios con probabilidad proporcional a su tamafio (muestreo
por conglomerados). En esta etapa los municipios grandes de las capitales de
provincia suelen estar autorrepresentados eligiendose de forma aleatoria s610
los medianos y pequefios, Los municipios grandes elegidos en la primera etapa
se vuelven a estratificar (muestreo estratificado) en distritos de naturaleza
homogenea respecto a caracterfsticas socio-econ6micas. Se eligen en una se-
gunda etapa de selecci6n una serie de estos distritos 0 manzanas de naturaleza
equivalente a las secciones censales disenados por el INE (muestreo por con-
glomerados). En estas manzanas, elegidas en la segunda etapa hay que hacer
un listado de todas las viviendas que contienen y sobre e1 mismo elegir me-
diante m.a.s, las viviendas que correspondan. Una vez seleccionadas las vivien-
das, y tambien por un procedimiento de m.a.s. se selecciona las personas
mayores de 18 alios a entrevistar. Estos conglomerados nltimos (manzanas de
viviendas) que se han elegido suelen ser bastante homogeneos en cuanto a las
caracterfsticas socio-econ6micas de las personas con 10 que se aconseja realizar
en cada uno un maximo de 10 entrevistas.
En el esquema descrito anteriormente se observa que el muestreo que se
.'..... ~
-
'1- ; ~
.
. ~
\1
-.J
1
. ~
1
1
,
,,i
i
~
aplica realmente en los estudios socio-econ6micos es una mezcla de los distin-
ros tipos de muestreo que se estudian con 10 que los diseiios reales son
complejos y su puesta en practica requiere el concurso de verdaderos especia-
listas en la materia.
f) Muestreos no probabiltsticos: Los muestreos que se han comentado de
forma abreviada anteriormente son todos probabilisticos. Todos tienen en
comiin que los elementos de la poblaci6n que entran a formar parte de la
muestra se han obtenido por procedimientos de azar y todos tienen, a priori,
antes de ser seleccionados, una determinada probabilidad de ser elegidos.
Cuando en e1 proceso de se1ecci6n existan unidades poblacionales que no
tengan probabilidad conocida y utilizada en laselecci6n para entrar a formar
parte de la muestra, el muestreo no es probabilistico. Se pueden poner multitud
de ejemplos de muestreos no probabilisticos: un investigador de un lab oratorio
toma una muestra de conejillos introduciendo su brazo en una jaula con 10
que s610 eligira los que esten a su alcance; el sociologo de una empresa toma
una muestra de empleados para saber su edad cogiendo, segtin su criterio
personal, s610las 50 primeras fichas de un montante de 500; a un entrevistador
se le ordena que en una manzana de casas escoja al azar, segtin su criterio, a
20 personas para entrevistarlas con la nnica condici6n de que el 50 % sean
hombres y el 50 % mujeres. Este ultimo ejemplo es 10 que se conoce por
muestreo por cuotas que se emplea normalmente en los sondeos de opini6n y
estudios de mercado ya que no exige la elaboraci6n de listados previos de los
elementos que se van a se1eccionar. No es probabilistico al no seleccionar
unidades de acuerdo con probabilidades conocidas y preasignadas por el
investigador.
La principal ventaja de utilizar un muestreo no probabilistico por cuotas es
que abarata mucho la recogida de informaci6n. Tiene el grave inconveniente,
como todos los no probabilisticos, que carecen del rigor cientffico necesario
para estimar los posibles errores muestrales que se comenten al estimar carac-
terfsticas poblacionales a traves de subconjuntos muestrales ni se pueden
establecer intervalos de confianza para las estimaciones.
La tercera tarea que se resalta en la segunda etapa del grafico 2.1 es
elaborar el material auxiliar que sea necesario para que la recogida de infor-
maci6n tenga los menores errores posibles ajenos al muestreo propiamente
dicho: hojas de control del trabajo de campo que contienen listados de direc-
ciones donde hay que hacer las entrevistas, partes de incidencias que puedan
darse en el marco de la investigaci6n, material de inspecci6n, carnet de entre-
vistador, cartas de presentaci6n, instrucciones generales para cumplimentar los
cuestionarios, etc.
Como cuarta tarea de la segunda etapa aparece la recogida de los datos
propiamente dicha. Es la tarea esencial ya que la calidad de los datos depende
33 32 CASAS-sANCHEZ, J. M. YSANTOS-PENAS, J.
I
II,
de su correcto desarrollo mediante el adecuado manejo de sus multiples fac-
tores:entrenamiento delpersonal que interviene y modalidad empleada en la
recogida de los datos (entrevistas personales, por telefono, por correo, etc.).
El personal que interviene suele dividirse en:entrevistadores,jefesde grupo,
inspectores, codificadores, depuradores, grabadores, etc., que estan supervi-
sados poruna Direcci6n de trabajos de campo. En las entrevistas personales
los agentes entrevistadores van provistos de los respectivos cuestionarios
editadosenpapeI. Otravarianteque seutilizaactualmenteson las entrevistas
personales asistidas por ordenadores portatiles, La entrevista se desarrolla
segun la secuencia que indicaelordenadoren su programade ejecuci6n que
tambien incorpora controles de inconsistencias, con 10 que se obtiene la
informaci6n de manera instantanea completamente depurada y coherente
enviandose pordisquette 0 porm6dem a la central de procesamiento. Si se
emplea este moderno procedimiento los entrevistadores tienen que estar
entrenados en elmanejo de estos costosos equipos, que requieren una inver-
si6n inicialconsiderable, que se vecompensada con el ahorro de grabaci6n y
validaci6n necesarias en los cuestionarios tradicionales editados en papeI. En
la modalidad de entrevistas telefonicas asistidas por ordenador se emplea el
mismo procedimiento metodo16gico indicado anteriormente con la enorme
ventajaque los agentes entrevistadores no tienen que desplazarse con la con-
siguiente reducci6n de costes y tiempo invertido.
La Ultima tarea de la segunda etapa del proceso de investigaci6n
estadisticaeseladecuadotratamientodelosdatos. En elcaso delasentrevistas
personales 0 telef6nicas asistidas por ordenadores el tratamiento de la infor-
maci6n (grabaci6n y depuraci6n de inconsistencias) serealiza de forma auto-
matica, Tras acceder al entrevistado el entrevistador conecta su ordenador y
va ejecutando elprogramade la entrevista de forma que automaticamente va
detectando las inconsistencias que hansido programadas previamente.
Silaencuesta seejecutapor un procedimientoclasico(cuestionarioeditado
en papel yagente entrevistador sin ordenador personal), el tratamiento de la
informaci6n sigue el proceso siguiente: se agrupan los cuestionarios cumpIi-
mentados en la sedecentral del trabajoestadistico, secodifican las preguntas
que 10exijan, se graban de forma masiva, los ficheros se someten a un pro-
gramade validacionque saca los Iistadosdeinconsistencias,secorrigen y,por
ultimo, sealmacenan losficheros completamentedepurados Iistosparasome-
terlos al programade tabulaci6n.
. La tercera yUltimaetapa denominadaesttmacieny descripciondeparame-
tros poblacionalessecomponedetres tareas fundamentales: analisisdescriptivo
primario, estlmaeion de errores yanalisis especialesmultivariantes.
Una vezque los datos estan depurados de todo tipo de inconsistencia se
deben someter a unanalisis descriptivoempleando los metodos de Estadistica
Descriptiva que se estudian en el presente capitulo y el siguiente. Para cada
I
,',-
I}

15
DISTRIBUCIONES DEFRECUENCIAS UNIDIMENSIONALES
una de las variables que se han medido conviene obtener su distribucion de
frecuencias,surepresentacien graflca,susmedidasdeposicion,de dispersion,de
forma, etc. _
Despues de obtener estas primeras descripciones y medidas, cuando el
estudio no es exhaustivo, hay que plantearse el grado de fiabilidad de las
estimaciones a traves del calculo de los errores de muestreo a posteriori. A
priori,enla primeraetapacuandosedefinenlos objetivos de la investigaci6n,
se ha debido de definir el tamafio de la muestra que asegura unos errores
maximos de muestreo para un determinado nivel de fiabilidad. Estas defini-
ciones previas hay que contrastarlas con los calculos de errores muestrales
paralosdistintos ambitos delestudio ylas distintas variables observadas una
vezque tenemos las primeras estimaciones. Tambien hay que tener presente
los errores ajenos al muestreo que hay que tratar de minimizarlos ya que los
sesgosque introducen en las estimaciones pueden llegar a invalidarlas: cues-
tionarios mal disenados, grabaci6n de datos deficiente(siempre hay que veri-
ficar con una doblegrabaci6n),validaciones inadecuadas y mala actuacion de
los agentes entrevistadores.
Por ultimo, una vez que se han hecho los estudios descriptivos y de
fiabilidadcorrespondientesescuandosepueden plantearlosanalisis especiales
multivariantes de los datos: modelos de reduccion de la dimension (analisis
factoriales, de componentes principales y correlaciones can6nicas); modelos
causales(regresionesde todo tipo y analisis de la varianza); modelosde agru-
pacionesy clasificaciones(analisis de grupos y discriminante) y modelosdina-
micos 0 de series temporales (estocasticos y no estocasticos); etc. En estos
analisis especialesesdondesepuede plantearla modelizaci6nestadistica en su
maximo nivel: postulado del modelo, contraste de las hipotesis iniciales del
modelo,estimaciondelosparametresdelmodelo,validaclenyresultadosfinales.
2.4. Construccionnurnenco y grafica
delasdistribuciones defrecuencias
unidimensionales
Una vez que se han precisado los distintos conceptos basicos que se
emplean enla elaboraci6ndedatosestadfsticos,pasamosa analizarelproceso
de elaboraci6n de 10que sellama en la Estadfstica Descriptiva distribuciones
defrecuenciasunidimensionales.Sonunidimensionalesporques6lo observamos
una caracteristica (sus valores pueden representarse en el espacio de una
dimensi6n) en loselementos de una poblaci6n(investigacioncensal) 0 de una
muestra(encuestamuestral). Existen dos tipos fundamentalesdedistribuciones
defrecuencia:lasde valores dela variable 0datosnoagrupados ylas de datos
agrupados enintervalosde clases,
34 35 DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES CASAS-sANCHEZ, J. M. YSANTOS-PENAS,J.
2.4.1. Distribucionesdefrecuencias
unidimensionales conlosdatos'
no agrupados
Designemos con X la caracterfstica(puede ser una variable 0 un atributo)
que deseamos observar en los elementos de unapoblaci6n 0 de una muestra.
Realicemos elsiguienteproceso: seobservanlos distintos valores 0 modalida-
des de la caracteristica; siesuna variable que admite ordenaci6n seordena de
menor a mayor y como puede haber valores que se repitan se agrupan todos
elios.Si e1 valor 0 dato Xi se repite n
i
vecesa este se le denomina frecuencia
absoluta de dicho valor.AIproceso que hemos descrito seledenomina tabula-
ciondedatos ycuando seculmina seobtiene un conjunto formado por valores
ordenados de menor a mayor (casodevariablesque admitanesteproceso)que
tienen asociados el nnmero de veces que han aparecido (n,) que llamamos
distribucion de frecuencias unidimensionalde datos 0 valores no agrupados.
Puedendarse dos tipos de distribuciones de frecuencias de datos no agru-
pados: las que no tienen valores repetidos 0 de frecuencias unitarias ylas que
tienen valores repetidos y por tanto, alguna 0 algunas de sus frecuencias no
son unitarias.
Definicion2.1. Distribuci6n de frecuencias unitarias.
Llamamos distribucion de frecuencias unidimensional unitaria de la
caracteristica X al conjunto de los r datos distintos y ordenados de
menora mayor(Xl' X
z
,...,Xi' , x
r
) deforma que ninguno esta repetido.
Estetipo dedistribucionessurgen cuandolavariable X tomapocos valores
yninguno serepite,con10 que lasfrecuenciasabsolutasn
i
son todasunitarias,
ponderandoenelanalisisdelamismaforma todos losvalores Xi. Sepresentan
en tablas que tienen la siguiente forma:
TABLA 2.1. Distribuciones de
frecuencias unitarias.
;
Valores dela variable
Ii!
r.
Xi
'I:
"
In 'I' Xl
I,
I,

ii' Xi
il:
Ii
X,
Ii
I
1,

I
....'
1
I
'"
:1:
I
':f

i,l

f

'1
)

:i
1
4
i
1
i
,}
1
1
Puede observarse en la tabla 2.1que no seexpresan las frecuencias abso-
lutas ya que son todas unitarias.
Ejemplo 2.1
Supongamos que las rentas anuales de cinco familias,expresadas en miles
de euros son: 200, 150,300,250 Y175. Con esta informaci6n construir la tabla
de la distribuci6n de frecuencias.
Soluci6n:
La tabulaci6n esinmediata y simple ya que basta con ordenarla variable
de menora mayor:
TA,BLA 2.2. Distribucion de frecuencias
de la renta de las familias.
Xi
150
175
200
250
300
Definicion 2.2. Distribuci6n de frecuencias unidimensional con los datos no
agrupados.
Llamamos distribuciondefrecuenciasunidimensionalde la caracterfs-
tica X alconjuntodelosr datos distintos, ordenadosdemenora mayor,
acompafiados de sus respectivas frecuencias absolutas:
Xl' x
z,
...,Xi' , X
r
n
l
, n
z,
..., n
i
, ..., n,
Este tipo de distribuciones se elaboran cuando la caracterfstica X toma
pocosvaloresperoserepiten un grannumerodevecescon10quelasfrecuencias
yano son unitarias. Cadavalor Xi esta ponderadopor elmimero devecesque
ha aparecido, representadopor surespectiva frecuencia absolutan
i
. Los datos
estadisticos se presentan en la Tabla 2.3:
I
37
CASAS-sANCHEZ, J. M. ySANTOS-PENAS, J. 36
TABLA 2.3. Distribuciones de frecuencias unidimensional con los datos no agrupados.
Valores dela variableXi Frecuencias abselutasn,
Xl
X
2
n
l
n
2
Xi nj
X, n,
Ejemplo2.2
En una comunidad de vecinosse ha preguntado a las 20familiasque la
componen, el numero de personas que trabajan en cada una. Las respuestas
han sido recogidas en elsiguientecuadro:
1 024 1
3 20 1 1
1 2 1 1 0
o 1 1 1 2
Apartir de esta informaci6n construir la tabla de la distribuci6n de fre-
cuencias.
Solucion:
Existen pocos valores de la variable 0 caracteristica numero de personas
que trabajan en la familia que la representamos por el sfmbolo matematico
X. Estos posiblesvaloresx,son:0, 1,2,3y 4que serepiten uncierto mimero
de vecesluego nos conviene calcular las frecuencias absolutas n
i
. Existen 4
familias en las que trabajan cero personas;trabaja 1persona en 10familias; 2
en 4familias y por Ultimo, trabajan 3y 4personas en una solafamiliarespec-
tivamente.LaTabla 2.4nosda ladistribuci6n defrecuenciasdeestasituaci6n.
TABLA 2.4. Distribucion de frecuencias unidimensional con los datos no agrupados del
numero de personas que trabajan en 20 familias.
Xi .
o 4
1 10
2 4
3 1
4 1
j ~
:1
;j
:1
i
~
Vamos acontinuaci6n a establecer nuevos conceptos que aparecen en las
distribuciones de frecuencias.
Definicion2.3. Totalde datos 0 frecuenciatotal.
Llamamos total dedatos 0 frecuenciatotal, y la denotaremos por N
alasuma de todas lasfrecuenciasabsolutas n
i
0 sea:
N= L
r
n
i
i=1
En el ejemplo 2.1,al ser las frecuenciasunitarias la columna de las n, ni
aparece con10 que eltotalde datos sera elnumero de valoresde la variable:
N=5.
En elejemplo 2.2
5
N=L n
i
= 20
i=1
Definicion2.4. Frecuenciarelativa deundeterminado valor delavariable Xi'
Llamamos frecuenciarelativa del valor de la variable Xi al cociente
entre lafrecuenciaabsolutadedichovalor yelnumero total dedatos N:
n
i
/;=N
Deladefinici6nanteriorsededucequelasuma delasfrecuenciasrelativas,
a1 ser taotos por uno,debe serla unidad:
, r n l' 1
L/;= L ~ = L ni=-N= 1
i=1 i=1 N N i=1 N
Las frecueocias relativas se puedenexpresar tambien en taotos por cien con
la simplemultiplicaci6n 100./; con 10 que expresamos elporcentaje de veces
que aparece elvalor Xi en elconjunto de todos los datos. En estesupuesto la
suma en vezde la unidad sera 100.
:'1
!.l
1
39 CASAS-sANCHEZ, J. M. YSANTOS-PEJ.\IAS, J.
Definicion 2.5. Frecuencia absoluta acumulada ascendente.
38
,
Llamamosfrecuencia absoluta acumulada ascendente NI de un deter-
minado valorde la variable ordenado(demenora mayor) Xi al numero
de datos que son menores 0 iguales a 61:
Nr = I
i
nj
j=l
Luego la Ni contabiliza el numero de observaciones que existen hasta
llegar al valor Xi bajo el supuesto, que es con el que venimos trabajando, de
que los valores estan ordenados de menor a mayor, 0 sea:
Xl <X
z
< ...<x,
Segun la definici6n 2.5podemos escribir que:
Nl = n
l
N1 = Nl+n
z
.l,:
Ni = Ni-l +ni
NJ=N
Definicion 2.6. Frecuencia absolutaacumulada descendente.
Llamamos frecuencia absoluta acumulada descendente Nt de un de-
terminadovalor ordenadoXi alnnmerodedatosqueson mayores que61:
Nt = I
r
.
j=i+l
Portantola Nt contabilizalos datosque quedana partirde Xi parallegar
al total de observaciones N. Con la definici6n 2.6 se establece 10siguiente:
Ni= N - Nl
~ = N - N1
iI- ~
!i',
r .
"
,
'1
j
,j
I
1
Nt = N- Ni
1
I
j
~ = N - NJ = N - N = 0
De estas expresiones sededuce que:
,I
.1
1
Nr +Nt = N
l'
, Las frecuencias relativas acumuladastanto ascendentes como descendentes
1 sedefinen de forma analoga s610que se suman lasI, en vezde las n/
j
1
1
I
'J
,I
:j
1
I
1
I
j
j
I
I
I
]
I
I
I
Verificandose que:
Fr = I
i
I,
j=l
Ft = I
r
fj
j=i+l
Fl =11
F1=Fl+lz
Fi = Fr-l +1;
FJ = 1
Porotro lado las descendentes se van obteniendo de la forma siguiente:
Fi = 1 - Fl
~ = 1 - F1
F+ = 1 - FT
I I
~ = 1 - FJ = 1 - 1 = 0
De las expresiones anteriores tambien sededuce que:
Fr+Ft = 1
40
r

CASAS-sANCHEZ, 1. M. ySANTOS-PENAS, 1.
I
..
41
Todos estos conceptos dan lugar a la siguiente tabla generica que nos
quinto. Las acumuladas, tanto ascendentes como descendentes si varian por
representalasdiferentesdistribucionesdefrecuenciaensusentido mas amplio:
propia definici6n:

TABLA 2.5. Distribuciones defrecuencias con datos no agrupados.
TABLA 2.6. Distribuciones defrecuencias del ejemplo 2.1.
n.
xj n, N! Ft F!
i
j
x, n, h=....!.
N
NT N! FT F
l h Nl . .
. . . .
I
- 150 1 1/5 1 4 1/5 4/5
n
1
175 1 1/5 2 3 2/5 3/5
Nt Nl Ft Fl
Xl n
1 11 = N 1 1 1 1 200 1 1/5 3 2 3/5 2/5
250 1 1/5 4 1 4/5 1/5
300 1 1/5 5 0 1 0 n
2
Nl Ft Fl X
2
n
2 12= N m 2 2 2
N=5
n Ejemplo 2.4
x, nj
J;=....!. NT
I Nt
FT
.
F+
N
.
Conlos datos del ejemplo 2.2obtenerlas tablas de frecuencias absolutas,
relativas,absolutasacumuladasascendentes, absolutasacumuladasdescenden-
tes, relativas acumuladas ascendentes y relativas acumuladas descendentes.
n,
x, n,
f,.=N
N;=N N; = 0 F; = 1 F; = 0
Soluci6n:
N
Haciendooperacionesyteniendo encuentalasdefinicionesdadastenemos:
TABLA 2.7. Distribuciones defrecuencias absolutas, relativas. absolutas acumuladas as-
De esta tabla generica pueden obtenerse las tablas parciales que sedeseen .cendentes, absolutas acumuladas descendentes, relativas acumuladas ascen-
con s610 relacionarlos valores dela variable Xi con cualquieradelasfrecuen-

dentes y relativas acumuladas descendentes.
cias: tabla de frecuencias absolutas (columnas Xi y n
j
) ; tabla de frecuencias
relativas(columnas Xi yfJ;tabla defrecuenciasabsolutas acumuladas ascenden-
1!
q
Xi n,
h Nl
M
. F1

.
te (columnas Xi y NJ) Yas! sucesivamente.

0 4 4/20 4 16 4/20 16/20
1 10 10/20 14 6 14/20 6/20
2 4 4/20 18 2 18/20 2/20
Ejemplo 2.3

[:.
3
4
1
1
1/20
1/20
19
20
1
0
19/20
1
1/20
0
Con los datos del ejemplo 2.1 obtener las distintas tablas de frecuencias

N=20
absolutas, relativas, absolutas acumuladas ascendentes, absolutas acumuladas
,@
descendentes,relativas acumuladasascendentes yrelativas acumuladasdescen- t
c'
Asf,por ejemplo, paraX
3
= 2 sehanobtenido:
dentes.
n
3
4
!
f3 = N = 20
Soluci6n: I,
3
I
N1 = I n
j
=n
1
+ n
z
+ n
3
= 4+ 10+ 4 = 18 Partiendo de los datos de la tabla 2.2 se van construyendo las distintas
j=l
columnas. La primeradelasfrecuenciasabsolutas son todas la unidad yaque
no se repite ningnn valor. Las frecuencias relativas /; son todas iguales a un
=N - N1 = 20 - 18 = 2
43
CASAS-sANCHEZ, 1.M. YSANTOS-PENAS, J.
42
3 4 10 4 _ 18
F1 = L Jj = 20 +20 +20 - 20
j=l
18 2
= 1 - F1 = 1 - 20 = 20
y asfsucesivamente, paralos distintos valores de la variable Xi'
Todo 10dicho anteriormente esta referido a observaciones de naturaleza
cuantitativa. Si la variable es cualitativa, 0 sea, nos referimos a un atributo
que tomadistintas modalidades,notieneninglinsentidoelcalcular frecuencias
acumuladas. La tabla de frecuencias se construye de la forma siguiente:en la
primera columna se describen las distintas modalidades, en la segunda se
registran las frecuencias absolutas yen la tercera las relativas.
TABLA 2.8. Tabla de frecuencias de datos cualitativos.
Modalidades de la
caracterfsticax
n
i
J;
M
1
n
1
ndN
M
2
n
2
n
2/N
M
i
n
i
njN
u,
n
r
nr/N
N 1
Ejemplo 2.5
En 100 personas mayores de edad seha observado que 50 soncasados, 25
solteros, 15viudosy10divorciados. Conlosdatosanterioresconstruirla tabla
de frecuencias de la variable cualitativa 0 atributo denominado estado civil.
TABLA 2.9.
Distribucion de frecuencias del estado civil.
x n
i
J; J; 100
50
Casado 50 50/100
Viudo 15 15/100 15
25
Soltero 25 25/100
Divorciado . 10 10/100 10
100
N= 100 1
En este ejemplo las frecuencias relativas tambien se han expresado en
iantos por cien ya que muchas vecessesuelen presentarde esta forma en vez
deltanto por uno que venimos calculando.
2.4.2. Distribucionesdefrecuencios
unidimensionolesconlosdatos
ogrupodosen intervolos decloses
Este tipo de distribuciones se elabora cuando el nnmero de valores que
puedetomarlacaracterfsticadeinteres esmuyelevadocon 10queesnecesario
agruparlos enintervalos declases.Estosintervaloss610 tienesentido enelcaso
de variables cuantitativas en las que se puede aplicar las escalas que Bevan
estenombre 0 las de raz6n.
La agrupaci6n delos valores de la caracterfsticaque seesteanalizando en
intervalos de clases tiene el inconveniente de producir una perdida de infor-
maci6n,yaque sisabemosqueundatoseencuentradentrodeun determinado
intervalo, no podremos conocer su valor exacto sino s610 que se sittia dentro
de unos lfmitesdeterminados. Esta perdida de informaci6n se compensa con
una mayor manejabilidad de la distribuci6n.
Los intervalos pueden construirsecon amplitud-diferenciaentre ellfmite
superior e inferior- constante 0 variable.Antes de senalar c6mo se elaboran
losintervalos vamos a definir10que seconoce como recorrido 0 rango de la
variable X en estudio que 10designamos por R:
R = x, - Xl = max {X;} - min {X;}
i i
supuesto que los datos observados estan ordenados de forma creciente como
hacemos en las caracterfsticas cuantitativas.
Una vez determinados los datos maximo y mfnimo de una variable es-
tadfstica(x,YXl) podemos agruparlosdatos enintervalos delmodo siguiente:
[L
o
' L
1J,
(L
1
, L
2J,
(L
2
, L
3J,
..., (L
k- 2
, L
k- 1J
Y (L
k- 1
, LkJ
siendo L
o
= Xl YL
k
= X
r
Asf, la distribuci6n agrupada de frecuencias esta
determinada por el conjunto de elementos (intervalos, frecuencias) como se
indicaen la tabla2.10;siendo n, lafrecuencia absolutadedatos contenidosen .
elintervalo (L
i
-
1
, LJ.
Llamamosamplitud delintervalo (L
i
-
1
, La alacantidad C
i
,
c
i
= L
i
- L
i
-
1
CASAS-sANCHEZ, J. M. y SANTOS-PENAS, J.
44
verificandose que
k k
Lc;= L(Li-Li_1)=Lk-Lo=xr-X1=R
;=1 i=1
Sila amplitud de todos los intervalos es constante, e igual a c
C
i
= c, (i = 1,2, ..., k)
entonces
L
k
c,=k-c=R
i=1
de dondela amplitudcomun de los intervalos resultaria ser:
c=R/k
Aefectos operativos,llamamosmarcadeclase del intervalo(L;-1'LJa su
punto medio denotado Xi:
:! +L +_
c
i
L;-1 1= L;-l 2
X i = 2
puesto que al ser c
i
la amplitud del intervalo,
L; = L
i
-
1
+ ci
Latablade frecuencias con los datos agrupados en intervalos de clases equi-
valente a la tabla 2.5 de valores sin agrupar sera:
Tabla defrecuencias con losdatos agrupados en intervalos de clases.
TABLA 2.10.
-
Intervalos Marcade
NT N"
Fi F"
n; J;
(L;-l' LJ
clase(x;)
I I I I
Nt
1
N"
Ft
F"
[L
o
, L
1
] Xl
n
1 11 ,1 1 1
Nt N"
Ft
F"
2 (L
1
, L
2
] X
2
n
2 12 2 2 2
(L
k- 2 , Lk-a X
k- 1 nk - 1 he-1 Nl- 1 Nk-1 F l ~ l Fk-1
Nt N" Fl F"
k
(Lk -
1
, LJ Xk n
k he k k
~ - . ~
DlSTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES 45
Ejemplo 2.6
Uncomercio ha abierto sus puertas al publico durante25 dias de un mes
y ha obtenido las siguientes recaudaciones:
16.500 10.050 12.320 10.000 22.540
7.325 13.800 18.300 14.600 25.000
17.085 19.000 11.900 13.760 15.075
20.210 7.280 21.200 23.090 24.500
15.800 5.000 13.050 21.600 17.700
Dado que la recaudaci6n minima, en los 25 dias considerados, es de
5.000 y la maxima es de 25.000 podemos denotar por Xl = 5.000 y
x, = X
2 5
=25.000.Los r =25datosobservadospuedenrecogerseen unatabla
de frecuencias, como hemos visto previamente, 0 bien, dado que el recorrido
R =X - Xl =25.000 - 5.000= 20.000 Y los datos no tienen frecuencia ab-
2 5
solutamayorque1en todoslos casos, podemosagruparestos datosde modo
homogeneo en cada grupo. Unaposibilidad es elegir como amplitud de cada
clase, el valor comun c= R/k=;= 20.000/5 = 4.000; si queremos agrupar los
datos en k = 5 clases,
Otras posibilidades son: si k = 4, c= 5.000
si k = 2, c = 10.000
si k = 10, c= 2.000,etc.
Si la arnplitud comun a las 5 clases es 4.000, los intervalos son:
Para i= 1, 2, 3, 4 Y5:
L
o
= Xl = 5.000
L
1
=L
o
+ c=5.000+ 4.000 = 9.000
L
2
=L
1
+ c=9.000 + 4.000 = 13.000
L
3
= L
2
+ c = 17.000
L
4
= L
3
+ c= 21.000
L =L
4
+ c =25.000, pues k = 5
5
= X
2 5
~
Las marcasde clase son:
L
o
+ L
1 5.000+ 9.000= 7.000
X
1
=
2
2
L
1
+ L
2 9.000+ 13.000= 11.000
X2 = 2
2
47 CASAS-sANCHEZ, J. M. y SANTOS-PEl'lAS, 1. 46
L
2
+L
3
= 15.000
L
3
+L
4
= 19.000, y
x
3
=
X4 = 2
L
4
+L
s
= 23.000
Xs= 2
La tabla agrupada de frecueocias resultara:
Intervalos Marca de c1ase Frecuencias absolutas
:,
., [5.000, 9.000J 7.000 3
(9.000, 13.000J 11.000 4
(13.000, 17.000J 15.000 7
(17.000, 21.000J 19.000 5
(21.000, 25.000J 23.000 6
La frecuencia absoluta 3 del intervalo [5.000, 9.000] es debido a los 3 datos:
7.350 ; 7.280 ; 5.000
La amplitud de los intervalos puede no ser comtin, y podrfamos tener
intervalos de diferente amplitud.
Es sencillo advertir que agrupando datos se pierde informaci6n de la
variable estadfstica, aunque se gana en facilidad de uso. La tabla completa de
las distintas freeuencias sera la siguiente:
TABLA 2.11. Tabladefrecuencias con losdatos agrupados en intervalos de clases.
pt
(L
i
-
1
, LJ Xi n
i 1;
Nt M P"
I I I 1
[5.000, 9.000] 7.000 3 3/25 3 22 3/25 22/25
(9.000, 13.000J 11.000 4 4/25 7 18 7/25 18/25
(13.000, 17.000J 15.000 7 7/25 14 11 14/25 11/25
(17.000, 21.000J 19.000 5 5/25 19 6 19/25 6/25
(21.000, 25.000J 23.000 6 6/25 25 0 1 0
N=25 1
Ejemplo 2.7
Una sociedad del sector maderero ha adquirido troneos de cierta variedad
forestal para su posterior transformaci6n. Al recibirlos, ha decidido c1asificar-
los segun tramos de metros ciibicos de volumen de madera por unidad. El
"r-:;"
resultado de esta operaci6n ha sido recogido en la siguiente tabla agrupada
de freeuencias:
Intervalos (en nr') Marca de c1ase (en m
3
) Frecuencias absolutas
[0, 0,25J 0,125 1.235
(0,25, 0,50J 0,375 187
(0,50, 1J 0,75 50
(1, 2J 1,5 18
(2, 5J 3,5 10
1.500
De esta tabla, se observa que las amplitudes de los intervalos de volumen
de madera es creciente, pasando de
C
1
= 0,25 - = 0,25, a
c
2
= 0,50 - 0,25 = 0,25, a
c
3
= 1 - 0,50 = 0,50, a
c
4
= 2 - 1 = 1, hasta
C
s
= 5 - 2 = 3 metros cubicos
Tarnbien se aprecia que la mercancfa es tanto mas frecuente cuanto menor sea
su volumen. La tabla eompleta de los distintos tipos de frecuencias queda de
la forma siguiente:
TABLA 2.12. Tabladefrecuencias con los datos agrupados en intervalos de clases.
(Li- l' LJ Xi n,
J: NJ
Nl FJ
.
Ff
I
[0, 0,25] 0,125 1.235 1.235/1.500 1.235 265 1.235/1.500 265/1.500
(0,25, 0,50J 0,375 187 187/1.500 1.422 78 1.422/1.500 78/1.500
(0,50, 1J 0,75 50 50/1.500 1.472 28 1.472/1.500 28/1.500
(1, 2J 1,5 18 18/1.500 1.490 10 1.490/1.500 10/1.500
(2, 5J 3,5 10 10/1.500 1.500 0 1 0
1.500
2.4.3. Representaciones gr6ficaspara
distribuciones defrecuencias
dedatoscualitativos
En la Estadfstica Descriptiva las representaciones graficas tienen la ventaja
de que el impaeto visual nos proporciona de forma instantanea una visi6n
global del reparto de los datos observados, pero nunea deben sustituir al
48
49
estudio analitico queeselquenosproporcionalasconclusionesdefinitivasdel
fen6meno objeto de estudio. Los distintos tipos de graficos son simplemente
una forma complementaria,nunca sustitutiva, de describir la realidad que nos
interesa. Lasfigurasmasempleadas paralosdatos cualitativos soneldiagrama
de reetangulos, diagrama de sectores 0 de pastel, pictogramas y cartogramas.
Las dos primeras se dibujan bajo el principio de proporcionalidad entre las
areas de los rectangulos 0 sectores y las frecuencias absolutas n; de cada
modalidad del atributo.
Los pictogramas consisten en reflejarlas frecuencias de cada modalidad a
traves de dibujos artfsticos cuyo tamano tambien guarda proporcionalidad
con las frecuenciasabsolutas. Porultimo loscartogramasson una representa-
ci6n por medio de un mapa que se utiliza cuando las modalidades estan
contenidas en areas geograficas,
Si la distribuci6n de frecuencias es unitaria (pocas modalidades y no se
repite ninguna) su representaci6n grafica carece de interes ya que los rectan-
gulos, los sectores 0 las figuras de los pictogramas tendrfan todas el mismo
tamafio,al tener todos la unidad por frecuencia absoluta, oon 10 que no se
puede realizar ningun analisisdiferenciador delaimportanciarelativa decada
modalidad ya que todos tienen el mismo peso 0 importancia. Ahora bien, si
los datos son los del ejemplo 2.5, con frecuencias no unitarias, podemos
construirlos siguientesgraficos:
- Diagrama de rectangulos, en donde todos los rectangulos tienen la
misma base y sus areas son proporcionales a las frecuencias absolu-
tas n;. Grafico 2.2.
ni
50
40
30
20
10
CASADO VllJDO SOLTERO DNORCIADO u,
GRAF"ICO 2.2. Diagrama de rectanqulospara la caracteristicacualitativa estado civil del
ejemplo2.5.
Digrama de sectores,en donde el area de cada sector es proporcional
alafrecuenciade cada modalidad, casados: 50,solteros: 25,viudos: 15
ydiverciados: 10.Grafico 2.3.
GRAFICO 2.3. Diagrama de sectores 0 de pastel para la caractertstica cualitativa
estado civildelejemplo2.5.
- Pictograma, en donde el tamano de las figuras es proporcional a las
frecuenciasde cada modalidad. Grafica 2.4.
I
CASADOS SOLTEROS VllJDOS DNORCIADOS
GRAFICO 2.4. Pictogramaparalacaracteristica cualitatioaestadocivildelejemplo2.5.
I
51
i
I'
I
I
i"::
CASAS-sANCHEZ, J. M. ySANTOS-PENAS, J. 50
2.4.4. Representaciones gr6ficas para
distribuciones de frecuencias '
de datos cuantitativos
Vamos a estudiar en primer lugar las representaciones graficas de las
distribuciones de frecuencias no agrupadas. Es evidente que no tiene ningtin
sentido e1 efectuar una representaci6n grafica de la tabla2.1ya que al ser las
frecuencias absolutas todas la unidad no nos aportaria ninguna informaci6n
diferenciadorarespecto a los distintos valores de la variable. En cambioen la
tabla 2.3 se representa mediante 10que se conoce como diagrama de barras,
La figuraseconstruye utilizando un sistemadeejescartesianosdeforma que
en el ejede abscisassetoman los distintos valoresde la variable y en el ejede
ordenadas lasfrecuencias absolutas. Sobre cada valor de la variablecuantitativa
Xi (ordenados previamente de menor a mayor) se levanta una barracuya altura
sea su frecuenciaabsoluta n
i
. Luego la graficadel diagrama de barras de la ta-
bla 2.3 tendra la forma del grafico 2.5. Analogamente se puede construir el
diagramadebarras paralasfrecuencias relativas, ysepuedeemplearenlamisma
figura una doble esca1a en el ejedeordenadas ya que de unas a otras se pasa
dividiendopor e1 total deobservaciones,siendoasfambas esca1as proporcionales.
ni Ii
n3
n2
nl
ns
o Xl X2 X3 --------------xr
X
GRAFICO 2.5. Diagrama de barras.
Ejemplo 2.8
Construir el diagrama de barras de la tabla 2.4del ejemplo 2.2.
Solucion:
En el eje de abscisas del sistema cartesiano se anotan los cinco valores
de la variable: 0, 1, 2, 3 y 4. En el de ordenadas se pone la escala de las
DlSTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES
frecuencias absolutas dell (minima) hasta el 10 (maxima). Para Xl = se
levantaunabarradealtura4,paraX
z
= 1de 10,paraX
3
= 2de4,paraX
4
= 3
de 1 y para X
s
= 4 de 1. El resultado de este proceso de construcci6n es el
grafico2.6.
Ii ni
0,50 10
0,45 9
0,40 8
0,35 7
0,30 6
0,25 5
0,20 4
0,15 3
0,10 2
0,05 1
-
01 1 X
2 3 4
GRAFICO 2.6. Diagrama de barras de la tabla 2.4 del ejemplo 2.2. (La escala de las
frecuencias relativas, h' se obtiene dividiendo las absolutas n
i
por el total
de observaciones que en este caso son N = 20).
Con el grafico 2.6 podemos comprobar con gran rapidez y de un solo
vistazo que en la mayoria de las familias observadas (50%) s610trabaja una
persona. Esta es la gran ventaja de las representaciones graficas: obtener
conc1usionescon el impacto visual de la figura.
Como en las variables cuantitativas sftienen sentido las columnas de las
frecuencias acumuladas, vamos a versus representaciones graficas a traves de
lasfiguras denominadasdiagramasacumulativosdefrecuencias.Ahorasetrata
derepresentarlas columnasNJ, Nt, Fi yFt de la tabla2.5.Las funciones que
las representan tienen forma de escalera ascendente 0 descendente, segun se
trate de Ni 0 Fi 0 bien de Nt 0 Ft. Sesube 0 se bajaun peldafio al pasarde
cada valor de la variable al siguiente. La alturade cadapeldafio viene deter-
minada por el valor de la frecuencia correspondiente (absoluta 0 relativa) y
como siempre en el eje de abscisas estanlos valores de la variable y en el de
ordenadas las frecuencias acumuladas que corresponden a cada valor. En el
grafico 2.7se representa e1 diagrama acumulativo ascendente correspondiente
a las columnas Ni y Fi de la tabla 2.5.Para cada valor de la variable Xi se
deterrninaelpunta(Xi' ND Ydesde e1 mismo setraza unalinea paralelaal eje
53
CASAS-sANCHEZ, J. M. y SANTOS-PENAS,J. 52
deabscisas detrazocontinuohastala vertical delsiguiente punto(X
i
+l'NI+1)'
Este trazocontinuo vieneporla izquierdacoincidiendo con el,eje de abscisas,
te6ricamente desde menos infinito, ya que alaizquierdade Xl (mfnimo valor
de la variable) no se puede acumular ninguna frecuencia y no existen los
peldafios de escalera. Justo en Xl tenemos n
l
= NI Yla altura del peldafio
coincide con su valor; de Xl a X
2,
sin incluir X
2,
no se acumula ninguna
frecuencia con 10que la funci6n se mantiene en trazo grueso paralela al eje
de abscisas hasta IIegar a x
2
En este punto, al existir la frecuenciaabsoluta
n
2
que se acumula a NI dando como resultado N1, hay un nuevo salto de
peldafio coincidiendo con el valor x
2
As!sucesivamente hastael Ultimovalor
X, en el que la escalera tiene su Ultimo peldafio de altura n.. A partir de
(x, N!) la funci6n seconvierte en una paralelaaleje deabscisas, te6ricamente
hasta mas infinito, ya que cualquier punto X del eje de abscisas con un valor
igual 0 mayorquex, la N! = N y laF! = 1,yno sevuelvea acumularninguna
frecuencia con 10que los peldafios de la escalera desaparecen.
Ft
I Nt
t
----------------------------------1 F
r
I
I
I
I
t t
--------------------------
!
Fr-
l Nr-l
it
I
F! Nz
I I
_____
I
I
i
I
I
Ft Nt
I I I
I I I
I I I
I I I
. I
Xz---------- Xr-l x Xl X
r
GRAFICO 2.7. Diagrama aeumulativo defrecuencias ascendente. (La escala de lasfre-

cuencias relativas acumuladas ascendentes se obtiene de las N[ dioidien-
dolas por el total de datos N).
Ejemplo 2.9
Construir el diagrama acumulativo de frecuencias asceridente,
los datos de la tabla 2.7.
Solucion:
De la tabla 2.7hay que representarlos datosde las columnasNI yF[que
son los siguientes:
Xi NT, FT
,
4 4/20 = 0,20
1 14 14/20= 0,70
2 18 18/20= 0,90
3 19 19/20= 0,95
4 20 20/20 = 1
Los datos anteriores seIIevanen forma de escala al ejede ordenadas ylos
valores dela variable alejede abscisas delsistemacartesiano. La curva, como
seindica en el grafico 2.8 viene por la izquierda desde menos infinito hasta
que encuentra el primer valor Xl = 0 en el que hay un saito de peldafio
n
l
""NI = 4; sigue paralela al eje de abscisas a esa altura de 4 ya que no
acumula ninguna frecuencia hasta que IIega a x
2
= 1 donde se acumula
n
2
= 10 (nuevo saIto de peldafio) y pasa otra vez a ser paralela a la altura
total N1=nl +n
2
= 4 +10= 14. As! sucesivamente hasta X
s
=4 donde se
da el ultimo saIto de peldafio de alturan
s
= 1convirtiendose en una paralela
hast a mas infinito a la altura total N1 = N = 20 para la escala de N[ 0 la
unidad para F[.
Ft
I Nl
1 20
0,95 19
n_: I ' 0,90 18
=======================,--------: .
I I
I I
I I
I I
I I
0,70 T:-----II : 14
I I I
I I I
I I I
I I I
I I I
I I I
I I I
I I I
I I
I I
I I
I I
I I
I I
I I
I I
4 I I : I 0,20
I
I
I
I
I
I
2 3 4 X
GRAFICO 2.8. Diaqramaacumulativo defrecuencias relativasacumuladasascendentes.

(La escala de las frecuencias relativas acumuladas ascendentes FJ se
obtiene dividiendo laNI por el total de datos N = 20).
- -
55
II":
,'1,
I,
ii,'
r-
i
r.,
Eldiagramaacumulativo de frecuenciasdel grafico 2.8nos indica que, del
;, totalde familias observadas, las que tienendos personas 0 menos trabajando,
son 18que son el90% del total(dato dado por FI expresado en porcentajes,
o sea, 100x FJ) ylas que tienen tres 0 menos son el95% de las familias.
La representaci6n de las columnas Nt y Ft de la tabla 2.5 darla como
resultado eldiagrama acumulativodescendentecon laforma que seexpresa en
elgrafico 2.9.La funci6n descendente vienete6ricamentedesde menos infinito
a la altura del total de datos N = N ~ para la escala de las frecuen-
cias absolutas y de la unidad paralas relativas. Cuando llega a la vertical de
Xl baja unpeldafiojustohastaladefinici6ndeNi = N - Nlcon10que queda
cancelado el punto (Xl' Ni). A partir de este punto la funcion descen-
dente es paralela hasta encontrarse con la vertical de X
2
en la que vuelve
oj'
a bajarun nuevo peldafio hasta N ~ = N - N1. El proceso serepite sucesiva-
i mente hasta encontrarnos con la ultima vertical del maximo valor x, en la
que baja el ultimo peldafio, pasando al valor cero hasta mas infinito, ya que
:!
N; = N - N ~ =N - N =0,como ya sabemos. ; I
iii
~
:;1
~
J
;i:!
l

-J
~ I
I'i
Fl
- I'
il!
~
Ii:
.!
F2
i
,j
Ii
I,
-I
Ii
~
A. ~
~
~
N2
,
,
,
,
,
,
,
~ :
Nr-l
II'
Fr- l
I,
N ~
i
Fi
N
,
,
,
,
,
N
l
_ ~
, ,
, ,
, ,
, ,
, ,
_____ L .-------
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, I
I ,
-----l------+--- -,
, ,
, ,
, ,
,
,
,
Ii
o
Xl
X2 ---------- X
r x Xr-l
GRAFICO 2.9. Diagrama acumulativo de frecuencias descendente ,
~ I, , 1-
Ejemplo 2.10
Construireldiagrama acumulativo de frecuencias descendentes utilizando
:i:
los datos de las columnas Nt y Ft de la tabla 2.7.
i;-::
l,i,:;
Soluci6n:
De la tabla2.7hay que representarlosdatosde lascolumnasNt yFt que
junto con los valores de la variable son los siguientes:
Xi Nt ,
F+
,
0 16 16/20=0,80
1 6 6/20=0,30
2 2 2/20=0,10
3 1 1/20=0,05
4 0 0/20 = 0
En el grafico 2.10lafunci6n acumulada descendente vienesiendo paralela
alejede abscisas, te6ricamente desde menos infinito, ya que para cualquier
punto X del eje de abscisas, inferior al primer valor de la variable Xl = 0,los
superioresal mismo acumulan todas las observaciones 0 datosque ascienden
a20.Justo al llegar a la vertical de Xl = 0, que coincide con el eje de orde-
nadas, los valores superiores al mismo acumulan 16 datos u observaciones
obteniendose la
Ni = N - Nl = 20 - 4 = 16
siendo4 la magnitud del peldafio descendente en la mencionada vertical. La
funci6nsemantiene paralela hastaque encuentrala vertical de X
2
= 1donde
vuelvea descender el montantede 14observaciones con 10que
N ~ = N - N1 = 20 - 14 = 6;
osea,losdatossuperioresa X
2
= 1asciendena 6manteniendoseesta situaci6n
hasta X
3
= 2que pasan a ser 2;X
4
=3 que son 1y paravalores superiores a
X
s
=4 no existe ninguna observaci6n con 10que la funci6n coincide con el
ejede abscisas hasta mas infinito. La interpretaci6nde este diagramaacumu-
lativode frecuencias descendentes esfacilempleando la escala de Ft: el 80%
(Fi x 100) de las familias observadas tienen alguna persona trabajando, el
30% tienemas de una personatrabajando, el10% tienemas dedos personas
trabajando, el 5% mas de tres y no hay ninguna familia que tenga mas de
cuatro personas trabajando.Esta claro que lainformaci6nque suministranlos
graficos2.8y 2.10escomplementaria ya que como sabemos
NI +Nt = N.
I
57
CASAS-sANCHEZ, J. M. y SANTOS-PENAS, 1. 56
'[
Luego si el 80 % de las familias observadas tienen alguna persona trabajando,
';i.. un 20 % no tienen ninguna, si un 30 % tienen mas de una, un 7,0 % tiene una
o ninguna y asf sucesivamente; basta con observar las escalas F[ multiplicadas
por 100, 0 sea, expresadas en porcentajes.
Fr t Nt
1 N=20
0,80 + 16 I ,
0,30
0,10
0,05
01 1 2 3
6 +----- .... ; -----.,
I
r
,
,
I
I
2 ~ : :
1 +-------+-------1--------.. ,--
4
!
x
GRAFICO 2.10. Diaqrama acumulativo de frecuencias descendente.
Por ultimo, vamos a estudiar las representaciones graflcas de las distribu-
ciones de frecuencias agrupadas en intervalos de c1ases. Las tablas del tipo 2.10
se representan a traves de los llamados histogramas de frecuencias que tienen
la forma expresada en el grafico 2.11. Como los valores de la variable estan
ahora agrupados en intervalos se levanta un rectangulo cuya base es la am-
plitud de aquellos, En cada intervalo (L
i
-
1
, La de los definidos en la tabla
2.10 se levanta desde el eje de abscisas un rectangulo que, con dicha base (L
i
-
1
,
L
i
), llegue a la altura n[c, sobre el eje de ordenadas. De este modo el area del
rectangulo es proporcional 0 coincide con n
i
:
n
Area(i) = base- altura = c
i
-!. = ni(i = 1, 2, ..., k)
c
i
Si todos los intervalos tienen la misma amplitud, las alturas de los rectan-
gulos seran las correspondientes frecuencias. A las alturas de cada rectangulo
n.fc, se le denomina densidad de frecuencia del intervalo z-esimo.
n/ci
n3/c3
n21c2
nJ!ck
ni/ci
01
Lo LI ~ ~ Lk-l Lk Extremos de intervalos
GRAFICO 2.11. Histograma de frecuencias.
Ejemplo 2.11
Elaborar el histograma de frecuencias de los datos de la tabla 2.11.
Soluci6n:
Para elaborar el histograma s610 nos interesan los datos de las columnas
(Li - 1, La y n, de la tabla 2.11 que son los siguientes:
(Li -
1
, La n,
-
[5.000, 9.000J 3
( 9.000, 13.000] 4
(13.000, 17.000] 7
(17.000, 21.000J 5
(21.000, 25.000] 6
Lo primero que hay que observar es si la amplitud de los intervalos es
. constante 0 es variable. En este caso es constante C = 4.000; luego las alturas
de los rectangulos del grafico 2.12 son directamente las frecuencias llevadas a
la escala de ordenadas.
58
59
CASAS-sANCHEZ,J. M. YSANTOS-PENAS, J.
ni
Ii
0,28t7 f-----------------------
0,24 6 -----------------------
0,20 5 -----------------------
0,16 4 --------------;
0,12 3
o 5.000 9.000 13.000 17.000 21.000 25.000
x
GRAFICO 2.12. Histograma defrecuencias de los datos de la tabla 2.11. (La escala de
lasfrecuencias relativasseobtiene dividiendo lasabsolutas ni pareltotal
de observaciones N = 25).
Ejemplo 2.12
Los ingresos anuales de 50 familias expresados en milesde euros, y agru-
pados en intervalos de clases son los siguientes:
(L
i
-
I
, L;]
n
i
[40, 100]
10
(100, 200]
20
(200, 500]
15
(SOD, 1.000]
5
Elaborar su histograma de frecuencias.
Soluci6n:
Se observa que la amplitud de los intervalos es variable;luego hay que
calcularlasalturas delos rectangulos hi= njc
i
como seindicaenla tabla2.13
con objeto de construirel grafico 2.13.
TABLA 2.13. Cdlculo de densidades defrecuencias hi'
(L;_I'LJ n; cj
h=!!!
I
cj
. [40, 100] 10 60 0,17
(100, 200] 20 100 0,20
(200, 500] 15 300 0,05
(500, 1.000] 5 500 0,Dl
hi
0,20
0,17
0,05--
0,Dl--
01
x 40 100 200 500 1.000
GRAFICO 2.13. Histograma defrecuencias cuando la amplitud de los intervalos es va-
riable.
En la construcci6n de los histogramas han intervenido las frecuencias
absolutas 0 relativas, pero sin acumular. Comoestamos tratando variables
cuantitativashay querepresentargraficamente lasfrecuencias acumuladas(N
i
yFJqueenelcasodedistribuciones agrupadasrecibenelnombredepoligonos
acumulativosde frecuencias. Vamos a representar s610 las columnas Nl y F1
de la tabla generica 2.10.En el eje de abscisas se expresan los lfmites de los
interval os y en el de las ordenadas la NI yFl tal y como se representa en el
grafico 2.14.
Puede observarseque el poligonoacumulativoseobtiene uniendo median-
terectas cada par consecutivo de los siguientes valores:
(L
o
' 0), (L
I
, Nl), (L
2
, N1), ...,(L
k
-
I
, Nk-l)' (Lk' Nk= N).
61
f
t
t
}Vk Fk
-----
---------------------------------1.
t t
Fk-I
:t
Ft }V2
Ft }V!
01
l.Q LI --------- Lk-I Lk L;
GRAFICO 2.14. Poliqono acumulativo de frecuencias ascenclentes.
Elpoligono acumulativo descendentepuedetambien representarseatraves
delosdatos delascolumnasNf yFf uniendo lospuntos consecutivossiguien-
tesmediante segmentos:
(L
o
, N), (L
1
, Nt>, ..., u.; 0)
Ejemplo 2.13
Construirelpoligono acumulativo defrecuenciasascendentesydescenden-
tescon los datos dela tabla 2.11.
Soluci6n:
.;:. , De la tabla 2.11 obtenemos losdatos delas columnas NJ,FJ, Nf YFf que
1' ,
'!.:I
son los siguientes:
: (L
i
-
1
, LJ NT,
FT
, Nt, F+
,
[5.000, 9.000] 3 3/25 = 0,12 22 .22/25 =
,j.'1
( 9.000, 13.000] 7 7/25 = 0,28 18 18/25 = 0,72
,"j
(13.000, 17.000] 14 14/25 = 0,56 11 11/25 = 0,44
(17.000, 21.000] 19 19/25 = 0,76 6 6/25 = 0,24
(21.000, 25.000] 25 25/25 = 1

i'
El grafico 2.15 se construye uniendo, para la escala de NI, los puntos
!i
Ii
J,:
'I'
h'
l
i:,c
I.,.
.-.Y
'siguientes mediante segmentos: (5.000, 0), (9.000, 3), (13.000, 7), (17.000, 14),
..' (21.000, 19)Y(25.000, 25). Apartir del ultimo punto la funci6n esparalela al
.'ejede abscisas. .
Siseempleala escaladeFI elpoligono esidenticos610 que en ordenadas
sereduceel tamafio 25 veces que son el total de observaciones para las que
sehan dividido las NI para obtener las FJ. Luego basta con poner la escala
deFI enelejede ordenadasalladodeNI como seindica enelgrafico2.15.
2.5. Medidas de posicion
Cuando disponemos de una distribuci6n de frecuenciasasociada a cierta
variableestadistica, esta puedeserresumida 0 reducida por unas medidas que
dan una idea global de c6mo esla distribuci6n sin tener que recordar todos
losdatos con susfrecuenciasabsolutas 0 relativas.
Entre estasniedidasseencuentran lasdeposici6n quesituan ladistribuci6n
entorno a dichos parametres, dando una idea de en que valores sedistribuye
lavariableestadistica.
}Vi
25
oj
A
t
19
0,56+ 14
0,28 7 +-----------------------i
0,12
3+--------------""'"
o
5.000 9.000 13.000 17.000 21.000 25.000
t;
GRAFICO 2.15. Poliqono acumulativo de frecuencias.
La mayoriade las medidas de posici6n son mimeros que seobtienen por
operacionesaritmeticas unavezquesehan ordenadolosvaloresdelavariable.
5610 tienensentido enelcaso dedatos cuantitativos siexceptuamos10que
I
Ilamaremos moda que sf puede obtenerse y tiene pleno sentido en el estudio
de caracterfsticas cualitativas 0 atributos. ,
En el estudio de las medidas de posici6n trabajaremos con distribuciones
de frecuencias de tipo unitario, de datos no agrupados (valores observados
junto con sus frecuencias absolutas) y con datos agrupados en interval os de
clases (considerando las marcas de clase y sus frecuencias absolutas). Estudia-
remos la media aritmetica, la media geometrlca, la media armonica, la mediana,
la moda y los cuantiles.
2.5.1. La media orltrnetlcc
El concepto de media aritmetica de una distribuci6n de frecuencias es uno
de los mas importantes en la descripci6n de datos al ser el mas usado cuando
representamos al conjunto de la distribuci6n por una sola medida de posici6n
central. Se debe utilizar, ya que 10 exige su propia definicion.icuando los datos
observados son de naturaleza aditiva (rentas, salarios, beneficios, pesos, esta-
turas, puntos, etc.) de tal forma que una suma representa el total de los
recursos repartidos entre todos los elementos de la distribuci6n.
Definicion 2.7. Media aritmetica,
Llamamos media aritmetica a la suma de todos los valores de la
distribuci6n dividida por el mimero total de observaciones.
Para las distribuciones de tipo unitario sera:
_ Xl + X
z
+ ... + X 1
r
X = = - L
r
Xi [2.1]
N N i=l
Para las distribuciones no unitarias tanto agrupadas como no agru-
padas:
_ x
1n1
+ xzn
z
+ ... + xrn
r
1 r
X= [ ~ J
N
N.L Xini
,=1
En las no agrupadas los Xi son los valores de la variable estadfstica
directamente observados y en las agrupadas en intervalos de clase son
10 que hemos denominado marcas de cIase.
63
Ejemplo 2.14
Obtener la media aritmetica de la distribuci6n de tipo unitario referidas a
las rentas anuales de cinco familias expresadas en miles de euros, contenida en
la tabla 2.2. Los datos de dicha tabla son:
Xi
150
175
200
250
300
Soluci6n:
150 + 175 + 200 + 250 + 300 1.075
x= =--= 215
5 5
La media aritmetica de las rentas anuales es de 215.000 euros y nos
representa al conjunto de los cinco valores de la distribuci6n.
Ejemplo 2.15
Obtener la media aritmetica de la distribuci6n de frecuencias no agrupada
del mimero de personas que trabajan en 20 familias contenida en la tabla 2.4
cuyos datos son:
Xi n
i
- -
0 4
1 10
2 4
3 1
4 1
Soluci6n:
1 4 1 1 5
x = - Lxini = - (0 4 + 1 10 + 2 4 + 3 . 1 + 4 . 1) = -. 25 = - ~ 1
N i=O 20 20 4
Por termino medio trabaja aproximadamente una persona por familia ya
que al ser una variable cuantitativa de naturaleza discreta (no admite deci-
males) la soluci6n se expresa en mimeros enteros de forma aproximada.
65
CASAS-sANCHEZ, J. M. YSANTOS-PENAS, J. 64
Ejemplo 2.16
Obtener la media aritmetica de la distribuci6n de frecuencias agrupada de
las recaudaciones diarias de un comercio expresadas en la tabla 2.11. De dicha
tabla las columnas que necesitamos son la de las marcas de clase Xi y la de
las frecuencias absolutas que son:
Xi n
i
- -
7.000 3
11.000 4
15.000 7
19.000 5
23.000 6
Soluci6n:
1
x = 25 (7.0003 + 11.0004 + 15.0007 + 19.0005 + 23.0006) =
1.000
= (21 + 44 + 105 + 95 + 138) = 40403 = 16.120
Hay que resaltar que la media aritmetica viene expresada en las mismas
unidades de medida que los datos originales observados. En el caso de las
distribuciones agrupadas en intervalos de clases la media la obtenemos utili-
zando las marcas de clases, ya que los valores observados son desconocidos,
con 10 que difiere de la que podrfa obtenerse si se utilizaran los valores no
agrupados. En este caso se trabaja bajo la hip6tesis de que los valores obser-
vados se distribuyen dentro de cada intervalo de forma uniforme con 10 que
su punto medio (marca de clase) es representativo de todo el conjunto.
La expresi6n [2.1] se conoce con el nombre de media aritmetica simple ya
que al ser las frecuencias unitarias todos los valores de la variable tienen la
misma importancia 0 peso a la hora de calcular x. Por el contrario, la expre-
si6n [2.2] recibe el nombre de media aritmetica ponderada ya que cada Xi
aparece ponderado 0 multiplicado por su respectiva frecuencia absoluta n
i
que
al ser distinta de la unidad da distinta importancia 0 relevancia a cada Xi'
Existen otras formas de ponderar que son distintas a las frecuencias absolutas
n
i
Estas situaciones aparecen cuando en distribuciones de tipo unitario, en las
correspondientes expresiones del tipo [2.1] se introducen unos coeficientes de
ponderacion denominados Wi que son distintos de n, con 10 que la media
aritmetica ponderada serfa:
H-Wi"-
I
XiW
i
i= 1
x=--- [2.3]
r
I
Wi
i= 1
Puede observarse en la expresi6n [2.3] que los Wi hacen la rnisma funci6n
que las n
i
de la f6rmula [2.2], ya que como sabemos
N= I
r
n
i
i= 1
Estos coeficientes de ponderaci6n son valores positivos que representan el
numero de veces que un valor de la variable es mas representativo 0 mas
importante que otro en el que su correspondiente Wi sea la unidad.
Ejemplo 2.17
El examen final de una asignatura puntua el doble que los examenes
parciales. Un alumno ha obtenido las siguientes calificaciones: primer parcial
no liberatorio 5 puntos sobre 10; el segundo 9 y el examen final 6. Obtener
su nota media a final de curso.
Soluci6n:
AI tener distinta importancia 0 peso las distintas calificaciones la media
que nos piden como calificaci6n final es una media aritmetica ponderada:
Calificaciones Coeficientes de ponderaci6n
Xi Wi
5 1
9 1
6 2
5 1 + 9 . 1 + 62 26
x= =-=65
4 4'
Observese que los Wi establecidos s6lo indican la iniportancia de cada valor
de la variable y s610 son nnmeros reales positivos. AI mismo resultado llega-
mos si los Wi son Wi = 2, 2, 4, ya que:
5 . 2 + 9 . 2 + 6 4 52
x= =-=65
8 8'
1
1
1...
Ilr
1,
1H,;::
66 CASAS-sANCHEZ, J. M. y SANTOS-PENAS,1.
1
ii1
.,\""
if'
':"1 .
La nnicacondici6n queexigeelproblemaesque W
3
(pesodelexamenfinal)
iiji
sea eldoble que W
1
YW
z
(pesosde los examenes parciales),
: - ~ i
r ~ : r..'
Propiedades de la media aritmetica
lilt
,I,
I. Si a la variable estadistica Xi la sometemos al mismo tiempo a un
cambio de origen at Ya un cambio de escala C mediante la trans-
formaci6n:
IVii
!!::
t:L!: x- at
Yi =T (siendo at YCconstantes) [2.4]
entonces resulta que
x= cy + at [2.5]
Demostraci6n:
De la expresi6n [2.4] se deduce que
Xi = CYi + at
Sustituyendo Xi en la f6rmula de la media aritmetica para el caso de
distribuciones no unitarias (sinagrupar 0
es identica en las unitarias:
1 r 1 r
X= N .2: xin i =N .2: (CYi + 0t)n; =
,=1 ,=1
agrupadas) ya que la demostraci6n
r r
.2: Yini .2: ni
1
C '=IN + at '=N = Cy + at
Esta propiedad nos manifiesta que la media aritmetica es sensible a los
cambios de origen 0 de escala. Si C= 1 entonces x= y + at y diremos que
se ha realizado un cambio de origen. Esta operaci6n se realiza para facilitar
los calculos y se toma como Origen de trabajo at el valor central de la
distribuci6n en elcaso de ser impares 0 uno de los centrales si son pares. Asi
en la distribuci6n del ejemplo 2.15setomariacomo origen de trabajo at = 2
transformando Xi en Yi de la forma siguiente:
Xi Yi = Xi - 2 n
i
0 -2 4
1 -1 10
2 0 4
3 1 1
4 2 1
DISTRIBUCIONES DEFRECUENCIAS UNIDIMENSIONALES 67
113
Y = - [(- 2) 4+ (- 1).10+ O 4+ 1. 1+ 2 1] = - (- 15) = __
W W 4
x = y + at = - ~ + 2 = -3+ 8 5
4 =-
4 4
Siat = 0la expresi6n [2.5] setransforma en x = Cy ydiremos que seha
efectuado un cambio de escala en la variable X. Esta operaci6n se suele
efectuar tambien para facilitar los calculos cuando los valores observados 0
lasmarcas dec1ase(enlasdistribuciones agrupadas)sonmuyelevadosytienen
unmaximo comiin divisor. En los datos del ejemplo 2.16elcambio de escala
podria ser C= 1.000quedando
Xi
n,
Xi
Yi =1.000
-
7.000
7
3
11.000
11
4
15.000
15
7
19.000
19
5
23.000
23
6
1
Y = -
25
(73+ 114+ 157+ 195+ 23.6)=
1 403
=25 (21+ 44+ 105+ 95+ 138)=25= 16,12
x = cy = 1.00016,12 = 16.120
Si en la distribuci6n anterior hacemos al mismo tiempo un cambio de
origen y escala, que es 10 que nos dice la expresi6n [2.5] de la propiedad I,
tendremos que, porejemplo,si at = 15.000,C= 4.000:
Xi
-
7.000
11.000
15.000
19.000
23.000
1
Y = - [(- 2) 3+ (- 1). 4+ o7+ 1. 5+ 2 6] = -
25 25
X
i-
at
Yi=-C-
.
-2
3
-1
4
0
7
1
5
2
6
7
69
CASAS-sANCHEZ, J. M. y J.
68
de donde
7 '
x= Cy +at=4.00025 +15.000 = 16.120
II. La suma de las desviaciones.de los valores 0 datos a su media
aritmetica es cero:
L
r
(x, - x)n; = 0 [2.6J
;=1
Demostraci6n:
En efecto:
r r r
L(x, - x)n; = Lxin
i
- x Ln, =xN- xN= 0
;=1 ;=1 ;=1 .
ya que como
_ 1 r
x - N L.." " x;n.
xN= L
r
x;n; y L
r
n;=N
i=l l ;=1 ;=1
III. La suma de los cuadradosde las desviaciones de los valores obser-
vados unitarios respecto a una constante arbitraria C es minima
cuando esa constante C coincide con la media aritmetica x:
S(C)= L
N
(x,- C)2 [2.7J
;=1
mfnimo cuando C= x.
Demostraci6n:
Como sabemos para obtener el mfnimo de la expresi6n S(C)se halla su
primeraderivadayseigualaa cero. La condici6nsuficiente esque la
derivada sea positiva. En efecto:
d L
N
(Xi - C)2
)
N .
(
dS(C) = ;=1 =2 LJx; - C)(-1)=0
dC dC ;=1
Dividiendo pordos y desarrollando el parentesis:
N
Lx, = NC
I C=x I
;=1
La segunda derivada es:
2S(C)
d = 2 (-1)(-1)= 2N>0
dC
2
i=1
con 10 que secumple la condici6n suficiente de mfnimo.
IV.
Si el total de datos u observaciones se estratifica en L grupos
distintos, la media aritmetica del total es una media aritmetica de
las distintas medias de los estratos ponderadas porel nnmero de
observaciones que tienen los mismos:
_ x
1N1
+x
2N2
+...+xLN
L
x=----"--'=-----=---"-------"=-----::
[2.8J
N
1
+ N
2
+...+N
L
Demostraci6n:
Las observaciones las dividimos en L estratos quedando:
(Xl!' X12' X13' ..., X 1N)' (X2 1, X 2 2' X 2 3' ..., X2N)' ..., (XLI' X
L2'
X
L3'
..., X
LN)
La media total 0 global sera
- (Xl! +x
12
+...+X
1N
) +...+(xL! +X
L2
+...+X
LN
)
x= 1 L=
N
1+N2+
.. +N
L
s, NL
L Xli +...+ L XL;
;=1
x
1N1
+...+xLN
L
N
1
+ N
2
+...+N
L
N
1+N2+
.. +N
L
i=1
70
71
CASAS-sANCHEZ, J. M. YSANTOS-PEN-AS, J.
ya que como sabemos
N1
I Xli
i= 1 etc.
X l ~
con 10 que
N1
I Xli = x
1
N
1
, etc.
i=l
Ventajas e inconvenientes de la media aritmetica
Las ventajas que podemos senalar de la media aritmetica como mas rele-
vantes son:
- Es calculable en las variables de naturaleza cuantitativa.
- Para su calculo se utilizan todos los valores de la distribucion,
- Esta perfectamente definida de forma objetivayes iinica para cada
distribuci6n de frecuencias.
- Tiene un claro significado ya que al ser e1 centro de gravedad de toda
la distribuci6n nos representa a todo el conjunto de valores observados.
Entre los inconvenientes hay que sefialar que es una medida de posici6n
muy sensible a los valores extremos de la distribuci6n con 10 que puede llegar
a ser poco representativa del conjunto si la dispersi6n de los datos es muy
elevada. A pesar de este inconveniente, por sus multiples ventajas, es la medida
de posici6n central mas utilizada.
2.5.2. La media geometrica
En muchas ocasiones los valores de la distribuci6n no son de naturaleza
propiamente aditiva como ocurre en los casos de los mimeros indices 0
porcentajes que representan la evoluci6n de una caracterfstica con respecto
al valor que tiene en un perfodo 0 situaci6n que llamamos base. Cuando se
desea obtener promedios de magnitudes tales como tipos de interes, tasas,
porcentajes, mimeros indices, etc., la media aritmetica pierde la propiedad de
tener un claro significado ya que la suma de dichas magnitudes no representa
un total de recurs os como en las magnitudes de naturaleza aditiva. En estos
casos debe de emplearse la media geometrica como la medida de posici6n
central mas representativa cuando la variable presenta variaciones acumula-
tivas.
Definicion 2.8.
Llamamos media geometrica de una distribuci6n de frecuencias y la
denotaremos por Gala raiz N-esima del producto de los N valores
observados:
Para las distribuciones unitarias:
r
G = VXl X
2
. '" . x, = n Xi [2.9]
i= 1
m:;
Para las distribuciones no unitarias (agrupadas 0 no)
G
= N IX" 1 'X"2 . X", =
[2.10]
....;. 1 2'" r
Como propiedad fundamental de la media geometrica damos la siguiente:
Ellogaritmo de la media geometrica es igual a la media aritmetica de los
logaritmos de los valores de la variable,
10gG = -
1
I
r
nilogx
i
[2.11]
N i=l
Demostracion:
Njr 1 [r ] r
log G = log _ n X?i = - log n X?i = -
1
I [log (xi)]n
i
c.q.d.
i=l N i=l N i=l
Ejemplo 2.18
Los tipos de interes que ofrece una entidad bancaria durante tres afios
consecutivos para dep6sitos a plazo son: 4,5, 5 y 5,5 por 100. Hallar el tipo
medio anual que ofrece el banco.
Solucion:
Los tipos de interes actiian sobre un capital inicial Co que 10 convierten
al cabo de tres afios en otro final C, por un proceso acumulativo. Luego el
promedio mas representativo para este caso es la media geometrica,
En el primer ano obtenemos un capital C
1
tal que:
C
1
= C
o
(1 + 0,045)
73
72
En el segundo afio:
C
2
= C
l
(l + 0,05)
En el tercer y ultimo afio:
C = Ci1 + 0,055) = C
o(1
+ 0,045)(1 + 0,05)(1 + 0,055)
3
EI tipo medio de interes i sera aquel que verifique:
C (1 + i)3 = C
o(l
+ 0,045)(1 + 0,05)(1 + 0,055)
o
o sea
(1 + i) = V(l + 0,045)(1 + 0,05)(1 + 0,055) = 1,049992
Puede observarse que (1 + i) es la media geornetrica de los valores
(1 + 0,045), (1 + 0,05) Y (1 + 0,055) siendo las cantidades (0,045, 0,05 y 0,055)
las que operan intemamente de forma multiplicativa en Co para transfor-
marlo en C EI promedio de estas cantidades de 0,049992 con 10 que la tasa
3
media del tipo de interes que hace el mismo efecto que las tres tasas anuales,
expresada en porcentajes es
i = 4,9992 por 100
Si se calcula la media aritmetica:
4,5 + 5 + 5,5
i = = 5
3
vemos que no coinciden siendo esta menos representativa del fen6meno ya que
no tiene en cuenta el efecto multiplicativo de las tasas de interes.
EI ejemplo 2.18 tambien puede resolverse aplicando la expresi6n [2.11] en
el caso de frecuencias de tipo unitario:
1 3 1 [ ]
= log G ="3 ~ l log Xi ="3 10g(1 + 0,45) + 10g(1 + 0,05) + log (1 + 0,055)
1 . 00686032
="3 [0,1613680 + 0,0211892 + 0,0232524] = ' 3 =0,022867
y su antilogaritmo:
Antilog (0,022867) = 1,054064
Ventajas e inconvenientes de la media geometrica
Entre las ventajas de las media geometrica podemos senalar:
- Es mas representativa que la media aritmetica cuando Ia variable evo-
luciona de forma acumulativa con efectos multiplicativos.
- Esta definida de forma objetiva y es unica, si existe.
- Tiene en cuenta en su calculo todos los valores de la distribuci6n.
- Los valores extremos tienen menor influencia que en la media aritme-
tica por estar definida a traves de productos en vez de sumas.
Los inconvenientes que hay que resaltar son:
- Su calculo es mas complicado que en la media aritmetica.
- No puede caIcularse si algun Xi es cero ya que se anula al definirse
como productos. Tampoco puede determinarse con valores negativos
ya que dana lugar a que apareciesen numeros de naturaleza imaginaria
con 10 que el problema no quedarfa resuelto, salvo que el radicando
sea negativo y el fndice de la rafz sea impar. Asf en la distribuci6n del
ejemplo 2.15 no es que no exista la media geometrica sino que no es
un buen promedio al ser Xl = 0 con 10 que dana:
G = 2V0
4.1 1o
.2
4
3
1.41
= 0
En cambio sf puede obtenerse la media geometrica en la distribuci6n del
ejemplo 2.16:
G = 2.y7.000
3
.11.000
4.15.0007.19.0005.23.0006
= 15.132
Si comparamos la media aritmetica del ejemlo 2.16 con la geometrica: Ia
x = 16.120 y G = 15.132 vemos que G < x. Igual ocurre en el ejemplo 2.18 en
el que x= 5 Y G = 4,9992. Demostraremos mas adelante que para datos no
negativos
~ x
2.5.3. La media ormonlco
Existen situaciones en las que no es adecuado el empleo de la media
aritmetica ni de la media geometrica ya que los datos observados no son de
naturaleza aditiva ni multiplicativa. Esto ocurre en los casos en los que se
desea promediar velocidades, rendimientos, productividades, etc., en los que
hay que combinar una serie de conceptos tales como: entidades de produc-
74
75 CASAS-sANCHEZ,J. M. y SANTOS-PENAS, J.
ci6n (recorridos, fincas, empresas, secciones, etc.),recursos producidos por
cada entidad (n
l
, n ) , total de recursos (N = it 'n} ritmo de ..., n
r z,
l
producci6n de cadaentidad(Xl' X
z
, ..., x
r
) que se expresaen producto obte-
nidoporunidad de producci6nyunidadesde producci6nde cadaentidadque
seobtienendividiendola producci6nde cadaentidadporsu ritmodeproduc-
nl nz nr )
ci6n -,-,..., - . El problema que tenemos que resolver es obtener un
(
Xl X
z
x,
promedio de los ritmos de producci6n (Xl' x
z,
..., x
r
) que multiplicando por
las unidades de producci6n nos de el total de recursos producidos. A este
producto H se le denomina media arm6nica:
n
l
n
z
n,
H- + H- + ... + H- = n
l
+ n
z
+ ... + n
r
= N [2.12]
Xl X
z
x,
Despejando H en la expresi6n [2.12] tenemos:
Definici6n 2.9.
Dada una distribuci6n de ritmos de producci6n Xl' X Z, ... , x, Ylas
produccionesde r entidades: n
l
, n
z,
...,n" lIamamos media arm6nicade
aquellos a:
N N
H= =-- [2.13]
n
l
n
z
n, ~ n,
-+-+ ... +- L.-
Xl X
z
x, i=l Xi
Ventajas e inconvenientes de la media arm6nica
Entrelas ventajas de la mediaarm6nicahayque destacar las siguientes:
- Esta definida de forma objetiva yes unica,
- Su calculo es sencillo.
- Intervienen todos los val ores de la distribuci6n.
- Es mas representativa que las otras medias en los casos de obtener
promedios en velocidades, rendimientos y productividades.
Como inconvenientes hay que citar:
- Nodebe de usarseparavalores de la variablemuypequefios(cercanos
a cero) ya que sus inversos pueden aumentar muchisimo haciendo
despreciable frente a ellos la informaci6n de otros valores de Xi que
sean mayores.
- No es posible calcularla cuando existen valores iguales a cero.
Relaci6n entre las medias arm6nica, geometries y aritmetica
Vamos a demostrar que para una misma distribuci6n de frecuencias con
todos sus datos positivos ocurreque:
[ H ~ ~ x I
Consideremos el caso mas sencillo de una distribuci6n con dos valores de la
variable con frecuencias unitarias y que con dichos valores pueden calcularse
los tres promedios:
2 2 2x
lxZ
H= 1 1
Xl + X
z Xl + X
z
-+-
Xl X
z
xlX
Z
G=JxlX
Z
Xl + X
z
X = 2
Vamos a demostraren primerlugarque H ~ G, 0 sea:
2x
lxZ
~ Jxlxz
Xl + X
z
Elevando al cuadrado los miembros de la anterior desigualdad y operando:
x i x ~ ~ X1Xz{X
l
+ xz)Z ; 4x
lxZ
(Xl + Xz)Z
4x
lxZ
xi + ~ + 2x
lxZ
; 0 ~ xi + ~ - 2x
lxZ
o~ (Xl - xzf
Con10 que queda demostrado que H ~ G.Por otro lado G~ x ya que:
rr.: Xl +xz z
VX1X
Z
2 ; 4x lxZ (xl + Xz)
77 76 CASAS-sANCHEZ, J. M. y SANTOS-PENAS, J.
Con 10 que
o (Xl - XZ)Z
Por tanto, queda demostrado que H G x. Esta demostraci6n puede gene-
ralizarse para cualquier mimero de valores de la variable. La media arm6nica
del ejemplo 2.16 sent:
25
H = 3 4 7 5 6 = 14.022
--+--+--+--+--
7.000 11.000 15.000 19.000 23.000
Vemos que se cumple que
H<G<x
ya que
14.022 < 15.132 < 16.120
Ejemplo 2.19
Un autom6vil realiza los siguientes recorridos 200, 300 y 400 km a las
velocidades medias de 50, 60 y 80 km por bora. Calcule la velocidad media
para el recorrido total.
Solucion:
En este ejemplo los ritmos de producci6n 0 valores de la variable son las
velocidades medias del vehiculo en cada recorrido (entidades de producci6n)
(Xl = 50, X
z
= 60 y X
3
= 80). Los recursos producidos son las distancias que
se ban recorrido (n
l
= 200, nz = 300 y n
3
= 400) con 10 que la distribuci6n de
frecuencias sent:
Xi n
i
50 200
60 300
80 400
H= 900
200 300 400 = 64 kmfhora
-+_._+
50 60 80
Ejemplo 2.20
Cuatro fincas ban producido 100, 120, 150 y 200 quintales metricos de trigo
con unos rendimientos de 10, 15, 12 y 18 quintales metricos de trigo por
hectarea. Calcular el rendimiento medio.
Solucion:
En este ejemplo los ritmos de producci6n son los rendimientos obtenidos
por hectarea y los recursos producidos son los montantes de quintales metricos
de trigo obtenidos en cada una de las fincas que son las entidades de produc-
cion, La distribuci6n de frecuencias sera:
Xi n
i
10 100
12 150
15 120
18 200
570
2.5.4. La mediana
Las anteriores medias que hemos estudiado (aritmetica, geometrica y ar-
m6nica) son medidas de posicion central que representan al conjunto de valores
observados de la distribuci6n equilibrando los mas elevados, los intermedios y
los pequenos ya que en su c6mputo intervienen todos ellos. El problema que
tienen estas medias es que son sensibles a los valores extremos muy altos 0
muy bajos y cuando existe mucha dispersi6n son poco representativas del
conjunto de observaciones. Con objeto de superar esta dificultad vamos a
definir otra medida de posici6n central en cuyo calculo no intervienen todos
los valores de la variable Xi' En vez de equilibrar valores de la variable para
determinar e1 centro de gravedad de la distribuci6n equilibra las frecuencias
observadas a ambos lados de su valor.
78
79
CASAS-sANCHEZ, J. M. y SANTOS-PE:NAS, J.
Definicion 2.10. Mediana
Dada una distribuci6n de frecuencias con los valores ordenados de
menor a mayor, llamamos mediana y la representamos por Me al valor
de la variable que deja a su izquierda el mismo numero de frecuencias
que a su derecha.
Determinacion de la mediana en las distribuciones de tipo unitario
Pueden ocurrir dos casos:
a) Que el mimero de valores de la variable sea impar: la mediana es el
a) Si N[ supera a NI2 la mediana es el Xi que corresponde a ese NI-
b) Si N[ es igual a N12 la mediana es la media aritmetica de Xi y el
siguiente Xi + 1 Si este resultado no fuese admisible porque la distribuci6n es
discreta y no admite decimales; la mediana seria los dos valores conjuntamente.
Ejemplo 2.21
Obtener la mediana de la distribuci6n de frecuencias no agrupada del
ejemplo 2.2referido al numero de personas que trabajan en 20 familias. La
distribuci6n es:
valor central. Por ejemplo, si la distribuci6n unitaria es Xi: 1, 3, 9, 13, 14 la
mediana es Me = 9 ya que es el valor que deja a su izquierda los mismos datos
u observaciones que a su derecha; 0 sea, dos datos.
b) Que el mimero de valores de la variable sea par: la mediana es la media
aritmetica de los dos valores centrales. Por ejemplo, si la distribuci6n unitaria
es Xi: 2, 3, 4, 5, 7, 8 la mediana es
4+5
M
e=-2-=4,5
ya que es un punto del campo de variaci6n de la variable que deja tres
observaciones por debajo de el (2, 3 y 4) y otras tres por encima (5, 7 y 8). Si
la variable que se esta estudiando es de naturaleza discreta (por ejemplo,
mimero de personas) y no admite decimales, la Me = 4,5 no seria admisible
con 10 que las medianas serian conjuntamente los dos valores centrales (4 y
5) ya que valores menores 0 iguales a 4 hay tres y valores iguales 0 superiores
GRAFICO 2.16.
Ni
N
I
I
I
I
I
I
I
I
I
I
I
I
'
L.-,
I
I
I
I
I
I
I
I
..
'1'
I
I
I
I
I
I
I
I
----------,
N
o
Xl X2 Me Xr-l X
r x
a 5 tambien hay tres.
Determinaci6n qrafica de la mediana a traces de los diagramas acumu-
lativos ascendente y descendente.
Determinacion de la mediana en distribuciones no unitarias
y con los valores no agrupados en intervalos de clase.
Si la distribuci6n de frecuencias no es unitaria hay que acudir al concepto
de frecuencias acumuladas para determinar la mediana. Si de la correspondien-
te distribuci6n se representan en el mismo sistema de ejes cartesianos los
diagramas acumulativos ascendentes y descendentes, la abscisa del punta
donde se encuentran corresponde con la mediana ya que por encima del
mismo hay un 50 % de observaciones y por debajo otro 50 % como indica el
grafico 2.16. El procedimiento de determinaci6n numerica es el siguiente: se
calcula NI2 y se construye la columna de las NI- A continuaci6n se observa
cual es la primera N[ que supera 0 iguala a NI2 distinguiendose dos casos:
Xi n
i
NT,
0
1
2
3
4
4
10
4
1
1
4
14
18
19
20
Soluci6n:
Observando en la columna N[ que el primero que supera a
NI2 = 10 es N1 = 14.
--------------------
80
----__

I
CASAS-sANCHEZ, J. M. y SANTOS-PENAS, 1.
Luego la mediana es su correspondiente valor de la variable que es Me = 1.
Este resultado nos indica que las familias con un ocupado, al tener, una
frecuencia acumulada de 14 incluyen a las observaciones que ocupan los
lugares deeimo y decimo-primero que cumplen la definici6n de mediana para
este ejemplo con un total de 20 observaciones.
Ejemplo 2.22
Los salarios mensuales de 100 empleados de unos grandes almacenes son
los siguientes:
Salarios (Xi) N.O empleados (nJ NT,
--
1.000 euros
1.250 euros
2.000 euros
3.000 euros
50
30
15
5
50
80
95
100
Solucion:
Observando Ni vemos que el primero que iguala a NI2 = 50 es Nl = 50.
Luego estamos en el caso en el que la mediana sera
M = x t + x2
1.000 + 1.250 = 1.125 euros
e
2 2
Puede observarse que un salario mensual de 1.125 euros tiene por debajo
de el al 50 % de los salarios de los trabajadores y por encima al otro 50 %.
Determinacion de la mediana en distribuciones con los datos agrupados
en intervalos de clase.
En este caso no tenemos valores observados de la variable al estar incluidas
en intervalos de clase. Luego la mediana la obtendremos siguiendo el metodo
de observar la columna de frecuencias acumuladas hasta encontrar un valor
de NIque supere 0 iguale a N12. Graficamente si de una distribuci6n agrupada
represent amos sus poligonos acumulativos ascendentes y descendentes, donde
se cortan ambas funciones su correspondiente abscisa nos dana la mediana
como se indica en el grafico 2.17. Observando la columna de Ni nos podemos
encontrar con los casos:
DISTRIBUCIONES DE FRECUENCIAS UNlDIMENSIONALES
81
a) Que Ni supera a NI2 el intervalo mediano sera (L -
t
, LJ que corres-
i
ponde a ese NI > N12. Puede observarse en el grafico 2.17 que el valor de la
abscisa que se corresponde con Me tiene una ordenada de N12. Para obtener
el valor de la mediana al lfmite inferior del intervalo mediano hay que afiadir
la distancia d que es un trozo de la amplitud del intervalo C . Luego:
i
Me =L
i
-
t
+ d
Para determinar la distancia dse adopta la hip6tesis de que los valores de
la variable Xi que pertenecen al intervalo mediano se distribuyen de forma
uniforme a 10 largo del mismo. Luego podemos establecer una relaci6n direc-
tamente proporcional entre la frecuencia absoluta del intervalo mediano (n) ,
N
N
i
N

+-----hhh
N,

Nt

i
o
1.0----- Ll
Li-2 L
i- 1
Me
i

,
,
,
,
,
,
,
,
,
4/
Li------Lk
x
GRAFICO 2.17. Determinaci6n qrafica de lamediana atraces de larepresentaci6n de los
pol(gonos ascendentes y descendentes de una distribuci6n defrecuencias
agrupada en intervalos de clase.
su amplitud (ci), la longitud desconocida (d)y la frecuencia que le corresponde
(N12 - NI-t):
c, d
;;; = NI2 - Ni-t'
de donde
NI2
d=
I
,:
t-
- NT ),"
,-t
C

n , '

rl,
I
'll
II!
Ii

i
82
83
Sustituyendo:
M =L. NI2 - NT
e ,-1+
n
,-1
Ci
i
b) Que Nt es igual a N12. En este caso se toma por convenio como
mediana el lfmite superior del intervalo mediano.
Ejemplo 2.23
Los ingresos anuales de las 50 familias del ejemplo 2.12 expresados en miles
de euros y agrupadas en intervalos de clases son:
NT,
(L
i
-
1
, LJ
n
i
10
10
[40, 100]
20 30
(100, 200]
15 45
(200, 500]
50
(500, 1.000]
5
Calcular la mediana.
Solucion:
Observando la columna Nt vemos que el primer Nt que iguala 0 supera
(en este caso supera) a NI2 = 25 es N1 = 30 con 10 que el intervalo mediano
es (100, 200]. Por tanto:
25 - 10
M = 100 + 100 = 175
e 20
La conclusi6n que obtenemos es que el ingreso de 175.000 euros deja por
debajo al 50 % de las familias y por encima al otro 50 %.
Ejemplo 2.24
Cien pequeiios comercios se agrupan segun su mimero de empleados, en
la siguiente distribuci6n:
N.O de empleados
(L
i
-
1
, L
i
)
N.O de comercios
n
i
Nt
i
[0, 1]
(1, 2]
(2, 4]
(4, 6]
( 6, 10]
(10, 15]
20
30
20
15
10
5
20
50
70
85
95
100
Calcular la mediana.
Solucion:
El primer NI que iguala 0 supera a NI2 = 50 (en este caso iguala) es
N1 = 50 con 10 que el intervalo mediano es (1, 2] y la mediana es su limite
superior Me = 2.
Ventajas e inconvenientes de la mediana.
Como ventajas de la mediana cabe destacar:
- Es la medida mas representativa en el caso de variables que s610
admiten la escala ordinal.
- Es una medida de posici6n central sencilla de calcular.
- Tiene una facil interpretaci6n al ser un valor de la variable en el caso
de las distribuciones de frecuencias unitarias 0 las no unitarias no
agrupadas. En el caso de las agrupadas esta dentro del campo de
variaci6n del intervalo mediano.
- En la mediana s610 influyen los valores centrales de la distribuci6n y
es insensible a los valores extremos. La Me puede calcularse en distri-
buciones en las que los valores extremos son desconocidos siempre y
cuando tengamos informaci6n sobre sus frecuencias (casos de interval os
iniciales y finales de naturaleza abierta).
El unico inconveniente que se le puede senalar ala mediana es que en su
determinaci6n no intervienen todos los valores de la variable. Este inconve-
niente se transforma en ventaja cuando son desconocidos los valores extremos
o existe una enorme dispersi6n entre los mismos que invalidan las. medias
como medidas de posici6n central al no ser representativas del conjunto de la
distribuci6n por la enorme influencia que ejercen los mencionados valores
extremos en su calculo,
i
85
CASAS-sANCHEZ, 1. M. y SANTOS-PENAS, 1. 84
2.5.5. La moda
Igual que la mediana es una medida de posici6n central que esta funda-
mentada en las frecuencias de la distribuci6n y no en el conjunto de los valores
de la variable como ocurre con las distintas medias. La moda siempre estara
definida en relaci6n a valores de la variable asociados a sus distintas frecuen-
cias con 10 que no tiene sentido hablar de moda en las distribuciones de
,
I
frecuencias de tipo unitario.
Definicion 2.11. Moda absoluta
Dada una distribuci6n no unitaria llamamos moda absoluta, que
representaremos por M
o'
al valor de la variable (0 los valores) con mayor
frecuencia absoluta. En el caso de existir dos, tres 0 mas valores con la
mayor frecuencia absoluta, la distribuci6n se dira que es bimodal, trimo-
dal 0 multimodal.
t
,'
/
Determinacion de la moda en distribuciones no unitarias y no agrupadas
lit
;1:'
En este caso la determinaci6n de la moda es inmediata ya que basta con
observar la columna n
i
de frecuencias absolutas.
Ejemplo 2.25
En la distribuci6n de frecuencias del ejemplo 2.2 referido al mimero de
personas que trabajan en 20 familias obtener la moda. Los datos de la distri-
buci6n (tabla 2.4) son los siguientes:
Xi n
i
o 4
1 10
2 4
3 1
4 1
Solucion:
Observando la columna de frecuencias absolutas la mayor corresponde a
n
2
= 10, siendo la moda absoluta su correspondiente valor de la variable M0 = 1.
Ejemplo 2.26
Las puntuaciones de 100 alumnos en un examen fueron recogidas en la
siguiente distribuci6n de frecuencias:
Xi n
i
2 15
6 40
7 40
9 5
Determinar su moda.
Solucion:
Observando la columna n
i
vemos que es una distribuci6n bimodal 0 con
dos modas absolutas ya que la maxima frecuencia, 40, se repite en dos valores
de la variable con 10 que sus modas absolutas son M
o
= 6 puntos, 0 bien,
M0 = 7 puntos.
Definicion 2.12. Moda relativa
Dada una distribuci6n no unitaria llamamos moda relativa a aquel
valor de la variable (0 los valores) cuya frecuencia absoluta no es supera-
da por las de sus valores contiguos.
Ejemplo 2.27
Las puntuaciones de 120 alumnos en un examen fueron recogidas en la
siguiente distribuci6n de frecuencias:
Xi n
i
1 20
3 30
4 20
5 40
7 7
9 3
Obtener las posibles modas de la distribuci6n.
86 CASAS-sANCHEZ, 1. M. y SANTOS-PENAS, J.
Soiucion:
Observando la columna n, la moda absoluta es M
o
= 5.' Tambien existe
una moda relativa M 0 = 3 ya que su frecuencia asociada n
2
= 30 no es supera-
da por sus valores contiguos que tienen unas frecuencias absolutas de 20
observaciones.
Determinacion de la moda en distribuciones agrupadas en intervalos
Al estar los valores de la variable agrupados en intervalos s610 obtendre-
mos una aproximaci6n al valor de la moda como ocurrfa con las medias (se
utilizaban las marcas de c1ase al no disponer de los valores realmente obser-
vades) y la mediana (se utiliz6 la hip6tesis de la proporcionalidad directa entre
frecuencias absolutas y amplitudes del intervalo mediano). Para determinar la
moda pueden emplearse distintas hip6tesis perc las mas utilizadas son las
siguientes:
- La moda se encuentra en el intervale que tiene mayor frecuencia ab-
soluta dividida por su amplitud (es decir, mayor densidad de frecuencia)
que recibe el nombre de intervalo modal.
- La moda estara mas cerca de aquel intervalo contiguo que tenga mayor
frecuencia absoluta. Luego dentro del intervalo modal la moda se en-
cuentra en un punto para el cual las distancias a los extremos inferior
y superior del intervalo son inversamente proporcionales a las frecuen-
cias absolutas de los intervalos adyacentes a dichos extremos.
Teniendo en cuenta las hip6tesis anteriores vamos a considerar dos casos:
a) Que los intervalos tengan todos una amplitud constante c.
Para determinar la moda se observa la columna ni de frecuencias absolutas
concretando que la mayor de todas nos determina e1 intervalo modal. Supon-
gamos que es como se indica en e1 grafico 2.18 el intervalo (L
i
-
1
, LJ con una
frecuencia absoluta n
i
Los intervalos contiguos al modal tienen unas frecuen-
cias absolutas de n
i
-
1
el anterior y n
i
+1 el posterior. Luego la moda sera:
(siendo Oes d s c) M
o=Li
_
1+d
La hip6tesis que hemos establecido de proporcionalidad inversa de las
distancias d y (c - d) a las frecuencias n
i
-
1
Y n
i
+1 nos permite escribir:
d c - d
-1-=-1-
n;-1 n;+1
DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES 87
ni
c C o
x
Lo Lk-1 t;
GRAF1eo 2.18. Determinaci6n de la moda a traces del histograma de frecuencias.
Teniendo en cuenta las propiedades de las proporciones de suma de ante-
cedentes y consecuentes queda:
d c-d c
--=--=--
1 1 1 1
-- -- --+--
n;-1 ni+1 n;-1 n;+1
Tomando el primer y ultimo miembro de estas igualdades y despejando
nuestra inc6gnita que es la distancia d queda:
1 1 n;-1' n;+1
n;-1 n;-1 n;-1 n;+ 1
d= c= c= c= c
1 1 n;+1 + n i - 1 n;-1 + ni+1 n;-1 + n;+1
-+-
n;-1 n;+1 n;-1 . n;+ 1
Sustituyendo d por su valor en funci6n de las frecuencias de los intervalos
adyacentes al modal y de su amplitud constante c queda la expresi6n de la
moda:
ni+1 c
M
o
= L
i
-
1
+ n;-1 + n
i+ 1
c Mo c
LC--- Li-2 Li-1 Li Li+1
88 CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, J.
89
Ejemplo 2.28
Ejemplo 2.29
Los salarios anuales de 200 ejecutivos de un pafs expresados en miles de Las recaudaciones mensuales expresadas en miles de euros de 100 estable-
euros se recogen en la siguiente distribuci6n de frecuencias: cimientos comerciales se reflejan en la siguiente distribuci6n de frecuencias:
Salarios anuales N.D de ejecutivos
Recaudaciones N.Dde comercios Densidad de frecuencias
(L
i
-
1
-LJ n
i
n
I
(L
i
-
1
-LJ n
i
h. =-'
I c
i
[75-125] 25
(125-175] 100
[75-200] 50 0,40
(175-225] 50
(200-250]
40 0,80
(250-300] 7 (225-275] 25 0,14
(300-400]
3 0,03
Solucion: I
Soluci6n:
Podemos observar que la amplitud de los intervalos es una constante
Puede observarse que utilizando la columna n, el intervalo modal sena
C = 50. Observando la columna n, vemos que la mayor es n
2
= 100.con 10 que
[75-200]. Pero esta conclusi6n es err6nea ya que la amplitud de los intervalos
el intervalo modal es (125-175]. Por tantoel valor de la moda es:
es variable y las frecuencias absolutas directamente no son validas, Hay que
obtener la columna hi de densidades de frecuencias siendo la mayor h = 0,80
50 2
M
o
= 125 + 2 50 = 158,33 miles de euros con 10 que el intervalo modal sera (200-250] y la moda:
5 + 50
Conclusi6n: el salario que mas se repite en los 200 ejecutivos es de 158.333
euros.
b) Que los interval os sean de amplitud variable C
i
.
En este caso nos encontramos con el mismo problema que cuando se
construian histogramas con intervalos de amplitud variable que habra que
calcular previamente las densidades de frecuencias:
n
hi=.......!
C
i
El intervalo modal sera el que tenga una mayor densidad de frecuencias.
Una vez determinado el correspondiente (L
i
-
1
, LJ basta con sustituir las
frecuencias absolutas de los intervalos adyacentes por sus correspondientes
densidades de frecuencias con 10 que la expresi6n de la moda en este caso
sera:
0,14 .
M o = 200 + 50 = 213 miles de euros
0,40 + 0,14
Conclusi6n: la recaudaci6n que mas se repite en los establecimientos
comerciales es de 213.000 euros.
Ventajas e inconvenientes de la moda
La moda tiene una serie de ventajas tales como:
- Es la unica medida de posici6n central que puede obtenerse en las
variables de tipo cualitativo que s6lo admiten la escala nominal ya
siempre podemos determinar la modalidad que mas se repite en el
estudio de un determinado atributo.
- Es de sencillo calculo,
- Es de facil interpretaci6n ya que nos da directamente el valor de la
variable que mas se repite.
Como inconveniente hay que sefialar que en su determinaci6n no intervie-
hi+1 nen todos los valores de la distribuci6n (caso de las medias) ni todas las
-- c
i
M
o
= L
i
-
1
-r h - + h +1
frecuencias (caso de la mediana) centrandose s6lo en la mayor frecuencia
i 1 i
absoluta de un determinado valor de la variable.
91
2.5.6. Otras medidasdeposicion nocentrales:
loscuantiles
Hasta ahora hemos estudiado las medidas de posici6n central ya que de
una forma u otra se ha buscado un valor representativo de todo el conjunto
de la distribuci6n. Las medidas que denominamos cuantiles son valores de la
variable que dividen a la distribuci6n en partes proporcionales, 0 sea, en
intervalos que contienen elmismo numero de observaciones. Es evidente que
la medida de posici6n central que hemos llamado mediana es un cuantil ya
que es un valor de la variable que la divide en dos partes iguales a la dis-
tribuci6n.
Definicion 2.13. Cuantiles
Llamamos cuantiles a aquellos valores de la variable que dividen a
la distribuci6n en intervalos que tienen un mimero de frecuencias abso-
lutas proporcional a una constante comprendida entre 0 y 1. Los mas
conocidos son:
- Loscuartiles(Q;) que son tresvaloresquedividen aladistribuci6n
en cuatro partes iguales.
- Los deciles(D;) que son nueve valores que dividen a la distribu-
ci6n en diez partes iguales.
- Los percentiles(P;) que son noventa y nueve valores que dividen
a la distribuci6n en cien partes iguales.
Calculo de cuantiles endistribucionesno agrupadas enintervalos de clase
Como la mediana es un caso particular de cuantil, ya que divide a la
distribuci6n en dos partes iguales, las reglas de calculo que se vieron para
rN
obtener Me son validas para obtener los distintos cuantiles: se calcula -
q
siendo r el cuantil correspondiente, q el numero de intervalos con iguales
frecuencias en que se divide la distribuci6n y N el numero total de datos,u
observaciones; seguidamente se construye la NJ (los valores de la variable
siempreestan ordenadosdemenoramayor) yseobservacual delosNJsupera
rN
o iguala a -.Recordemos que en el caso de la mediana r= 1 y q=2 con
q
rN
10 que la expresi6n es N12.SiNJ superaa - el cuantil esel correspondiente
q
valor de la variable y si 10 iguala es la media aritmetica de ese valor y el
siguiente igual que ocurria cuando se obtenia la mediana. En el caso de los
tres cuartiles (Ql' Qz y Q3) la expresi6n
rN IN 2N
sera
para Ql' para Qz
q 4 4
que como coincide con la Me simplificando es
NI2 Y 4
3N
para Q3'
En el caso de los nueve deciles las expresiones de las frecuencias acumu-
ladas ascendentes que nos 10 determinan seran:
IN
ParaD
1
la frecuencia absoluta acumulada10
2N
Parau,la frecuencia absoluta acumulada10
. 9N
ParaD
9
la frecuencia absoluta acumulada10
Paralos percentiles:
IN
ParaP1 la frecuencia absoluta acumulada 100
2N
ParaPz la frecuencia absoluta acumulada 100
99N
ParaP99 la frecuencia absoluta acumulada 100
92
93
Ejemplo 2.30
En la distribuci6n del ejemplo 2.27 de las puntuaciones de 120 alumnos
determinar los tres cuartiles, el septimo decil y el 99.
0
percentiI.
Xi ni
NT,
1 20
20
3 30
50
4 20
70
5 40 110
7
7 117
9
3 120
Soluci6n:
Las frecuencias absolutas acumuladas ascendentes que nos determinan los
tres cuartiles son: .
IN _ 120 = 30 para Ql
4-4
2N 240 = 60 para Q2
4=4
3N _ 360 = 90 para Q3
4-4
Luego observando en la columnas NI los tres cuartiles son:
Ql = 3 , Q2 = 4 Y Q3 = 5
ya que son los tres valores de la variable Xi que se corresponden con
N1 = 50 , N1 = 70 y Nl = 110
que son las frecuencias absolutas acumuladas que cumplen las condiciones de
ser las primeras mayores 0 iguales que las respectivas
IN 2N 3N
"4 ' 4 y 4'
DISTRIBUCIONES DE FRECUENCIAS UNlDIMENSIONALES
Puede observarse que Q
z
coincide con la mediana ya que
120
N/2=-=60
2
y observando en NI es N1 =70 el que cumple la condici6n de ser la primera
igual 0 mayor que N/2 con 10 que su correspondiente valor de la variable a
mediana es Me = 4.
La frecuencia absoluta acumulada ascendente que nos determina el septi-
mo decil sera:
7N 7120 840
10=10=10= 84
Observando en la columna Ni es Nl = 110 el que cumple la condicioin
con 10 que el septimo decil es el valor de la variable correspondiente:
D
7
= 5.
La frecuencia absoluta acumulada ascendente que nos determina el 99.
0
percentil sera:
99N 99 120
100 = ----wo = 118,8
Observando la columna N[ es el ultimo valor = 120 el que cumple la
condici6n con 10 que:
P99 = 9.
Caleulo de cuantiles en distribuciones agrupadas en intervalos
Este problema se resuelve de forma identica que en el caso de la mediana.
Luego la f6rmula de determinaci6n es la misma s610 que en vez de una
frecuencia absoluta acumulada ascendente de N /2 sera en terminos genericos
la de los cuantiles hasta rN. Por tanto, para determinar el cuantil de orden r
q
y numero de intervalos iguales q, 0 sea C
r
/
q
, sera:
rN _ Ni-l
q
C
r
/q = L
i
-
1
+ 'C;
n
i
95
CASAS-sANCHEZ, J. M. y J. 94
Todo el procedimiento de determinaci6n estudiado en la mediana es apli-
cable al cien por cien al caso de los cuantiles.
Ejemplo 2.31
En la distribuci6n de frecuencias del ejemplo 2.29 referida a las ventas
mensuales de 100 establecimientos comerciales. Calcular: a) El nivel de venta
que no es superado por el 25 % de los establecimientos. b)El nivel de venta
mfnimo que recaudan el15 % de los comercios que mas venden.
Soluci6n:
En la distribuci6n del ejemplo 2.29 hay que obtener la columna de las
frecuencias absolutas acumuladas ascendentes quedando:
(L
i
- - LJ n
i
Nt
1 l
[75-200J 50 50
(200-250J 40 90'
(250-300J 7 97
(300-400J 3 100
a) El nivel de ventas que nos piden corresponde al valor del primer
cuartil; luego la frecuencia absoluta acumulada que nos determina el intervalo
donde se encuentra es:
IN 100 = 25
4= 4
Observando en la columna Ni cumple la condici6n de igualarla 0 superarla
por primera vez el primer valor Nl = 50 con 10 que el intervalo es el primero
[75-200]:
IN_ t
1
4 N
i
- 25-0
Ql = L
i
-
1
+ n, c; = 75 + = 137,5 miles de euros.
l
Puede observarse que al aplicar la f6rmula de determinaci6n, al ser el
primer intervalo de la distribuci6n donde se encuentra el primercuartil, el
Ni-l= 0 ya que antes del primero no existe ninguna frecuencia acumulada.
La respuesta al problema planteado es que son 137.500 euros el nivel de ventas
que no es superado por el 25 % de los establecimientos comerciales.
,

...-

b) El nivel de ventas mfnimo que nos piden nos 10 proporciona el per-
centil 85 ya que es el valor que nos deja a su derecha, por encima de el, un
15 % de los comercios con las mayores ventas. La frecuencia absoluta acumu-
lada ascendente que 10 determina es:
85N 85100
100 =100=85
Observando en la columna Nivemos que = 90 nos determina el inter-
valo donde se encuentra el percentil 85 que es (200-250]. Aplicando la f6rmula
de determinaci6n:
85N
N
i 1
100 - - 85 - 50
P
8
5 = L, - 1 +
n,
Ci = 200 + dO . 50 = 243,75 miles de pesetas.
Conc1usi6n: el nivel de ventas mfnimo que corresponde al 15 % de los
comercios que mas venden es de 243.750 euros.
2.6. Momentos
Los momentos son medidas obtenidas a partir de todos los datos de una
variable estadfstica y sus frecuencias absolutas. Estas medidas caracterizan a
las distribuciones de frecuencias de tal forma que si los momentos coinciden en
dos distribuciones diremos que son iguales, siendo mas semejantes cuanto
mayor sea el numero de momentos que coinciden.
Se define el momento de orden h respecto al origen de una variable es-
tadfstica a la expresi6n:
h n1 h nz h n, h n,
ah = Xl - +X
z
- +...+X - = L, x -
N N 'N i=l l N
Algunos ejemplos son: si h= 1, a
1
= X que como sabemos es la media
aritmetica; si h = 0, ao= 1; a
h
es la media aritmetica de los valores observados
elevados a la potencia h.
El momento de orden h respecto a la media aritmetiea 0 central de una
variable estadfstica es:
n
h l hnZ . ..
m
h
= (Xl - x) N +(xz - x) N + '" +(X, - x) N = ;:--1 (Xi - x) N'
siendo x la media aritmetica de la variable estadfstica,
97
CASAS-sANCHEZ, J. M. YSANTOS-PENAS, J.
96
Ejemplos: si h= 1,
1 r 1 r 1
m = - L(Xi - x)n
i
= - Lxin
i
- - X L ni= X- X= 0;
1
N j=1 N i=1 N j=1
si h= 2, se denota m = 8
2
Yse llama varianza que es la medida de disper-
2
si6n absoluta que se estudiara mas adelante.
Relaciones entre los momentos
Todo momento respecto a la media puede expresarse en funci6n de los
mementos respecto al origen de 6rdenes menores 0 igual al orden del primero,
Para ello usamos el binomio de Newton:
(X
j
- X)h =
j=O ]
Asf:
[h (h). 'J 1 r 1 r JxJ
n
j=
mh=N.
L
(Xi-x)hni=N.
L
.L (-IY . x7-
,=1 ,=1 =0 ]
x
J
N c:
.) C)
.'-'
(-1)1
.(h)
.
.( 1
x
h
j -Jnj

. ah_jXJ.
.
= =.'-' (-1)1
J=O ] ,=1 J=O
Tambien cualquier momento respecto al origen, ah' se puede expresar en
funci6n de m
h
- j Y X.
Un caso particular de especial relevancia es m2:
i
m
2
= it(-lyG)a2-f = - G)a1
X
+ =
= a
2
- 2x
2
+ x
2
= a
2
- x
2,
es decir, Ia varianza coincide con el momento de orden 2 respecto al origen
menos la media aritmetica elevada al cuadrado.
Los cambios de escala y origen en el calculo de los momentos
respecto a la media
Los moment os respecto a la media se yen afectados por los cambios de
escala pero no por los cambios de origen. Si se realiza la transformaci6n
siguiente:
X j - t
Yj= C
x, = O,+ CYi
resulta que
I mh(xi)= Chmh(YJ I
Demostraci6n:
1 r 1 r
mh(xi)= N (Xi - X)hni= N [Ot+ CYi- (Ot+ Cji)Jhni=
1 r - y-)hn]
= N [C(yj- y)Jhni= c i N i = Chmh(Yi)
En la demostraci6n anterior se ha tenido en cuenta que los cambios de escala
Yorigen sf afectan ambos a los momentos respecto al origen ya que como se
vio en la primera propiedad de la media aritmetica, que es un momento de
orden uno respecto al origen,
X= O,+ Cy.
Los momentos se utilizan constantemente en la Estadistica Descriptiva en
el calculo de medidas de dispersi6n, de asimetria y de apuntamiento 0 curtosis
como se vera en los pr6ximos epfgrafes.
2.7. Medidas de dispersion
,
Las medidas de dispersi6n tratan de medir 10 mas 0 menos esparcida que
se encuentra la variable estadfstiea entorno a una medida de posici6n 0 de
tendencia central, indicandonos 10 representativa que es la medida de posici6n.
A mayor dispersi6n, menor representatividad de la medida de posici6n, y
viceversa.
98
99
CASAS-sANCHEZ, J. M. ySANTOS-PENAS, J.
Algunas medidas de dispersi6n absolutas (dependen de las unidades de
medidade 1avariable) 0 relativas (estan definidas porcociente ynodependen
de las unidades de medida de 1avariable) vamos a definirlas a continuaci6n.
Las medidas dedispersi6nabsolutas s610tienen sentidocuandovienen acom-
pafiadas de un promedio. Las relativas permiten comparar la dispersi6n de
distintas distribuciones.
a) Recorrido, rango 0 intervalo de variaci6n:
R = x, - Xl =max{x,} - min{Xi} para 1~ i ~ r
b) Intervalos intercuantflicos:
Intervalo intercuartflico, I = Q3- Qr-
Intervalo semiintercuartflico, (Q3 - Qd2.
Intervalointercuartflico relativo, (Q3 - Ql)IM
e
.
Intervalo 10- 90 por 100,D
9
- D
1

Intervalo 7- 93 por 100, P93 - P7'
etc.
c) Medidas de dispersi6n respecto a la media aritmetica:
Desviaci6n absolutamedia respecto ala media,do = -
1
L
r
IX
i
- xln
i
.
N i=l
1 r
2.
Varianza, S2 = N i ~ l (Xi - xfni= m2= a2- x
Desviaci6n tfpica, s= ~ = Ja
2
- x
2
Coeficientedevariaci6nde Pearson,six,que esla medidade disper-

si6n relativa que mas se utiliza para comparar la dispersi6n de
distintas distribuciones.
Las unidades en que se miden las medidas de dispersi6n son las mismas
de los datos (por ejemplo: do' s, R, I, etc.), 0 en unidades al cuadrado (por
ejemplo: S2) 0 son magnitudes escalares independientes de las.unidades de
medida (por ejemplo: intervalo intercuartflico relativo, six, etc.).
Aefectosde compararlas dispersiones de dos 0 mas variables estadfsticas
en las mismas 0 distintas unidades, se realiza habitualmente a traves del
coeficientede variaci6n de Pearson, six, como hemos indicado anteriormente.
Existen otrasmuchas medidas de dispersi6n, pero las mas usadas utilizan
la varianza, por 10que la vamos a estudiar algo mas.
DISTRIBUCIONESDE FRECUENCIAS UNIDIMENSIONALES
Propiedades de la varianza, S2
a) La varianza siempre espositiva:
o~ S2 < 00
Paraprobarlo:
Vi= 1,2,..., r: 00 > (Xi - xfn
i
~ 0
por 10que dividiendo entre N, y sumando en todos los valores de la variable
tenemos:
1 r
00 > S2 = - " (x, - X)2
n
.>- 0
L..." t > .
N
;= 1
La.varianza S2 =0 cuando Xi - X=0 V i=1,..., r , 0 sea los valores de
la variable coinciden con la mediaaritmetica,
b) La desviaci6n cuadraticamedia de una variableestadfstica respecto de
una constantek, sehace minima en k = xen cuyo caso la desviaci6n cuadra-
tica media respecto a xes la varianza S2. Veamoslo: sea
f(k) =-
1
L
r
(Xi - k)2
ni
N i=l
1 r
j'(k)= N i ~ l 2(xi- k)(-l)n;= 0 => k = x
2 r
j"(k)=N i ~ l ni = 2> 0, 1uegoxes mfnimo.
Quedacomprobado que: f(x) = S2.
c) Metodo abreviado de calculo de S2:
Comoenelmetodoabreviadodecalculo delamedia aritmeticavimosque:
Xi = CYi+ O, => X = Cy + at,
ahora
1 r 1 r
s; = N i ~ l (Xi - X)2
ni
=N i ~ l (CYi+ O, - Cy - 0t)2
ni
=
1 r
= C
2
N ~ (y;- y)2ni= C
2
s;
100
uti! cuando 0, es un valor 0 dato central de la variable estadfstica X YC es
la distancia0 separaci6nentredos datosconsecutivosdelavariable,estadistica
X. Comola 8zesunmomentodesegundoordenrespectoala media,volvemos
a comprobatque a estesno les afecta elcambio de origenperosfelde escala.
d) Calculo de la varianza a traves de los momentos respecto al origen:
Como ya se demostr6 en el apartado de los momentos:
z
sZ = m = (- 1)i(2)a = (2)a - (2)a x + (2)x = .x)
Z . j Z - J 0 Z 1 1 2
Z
X
Z
= a
z
- 2x
z
+ x = az -
Z
[ sZ = az - X I
Relaci6n muy importantedesde el punta de vista practice.
Ejemplo 2.32
La varianza de la variable estadfstica presentada en el ejemplo 2.15 se
puede obtenerasi;
SZ == a
z
- X
Z
donde
1 z z z z z 1 51
az=-(O 4+1 10+2 4+3 1+4 .1)=-51=-
W W W
y porel mismo ejemplo 2.15la media aritmetica es:
5
x=4;
luego
z== 51 _ = 51 _ 25 = 204 125 = 79
8 20 4 20 16 80 80
La desviaci6n tipica sera:
s = -
80 '
!lo
9
El coeficiente de variaci6n de Pearson es:
8 J79186 0,7949842
i= 5/4
En la variable estadistica presentada en la distribuci6n agrupada de fre-
cuencias del ejemplo 2.16,
1
a
z
= 25 (7.000
z
.3+ 11.000
z
. 4 + 15.000
z
.7+ 19.000
z
.5+ 23.000
z
.6)=
1
= - 10
6(49.3
+ 1214 + 2257+ 3615+ 5296)=
25
= 4.10
4
. (147+484+ 1.575+1.805+ 3.174)=40.000(7.185) =287.400.000;
Sabemos, porel mismo ejemplo 2.16 que la media aritmetica es:
x = 16.120;
portodo ella, la varianza resulta ser:
8
Z
= a
z
- X
Z
= 287.400.000 - 16.120
Z
=
= 287.400.000- 259.854.400= 27.545.600
La desviaci6n tipica es:
8 = p 5.248,3902
yel coeficiente de variaci6n de Pearson:
8
::- 0,3255825.
x
Como se ha comentado, la desviaci6n tipica, como medida de dispersi6n
absoluta, expresada en las mismas unidades que la variable estadfstica, tiene
significado si se compara con el valor de la media aritmetica, En este caso
supone aproximadamente 1/3 de la media con 10 que podemos concluir que
estaes bastanterepresentativade todo elconjunto de datos, ya que se puede
considerar que la dispersi6n es baja. EI coeficiente de variaci6n de Pearson
porsu definici6n porcociente nos indica10 que representala dispersi6n(s) en
raz6nal promedio(x). Cuantomas se aproximea la unidadmayordispersi6n
existiraen los datosobservadosy peorsera la representatividad delpromedio.
102
103
CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, J.
A partir de la unidad el promedio no representa bien como medida de ten-
dencia central al conjunto de datos y debe descartarse.
2.8. Medidas de asimetria y curtosis
Una distribuci6n es simetrica si y s610 si el diagrama de barras que la
representa es simetrico respecto de la recta x = X, siendo x la media aritmetica.
Es facil comprobar ademas que si una distribuci6n es simetrica, el momento
m
3
= 0, perc no al reves, es decir, de que m
3
= no se deduce que la distri-
buci6n es simetrica.
Se han propuesto distintas medidas de asimetrfa para variables estadfsticas;
entre elias destacamos el coeficiente de asimetrfa de Fisher:
m
3
e. =7"
Si g1 > 0, la distribuci6n es asimetrica positiva 0 a la derecha:
ni
I
o x
Si gl = 0, la distribuci6n puede ser simetrica 0 no; si esta es simetrica se
dara siempre gl = 0.
Si gl < 0, la distribuci6n es asimetrica negativa 0 a la izquierda, 10 mos-
tramos en la figura de la pagina siguiente.
La simetrfa en una distribuci6n implica que Me = X. Si ademas es unimo-
dal, Me = X = Mo.
Cualquier cambio lineal es una variable estadfstica y = ax + b, a > y b
constantes, transforma distribuciones simetricas en otras simetricas (y asime-
tricas en asimetricas),
La curto sis 0 apuntamiento surge al comparar la forma de una variable
ni
o
x
estadfstica con respecto a la distribuci6n lIamada normal. Se mide fundamen-
talmente por el coeficiente de curtosis de Fisher:
- m4 _ 3
gz - 8
4
Si gz > 0, tiene mas apuntamiento que la distribuci6n normal, y se llamara
Ieptocurtica, (El grado de apuntamiento de la normal es tres como se indica
en la anterior expresi6n de Fisher.)
Si gz = 0, la distribuci6n tiene un apuntamiento similar a la distribuci6n
normal, y se Ilamara mesocurtica.
Si gz < 0, tiene menos apuntamiento que la distribuci6n normal, y se
llamara platicurtica.
Ejemplo 2.33
Sea la variable estadfstica asimetrica siguiente:
X I n,

5/9
1
2
3
1
105

I
;r-'l
, r
i'
I'
I
CASAS-sANCHEZ,J. M. ySANTOS-PEN"AS, J. 104
Veamos que su coeficientede asimetria es cero, porser m
3
= O. En efecto:
x= G+ 1) =
m3 = [ (0- 2 + G- .3 + (
1
- =
1 1 1 1
=6'93[(- 4)3 2 +1
3.
3+53]=6'9
3
. ( - 128+3+125)=
_ 1 1
- 6'93.0= O.
Esteejemplo compruebaquesielcoeficientedeasimetria deFisher 91 = 0,
la variable no necesariamente essimetrica.Aunque la simetria implicam
3
= 0,
yportanto,91 = O. Luego una condici6n necesaria,aunqueno suficiente,para
que una variable estadfstica sea simetrica, es que su coeficientede asimetria
de Fisher 91 sea igual a cero. Simetria implica 91 = 0pero 91 = 0 no implica
simetria.
2.9. Medidas de concennoclen
En esta secci6n trataremos el fndice de concentraci6n de Gini y la curva
de Lorentz, como instrumentos validos paraanalizar la mayor 0 menorcon-
centraci6n en una distribuci6n de rentas de los individuos que las reciben.
:lndice de concentraci6n de Gini
Consideremos la variable estadfstica X {(Xi' n;):i= 1, 2,...,r}, donde Xi es
la renta de los n, individuos, que ordenados en sentido creciente de rentas,
ocupanlos lugares NI-
1
+ 1hasta NJ,Llamamos
U; = I, xjn
j,
(i= 1, 2,...,r)
j=l
a la renta total percibida por los NJ primeros rentistas, supuesto el orden de
rentas
Xl X
2
... Xi ... X,.
Denotando
NT
U
Pi = J.l'100 Y
qi =
u,
(i = 1, 2,..., r)
dondeP,=100y q, = 100,elfndice de concentraci6n de Gini es
'-1
L (Pi - qi)
i=1
IG = '1
L Pi
i=l
Para obtener el fndice de Gini es conveniente construir la tabla 2.14 ya
que por un proceso sucesivo de calculo obtenemos las columnas qi yPi que
nos definen dicho indice. La columna xin
i
da el reparto del total de
r
nos
recursos Lxin
i
entre los distintos elementos dela distribuci6ndados porlas
i=l
frecuenciasabsolutasn; Las columnas NT Yu,nos dan la evoluci6n acumulada
de recursos (u;) y de individuos que se los reparten (NJ). Por Ultimo, qi yPi
nos representa dicha evoluci6n expresada en porcentajes.
TABLA2.14. Elaboraci6n del tndice de Gini,
Xi . xin
i NT
. uj = I xjn
j
U
i NT
qj =-100
p. = -'-too
j=l
U, N
Xl n
l x
ini
Nt
1 ui = x
ini
u
l Nt
qi =-100
PI =----.!too
u,
N
X
z n
z xzn
z
Nt U
z Nt
z Uz= +x x
ini Zn2 q2 =-too
P2
u,
N
i
Xi n,
xin
i . NT
Uj = I xjn
j qj= -100
NT
p.=-'-100
l>1
U, . N
X, n,
.s:
N
u,= I
,
xjn
j
too
j=1
r
N
.L xin
i
i=1
100
107
CASAS-sANCHEZ, J. M. y SANTOS-PE:N"AS, J.
106
Sila concentraci6n de renta esminima, esdecir, sila renta esta repartida
porigual entre losN individuos, Xi =X =cte.,10queimplica:ui = xNI, yesto
implica a su vezqi = Pi' por10que la renta esta equidistribuida, e
I
G
= 0.
Si la concentraci6n de renta es maxima, es decir, s610el ultimo individuo
percibe todala renta: .
Ql=q2==qr-l=0,
por10que
I
G
= 1.
a 1,segunpasedelaequidistribuci6nhastaelcaso opuestodeconcentraci6n
El indice de concentraci6n de Gini puede tomar gradualmente valores de
maxima de la renta en un solo individuo. .
Curva de Lorentz
Esla grafica2.19 delos puntos(Pi' qJ, i = 1,2, ...,r en e1 plano cartesiano.
La curvapartede (0,0) yllega a (100, 100).El caso de equidistribuci6n de la
renta corresponde a la diagonal que une (0, 0) con (100, 100), y e1 caso de
qi%
100-+ (100, 100)
A
(100,0) .Pi%
(0,0)
GRAFIco 2.19. Curva de Lorentz.
DISTRlBUCIONES DE FRECUENCIASUNIDIMENSIONALES
concentraci6n maxima de la renta corresponde a la curva que partiendo de
(0, 0) llega a (100, 0) mediante un segmento, y de (100, 0) llega a (100, 100)
mediante otro segmento,
Conviene anadir que e1 fndice de Gini es aproximadamente e1 area som-
breada (entre la diagonal y la curva de Lorentz) dividida por e1 area del
triangulo de vertices(0,0),(100,0) y (100, 100).
Ejemplo 2.34
En una empresa existen cuatro categorfas profesionales y cada una tiene .
unos nivelesde ingresos mensuales diferentes. La distribuci6n de frecuencias
que expresa los nivelesdeingresos yelnumero depersonasen cadacategorfa
es la siguiente:
Xi (nive1es de ingresos
expresados en euros) n,{ N.O de personas)
1.000 25
2.000 10
3.000 4
4.000 1
Obtener elindicede Gini yla curva de Lorentz.
Soluci6n:
Vamosaconstruirlascolumnas quesenecesitanpararesolverelproblema:
N! u
NT p. =---'-. 100 u, q = ~ 1
I
I N
Ur
25 62,5 25.000 40,98
35 87,5 45.000 73,77
39 97,5 57.000 93,44
40 100,00 61.000 100,00
El Indicede Gini sera:
(62,5- 40,98)+ (87,5- 73,77)+ (97,5- 93,44)
I
G
= 62,5+ 87,5+ 97,5 = 0,159
I
108
. ~ .
'1"""
CASAS-sANCHEZ, 1.M. y SANTOS-PEJ'lAS, 1.
que al tomar un valor pr6ximo a cero se puede concluir que existe una buena
equidistribuci6n en los ingresos.
La curva de Lorentz sera:
qi
93,44-1-------------------------------------::;
73,77 -1-----------------------------:,
40,98+---------------...
o 62,5 87,597,5 Pi
Ejercicios
1. Para asistir a un partido de futbol hay dos tipos de entradas: adultos a
40 euros y nifios a 5 euros. Sabiendo que el precio medio result6 de 12 euros.
iCual fue la proporci6n de asistentes adultos?
Soluci6n:
La variable estadfstica esta compuesta por dos datos: Xl = 40 euros y
x
2
= 5 euros., con frecuencias relativas respectivamente de: fl y f2 = 1 - fl'
La media aritmetica es:
1n1
~
2n2
12 = x x = XJ'l +X,j2 = 4.0fl +5(1 - fl)'
es decir:
12 = 40fl +5(1 - fl) = 35fl +5.
Luego:
12 - 5 = 2- = 0,2
'<:: 35
es la proporci6n de asistentes adultos. (Por tanto f
2
= 1 - fl = 0,8 fue la
proporci6n de nifios espectadores entre el total.)
2. Una empresa tiene cuatro areas de producci6n. Cada area produce un
mimero distinto de bienes 0 servicios, que llamamos productos. Los ingresos
totales y el rendimiento por producto de cada area son:
Area I
Ingresos totales
(euros.)
Rendimiento/producto
(euros.jproducto)
1
2
3
4
100.000
720.000
500.000
360.000
500
1.000
25.000
90.000
110
~ I ~
DISTRIBUCIONES DE FRBCUENCIAS UNIDIMENSIONALES
,111
Calcular el rendimiento medio por producto para el total de areas de la
Solucion:
empresa.
mimero productos)
Solucion: Los ritmos medios de producci6n i't =. Yde control
(
tiempo t
1
El rendimiento medio por producto sera:
x= L
4
X
i N
n
i
, siendo n, el numero de productosdel area i( = 1, 2, 3, 6 4) YXi
i= 1
elnnmero de ptas. por producto del area i.
donde:
100.000
n
1
= 500 =200 productos, Y Xl =500 euros/producto
720.000
n
z
1.000 =720 productos, Y X
z
=1.000 euros/producto
500.000
n3 = 25.000 =20 productos, Y x
3
=25.000 euros.zproducto
360.000
n4 = 90.000 =4 productos, Y x4 =90.000 euros.zproducto
4
N = L n, =200+ 720+ 20+ 4 =944 productos en total de todas
i= 1
las areas.
Luego
41
x =N
1
i ~ l Xi n, =944(100.000+ 720.000+ 500.000+ 360.000)=
1
= 9441.680.000~ 1.779,66euros/producto parael total de areas
de la empresa.
3. Un sistema industrialrealizados tipos detransformaciones: producci6n
Ycontrol de calidad. El ritmo 0 velocidad media de producci6n es de 30
bienes/hora,Elritmo 0 velocidadmedia decontroldecalidad delaproducci6n
es de 60 productos/hora, Calcular la velocidad 0 ritmo medio de ambas
transformaciones, supuesto que elcontrolde calidad afecta a todala produc-
ci6n.
numero productos)
de calidad l'z =. son:
(
tiempo t
z
1'1 =E =30 (= t1 = ! = ~
t1 r. 30
Y
1'2 =E = 60 (= t
z
=! = ~
t z r
z
60
El ritmo medio de tranformaci6n es:
- mimero transformaciones en total p + P 2p 2
r= =__= = _
tiempo en reaIizarlas t
1
+ t P P 1 1
z
-+- -+-
1'1 1'
z
1'1 1'
z
2 2 120
1 -1- =2+ 1 =-3- = 40 transformaciones/hora.
-+- --
30 60 60
Que es la media arm6nica de los ritmos medios de producci6n Ycontrol
de calidad.
4. En ciertacomunidadsehan censado losestablecimientos hoteleros segnn
elmimero deempleados, y losdatossehanpresentadoen una tablaagrupada
de frecuencias:
N.de empleados
N.O de hoteles
Oa5
125
5 a 15
60
15 a 50
:1, 13
50 a 200 I
2
'I
i
200
ii'
!I
i'l'
II!
Iii'
lill
113
i1!l''I\''
Sepide:
a) Elnnmero de hoteles con mas de 5empleados de esacomunidad.
b) Elnumero de hotelescon mas de5,ymenos0 igualde 15empleados.
c) Representar graficamentela variable mimero de empleados.
d) Calcular la mediana delmimero deempleadosyexplicarenque hipo-
tesisnos basamos para realizar dicho calculo.
Soluci6n:
a) El numero de hoteles con mas de 5empleados es el total de hoteles
(200) menos elnumero de hotelescon 50 menosde 5empleados (125):
Esdecir:200- 125= 75hoteles tienen mas de 5empleados
b) Nos piden la frecuenciaabsoluta del intervalo (5,15] de mimero de
empleados.En la tabla agrupadadefrecuencias, seasigna aesteintervalo la
frecuenciaabsoluta 60hoteles.
c) Mediante elhistograma defrecuencias:
N.Odehoteles
AmplitudInt.O
1;5=25 125
6
13/35
2 2/150
150
50 200
N."deempleados '
d) Lafrecuenciatotal esN =200.Luego debemoscalcularlaposici6nde
N/2 = 200/2=100.Pero 100verifica:
0:::;100<N
1=125,
luego la mediana, Me se encuentra en el primer intervalo (0, 5], y bajo la
hip6tesis de que en este intervalo la distribucion del nnmero de empleados
por hotel, esuniforme:
100 - 0
Me = 0+ 125 5 = 4 empleados
5. Una empresa distribuidora de bienesde consumo conoce el numero de
clientesque demandan estos bienes,segunsu cantidad distribuida
Distribuci6n
Clientes
0-1.000
8
1.000-2.000
15
2.000-4.000
45
4.000-6.000
30
6.000-8.000
2
100
Calcular:
a) El porcentaje de clientesque demandan mas de 1.000bienes de con-
sumo, y6.0000 menos.
b) El mimero de bienesmas demandado.
Soluci6n:
a) De 1.000a 2.000hay 15clientes
De 2.000a 4.000hay 45clientes
De 4.000a 6.000hay 30clientes
De 1.000 a 6.000hay 90clientes
Como en total hay 100 clientes, 90 clientes representan el 90% de los
clientes.Si en total hubiera N clientes,se obtendrfa por una regla de tres el
porcentaje:
90 - N}x _ 9.0000
x-100 -N%
114
b) La moda, bajo el supuesto contemplado en la teoria, se calcula asf
0,015 .
M
o
= 2.000+ 001 01.2.000 = 3.000 bienes,
, 5 + 0, 5
6. Dadala siguientedistribuci6n que refleja la variableestadfstica produc-
tividad en cierto sector econ6mico:
Intervalos Frecuencias
0-10 32
10-30 8
30-50 10
Calcularla media, mediana y moda.
Solucion:
1 720
Media' a=-(532+208+4010)=-'-=144
. 50 50 '
25 - 0 125
Mediana: M = 0 + --10 =- ~ 78125
e 32 16'
8/20
Moda:
M; =0 +0 + 8/2010= 10;se puede calcularsegun se ve en teorfa,
pues de existir, la modasesituanaen el intervalo 0-10,perono existe
frecuencia no nula paraningun intervalo inferior.
7. Demostrarque si los datos Xl y X
z
son positivos, entonces
H ~ ~ x
siendo H, G y x, lasmediasarm6nica,geometricay aritmeticarespectivamente,
paradichos datos.
Solucion
N 2 2 2x
lxz
=--
H= =
n
l
n
z
1 1 Xl + X
z
Xl + X
z
-+- -+-
Xl X
z
Xl X
z
xlX
Z
G = Jxlxz x = 2
1
(Xl +xz)
Ahora:
2x lxZ r:": ~
H ~ G > ~ YxlX
Z
> 2y xlX
Z
Xl + X
z
>
Xl + X
z
> 4x
lxZ
~ xi + 2x
lxZ
+ ~ >
> xi - 2x
lxZ
+ x ~ = (Xl - Xz)Z ;;:, 0 cierto.
Tambien:
1
~ x > JxlX
Z
2(x
l
+ x
z)
>
. 1 z z
> xlX
Z
4(x
l
+ 2x
l
Xz + x
z)
> 4xlXz ~ xi + 2x
lxZ
+ ~ >
> xi - 2x
lxZ
+X ~ = (Xl - Xz)Z ;;:, 0 cierto.
8. Los pesos en gramos de cierto producto agricola, han sido anotados, asf
como la frecuencia de presentaci6n en un cierto lote del producto.
Pesos: 70 74 78 82 86 90 94 98 102
Frecuencia: 4 9 16 30 44 36 20 12 6
Calcular la media y la desviaci6n tfpica de los pesos, con y sin cambio de
variable.
Solucion:
Media:
1
x = -(704+ 749 + 7816+ 8230+ 8644 + 9036+ 9420+
177
1
+ 9812+ 1026)= 177(280+ 666+ 1.248+ 2.460+ 3.784+
1
+ 3.240+ 1.880+ 1.176+ 612)= 17715346~ 86,700565
Concambio de origen y escala:
Sea O, = 86 y C=4 X =4y + 86
r : : ~
CASAS-sANCHEZ, J. M. y SANTOS.PE:NAS, 1.
116
1
Y=-_4)4+ (- 3)9+ (- 2)16+ (-1)30+ 044+ 136+ 220+
177 .
1
+ 3 . 12 + 46) = 177(- 16 - 27 - 32 - 30 + 36 + 40 + 36 + 24)=
1
= -. 31::=01751412
177 '
Entonces
31
X=4y- + 86= 4- + 86::=86700565
177 '
Desviaci6nnpica:
rs r:": 1339364 (15346)
8 = y 8 = ya
2
- a
2
= I - -- 2 70739122
"\ 177 177 -,
donde
2.20+
2.44 2.36
1
a =177(702.4+74
2.9
+ 78
2.16
+ 82
2.30+
86 + 90 + 94
2
1
+ 982.12+1022.6)= 177(19.600 +49.284+97.344+201.720+325.424+
1.339.364
+291.600+ 176.720+ 115.248+ 62.424)= 177 ::= 7567,0282
Con cambio de origen y escala:
x =4y +86
C=4
Sea Of= 86 y
2.44 2.36
a = 177- 4)2.4+(- W.9 +(- 2)2. 16+(-1)2.30+0 +1 +
1
. .
2(y)
1
+ 22.20 + 32.12 + 42.6) = 177(64 + 81 + 64 + 30 + 36 + 80 + 108 +
1
+ 96)= 177559::= 3,1581921
_ G _ J -2 ;559 (31)2
Sy - ySy- a2(y) - Y =, 177- 177 ::= 1,7684789
Entonces:
S = CSy = 4sy 7,0739156
La variaci6nenrnillonesimas,entrelasdos formas decalcularla desviaci6n
tipicadela variablex,sedebe alacorrespondienteaproximaci6nde decimales.
9. En un determinado pais se sabe que la renta media es de 2.000.000 de
'u.m.zafio y su varianza es 90.000 (u.m.)2en ese afio. Cinco alios despties, la
renta media se elev6 a 2.600.000u.m.jafio, y su varianza result6 ser 125.000
(u.m.j", Determinar:
a) iEn que afio, inicial 6 5 alios despues, hubo mayor dispersi6n ab-
soluta?
b) l,En que afio hubo mayordispersi6n relativa?
Solucion:
a)' Ladispersi6n absoluta se mide porla varianza:
90.000= ~ <s; =125.000(hubo mayordispersi6n absoluta 5 afios despues).
b) La dispersi6n relativa se mide usualmente porel coeficiente de varia-
cion de Pearson:
J9MOO So 8
1
J125.000
0,00015 = 2.000.000= X> Xl =2.600.000 ~ 0,00013598207
o
(hubo mayordispersi6n relativa el afio inicial)
Aunque la dispersi6n absoluta ha aumentado tras los cinco anos, y por
ello cabriasuponer que las desigualdades en la renta hanaumentado, con la
dispersi6n relativaseconstataunadisminuci6nen las desigualdadesecon6mi-
cas de la renta percibidas, por10 que podriamosconc1uir que se haavanzado
en la disminuci6nrelativade las desigualdadessociales 0 no redistribuci6n
dela renta,en cuantoalarentapercibidaenrelaci6na lasmediasde la renta
de cada afio, segtin la informaci6n del enunciado del problema.
119
10. Una variable estadfstica, que mide el saldo de una cuenta corriente a
fin de afio, presentalos siguientes datos en tres afios consecutivos:
10.000euros
80.000 euros
- 10.000euros
Obtenerla media geometrica y comentarel resultado.
Soluci6n:
g =V10.10
3
80.10
3
. ( -10).10
3
= 10
3
V-8.000= -20.10
3
=
= -20.000euros < mfn{10.000; 80.000; -10.000}
Paraestos datos,lamediageometricaesunamalamedidadeposici6npues
se sinia muy a la izquierda de, 0 inferior a, cualquiera de los tres datos
disponibles y no entre ellos, como serfa deseable en unamedidadeposici6n.
11. Los datos de una variable estadfstica recogen las tarifas, de una com-
pafifa de transportes y distribuci6n, cobradas en un penodo temporal, y son
recogidas en tres tipos de albaranes segtin la cuantfa econ6mica de la mer-
cancfa. Los tres tipos de albaranes contienen todaslas facturas cobradasa los
clientes y cadafactura, segiin su cuantfaserecoge en un solo tipo de albaran.
Si el numero de facturas, en ese perfodo, han sido de N1 =700, N2 = 500 y
N3 = 25, paracada tipo de albaran, y en media aritmetica el ingreso hasido
de Xl= 3.500 euros; x
2
= 15.000 euros Yx
3
=225.000 euros para cada tipo
de albaran. Se pide: hallar el ingreso medio porfactura del total de cobros.
Soluci6n:
Llamando N = N
l
+ N
2
+ N
3
= 700+ 500+ 25= 1.225,
al total de facturas 0 albaranes, la media aritmeticapedida es:
1 3 1
X = - L N,Xi = --(7003.500+ 500 15.000+ 25. ~ 5 0 0 0 =
N i=l 1.225
1
=-1-(2.450.000+ 7.500.000+ 5.625.000)=
.225
1
= 1.22515.575.000 ~ 12.714,286euros
DISTRlBUCIONES DE FRECUENCIAS UNIDIMENSIONALES
pues
_ 1 N
x
i
= - f
i j (i = 1, 2, 0 3)
Nii=lX
denotando por xiila factura j-esimacobrada en el albaran tipo i;
i = 1, 2 0 3 y
j = 1, 2, ..., N;
12. Unaempresavende dos productosX eY.En su entorno,la distribuci6n
de ventas de estos productos tiene las siguientes frecuencias (numero de em-
presas con tal nivel de ventas):
Ventas del
producto X
Frecuencia
Ventas del
producto Y
Frecuencia
0-40
40-100
100-300
25
54
21
--
0-100
100-500
500-2.000
52
63
85
100
-
200
Si la empresavende 72 productos X, y700productosY, len que producto
X 6 Y tiene mayorpenetraci6n relativa entrelas empresas del mercado en su
entorno?
Soluci6n:
100px - 25 1 [ 54J
72 =40 + 54 60 => Px=100 25+ (72 - 40) 60 =0,538
200py - 115
700= 500+ 85 .1.500 =>
1 [ 85 ] _
=> Pr =200 115+ (700- 500)1.500 =0,6316
120
De este modo hemos calculado Px Y Pr que son las proporciones de
empresas del entorno que venden menos del producto X, e Y; pues 72 es un
cuantil Q de la variable estadfstica Ventas de X, y 700 es otro cuantil Qpr
px
de la variable Ventas de Y.
En X la empresa supera en ventas al 53,8 % de las empresas competidoras.
En el producto Y, la empresa supera en ventas al 63,16% de las empresas
de la competencia.
Luego tiene mayor penetraci6n en el sector del producto Y, que en el sector
de vendedores del producto X.
Capitulo3
Distribucionesdefrecuencias
bidimensionales
3.1. Introducci6n
A 10 largo del Capftulo 2 hemos estudiado con detenimiento el comporta-
miento de una sola caracterfstica 0 variable estadfstica que hemos medido u
observado en un conjunto de elementos 0 individuos que formaban una po-
blaci6n estadfstica 0 una muestra representativa de la misma. Pero podemos
estudiar para cada elemento de la poblaci6n dos 0 mas caracteristicas de tipo
cualitativo (que como sabemos vienen dadas en escalas nominales u ordinales)
o cuantitativo (medidas en escalas de intervalo 0 de raz6n). Como sabemos
estas variables 0 caracterfsticas pueden ser de naturaleza continua (toma infi-
nitos valores no numerables) 0 discreta (toma un numero finito 0 infinito
numerable de valores).
Lo habitual es que se estudien al mismo tiempo varias caracterfsticas de
los elementos de una poblaci6n estadfstica. Consideremos, por ejemplo, que
nuestro objetivo es estudiar las causas que originan los distintos niveles de los
gastos de los individuos varones mayores de 18 afios de la Comunidad de
Madrid. Ademas de la mencionada variable, que normalmente se medira en
una muestra representativa de la poblaci6n estadfstica (individuos varones
mayores de 18 afios en Ia provincia de Madrid), nos interesara medir otras
caracterfsticas que pensamos que estan relacionadas con ella: ingresos del
individuo (variable cuantitativa continua), estado civil (variable cualitativa),
numero de habitantes del municipio donde vive (variable cuantitativa discreta),
forma de locomoci6n que emplea con mas frecuencia (variable cualitativa),
aficiones que tiene (variable cualitativa), edad (variable cuantitativa continua
o discreta si se expresa en afios enteros).
122
123 CASAS-sANCHEZ, 1.M. ySANTOS-PENAS, J.
Todas estas caracterfsticas influiran en distinto grado en los niveles de
gastos y nos podran explicar su comportamiento. En general" a mayores
ingresosexistira un mayor gasto, los tramos de edad mas bajos gastaran mas
ya que tendranmas movilidad ymayores aficionesIudicas que comportanun
mayor dispendio. Como es16gico podraestudiarse separadamentecada carac-
terfstica construyendo su distribuci6n unidimensional y calculando sus medi-
das de posici6n y dispersi6n, como se ha indicado en el Capitulo 2;pero 10
normal presentar conjuntamente mas de una caracterfstica con el objetivo
de estudiarsusposibles relaciones yresponder a cuestiones como lassiguien-
tes:l,en que medida el nivelde ingresos determina el nivelde gastos?, l,existe
relaci6n entre el nivel de gastos y la edad?, l,Y elestado civil?,l,yel tamafio
delmunicipio?,etc.En losapartadosque siguenseestudiarancuestiones tales
como las distintas tabulacionesde las variables estadfsticas bidimensionales y
los nuevos conceptos que generan (distribuciones de frecuencias marginales
y condicionadas), el concepto de independencia estadfstica, y la regresi6n y
correlaci6n entre variables;
3.2. Tabulacion devariablesestadisticas
bidimensionales:distribuciones
bidimensionales defrecuencias
Vamos a considerardos tipos de tabulaciones: paravariables cuantitati-
vas y paravariables cualitativas. En el primer caso el resultado de la tabu-
laci6n recibe el nombre de tabla de correlacicn y en el segundo tabla de
contingencia.
3.2.1. Tablas de correlaci6n
Partimos de una poblaci6n estadistica en la que se estudian simultanea-
mente dos variables 0 caracterfsticas cuantitativasque nos definenuna varia-
bleestadistica bidimensional.
Llamando X eYa lasvariables consideradas,podemos construirlallama-
da tabla de correlacion, Los datos en que se presenta la variable X, los
denotamos Xi (i= 1, 2, , r). Los datos en que se presenta la variable Y, los
denotamosYjU= 1, 2, ,s). Sean
i j
la frecuenciaabsolutacon que sepresenta
elpar simultaneo (Xi' Yj)'Ladistribuci6nconjunta0bidimensional seraladela
tabla3.1. .
DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES
TABLA 3.1. Tabla de correlaci6n

Y! Yz
...
Yj
...
Y. ni.
x! n
ll
n
12
..,
n!j
...
n
ls nl.
x
2
n
21
n
22
...
n
2j
...
n
2s n2.
... ... ... ... .., ... .., ...
Xi nil n
i2
...
n
ij
...
"is
n
..
... ... ... ... ... ... ... ...
x, nr!
n
r2
...
n
rj
...
n.. nr.
n.j n.! n.2
...
n.j
...
n.s N
r
Asi N = L L n
i j
esla frecuencia absoluta total 0 mimero de unidades
i=1 j=1
en la poblaci6n. Tambien: n.
j
= L
r
n
i j
Yn
i
. = L
s
nij
i=1 j=1
Con10que seconstruyenla ultima filayla ultima columna dela tabla de
correlaci6n que se denominan frecuenciasmarginales.
Considerando estas expresiones esevidente que:
r s r s
"L. n,r. = " L. n , .J = " L. ." L. n.. IJ =N
i=1 j=1 i=1 j=1
Lastablas decorrelaci6ndeltipo dela3.1seconstruyencuandoelnumero
de observaciones eselevado yexistetambien un elevado numero de pares de
valores (Xi' Yj)en los que i =j 6 i '#j. Tambien puede darse el caso que sea
conveniente, parahacer ladistribuci6nmas manejable, agruparlosvalores de
las variables en intervalos de clases con 10que los respectivos (Xi' Yj) serfan
las correspondientes marcas de clase,
Ejemplo3.1
Seha efectuado una encuesta a 100 familias preguntandoles sus ingresos
anuales (X) yelnumero demiembros (Y) que los aportan. Los ingresossehan
expresado en'milesde euros ysehan agrupado encuatro intervalos declases
con 10 que Xi son las respectivas marcas de clases. Los resultados de la
tabulaci6nhansido los de la tabla 3.2
En la tabla 3.2se observa que de las 100 farniliass6lo hay, porejemplo,
15 en las que el dinero 10 aparta una sola persona y sus ingresos estan com-
prendidos entre 10.000 y 15.000 euros; 30 en las que los ingresos los aportan
0"
124
DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES 125
TABLA3.2. Tabla decorrelaci6n de losingresosjamiliaresYelnumero demiembrosque
Tambien severificaque:
los aportan
los aportan(Yj)

Ingresosen miles
de euros
L
i
-
1
- L,
10-15
15-20
20-30
30-50
n.j
X
12,5
17,5
25,0
40,0
1
15
10
12
1
38
2
2
20
30
2
54
3
1
2
4
1
8
r s r s
I h. = I t,= I I hj = 1
i=1 j=l i=lj=1
ni.
Ejemplo3.2
A partir de la Tabla 3.2 obtener la tabla de correlaci6n de frecuencias
18
relativas.
32
46
Soluci6n:
4
Dividiendo todas lasfrecuenciasabsolutas por eltotal deobservaciones la
100.
tabla sera la siguiente:
dos personas yestan comprendidos entre 20.000y30.000euros yasfsucesiva- TABLA 3.3. Tabla de correlacion defrecuencias relativas
menteseinterpretanlasfrecuenciasabsolutas conjuntasnij. Lasmarginalesn;
y n. nos sefialanelnumero de vecesque serepiten los valores de Xi e Yj por
j
separado sin que se establezca entre elias ninguna relaci6n conjunta. Asfde
las 100familias38tienen un solomiembro que ingresa dinero, 54dos miem-
bros y 8 tres. Alobservar los nivelesde ingresos representados por Xi vemos
que 18estan enelprimero, 32enelsegundo,46eneltercero ys6lo4familias
pertenecen al cuarto nivelde mayoresingresos.
Tambien sepuedeconstruirlatabladecorrelaci6n defrecuenciasrelativas
sin mas que dividir todafrecuenciaabsoluta por elnnmero total de observa-
cionesN:

1 2 3
h.
12,5
17,5
25,0
40,0
0,15
0,10
0,12
0,01
0,02
0,20
0,30
0,02
0,01
0,02
0,04
0,01
0,18
0,32
0,46
0,04
fj 0,38 0,54 0,08
Cuanto existenpocasobservacionesylasfrecuenciasson unitarias no tiene
hj=
n
N
i j
sentido construir una tabla de correlaci6n ya que muchas de las celdillasde
las frecuenciasabsolutas serfancero.En estecaso,la distribuci6nbidimensio-
Esinmediato comprobar que la suma de todas las frecuenciasrelativas es
nal essimplementedos columnas que seexpresan de la forma siguiente:
la unidad:
r s r S n.. 1 r s N
Xi Yi
I I hj=" I I --!l=_I I nij=-=1
- -
i=1 j=1 i=1 j=l N Ni=1 j=l N
Xl Yl
X
z Yz Las frecuenciasre1ativas marginales seran:
s
Xi Yi
"
L.
n..
lJ S S
_
n
i. _ j= 1 _"n
i j
_ "
h.- N - -N-.L. N - .L.hj
J=l J=l
X
r Yr
r
Asi,por ejernplo,el valor de la producci6n (yJ expresado en millonesde
" n..
L.,.zJ r r euros y el mimero de trabajadores (xJ de cinco empresas del sector de la .
n
_....J._ i = l _"n
i j
_ "
construcci6n setabularade la forma siguiente: L, - N - -N-.L. N - .L. hj
1.=1 1-::::1
1
--
126
127
Yi Xi
1.500 350
2.500 500
5.000 800
10.000 1.500
15.000 1.700
Aunque las frecuenciasconjuntas no sean unitarias, si elnumero de pares
de valores de la variable bidimensional es reducido, tarnpoco es necesario
construir una tabla decorrelaci6n ya que es suficiente una tabulaci6n a tres
columnas de la forma siguiente:
Xi
-
Yi
n
i
Xl
X
z
Yl
Yz
n
l
n
Z
Xi Yi
X
r
n
Yr r
N
Asi, por ejemplo, la siguiente tabla es una tabulaci6n de 500 empresas en
las que se ha estudiado su nivel de producci6n en tres intervalos expresados
en millones de euros, y su numero de trabajadores:
Producci6n (yJ N.O de trabajadores (Xi) n
i
[100-200] [20-50] 300
(200-400] (50-80] 150
(400-1.000] (80-200] 50
Distribuciones marginales defrecuencias
Definicion3.1. Distribuciones marginales de frecuencias.
Dada una distribuci6n bidimensional de las variables (X, Y), llama-
mos distribuciones marginales de dichas variables a los conjuntos:
{(Xi' n;,): i = 1, 2, , r}, distribucion marginal de X
{(yj' n): j = 1, 2, , s}, distribucion marginal de Y
Luego las marginales de una distribuci6n bidimensional eselestudio
unidimensional de cada componentecon independencia del otro.
Expresadasenforma decolumnaslasdistribucionesmarginales defrecuen-
cias de la Tabla 3.1 sedan:
Xi
-
;
--
Yj n
.J
Xl
X
z
n1.
nz .
Yl
Yz
n.l
n.
z
Xi ni.

n
;J
X
r ;
Y. n.s
De estas distribuciones marginales, como en esencia son distribuciones
unidimensionales yaque expresan elestudio decada variable con independen-
ciadela otra, pueden obtenerse todas las medidas de posici6n, dispersi6n, etc.
que se han estudiado en el Capitulo 2 de las variables unidimensionales
(mediasmarginales, varianzas marginales, etc.).
Ejemplo 3.3
De la tabla de correlaci6n 3.2 obtener las distribuciones de frecuencias
marginales, la moda de Y yla media aritmetica de X.
Soluci6n:
a) Distribuciones marginales de frecuencias:
Xi n
-
-
r. Yj n
.J
12,5 18
1 38
17,5
32
2
25,0 46
54
40,0 4
3
8
b)
Modade Y: M; = 2.
c)
Media aritrnetica de X:
_ 1 r
X=- L x.n, =
N
i= 1
".
1
=100 [12,518 + 17,532+ 25,046+ 40,04] =20.950 euros
128
129
Dada una tabla de correlaci6n bidimensional siempre se pueden obtener
sus dos distribuciones marginales con la simple suma por filas y columnas de
sus frecuencias conjuntas. Pero la inversa no es siempre cierta; 0 sea, dadas
las distribuciones marginales no siempre puede elaborarse de modo tinico la
distribuci6n conjunta (X, Y) = {(Xi' Yj; n
ij):
i = 1, 2, ..., r; j = 1, 2, ..., s}.
Veamoslo con un ejemplo:
Si
n1. = 6} n.
l
= 6}
n
2
. = 9 y n.
2
= 15
n
3
. = 15 n.
3
= 9
son las frecuencias marginales de la variable estadfstica bidimensional
(X, Y) = {(Xi' Yj; n
ij)
: i,j = 1,2, 3}, esta no esta determinada; para ella podemos
proponer dos posibles variables bidimensionales distintas con las mismas dis-
tribuciones marginales:

Xl
x
2
x
3
n
.J
b)
.:
a)
Y3 ni
0 6
1 9
8 15
9 30
Yl Y2 Y3 Yt Y2
0 6 0
2 6
0 6 Xl
3 3 3
4 3
x
2
3 6 6 x
3
6 15 6 15 9 n
.J
n
I.
6
9
15
30
Esto comprueba que dadas las distribuciones marginales, no siempre se
puede reconstruir la variable estadfstica bidimensional conjunta de modo unico.
Distribuciones condicionadas de frecuencias
Definicion 3.2. Distribuciones condicionadas de frecuencias.
Dada una variable estadfstica bidimensional (X, Y), llamamos varia-
ble X condicionada a que Y = Yj' Ydenotaremos (XIY = Y) a la variable
estadfstica que toma los valores Xi con frecuencia absoluta nil:
(X IY = Y) = {(Xi' nij) : i = 1, 2, ..., r} para cualquier j = 1, 2, ..., s.
La frecuencia total de (X IY = Y) es n.j = L
r
nij
i= 1
Analogamente se define la variable estadfstica Y condicionada a que
X = Xi' denotandola
(YIX = Xi) = {(yj' ni) : j = 1, 2, ..., s} para cualquier i = 1, 2, ..., r
La frecuencia total de (YIX = xJ es n
i
. = L
s
n
ij
.
j=l
Las frecuencias relativas condicionadas de las variables (X IY = Yj) e
(YI X = xJ seran respectivamente:
nij
I' n
hfj = - y
Jjti =....!l.
n
.J ni.
Puede observarse que pueden definirse tantas distribuciones de frecuencias
condicionadas como valores tienen las variables X e Y ya que cada una queda
determinada por la fila 0 la columna del correspondiente valor que condiciona.
Las distribuciones condicionadas tambien son unidimensionales y por tanto
pueden obtenerse todas las medidas de posici6n y dispersi6n de las mismas.
Ejemplo 3.4
De la tabla de correlaci6n 3.2 obtener: a) La distribuci6n de Y condicio-
nada a que X = 175. b) Obtener la moda, media aritrnetica, la desviaci6n
tipica, y el coeficiente de variaci6n de dicha distribuci6n.
Solucion:
a) El valor que condiciona X = 175 nos define la segunda fila de frecuen-
cias absolutas conjuntas nij que son las que formaran la distribuci6n junto con
los valores de la variable Y. Luego la distribuci6n pedida es una unidimensio-
nal formada por las siguientes columnas:
Y= YjlX = x
2
= 175
n
2j
1 10
2
20
3
2
n
2
. = 32
130 CASAS,sANCHEZ,J. M. y SANTOS-PENAS, J.
b) La distribuci6n obtenida anteriormente semanipula como una unidi-
mensional paraobtenerlas distintas medidas de posici6n ydispersion:
Mo(Y IX= 175)= 2
Lo que nos indica que 10mas frecuente son dos miembros porfamilia los
que aportaningresos dentro del segundo intervalo 15-20.
- 1 56
r,I 175 = 32(110+220+32)=32= 1,75
Son 2miembros por familia los que aportan ingresos dentro del inter-
valo comprendido entre 15.000y 20.000euros. Recordemos que cuando la
variable es de tipo discreto, como en este caso (Yson individuos) no tienen
sentido los decimales dando el resultado por exceso 0 defecto en mimeros
enteros.
I 175 = [(1- 1,75)210 +(2- 1,75)220+(3- 1,75)22] =
1
= 32[5,625+1,25+3.125]= 0,3125
0,56
El coeficientede variaci6n de Pearson sera:
0,56
-=--,=--=....:...:: - 0,32
1,75
Este coeficientenos indica,expresado en tantos por100,que la desviaci6n
tipica supone un 32% de la media aritmetica con 10que podemos admitirla
como promedio que nos representa al conjunto de la distribuci6n. Hasta un
50% de participaci6n de la dispersi6n en el promedio se considera como
aceptablelarepresentatividad.Algunosautoressonmas estrictos yno aceptan
promedios en los que el coeficientede variaci6n sea superior al 10%.
Momentosenlasdistribuciones bidimensionales
Igual que enlas unidimensionales losmomentos son medidas que reducen
los datos de una variable estadistica, que en este caso sera bidimensional,
permitiendo tener una idea general de la distribuci6n sin tener que enumerar
131
todos los pares de valores (Xi' Y) con sus frecuencias absolutas n
ij.
Podemos
distinguir dos tipos principales de momentos: con relaci6n al origen 0 con
respecto a las medias.
a) Momentos respectoalorigen
LIamamos momento de orden h, k respecto al origen de la distribuci6n
conjunta(X, Y) al valor:
h knij
ahk= L, L, Xi Yj N (h,kEN)
1 1
Algunos casos de este tipo de momentos con relieveson:
r n.
a10 = LXi ;; (media marginal de X)

S n.
a01 =
"
L, YjN
.J
(media marginal de Y)
i>1 .
S n.
a
2 0 " 2--'.!. y
=
L
r
xf;;
n.
a02 = L, Yj N

1
r S nij
all= L .L .v, N (momento producto)
1 1
b) Momentos respecto a las medias
El momenta de orden h,krespecto a las medias de la variable estadistica
bidimensional(X, Y) es:
r S n..
mhk= L L (Xi - alO)h(Yj - a
01)k
;.;
(h,kEN)
I iI
Como ejemplo,m10 =mOl =0.Elmomentom
20
esla varianzadeX, S2(X),
Ym0 2 = S2(y). Es directo comprobarque m
2 0
= a - aioym = a -
2 0 0 2 0 2
Elmomento mIl recibeelnombrede covarianzade las variables X e Y, y
Iedenotamos Cov(X, Y) 6 SXY'
r S n..
mll= Cov(X,Y) = L L(Xi - alO)(Yj - a
01
) -!l.=
N
r S n.. S n . r n.
-" " IJ " .J " I. + _
- i:-l j:-I XiYj N - a
lO
j:-l Yj N - a0 1 i:-l Xi N a10a01 - all- a10a01
'
132
133
I"
CASAS-sANCHEZ, J.M. YSANTOS-PENAS, J.
Ejemplo 3.5
Disponemos de la siguiente tabla de correlaci6n que recoge la variable
estadistica bidimensional (X, Y) donde X es e1 numero de transferencias reci-
bidas por una sucursal bancaria al dfa, e Y el numero de transferencias
enviadas desde la misma sucursal el mismo dfa. Los datos se han anotado
durante un total de 18dfas habiles,
~
1 2 3
2 1 4 1 6
3 2 4 2 8
4 1 2 1 4
4 10 4 18
Obteneralgunos momentos de relieve.
Soluci6n:
1 1 26
alO = -(26+38+44)=-52=-
18 18 9
1 1
a
01
=-(1.4+2.10+34)=-36=2
18 18
1
all=- (2. 1. 1+2 . 2 . 4+2 . 3 . 1+3 .1.2+3 . 2 . 4+3 . 3 . 2+41. 1+
18
1 104 52
+4.22+431)= -(24+48+32)= - = -
18 18 9
52 26
mll = all -a
10a01
=9-9.
2=0
1 2 2 2 1 160 80
a = - (2 6+3 8+4 4) = - (24+72+64) =- = -
20
18 18 18 9
80 (26)2 720- 676 44
m20 =a20 - aiD = 9 - 9 = 81 = 81
1
. = 18(1
2.4
+2
2
10 +3
2.4)
= 80 =40 a
02
18 9
m =a - ~ = 40 _ 22 = 40 - 36 4
02 02 9 =-
9 9
Independencia estadistica
Dos variables estadfsticas X e Y son independientes entre sf cuando la
variaci6n de unade ellasno influyeen la distribuci6n de la otracondicionada
por elvalorquetomela primera. Porelcontrarioexistiradependenciacuando
losvaloresdeunacondicionanladistribuci6n delosvaloresdela otra. Acudien-
do a la definicionque sedio de frecuencia re1ativacondicionada tenemos que:
nij
n., N Ii"
/;. =....!:l...=_=....!1
i/j n , n , f .
J --:.l. .J
N
Ii} =h/J-fj
[3.1]
La expresi6n [3.1] nos indica que la frecuencia relativa conjunta de
(X= Xi' Y= Y)eselproductodelafrecuencia relativade Xi condicionadapor
Y=Yj' por la frecuencia relativa marginal j , cuando existe independencia
estadfstica; 0 sea que el valor Yj que condiciona influye en la distribuci6n de
lavariableXi' Siexisteindependenciaestadfsticaesevidente que lasfrecuencias
re1ativas de X condicionadas por los distintos valores de Yj' serfan todos
iguales entresfeiguales a la frecuencia relativamarginal de X ya que dichos
valores Yj noinfluyen para nada en la distribuci6n de la variable Xi' 0 sea, se
cumpliraque:
h/1 = h/2=h/3 = ... = h/J = ... =J./. = h.
[3.2]
o10 que es10 mismo:
nil n
i2
n
i
nil +n
i 2
+... +n n,
_=_= =_= IS_.....!.:.._/r.
[3.3]
n.
1
n.
2
'" n.. n.
1
+n.
2
+... +n.s - N - i,
Sustituyendo en la expresi6n [3.1] la frecuencia relativa condicionadahlj
porla marginal/;, de la expresi6n [3.2], ya que estamos bajo la hip6tesis de
independenciaestadfstica, tenemos que:
n., n
i
. n.
j
1'.. = I'.f 0 bien N'
J
= N .N
Ji} Ji ..J
135
~ :::\'
134
Definici6n 3.3. Independencia estadfstica.
Dadas las variables estadfsticas X e Y, la condici6n necesaria y sufi-
ciente para que sean independientes es:
Y If j = 1, 2, ..., s)
n
i j
n, n ,
N=N'N,J (lfi=12 r , , ...,
Una propiedad de interes es que si X e Y son independientes, entonces la
covarianza entre ellas es nula. Veamos para ello que
r S n.. r S n. n. r n. S n .
_"" 'J _ "" '..J _ " ,." .J _
all - i ~ l j ~ l xiYj N - i ~ l j ~ l xiYj N' N - i ~ l Xi N j ~ t Yj N - alOa
o t,
perc como = all - alOa
OI
= alOa
OI
- alOa
0 1
= 0, que es 10 que que- m
ll
rfamos probar.
Sin embargo, que COy(X, y) = 0 no implica que X e Y sean independientes.
Esto puede comprobarse con un contraejemplo en que X e Y sean dependien-
tes (0 no independientes) y ademas m
ll
= O.
Ejemplo 3.6
En 1a tabla de correlaci6n presentada en el Ejemplo 3.5, las variables X e
Y son dependientes, pues por ejemplo:
n
2.
n.l . 2 8 4 32
Ii =f. N' N' 0 bien 18 =f. 18'18 = 18
2
n
21
La independencia estadfstica entre X e Y, exige que para todo i = 1, 2 y 3,
y todo j = 1, 2 y 3, se verifique:
n.. n, n ,
J.j _ I.. .J.
N- N'N'
como esto no se da para algiin par (i, j), concretamente para i = 2 y j = 1,
concluimos que X e Y son dependientes.
Ademas, vimos en el Ejemplo 3.5 que mIl = Cov(X, Y) = 0, por 10que este
es un contraejemplo de que mIt = 0 equivale a que X e Y son independien-
tes. Efectivamente, hemos demostrado que si X e Y son independientes, esto
implica que mIl = Cov(X, Y) = O. Pero no ocurre 10 recfproco: si mIl = no
necesariamente X e Y son independientes, como ocurre en el ejemplo presen-
tado en el que m
ll
= y las variables X e Y son dependientes.
3.2.2. Tobias de contingencia
En los estudios socioecon6micos se analizan en muchas ocasiones variables
de tipo cualitativo que s610 admiten escalas nominales y como mucho ordina-
les (sexo, nacionalidad, profesiones, niveles de estudios, imagen de polfti-
cos, etc.). Como ya se coment6 en los analisis unidimensionales, en las varia-
bles cualitativas no tiene sentido la obtenci6n de promedios si se exceptua la
moda en las de escala nominal y 1a mediana en las de escala ordinal. Luego
en este tipo de analisis no tiene ninguna 16gica la definici6n de momentos
respecto al origen 0 respecto a la media.
Lo que sf se puede es obtener sus respectivas tablas de frecuencias que en
el caso de las bidimensionales se las denomina tablas de contingencia. Es una
tabla de doble entrada como la 3.4 en la que en la primera columna y primera
fila se expresan las modalidades de los atributos M y M'; en las celdillas
centrales estan las frecuencias absolutas conjuntas nij' La Ultima columna y la
ultima fila nos definen 10mismo que en las tablas de correlaci6n las frecuencias
marginales del atributo Myel M' con las que pueden construirse las dos
distribuciones marginales 0 unidimensionales representadas por los conjuntos
{(M;; n;,) para i = 1, 2, ..., r} y {(Mj; n.) para j = 1, 2, ..., s}. Tambien pueden
definirse las correspondientes distribuciones condicionadas de frecuencias da-
das por los conjuntos
{(MIM' = Mj); n
i j
para i = 1, 2, , r}, y
{(M'IM = M;); n
i j
para j = 1,2, , s}.
TABLA 3.4. Tabla de contingencia
Oo.
M' M ~
...
1 Z J
M
s
Atributo M
::s::
M'
... ...
M
1
n
ll
n
12
n
1j
n
ts
Oo.
n
Zj
...
M
2
n
21
n
zz
n
zs
M
i
Oo. ...
nil n
i 2 "ij n..
M
r
Oo'
n
rl n,z nr j
...
n
rs
... ...
n.j n.l n.z n.j n.s
n.
I.
nl.
nz.
ni.
n,.
N
136
137
Como a las variables cualitativas no se las puede someter a las operaciones
de sumas, restas y divisiones, a1 venir expresadas en escalas nominales u
ordinales, no tiene sentido el hablar de medias marginales 0 condicionadas 0
de varianzas 0 desviaciones tfpicas, Lo que sf cabe es establecer el concepto de
independencia estadistica entre variables cualitativas ya que como vimos en las
tablas de correlaci6n de las variables cuantitativas, en su definici6n solo inter-
vienen determinadas propiedades de las frecuencias relativas tanto conjuntas
como marginales. Luego la condici6n necesaria y suficiente para que los
atributos M y M' sean independientes es que la frecuencia relativa conjunta
sea igual al producto de las frecuencias relativas marginales:
ni j = nii , n.j
V i,j
N N N
La deducci6n de la anterior expresion es identica a la efectuada para las
tablas de correlaci6n de variables cuantitativas.
Ejemplo 3.7
Se han observado 100 conductores de turismo de los cuales 40 estan
casados y 60 solteros. De los primeros 5 han sufrido algun tipo de accidente
en el ultimo ano y de los segundos han sido 15. Obtener: a) La tabla de
contingencia. b) Las distribuciones marginales y sus respectivas modas, c) La
distribuci6n de los accidentes condicionada a que sean solteros con su respec-
tiva moda. d) Comprobar si los dos atributos son independientes.
Soluei6n:
a) Tabla de contingencia
Accidentes (M')
Estado civil M I Con accidente
Sin accidente n.
I.
Casados
Solteros
, 5
15
35
45
40
60
n,j I 20 80 100
b) Distribuciones marginales
M
. M'
.
Casados 40 Con aceidente 20
Solteros 60 Sin accidente 80
La moda del atributo estado civil es solteros y de los accidentes es sin acci-
dente.
e) La distribuci6n de los accidentes (M') condicionada a que sean solteros
sera:
M'/M = Solteros
nij
Con accidente 15
Sin accidente 45
I 60
La moda es sin accidente.
d) Independencia estadfstica, Se construye una tabla de frecuencias rela-
tivas
n,.
M I Con accidente Sin accidente
N

Casados 0,05 0,35 0,40
Solteros 0,15 0,45 0,60
n,
.....:l.
0,20 0,80 1
N
Como en la primera comprobaci6n
nll n.! n1.
N =/= N' N' ya que 0.05 =/= 0.200.40,
se puede decir que los dos atributos M y M' no son independientes estadfsti-
camente hablando.
Tambien se pueden elaborar tabIas de contingencia combinando caracterfs-
ticas cualitativas con cuantitativas: sexo con edad, habitat donde viven las'
familias (rural 0 urbano) con niveles de renta, etc.
138
En las distribuciones bidimensionales tambien pueden establecerse repre-
sentaciones graficas. Como las marginales y condicionadas son unidimensio-
nalestodos losgraficosestudiadosenelcapitulo2sonaplicables alasmismas,
En las conjuntas seacudira a las tres dimensiones. En un ejeserepresentala
variable X, en el otro la Y y en el tercero la frecuencia conjunta nij' Si los
valoresdela variable no estan agrupadoslafigurasera un diagramadebarras
en tres dimensiones. Siestan agrupados (s610 paravariables de tipo cuantita-
tivo que admitan las escalasdeintervalo 0 raz6n) seran histogramas tridimen-
sionales que nos generan estereogramas formados por una serie de parale-
lepipedoscuyos respectivos vohimenes son proporcionales a las nit
3.3. Dependenciafuncional y dependencia
estadistica
Esfrecuenteencontrarsecuandoseestudianconjuntamentedos caracteris-
ticas0variables que existauna relaci6n dedependencia entre lasmismas.Esta
dependenciatienedos naturalezas:dependenciafuncionalque escuandoexiste
una relaci6n matematica exacta entre las dos variables y dependencia es-
tadistica que se caracteriza por una relaci6n aproximada entre los dos feno-
menos. La dependencia funcional se puede representar segtin indica el grafi-
co3.1enelque lospares devaloresobservadosdeuna variable bidimensional
(Xi' yj pertenecen exactamente a la funcion matematica que liga a las dos
variables que enestecasoesuna recta. Podrfarepresentarun fen6meno ffsico
Y
Ys
Y4-I-- ---------~ --------------------A
Y3 ~
Y2+--------------K
Yl
X
Xl X2 x3 x4 xs
GRAFIeo 3.1. Dependenciajuncional exacta de tipo lineal.
que eselespacio(y;) que recorre un vehfculoque vaa una velocidad constante
(b) endistintos perfodos detiempo (xJAcadavalor Xi Iecorrespondeun s610
valor Yi dado porla funci6n matematica que liga a las variables.
La dependencia estadfstica,expresadaen terminos aproximados, ocupaen
la teorfa del conocimiento econ6mico un lugar preponderante a la hora de
constrastar determinadas hip6tesis de dependencia funcional formuladas por
la teorfa econ6mica. Luego debe haber un planteamiento te6rico previa al
estudio estadfstico parano liegar a conclusiones que no tengan sentido. Puede
darse elcaso, porejemplo,que exista dependencia estadfstica, por puro azar,
entre la evoluci6ndelmimero de accidentesde autom6viles yla producci6n de
queso manchego. De ella no podemossacar laconclusi6ndeque una variable
determina a la otraya que no tiene ningun sentido. Sfparece Iogicoformular
que elnivel de gasto de los hogares esta dependiendo.desu renta disponible.
Peroesta dependencia no esde tipo matematico-funcional sino estadfstica. Si
se observan un conjunto de pafses de valores de rentadisponible y nivelesde
gastos nos encontraremos que para un mismo nivel de renta pueden darse
distintos nivelesde gastos ya que existen otraserie de caracterfsticas, ademas
de la renta, que influyenen el gasto aunque sea de forma rnenos relevante.
Este tipo de fen6menos se representan en un sistema de ejes,a traves de
una nube de puntos como seindica en el Grafico 3.2.Porejemplo, la figura
a) representa una dependencia lineal positiva(alcrecer la renta disponible X
tambien creceelconsumofamiliarY). Puedeobservarseque enla dependencia
estadfstica lospares de valores observados (Xi' Yi) ya no estan alineados como
seindica en elGrafico 3.1con la dependenciafuncional. Tambien nos indica
la nube de puntos que la relaci6n entre X eyes de distinta naturaleza: lineal
positiva representada porla figura a);lineal negativa expresada en la figura
b); curvilfnea segtin la forma de la figura c); sin ninguna relaci6n como se
indica en la figura d);etc.
Existen tres motivos fundamentales porlos que una variable que vamos a
llamardependiente0 end6genaesta influida porotraque aetnacomo indepen-
diente 0 ex6gena:la casualidad 0 elazar ha hecho que ambas variablesesten
relacionadas estadfsticamente (por ejemplo, como sehasefialado, el ntimero
de accidentes de autom6vil yla producci6n de queso manchego); una tercera
variable esta determinando a las que estamos estudiando (por ejemplo el
consumo de caviar yla compra de yates de recreo estan determinadas porla
renta disponible de las personas) y, por ultimo, puede existir una relaci6n
causa-efecto como elejemplo de que los nivelesdeconsumo estan determina-
dos fundamentalmente por la rentadisponible. En los estudios estadfsticos de
los fen6menos socioecon6micos s610 nos deben preocupar las relaciones de
causa-efecto que son las que tienen una base te6rica.
Las nubes de puntos de la forma del Grafico 3.2 nos sefialan el tipo de
ligaz6n existente entre .las dos variables. La regresi6n es una parte de la
140 CASAS-sANCHEZ, 1. M. y SANTOS-PENAS,J.
Y Y
x x
x
Xx x x
x x x x x
x x x
x x x
x x x
x x
Xxx
x x
Xx
x x
x x
x x
(a) (b)
Y Y
x
x x
x x
x
x x
x x x
x
x
x
x
x Xx
x
x
x
x x x
x x x x
x x
..
x x
(c) (d)
GRAFICO 3.2. La dependencia estadistica expresada por las nubes de puntos de las
observaciones.
Estadistica Descriptiva que nos ensefia a determinar la linea hacia la que
tiendela nube puntos. Luegola Teenadela Regresi6nnos permite pasarde
ladependenciaestadfsticarepresentada en una nubedepuntosala dependen-
ciafuncionaldadapor una linea de regresion, Existendos formas de obtener
la linea de regresi6n:a traves del empleo de las distribuciones de frecuencias
condicionadas 0 a traves delos ajustes mfnimo-cuadraticos,
Veamoscomo seconstruirfa por elprimer metodo la lineaderegresiende
Y sobreX cuando Yesla variable dependiente 0efecto,yla X esla indepen-
diente0 causa. Paraella,sihay r observacionesconsideramos todas distribu-
cionescondicionadas:
Y/X
1
, Y/x
2
, , Yjx;
Enestas distribuciones, al ser unidimensionalesseobtienen lascorrespon-
dientesmedias aritmeticas:
Y/X
1
, f/x
2
, ... , f/x
r
DISTRIBUCIONES DEFRECUENCIAS BIDIMENSIONALES
141
formando la siguientelinea quebrada de puntos
P1(X1, f/x
1
); P
2
(X
2,
f/x
2
); Pr(x
r,
f/x )
r
que es la linea de regresi6n tal y como se indica en el Grafico 3.3.Hemos
pasado delanube depuntos enla quea cada valor Xi Iepueden corresponder
varios valores de Yi(por ejemplo a un mismo nivel de renta pueden corres-
ponderle varios nivelesdeconsumo ya que esteno depende s610 de aquella),
a una linea de regresion en la que a cada Xi Iecorresponde un s610 valor de
la ordenada que esla media aritmetica de Ycondicionada a dicho valor.
,
Y
,
,
,
,
,
,
!
,
,
Ys ,
, lie
,
PrCx,., flx
r
)
t
,
,
f P2(X2,YIX2)
Y2
t
!
lie
1
t
YI
t
Xl X2 X
X r
GRAFICO 3.3. Ltnea de reqresion de Y/X obtenida por el metoda de las medias aritme-
ticas condicionadas.
Por identico procedimiento puede obtenerse la linea de regresi6n de X
sobreY actuando en estecaso la X como dependiente yla Ycomo indepen-
diente.Las distribuciones de frecuenciascondicionadas sertan:
X/Yl, X/Y2, ...,X/Ys
Las medias aritmeticas serian:
X/Yl, X/Y2, ..., X/Ys
con 10que segeneran los puntosde la linea:
Yl); Y2); ... Ys)
:PI(x!> :fIXI)
r r
DISTRIBUCIONES DEFRECUENCIAS BIDIMENSIONALES 143
CASAS-sANCHEZ, J. M. YSANTOS-PENAS,1.
142
Y
------ --- -----)(-------- - ------- ---- Ys ;<XlY.. sYs)
Y2
---- --__ -)(- ----------------- ----- --)(- ----- --------------
YI
PHXlYbYI)
X2 x- X
Xl
GRAFICO 3.3'. Linea de regresi6n de X/Y obtenida por el metoda de las medias aritme-
ticas condicionadas.
Ejemplo 3.8
De la tabla de correlaci6n del Ejemplo 3.5obtener las lineas de regresi6n
de Y/X y X/Y pore1 metodo de las medias aritmeticas condicionadas.
Soluci6n:
a) Linea de regresi6n de Y/X:
_ 1
(Y/X = 2)= -(1. 1+ 24+ 31)= 2
6
_ 1
(Y/X = 3)= -(12+ 24+ 32)= 2
8
_ 1
(Y/X = 4)= -(11+ 22+ 31) = 2
4
Los puntos de lalinea son: P1(2,2),Pz(3, 2)yP3(4, 2)que es una paralela
al eje de abscisas. EI que las medias aritmeticas condicionadas sean todas
iguales ysu uni6n de unaparalelano implica independenciaestadisticaentre
las variables como se comprob6 en e1 Ejemplo 3.6.La inversa si es cierta, si
existe independencia las condicionadas son todas iguales e iguales a las mar-
ginales como se senala en la Expresi6n 3.2.
Y
3
l :
2
b) Linea de regresi6n de X/Y:
- 1
(X/Y = 1)=-(21+ 32+ 4 1) = 3
4
_ 1
(X/Y = 2)= 10(2. 4+ 34+ 4. 2)= 2,8
_ 1
(X/Y = 3)= -(21+ 32+ 41) = 3
4
Los puntos seran: P'l(3, 1), 2)y 3).EIGrafico 3.4contiene las
dos lineas.
Otraforma mas utilizada enla obtenci6n de las lineas de regresion Y/X y
X/Yes el denominado ajuste mmimo-cuadratico. Esta segunda versi6n es me-
nos pura que la de las medias condicionadas pero es mucho mas manejable
ya que seobtiene una funci6n estimadaen elajuste yno unalinea de puntos
p'
3
,
,
,
,
.
p'
2,

,
.
PI '. P2 P
3
\
\
\
Pi
x
2 3 4
GRAFICO 3.4. Lineas de reqresion del ejemplo 3.8.
como ocurre con las medias aritmeticas condicionadas, ya que en la realidad
siempre tendremos una seriedeobservacionesdiscretas que nos proporcionara
una linea depuntosmas 0 menos pr6ximos, pero no unacurva continuacomo
nos proporcionael ajuste mfnimo-cuadratico,
Dadauna distribuci6n de frecuencias bidimensional expresadaporelcon-
junto {(Xi' Y n
i
) el ajuste mfnimo-cuadratico consiste en desarrollar el pro-
ceso siguiente:
144 145 CASAS-sANCHEZ, J. M. y SANTOS-PENAS, 1.
- Representar la nube de puntos dada por los valores observados (Xi' Yj)
Yelegir la funci6n del tipo Yti =f{x
i
, a
l
a
z'
..., an) que mas se aproxime
a dicha nube. El mimero de parametres (a
l
, a
z,
...) tiene que ser inferior
al mimero de observaciones para que el ajuste tenga grados de libertad
que es la diferencia entre el nnmero de observaciones y el nnmero de
parametres. En el Grafico 3.5 10 que mejor puede ajustarse a la nube
de puntos es una parabola de tercer grado de tipo
Y = ax
3
+ bx
z
+ ex + d.
- Para cada Xi se define un error 0 residuo que es la diferencia entre la
variable dependiente observada Yj y el valor te6rico
Yti = ax; + bxf + ex, + d
dado por la funci6n: e
j
= Yj - Ytj' Estos residuos son unos positivos (el
representado en el Grafico 3.5) y otros negativos (cuando las observa-
ciones esten por debajo de la funci6n) y para que no se anule su suma
se eleva al cuadrado:
S = L(Yi - Ytl
[3.4]
y
)( )(
yi+---------------------------
:l e'
)( : I J
y t l ~ ~ )( x
)( ~
)(
)(
x
o
X
Xi
GRAFIeo 3.5. Ajuste minimo-cuadratico.
- El metodo del ajuste minima cuadratico consiste en que la expre-
si6n 3.4 de los errores 0 residuos cuadraticos.sea un mfnimo (que la
funci6n ajustada pase 10 mas pr6xima posible a todos los puntos que
forman la nube). Aplicando la condici6n necesaria de mfnimo que es
que se anulen las derivadas parciales de [3.4] respecto a los parametres
desconocidos (al' a
z,
a
3,
...) de la funci6n Yti tendremos un sistema
llamado de ecuaciones normales que nos resuelve el problema pasando
de la dependencia estadfstica a la funcional. Al estudiar la regresi6n
lineal simple en el pr6ximo apartado veremos algnn caso practice del
ajuste mfnimo-cuadratico.
3.4. Regresion y correlcclon lineal simple
3.4.1. La regresi6n lineal simple
En la mayorfa de los fen6menos de naturaleza econ6micosocialla nubede
puntos nos indica que la relaci6n entre las variables es de naturaleza lineal.
La regresi6n lineal simple nos permitira pasar de la dependencia estadfstica a
la funcional con las siguientes caracterfsticas:
a) La funci6n a estimar es lineal es decir una recta.
b) Existe una sola variable explicativa 0 ex6gena y por ello recibe el
nombre de simple.
e) En la exposici6n vamos a referirnos a una tabla de correlaci6n de
frecuencias unitarias del siguiente tipo:
Xi Yi
Xl Yl
X
z Yz
Xi Yi
X
N YN
d) Se empleara e1 ajuste mmimo-cuadratico para estimar la ecuaci6n de
la recta:
Y = a + bx
de modo que llamamos:
Yti = a + b Xi
Siguiendo el proceso de todo ajuste mtnimo-cuadratico se realizaran las
siguientes operaciones:
- Representar la nube de puntos dada por los pares de observaciones
(Xi' yJ como se indica en el Grafico 3.6.
146
147
Xi
GRAFICO 3.6. Ajuste lineal minimo-cuadratico.
CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, J.
Y
Y=a+ bx
Yi
Yti
o X
- Ajustar la recta Y= a+ bx de forma que la suma de todos los errores
e
i
elevados al cuadrado, sea minima:
N N N
S = L e ~ = L (Yi- Ytif = L (Yi- a- bx;)Z ~ minima [3.5]
i=l i=l i=l
Para minimizar la expresi6n [3.5] se tiene en cuenta la condici6n necesaria
de todo minimo que es que se anulen las derivadas respecto a las inc6gnitas
que son los coeficientes de regresi6n lineal a y b:
as N
- = 2 L [Yi - a- bxJ(-1) = 0
aa i=l
as N
ab= 2.L [Yi- a- bxJ(- x;)= 0
l= 1
que nos permite llegar al siguiente sistema de ecuaciones normales minimo
cuadrliticas:
N N
L Yi= N a+ b L Xi
i=l i=l
[3.6]
N N N
L XiYi= a L Xi + b LX;
i=l i=l i=l
Si en la expresi6n [3.6] dividimos por N podemos expresarlo en funci6n de
los momentos respecto al origen:
aol=a+ba
l O
(3.7)
au = aa
l O
+ ba
zo
Resolviendo el sistema correspondiente a la expresi6n [3.7] obtendremos
su solucion:
a=aol-ba
lO
Sustituyendo en la segunda ecuaci6n
all = (a
Ol
- b alO) a
l O
+ ba
zo
= a
l O
a
Ol
+ b(azo- aio)
au - alO al O ~ l
b= = -
a
ZO
- aiD m
ZO
Luego las estimaciones mfnimo cuadraticas de los coeficientes de regresi6n
lineal simple se resuelven por el siguiente sistema:
b = m
u
= SXY
mzo ~
[3.8]
a=a
01
-ba
10
- SXY-
=Y--X
s;
Si sustituimos a y b en la recta Y= a+ bx queda:
Y= a
Ol
m
u
m
u
- --alO+ --X
m
ZO
m
ZO
"*
[
Y- a
Ol
mll
= -(X
m
ZO
- alO) [3.9]
que es la recta de regresi6n mfnimo cuadratica de Y sobre X.
148
149
CASAS-sANCHEZ, J. M. y SANTOS-PEN-AS,J.
La recta deregresi6nmtnimocuadraticadeX sobre Y, poranalogiaresulta
ser;
x - = - (y - [3.10] a
lO
a
0 1
)
m
0 2
-
Ambas rectas pasan porelpunto del plano xy (a
10
, a
0 1
)' Ysus pendientes
. mll m
ll
" .
son repectivamente- y -.Comom
2 0
Ym
0 2
son vananzaspositivas (salvo
m
2 0
m
0 2
casos triviales),ambas pendientes tienen el signo comtin de la covarianzam
ll
;
de aquf, ambas rectas son crecientes, 0 ambas son decrecientes.
Si las variables estadfsticas X e Y son independientes, entonces m
1 1
= 0
por10 que las rectas de regresi6n seran
y
[F};]
respectivamente, es decir, paralelas a los ejescoordenados X e Y.
El coeficiente de regresi6n lineal simple b es la pendiente angular de la
recta de regresi6n, 0 sea, es la derivada de Y con respecto a x y tiene un
significadomuyconcreto:nosdetermina encuanto varia la variable dependiente
o endogene cuando la independiente 0 exogena varia en una unidad. Sila recta
queseajustaesuna funci6n deconsumoenrelaci6ncon la renta,elcoeficiente
b serfa 10 que se conoce en teona econ6mica como la propensi6n marginal a
consumir. El significado del a, que es la ordenada en el origen de la recta, a
vecespuede tener sentido econ6mico y a veces no.
El Ejemplo 3.9 es un caso de ajuste lineal simple por el metodo de los
mfnimos cuadrados cuando la distribuci6n bidimensional es de naturaleza
unitaria y el Ejemplo 3.10es una tabla de correlaci6n donde las frecuencias
ya no son unitarias.
Ejemplo 3.9
En 10familias se han observado sus ingresos (xJ y sus gastos (Yi) anuales
expresados en millones de pesetas dando lugara las siguientes cantidades (Xi:
2, 3, 4, 5, 6, 7, 8, 8, 9, 10) e (Yi: 2, 3, 3, 4, 4, 5, 6, 5, 7, 9). Obtener la recta
regresi6n delgastoen funci6n de los ingresos einterpretarlos valores estima-
dos de los coeficientes de regresi6n.
Solucion:
Para estimar a y b empleamos la fonnulaci6n de la expresi6n 3.8;luego los
calculos conviene establecerlos de la forma siguiente ya que tenemos que
obtener las medias aritmeticas marginales (X, Y), la covarianza y la varianza
de la variable independiente:
Yi Xi XiYi

2 2 4 4
3 3 9 9
3 4 12 16
4 5 20 25
4 6 24 36
5 7 35 49
6 8 48 64
5 8 40 64
7 9 63 81
9 10 90 100
10
L Yi =48
10
L X
i
= 62
10
L XiYi =345
10
L xf =448
i= 1 i=l i=l i=l
_ 1 10 62 _ 1 10 48
X =a10 = 10 xi = 10 =6,2 Y =a0 1 =10 Yi = 10=4,8
10
L XiYi
i=l
_ 345
all -
N
-10=34.5
m
ll
=SXY =all - a
10a0 1
=34.5- 4,86,2=34.5- 29.76=4,74
1 10 448
a2 0 = 10 xf =10=44,8
m
2 0
= S; =a
2 0
- aio =44,8- 38,44=6,36
b = mll _ SXY 4.74
m - S; = 6.36 0.745
2 0
a = - 4,8- 0,7456,2 4,8- 4,621= 0,179 a
0 1
ba
10
I y=0.179+0.745x I
150 CASAS-sANCHEZ, J. M. y SANTOS-PENAS,1.
El significado de b = 0,745 es que cuando los ingresos aumentan en una
unidad el gasto aumenta en 0,745 unidades. El significado del termino inde-
pendiente es que cuando e1 ingreso es cero existe un consumo aut6nomo de
179.000pesetas aunqueesta interpretaci6ncarecedesentido econ6micoyaque
sin ingresos no puedeexistir gasto sino existe un endeudamiento parale1o.
Ejemplo 3.10
Obtenerlasrectas deregresion minimo cuadraticasasociadasalasiguiente
tablade correlaci6n:
~
0 3 6
1 1 5 2 8
2 4
5
4
9
1
3
9
17
Solucion:
Empleando la notaci6n de los momentos respecto al origen y respecto a la
media tenemos:
1 26
= -(18+ 29)=- a
10
17 17
1 45
= -(05+ 39+ 63)= - a
Ol
17 17
1 63
all = -(101 + 135+ 162+ 204+ 234+ 26 1) =-
17 17
63 26 45 1071 - 1170 -99
mll = all - a10aOl = 17- 17'17= 289 = 289
1
= 17
W
.8 + 2
2.9)
= 44 a
2 0
17
1
a = 17(0
2.5
+ 32.9+ 6
2.3)
= 81+ 108= 189
0 2
17 17
44 (26)2 748- 676 72
m 2 0 = a 2 0 - ato = 17- 17 = 289 = 289
_ 2 _ 189 (45)2 _ 3.213- 2.025_ 1.188
m0 2 - a 0 2 - a Ol - 17- 17 - 289 - 289
Con estos calculos, las rectas de regresi6n de Y sobre X, y de X sobre Y
son respectivamente:
26 99 ( 45)
Y - ; ~ = - ~ (x - ~ ~ x - 17= - 1.188 Y - 17
3.4.2. Correlaci6n lineal simple
Atraves de la regresi6n hemos estudiadola forma funcional de la relaci6n
entre dos variables pero no se ha tratado el grado 0 la intensidad de esa
relaci6n. Corresponde a la teoria de la correlaci6n el estudiar el grado de
asociaci6n existente entre las dos variables; es decir, el medir la intensidad de
la dependencia entre las mismas. Unavez que se ha realizado cualquier tipo
de ajuste nos interesa conocer en que media la variable end6gena 0 depen-
diente queda determinada por el modelo matematico que se ha estimado al
pasardela dependenciaestadfstica a lafuncional. Sinos fijamosen elGrafico
3.6,seacual sealafunci6n que pretendemosajustaralanube depuntos(recta,
parabola, exponencial, etc.)el valor observado de la variable end6gena Yi es
igual al valor te6rico 0 estimado por la funci6n Yti mas el correspondiente
residuo 0 error; 0 sea:
Yi = Yti + e, [3.11J
La variable dependiente observada Yi tiene una determinada variabilidad
o dispersi6n que como sabemos se mide por su varianza S;. Los valores
estimadospor elmodelo ajustadoYti constituyen unaserieque seobtiene, una
vez estimado el modelo, para los distintos valores de la variable ex6gena 0
explicativa que se van introduciendo en el mismo, con una determinada va-
riabilidad dada porsu varianzaS; que la vamos a denominar varianza de la
variable end6gena Yi explicada por fa regresi6n. EI tercer elemento deIa expre-
si6n [3.11Jese1 residuo que tambientiene sucorrespondientevariabilidadque
la vamos a medir a traves de 10 que vamos a Hamar varianza residual 0
varianza de los errores 0 residuos S;Y'
152
153
CASAS-sANCHEZ,1.M. y SANTOS-PENAS,1.
Relaci6n entre la varianza de la variable dependiente, la varianza
explicada por la regresi6n y la varianza residual
Vamos a demostrar que estas tres varianzas se relacionan de la forma
siguiente:
8
2
8
2 2
[3.12]
J
Y
=
Yt
+8
ry
Sien la expresi6n [3.11] elevamos al cuadrado ambos miembros y suma-
mos paraN pares de observaciones de frecuencias unitarias tendremos:
N N N N
[3.13]
L yf= L y ~ + L ef +2L Yaei
i=l i=l i=l i=l
N
Vamos aver seguidamente que vale la expresi6n L Yaei en el caso de
ajustar unarecta a la nube de puntos: i=1
N NN N
LYaei = L(a+bXJei=a Lei+b Leixi
i=l i=l i=l i=l
El L
N
e
i
= 0ya que:
i=l
e
i
=Yi- Ya=Yi- a- bXi
sumando paralosN valores:
N N N
Lel= LYi- N a - b LXi = 0
i=l i=l i=l
paraque secumpla la primeraecuacion normal de la expresi6n [3.6].
N
Veamos que vale Leixi
i=1
N N N N N
Leix
i
= L(Yi - a - bXJX
i
= LXiYi- a LXi - b Lxf,= 0
i=l i=l i=l i=l i=l
para que se cumpla la segunda ecuaci6n normal mfnimo-cuadnitica de la
expresi6n. Luego la expresi6n [3.13] quedareducida a
N N N
[3.14]
Lyf = LY;; + Lef
i=l i=l i=l
DlSTRIBUCIONES DEFRECUENCIAS BIDIMENSIONALES
Si en la expresi6n [3.14] a cada valor de las tres variables se le resta su
media aritmetica ysedivide poreltotal de observaciones N, recordando que
N
la media de los residuos es cero, e=0, ya que L e
i
=0 Yque la media de
i=l
Yti coincide con la media de Yi'0 sea:
1 N 1 N
- LYti = - L(a+bxJ = a+bX= y
N i=l N i=l
al tener en cuenta que la recta de regresi6n pasa por (X, Y); tendremos:
1 N _ 1 _ 1
- " (y.- Y)2 = - L (y. - Y)2 + - L e
2
N ~ l N lJ N i
con 10 que demostramos que:
8
2
= 8
2
+8
2
Y Y
t
rv
Las varianzas 8; y 8;y pueden obtenerse una vez que se ha realizado
el ajuste minimo cuadratico para obtener las series de Yti Ye
i
= (Yi - YtJ,
y poder operar con elIas. No obstante existen otras formas de obtenerlas
sin necesidad de efectuar el ajuste en funci6n de las varianzas y covarianza
deXeY:
2_!; 2_
1
; 2
8r y - N L" ei - N L" (Yi - Yti)
i= 1 i=l
Sustituyendo Ytipor 10 que vale a traves de la expresi6n [3.9],
m
ll
Yti= a
Ol
+-(Xi- a
10
)
m
20
queda:
2 _ 1 N [ mll J2
8
r y
- N L Yi- a
Ol
- - (Xi - a
10
) =
i=1 m20
m
ll
1 ; [ J2
=N L" (YI - a
01
) - - (Xi - a
10
) =
i=l m20
_ 1 N 2 1 N m
ll
- N L (Yi - - 2-'NL (Xi - a10)(Yi - a01) + a
01
)
1=1 m2 0 i=l
2 1 N 2 2
mll " 2 _ mll mll
+-2-'- L" (Xi - a
10
) - m
02
- 2 - +-2-m20
m
20
N 1= 1 m2 0 m2 0
mil
= - -- = - m
0 2
m
0 2
bm
ll
m20
155
CASAS-sANCHEZ, J. M. y SANTOS-PE:N"AS, 1.
154
Luego:
mll _
(3.15)
Sry - m0
2
- --m
ll
- m
0 2
- bmll
m
20

La varianza explicada se obtiene despejandola de la expresi6n [3.12]
2
ll
S
2
-
S2
-
S2
-
-
--
- b
m l l
[3.16J
y
-
y ry m
0 2
- m
0 2
+
m
-
r m
2 0
Ejemplo 3.11
Utilizando las varianzas y covarianza del Ejemplo 3.10 obtener la varianza
explicada por la regresi6n y la varianza residual comentando sus resultados.
Soluci6n:
99 72
Del ejemplo 3.10 la m
ll
= - 289 -0.343, la m2 0 = 289 0.249 Y la
1.188
m0 2 = 289 4.1
2 mil 0,117
Sry = m
0 2
- m 4,111 - 0,249 4,111 - 0,469 = 3,642
20
S;
,
= S; - S;y 4,111 - 3,642 = 0,469
Si se observa el valor de S;y se llega a la conclusi6n de que es muy elevado
en relaci6n con la varianza total de Yi representada por S; con 10 que la
varianza explicada por la regresi6n es muy reducida y la Ifnea de regresi6n no
es representativa del conjunto de valores observados de Y;
Coeficientes de determinacion y de correlaci6n lineal simple
Se observa en la expresi6n [3.12] que la varianza de la end6gena observada
Yi' 0 sea S;, se obtiene como suma de la varianza explicada por la regresi6n
S;,Y la varianza no explicada 0 varianza residual S;y. Si no existiesen errores
o residuos e, la S;y = 0 con 10 que S; = S;, las varianzas de la variable depen-
diente 0 end6gena Yi se deberan unica y exclusivamente a las variaciones de
la variable independiente 0 ex6gena Xi' existiendo nnicamente una dependencia
funcional 0 exacta. Como esta situaci6n no suele ocurrir en los fen6menos
econ6micos y sociales, vamos a definir 10 que se conoce como coeficiente de
determinacion.
Se denomina coeficiente de determinaci6n ala participaci6n de la varianza
explicada por la regresi6n en la varianza marginal de la variable dependiente
observada:
S2 S2 - S2 S2
R2 = ---11 = y ry = 1 _
[3.17]
S2 S2 S2
y y y
Al estar definido por cociente entre varianzas es un parametro indepen-
diente de las unidades de medida y permite comparar resultados entre distintas
asociaciones entre variables, cosa que no ocurre con las varianzas explicadas
o residuales, como indicadores de grados de asociaci6n, al venir influidas por
las .unidades de medida de las variables. El significado del coeficiente de
determinaci6n es que nos proporciona el porcentaje de causas comunes que
tienen las dos variables relacionadas para explicar su variabilidad 0 evoluci6n
si se expresa en tantos por 100. Si 10 expresamos en tantos por uno, como
indica la formulaci6n [3.17J, sin multiplicar por 100 su resultado, su signifi-
cado es que nos indica el tanto por uno de varianza de Yi explicado por la
variable independiente Xi a traves de la funci6n ajustada Yti.
Como las varianzas que definen a R
2
son siempre positivas llegamos a la
conclusi6n que R
2
O. Por otra parte las varianzas que intervienen S; y S;y
como mucho seran iguales a la total marginal S; cuando exista una relacion
exacta 0 funcional entre las variables (S;, = S;) Y las causas comunes son el
100 por 100 (S;y = 0) 0 cuando las causas comunes son nulas (S;y = S;) Y el
R
2
= O. Conclusi6n: el campo de variaci6n del coeficiente de determinaci6n es
0;:( R
2
;:( 1. Cuando las causas comunes a X e Y llegan al 0,75 expresadas en
tantos por uno, 0 el 75 % en tantos por cien, el modelo ajustado suele acep-
tarse. Si el porcentaje es inferior se llega a la conclusi6n de que la relaci6n
elegida (en este caso lineal) no es buena, debiendose ensayar con otras fun-
crones.
El coeficiente de determinaci6n de la expresi6n [3.17] es una formulaci6n
generica y sirve para cualquier tipo de regresi6n ya sea lineal 0 no lineal.
Vamos a determinar seguidamente otra formulaci6n para elcaso de la regre-
si6n lineal simple. Si en la expresi6n [3.17] se sustituye la varianza residual
por 10que valeen funci6n de la covarianza y las varianzas marginales segun
sevioen la expresi6n [3.15] tendremos:
m
2
mil
- + -- 2
02
m
02
m
0 2
R = 1 _ S;y m - -----.!.!
2
20 ______m----"2"'0 = m ll
S2 = 1 - m [3.18]
y m0 2
m
02
m
20
m
0 2
Resumiendo, en la regresi6n lineal simple el coeficiente de determinaci6n
puede obtenerse con las siguientes formulaciones equivalentes:
S2 S;y_ mllmll= b-b'
2 Y'-l---
[3.19]
R = 2 - S2 m .m
Sy y 20 0 2
Sienla segundaformulacion equivalente despejamos la varianza residual:
I S;y = m
0 2
(1- R
2
[] [3.20]
Vamos a definir el coeficiente de correlaci6n lineal simple como la raiz
cuadradadel de determinaci6n:
n
2
S
R=+ 1 ~ = ~ = ~ [3.21]
- S2 S. S - Vu .u
y x y
EIcoeficientedecorrelaci6n seusaparadeterminarelgradodedependencia
linealdela variable end6genaante losvaloresdelaex6gena.Esta dependencia
puede ser directa 0 positiva, 0 indirecta 0 negativa, segun sea el signo de la
covarianza Sxy' Sila covarianzaes positiva la corre1aci6ntambien 10 es y su
coeficientetomara valores entre cero y uno: 0~ R ~ 1. SiR= 1implica que
la S;y = 0 ylos valores te6ricos 0 estimados Yti coinciden con los observados
Yi exitiendo una dependenciaexacta 0 funcional. SiR =0 implicaqueS;y =S;
no existiendo ninguna dependencia 0 asociaci6n entre las variables de tipo
lineal, aunque sf puede haberla de otra naturaleza (parab6Iica, exponencial,
etc.), convirtiendose las rectas de regresi6n en dos paralelas a los ejes de
coordenadas a las alturas Yti =YYX
ti
= Xya que SXy =0 con 10que en las
expresiones [3.9] y[3.10] los valoresestimados delasrectas coinciden con las
medias aritmeticas marginales.
y
y
x x
a)R=1."Dependenciaexacta0 b)R= -1."Dependenciaexacta0
funcional positiva'', funcional negativa",
y
y
xa = x
x
Xx
x
x
XX
x
XX
x
X y'_y
X u-
x x
x Yti= Y xxx
x xiX x
x x x x
x x
x
x x
x x
c)R=O. "Conindependenciaentre d)R=O. "Conindependencialineal
las variables". pero condependenciaexponencial.
Las variables sondependientes".
Y
y/x= x/y
y
x/y
y/x= x/y
x x
e)0< R< 1."Dependencianoexacta f) -1< R< O. "Dependencianoexacta
positiva'', negativa".
GRAFICO 3.7. Rectas de regresi6n para distintos valoresdel coeficiente
de correlacion R.
158 159
CASAS-sANCHEZ, 1. M. Y SANTOS-PENAS, J.
Si la covarianza es negativa la correlaci6n tambien 10 es y su coeficiente
tomara valores entre menos uno y cero: - 1 ::::; R ::::; 0. Si R = - 1 la correla-
ci6n es perfecta existiendo una dependencia funcional pero negativa. Las rectas
de regresi6n coincidirian en una sola que seria decreciente al tener una pen-
diente negativa. Concluyendo diremos que el campo de variaci6n total del
coeficiente de correlaci6n es: - 1 ::::; R ::::; 1. Cuando varia de - 1 a cero estamos
en una correlaci6n negativa y la dependencia sera mayor cuanto mas se
aproxime a - 1. Si la variaci6n esta entre cero y + 1 la correlaci6n es positiva
y el grado de asociaci6n 0 dependencia sera mayor cuanto mas se aproxime
a mas uno. A partir de 0.75 diremos que la dependencia es fuerte 0 acepta-
ble. Si el valor es inferior se rechaza el modelo estimado para hacer predic-
ciones ya que son poco fiables. El Grafico 3.7 recoge las distintas posibilidades
de representaci6n segun el valor de R. Las figuras e) y f) son las que se dan
en los casos reales.
Predicci6n
Uno de los objetivos que persigue la regresi6n y correlaci6n es hacer
predicciones de la variable dependiente 0 end6gena en funci6n de los que toma
la independiente 0 ex6gena. Las predicciones se efectuan utilizando la recta
. estimada Yli = a + bXi' Obtenemos valores de Yti' que son promedios de los
observados, mediante valores dados de Xi y la actuaci6n de los coeficientes de
regresi6n a y b estimados. La predicci6n sera mas fiable cuanto mayores sean
los coeficientes de determinaci6n 0 de correlaci6n ya que menor sera la va-
rianza de los residuos que es la que nos indica la cuantia de la separaci6n
entre 10 observado y 10 estimado.
Hay que tener presente que la fiabilidad de las predicciones disminuye a
medida que los valores de la variable ex6gena Xi se alejan de su recorrido.
Ejemplo 3.12
Aprovechando los momentos respecto a la media del ejemplo 3.10 obtener
los coeficientes de correlaci6n y determinaci6n lineal.
Soluci6n:
~ ~ .
R = = ~ -0,3385,
.s:.s; J72. J1.i88
R
2
~ 0,11458,
Segun estos datos la fiabilidad 0 confianza del ajuste lineal, presentado en el
ejemplo 3.10, es del 11,45 % (porcentaje de causas comunes entre las variables
X e Y en dichos ajustes lineales: de X sobre Y, y de Y sobre X) no siendo
suficiente la forma funcional estimada para representar la dependencia entre
las dos variables (el mimero debe ser un 75 %).
En cuanto a la correlaci6n, medida por R = - 0.3385, es negativa y por
ella una de las variables tiende a aumentar cuando la otra variable disminuye,
y viceversa: una tiende a disminuir cuando la otra tiende a aumentar.
En el ejemplo 3.11 se obtuvo la varianza residual para el mismo supuesto
y vimos que era muy elevada con 10 que el ajuste no podia ser bueno. Los
bajos valores de los coeficientes de correlaci6n y determinaci6n nos confirman
este hecho.
Ejemplo 3.13
Obtener los coeficientes de determinaci6n y correlaci6n del ajuste lineal
efectuado con los datos del Ejercicio 3.9.
Soluci6n:
Empleando la expresi6n R
2
= b- b', ya se obtuvo el coeficiente b = 0.745. Para
obtener b' se efectua la regresi6n X/YO Esta regresi6n tiende sentido estadistico
pero carece de sentido econ6mico en la relaci6n causa (gasto) y efecto (ingre-
sos) ya que los niveles de gasto no determinan los niveles de ingresos sino
todo 10 contrario. Para calcular
m
l1
1 I 2
b' = --, s6lo nos falta ca cu ar = a
0 2
- a ' m
0 2 Ol
m
0 2
El a
Ol
= 4,8 segun el Ejercicio 3.9.
1 N 1
a0 2 = 10 i ~ yf = 10 270 = 27.
m
l1
m = 27 - 2304 = 396 b' _ 4,74
0 2
, , , --=--= 119
m
0 2
3,96 '
R
2
I = bb' = 0,7451,19 = 0,89 I
I R = JO,89 = 0,94 I
Conc1usi6n: El nivel del ingresos determina el 89 % del nivel del gasto
siendo la correlaci6n positiva y de nivel elevado con 10 que el modelo estimado
es fiable para hacer predicciones.
Ejemplo 3.14
Con la informaci6n que nos proporcionan los Ejercicios 3.9 y 3.13 predecir
el nivel de gasto para unos ingresos de 12 y 15 millones de pesetas comentando
la fiabilidad de dichas predicciones.
Soluci6n:
Las predicciones se realizan con la recta estimada:
- Para Xi = 12; Yti = 0,181 +0,745 12 = 9,121 millones de pesetas
- Para Xi = 15; Yti = 0,181 +0,745 15 = 11,356 millones de pesetas
Ambas predicciones son fiables ya que el coeficiente de correlaci6n es
R = 0,94; pero la primera es mas fiable que la segunda ya que el valor Xi = 12
esta mas cerca de X = 6,2 que el valor segundo de Xi = 15, al alejarse del
recorridode X en la nube de puntos.
3.5. Regresion y correloclon lineal multiple
Aunque este capftulo esta dedicado fundamentalmente a las distribuciones
bidimensionales, vamos a realizar una introducci6n al analisis multidimensio-
nal explicando el sentido de nuevos conceptos como son los coeficientes de
determinaci6n y correlaci6n parcial y el problema de la multicolinealidad.
3.5.1. Ajustedeun plano parel metoda
rnlnlrno-cuoorottco
Para que didacticamente se comprendan mejor los conceptos vamos a
empezar por el estudio de la regresi6n y correlaci6n de la funci6n de un plano
generalizando seguidamente al caso del hiperplano. Se parte de la nube de
puntos tridimensionales en la que se recogen las observaciones de frecuencias '
unitarias de tres caracteristicas estudiadas en una poblaci6n (por ejemplo: '
gastos familiares Yi' ingresos farniliares Xli y mimero de miembros de la fa-
milia XZi).
Si el mimero de observaciones tridimensionales es N, la nube de puntos la
formaran las siguientes ternas:
(Y1' Xu, x
21
), (yz, X
12,
x
zz),
(Y3' X
13,
X2 3), .., (YN' X 1N' X2N)
Vamos a ajustar por el metodo mfnimo-cuadratico la ecuaci6n de un plano a
esta nube de puntos:
Y= b
o
+b
1x1
+b
2x2
[3.22J
El sistema de ecuaciones normales surge de minimizar la expresi6n:
N
S = L(Yi - b
o
- b
1
x
1i
- b
2
x
2i
f [3.23J
i=l
Derivando la Expresi6n 3.23 respecto del termino independiente b
o
tene-
mos la primera ecuaci6n normal:
N N N
LYi = Nbo+b1 LXli +b2 L X2i
[3.24J
i=l i=l i=1
Dividiendo por N:
y=b
o
+b
1
X
1
+b
2
X
2
[3.25J
La expresi6n [3.25J nos indica que el plano pasa por el punto tridimen-
sional (Xl' X2' Y) llamado centro de gravedad de la distribuci6n. Tambien nos
sirve para obtener el termino independiente de la funci6n, conocidos los coe-
ficientes de regresi6n parcial de Y/X
1
que es el b
1
Yel de Y/X
2
que es b
z
y las
medias marginales de las tres caracterfsticas en estudio (Xl' X2' Y):
b
o
= Y- b
1
X
1
- b
2
X
2
[3.26J
Para deterrninar los coeficientes de regresi6n parcial b, y b
2
se vuelve a
derivar en la expresi6n [3.23J. Para hacer mas manejable el sistema vamos a
tomar como variables las desviaciones a sus correspondientes medidas aritme-
ticas llamando Y; = Yi - Y, ~ i = Xli - Xl Y ~ i = X
2i
- X
2
Luego si restamos ordenadamente la expresi6n [3.25J de la [3.22J tendre-

mos la f6rmula del plano que pasa por el nuevo origen (Xl' X2' Y):
Y;i = b1 ~ i +b2 ~ i
con 10 que la expresi6n que hay que minirnizar para obtener b
1
y b
2
sera:
N
S = L (y;- b
1
X'li - b
2
x ~
i=l
Derivando parcialmente respecto a las inc6gnitas b
1
Y b
2
e igualando a
cero tendremos el siguiente sistema de ecuaciones normales que junto con la
expresi6n [3.26] resuelven nuestro problema: '
N N N
'\' " - b '\' /Z + b '\' ' /
L. Y,x
li
- 1 L. Xli 2 L. X liX2,
,:1 ,:1 ,:1
[3.27]
N N N
'\' ' , - b '\' / / +. b '\' /2
L. Y, X
2,
- 1 L. Xli X2 i 2 L. X 2i
i:1 i=l i:1
El sistema de la expresi6n [3.27] 10 podemos expresar en funci6n de las
respectivas covarianzas y varianzas marginales dividiendo por N todos sus
elementos:
Sy1 = b
1
Si + b
2
S
12
(3.28)
Sy2 = b
1
S12 +
Empleando la RegIa de Cramer se despejan las inc6gnitas del sistema [3.28]:
8 Y1
8
12
1
Sy2
1
_ -: Sy2S12
[3.29]
b
1
= lSi
S12\- Si2
I
S
l z
S2
2
y analogamente de la b
2

La expresi6n [3.29] se puede poner en funci6n de los coeficientes de
correlaci6n lineal simple si dividimos numerador y denominador por Sy Si
b = Sy.
[3.30]
1 s, 1 - Ri2
Por analogia la expresi6n para calcular el otro coeficiente de regresion
parcial sera:
_ - Sy R
yz
R
y 1R12
[3.31]
b2 - -8' 1 - R2
2 12
Las expresiones [3.26], [3.30] y [3.31] resuelven nuestro problema de
estimaci6n del plano de regresi6n. El significado de los coeficientes de regre-
si6n b
1
y b
2
se obtiene observando que con las derivadas parciales de Yti son
respecto a Xl Y Xz- Luego b
1
mide la variaci6n de la variable end6gena Yt, al
variar Xl en una unidad permaneciendo constante la otra variable ex6gena X 2'
El b
z
mide la variaci6n de Yt, cuando X
2
varia en una unidad pennaneciendo
constante la Xl'
EI problema de la multicolinealidad en el ajuste de un plano
Este problema surge s610 en la regresi6n multiple cuando las variables
explicativas, ex6genas 0 independientes tienen entre sf una fuerte relaci6n de
dependencia. Si esta dependencia entre Xl YX
2
fuese exacta, es decir Riz = 1,
entonces:
R
12
= 1 :> R
Y1
= Ry2
ya que si:
R
12
= 1 = R
Y1
= R
Y2
R
12
= -1 = R
y1
= -R
y2
Y entonces para R
12
= 1 resulta que:
_ -
2
. R12 _ S;
1
- R
Y1
. R
Y
Sy R
Y1
- R 1 _ 0 Sy R
Y1
R
Y
R
Y 2
_
Y1
b
1
- - --. --. --
. s, 1 - Ri2 8
1
1 - Ri2 Sl 1 - 1 0
y para R
12
= - 1:
b = Sy. Ry1 + Ry1(-1) =
1 8
1
1 - 1 0
De manera analoga se tiene que
o
b2 = 0
Como se ha visto si existe multicolinealidad perfecta es imposible calcular
los coeficientes de regresion parcial con 10 que nos llevaria a cambiar la
estructura del modelo eliminando una de esas variables. Pero si la multicoli-
nealidad no es perfecta pero elevada, por ejemplo un +0.8 < IRd < + 1,
aunque sf pueden obtenerse los b
1
y b
2
, ya que ya no se da la indeterminaci6n
matematica, la fiabilidad de los coeficientes de regresi6n parcial se ve mermada
ya que las variaciones de Yti ante variaciones unitarias de Xli Y X
2 i
estan
mezcladas con 10 que obliga a cambiar el disefio del modelo matematico que
liga a las tres variables.
165 164 CASAS-sANCHEZ, J. M. YSANTOS-PENAS, 1.
Coeficientesde determinacion y correlaci6n multiple
enelajuste de un plano
EI significado de estos coeficientes es el mismo que se ha dado en la
correlaci6nsimple.Sesiguecumpliendo que la varianza marginal de la varia-
bledependiente0end6genaS; esigualalavarianzaexplicadapor laregresi6n
S;"12 (sedenotacon los subfndices 1y 2 al existir dos variables explicativas)
mas la varianza residual S;Y'12'EI coeficientede determinaci6n multiple sera
la participaci6nde la varianzaexplicada porla regresi6n en la varianzade los
valores observados de Yi0 varianza marginal de Yi'
Portanto, partiendo de la igualdad
S;= S;"12 +S;Y'12
el coeficientede determinaci6n multiple sera:
R2 = S;"12 = S; - S;Y'12= 1 _ S;Y'12
[3.32]
y'12 S2 S2 S2
Y Y Y
Porlasmismas causas que seexpusieronenlacorrelaci6nsimplesucampo
de variaci6n sigue siendo elmismo: 0 R;.12 1.
Este coeficiente se puede obtener bien por su definici6n generica dada en
[3.32], que como sabemos es valida paracualquier tipo de ajuste sea lineal 0
no, bien haciendo una transformaci6n parael ajuste del plano. La definici6n
de varianza residual en la regresi6n de un plano con las variables expresadas
endesviacionesasusmedias aritmeticas(sehace un cambiodeorigen deforma
que el plano pasa porelnuevo origen dado por Xl' X2' Y2) es:
1 N 1 N
S2 - "2- " (y' b' b')L
rY'12 - N L, ei - N L, ei i-I Xli - 2 X2i r
i=l i=l
N N N N
1 1 1 1
= - Leiy; - b
1-
LeAi- b
2
- L = - Le;y;=
N i=l N i=l N i=l N i=l
=N
1
L
N
(y;- b
1x'li
- =
i=l
1 N 1 N 1 N
- "'2 b ",I b ",,_
- N i=-l Yi - 1 N i=-l XliYi- 2 N i=-l X
2iYi-
= S;- b
1
.Sy1 - b
2Sy2
[3.33]
En la anteriordemostraci6n seha tenido en cuentala definici6n del error
e
i
como diferencia entre la end6gena observada y la estimada por el plano
e
i
= (y;- b
1x'li
- y el sumatorio de los errores por las ex6genas son
nulos como sedemostr6enlacorrelaci6nsimplealdeducirlaexpresi6n[3.12],
o sea
N N
.L eix'li= 0 y L = 0
i=1 i=1
o para que se cumplan las ecuaciones normales de la regresi6n, es decir las
expresiones [3.28].
Sustituyendo10que valela varianzaresidualen elajuste deun planodado
por [3.33] en [3.32] tenemos:
2 _ [S; - b
1Syl
- b
2Sy2]
_
Ry.12 - 1 - S2 -
y
_S; - S; +b
1Syl
+b
2SY2
_ b
1Syl
+b
2Sy2
[3.34]
- S2 - S2
y y
La expresi6n [3.34] puede utilizarse para obtener R;'12 s6lo exc1usiva-
mente en el caso de la regresi6n lineal multiple de un plano.
La varianza residual la obtenemos de la expresi6n [3.33] y conocida esta
puede obtenerse la varianza explicada por la regresi6n S;'12 por diferencia
con la S;: '
S2 - S2 S2
[3.35]
y,'12- y- rY'12
El coeficiente de correlaci6n es la raiz cuadradadel de determinaci6n. En
la correlaci6n multiple no tiene ningun sentido el estudio de la dependencia
positiva 0 negativa y por tanto el signo de su coeficiente ya que la pendiente
delplano puede serpositivarepectoa Xl ynegativarespecto a X
2
0 viceversa:
1 _ S;y'12
[3.36]
R
Y
12=
S2
y
Coeficientes de determinacion y correlacion parcial en el ajuste de un plano
Al existir mas de una variable explicativa puede estudiarse la evoluci6n
conjunta 0 causas comunes entre la variable dependiente Ya Yla primera
independiente Xli permaneciendo constante la otra explicativa X
2i
< Luego s610
seestudiala influencia de Xli en Yti'Vimos en la correlaci6nlineal simple que
el coeficiente de determiaci6n se podfa obtener como producto de los coefi-
cientes angulares de la recta y] de la xiy. Por analogfa el coeficiente de
\
166 167 CASAS-sANCHEZ, J. M. y SANTOS-PENAS, 1.
determinaci6n parcial de Yti/Xli permaneciendo constante la Xz; sera el pro-
ducto de
b = oy,;
OXli .
1 OX
li
por b
'
1 oy,;
R;1.2 = b
1
. b; [3.37J
Sustituyendo el valor b
1
dado por la expresi6n [3.30J y por analogfa
cuando la Xli aetna de dependiente la Y,; de independiente sera donde pone
en la expresi6n [3.30J el subfndice uno poner Y y donde pone y poner uno:
b' = S1 . _R-,-,y
Sy 1 - R;z
Sustituyendo en 3.3 tendremos:
RZ - b b _ (RY1 - Ryz R12f
' [3.38J
y1.Z - 1 1 - (1 - Riz) (1 - R;z)
El coeficiente de determinaci6n parcial de Y,Jx
z;
permaneciendo constante
XZi sera:
z _ I _ (R
yz
- R
y1R12)Z
[3.39J
R
y
2.1 - b
z
. b
z
- (1 - Riz) (1 - R;l)
Los coeficientes de correlaci6n parcial son como siempre la raiz cuadrada
de los de determinaci6n:
R = RY1 - Ryz R12
[3.40J
y1.Z Jl - R
Z
. !1=-R
Z
i z V -. yZ
R = Ryz - Ry1" R 12
[3.41J
yZ.l Jl - R
Z
. !1=-RZ
i z V 1 -. y1
Estos coeficientes variaran 10 mismo que en la correlaci6n simple entre -1
y + 1 dando sentido al signo de la dependencia parcial.
Ejemplo 3.15
Se han observado en cinco individuos varones mayores de 18 afios sus
niveles de gastos totales anuales, sus niveles de ingresos y el mimero de
habitantes que tienen las ciudades donde viven. Los gastos e ingresos vienen
expresados en millones de pesetas y los habitantes de las ciudades tambien en
millones. Los valores observados de las tres variables son los siguientes: Yi
(gastos): 1, 2, 3, 2, 4; Xli (ingresos): 1, 3, 4, 4, 5; XZi (habitantes): 1, 1, 2, 3, 4.
Estos ejemplos son a titulo didactico ya que en los casos practicos reales se
manejan cientos de observaciones ya que una muestra representativa tiene
muchas mas observaciones de las caracterfsticas,
Se pide:
a) Estimar el plano de regresi6n de los gastos en funci6n de los ingresos
y el numero de habitantes de las ciudades donde viven, comentando el pro-
blema de la multicolinealidad.
b) Descomponer la varianza marginal de los gastos observados en varian-
za explicada par la regresi6n del plano y en varianza no explicada.
c) Obtener los coeficientes de determinaci6n y correlaci6n multiples.
d) Obtener los coeficientes de determinaci6n y correlaci6n parcial.
Solucion:
a) Para estimar el plano y = b
o
+ b
1
Xl + bzx
z
emplearemos las expresio-
nes [3.26J, [3.30J y [3.31]. Luego dispondremos los datos para obtener las
medias marginales, las varianzas y covarianzas que requieren dichas expresiones:
Yi Xli XZi yf xii xii Yi
X
l i YiXZi
X
1iXZi
1 1 1 1 1 1 1 1 1
2 3 1 4 9 1 6 2 3
3 4 2 9 16 4 12 6 8
2 4 3 4 16 9 8 6 12
4 5 4 16 25 16 20 16 20
12 17 11 34 67 31 47 31 44
Medias marginales:
_ 1 N 12
y = - L Yi = - = 2,4 Xl =3,4 X
z
= 2,2
5 i=l 5
La expresi6n [3.26J es:
b
o
= Y- b
1X1
- bzX
z
= 2,4 - b
13,4
- b
z2).
El valor de b
1
se calcula con la expresi6n [3.30J:
b = 8y. RY1 - Ryz . R12 .
1 8
1
1 - Riz '
168
169
luego hay que ca1cular las varianzas marginales S; y Si, ~ asf como los
coeficientes de correlaci6n lineal simple: R
y 1
, (para calcular otros R
Y2
y R
12
coeficienteshay que obtenerlas covarianzas):
Varianzas marginales:
1 N _ 34
S2 = - L Y ~ - y2 = - - (24f= 6 8 - 5 76 = 104
y N i=I ' 5' , , ,
1 N 67
2
X
2
S2 = - L x . - = - - (34f = 134 - 11 56 = 184
1 N ;=1 11 1 5 ' , , ,
1 N _ 31
S2 = - L x
2
. - X
2
= - - (22f = 6 2 - 4 84 = 1 36
2 N i=l 2, 2 5 ' , , ,
Desviaciones tipicas:
!i84 =136 fi36 s, = J1,04= 1,02 S1 =V 1.,0'1' ., S2 = = 1,17.
Covarianzas:
Syl = N
1
.L
N
Yhi - YX
1
= 9,4- 8,16= 1,24
.=1
1 N
Sy2 = N i ~ Yi X2i - YX2 = 6,2- 5,28= 0,92
1 ~ - _
S12 = N i:--l X liX2i - XIX2 = 8,8 - 7,48 = 1,32
Coeficientes de correlaci6n lineal simple:
s., 1,24 1,24
RY1 = s-:s = 102 1 36 = 1 39 = 0,89
)l 1 , , ,
Sy2 0,92 0,92
R =--= =-=077
y2 s; S2 1,021,17 1,19 '
S12
1,32 1,32
--=-=083
R
12
= Sl,
S
2
1,36,1,17 1,59 '
Hay que resaltarque estos coeficientesde correlaci6nlineal simple s610se
ca1culan a efectos de emplearlos en las expresiones [3.30] y [3.31] que nos
determinan los coeficientes de regresi6n parcial b
1
y b
2
AIexistir una fuerte
correlaci6n 0 multicolinealidad en sentido amplio entre Xli Y X
2;,
al ser
R
12
= 0,83,los R
Y1
yR
Y2
no nospueden indicar el gradede dependenciaentre
la variable end6gena y cada una de las ex6genas por separado. Paraella Xli
YX
2i
tendrfan que estar incorrelacionadas cosa que no suele ocurrir en la
evoluci6n de caracteristicassocioecon6micas. Lo que hay que perseguiresque
la correlaci6n sea la menor posible entre las variables explicativas con objeto
de que b
l
y b
2
representen con la mayor nitidez posible las variaciones de Yti
ante variaciones unitarias de las variables explicativas.
Empleando las expresiones [3.30], [3.31] y [3.26], los coeficientes de re-
gresi6n parcial son:
Sy R
Y1
- R
Y2
. R
12
1,02 0,89- 0,770,83
bl=S' 1-R2 =136' 1-069 =0,61
I 12' ,
_ Sy R
Y2
- ' _ 1,02 0,77- 0,890,83 _ R
Y1
R
12
b
2
- S' 1 - R2 - 117' 1- 069 - 0,084
2 12' ,
b
o
= 2,4- 0,613,4- 0,0842,2 = 0,215
Elcoeficienteb
1
esladerivadaparcialdeYti respecto de Xli ysignificaque
al variar Xli en unaunidad, permaneciendo constante X
2i
, la Yt; varia en 0,61
unidades. El b
2
de la variaci6n de Yti cuando la X
2i
varia en una unidad
permaneciendo constantes los ingresos Xli' Como se observa una elevada
multicolinealidad entre las variables explicativas estos coeficientes son inesta-
bles con 10 que su significado como propensiones marginales al gasto en
relaci6n con los ingresos 0 con el numero de habitantes no tienen excesiva
pureza. Seria conveniente modificar el diseno del modelo eliminando de la
regresi6n la variable numero de habitantes, que como se observa, al tener un
coeficiente de regresi6n parcial muy pequeno, no es relevante en la determi-
naci6n del gasto.
b) Derterminarla varianza explicada y la varianza residual.
Separte de la igualdad S;= S;"12 + S;y'12'
La varianzamarginal observadade la variable dependienteYi ya la hemos
obtenido S;= 1,04.Luego si obtenemosla residual esta resuelto elproblema.
Empleando la expresi6n [3.33];
S;y'12 = S; - b, Syl - b
2
S
y2
= 1,04- 0,84= 0,2
S;"12= S;- S;y .12= 1,04- 0,2= 0,84
170
171
CASAS-sANCHEZ, J. M. y SANTOS-PEl'ilAS,J.
c) Coeficientes de determinaci6n y correlaci6n multiples.
Coeficiente de deterrninaci6n multiple
2 = S;,oI2 = 0,84 = 081
RY 12
S2 104 '
y ,
Coeficiente de correlaci6n multiple
JR;.12 = 0,90 R
Y. 12
=
Como el coeficiente de determinaci6n es relativamente elevado podemos
conducirque elgradodefiabilidaddelmodelo como instrumentodepredicci6n
esaceptable. Lo mismo ocurrecon la dependenciaglobaldelgasto en relaci6n
con los ingresos y el numero de habitantes que se eleva, a un 90% si el
coeficientede correlaci6n multiple 10expresamos en porcentajes.
<i) Coeficientes de deterrninaci6n y correlaci6n parcial.
Recurriendo a las expresiones [3.38] Y[3.39] tenemos:
(Ryl - R
y2'
Rd
2
(0,89- 0,770,8W
R2 - - - 050
yl.2 - (1- Ri2)(l - R;2)- (1 - 0,69)(1 - 0,59)- ,
2 _ (R - ) 2 _ 0,77 - 0,890,77)2 _
Y2
R
YI
.R
12
RY2'1 - (1 _ Ri2)(l - R;l)- (1 - 0,69)(1 - 0,79)- 0,10
Como sabemos el coeficiente de deterrninaci6n parcial R;1.2 estudia las
causas comunesque tienen las variables Yti YXli (nivelesde gastos e ingresos)
permaneciendo constantes las que tengan Yti YX2i, 0 sea una vezque se ha
efectuado la regresiondeYti sobre X
2i
.Una vezque hemos efectuado la regre-
si6n de los gastos sobre el numero de habitantes quedara una determinada
varianza residual 0 no explicada S;y'2que debe reducirse con la introducci6n
en elmodelo de la variable Xli; pues bien elque R;1'2 = 0,50 significaque al
incorporar Xli la S;y'2 queda explicada en un 50% demostrandonos que es
una variable con un fuerte sentido explicativo dentro del modelo. Por el
contrario la incorporaci6n de X
2i
al modelo, una vez efectuada la regresi6n
con Xli' s610 reduce la varianzano explicada S;y'len un 10%. Loscoeficientes
de correlaci6n parciales tienen signa positivo ya que todas las covariaciones
son positivas y seran:
JR;1.2=0,70 R
Y1'2
=
=JR;2.1 =0,32 R
YH
DISTRlBUCIONES DE FRECUENCIAS BIDIMENSIONALES
3.5.2. Ajuste deun hiperplanomediante
la utilizaci6n delalgebramatricial
La regresi6n linealmultiple seestudia empleando elalgebra matricial por
10que recomendamos al lector que se ponga al ilia de los conocirnientos
basicos en esta materia: operaciones con matrices, reglas de trasposici6n,
determinantes,matrizinversa, rangos, etc.En esteepfgrafes610 daremos unas
nociones generales en una primera aproximaci6n al problemade la regresi6n
lineal multiple desde unpunto de vista descriptivo ya que en los cursos de
Introducci6na la Econometrfa seestudia esta teorfa en profundidadintrodu-
ciendose en elmodelo probabilfstico.
Vamos a considerar la ecuaci6n de un hiperplano con una variable end6-
gena 0 dependiente (y)ykvariables ex6genas 0 explicativas (x., X
2,
, X
k):
Y= b
o
+ blx
l
+b
2x2
+ ... +bkx
k
[3.42]
Por otro lado sabemos que el valor i-esimo de la endogena observada es
igual al valor estimado 0 te6rico del modelo Yti mas elerror 0 residuo e;
Yi=Yti +e
i
=b
o
+b
lx1i
+b
2x2i
+ ... +bkx
ki
+e
i
[3.43]
Al tener en cuenta todas las observaciones muestrales de las variables, 0
sea para i =1, 2, 3, ..., N, la expresi6n [3.4] se transforma en el siguiente
sistema de ecuaciones:
Yl = b
o
+b
1
x
U
+b
2
x
21
+ + b
kxk1
+e
1
Y2= b
o
+b
1x12
+b
2x22
+ +b
kxk2
+e
2
[3.44]
YN = b
o
+biXIN+b
2x2N
+ '" +bkx
kN
+eN
El sistema [3.44] sepuede expresar matricialmente:
[ ~ J [ i
Xu
X
12
X
1N
X2\
X
22
X2N
.
Xkl][bO] [e
1]
X ~ ~ + e.
2
. . .
. . .
X
kN
i; e
k
esdecir
Y= X b+e [3.45]
Como xb es la end6gena estimada la expresi6n [3.45] tambien toma la
forma matricial:
Y= Yt+e [3.46]
172
173
CASAS-sANCHEZ, J.M. YSANTOS-PENAS, 1.
En las expresiones [3.45] y [3.46] existen los siguientes elementos matri-
ciales:
El vectorcolumnadelas observacionesde la end6genaYdedimensiones
(N x 1)ya que tiene N filas y una columna:
y{:]
El vector columna de los (k +1)coeficientes de regresi6n parcial b de
orden [(k +1)x 1] ya que tiene k +1filas y unacolumna:
~
El vector columna de los errores 0 residuos e de orden (N x 1)ya que
tiene N filas y unacolumna:
,{:]
La matrizde las observacionesde las kvariablesexplicativas x de orden
[Nx (k +1)] ya que tiene N filas y (k +1)columnas. La primera co-
lumna es de unos ya que serfa el factor del coeficiente constante de la
ex6gena ficticia que afecta al termino independiente del hiperplano:
Xu
X
21
Xk1]
X
12
X
22
X
k2
x ~ [i
X
1N
X
2N
X
kN
DISTRIBUCIONES DE FRECUENCIAS BIDIMf:NSIONALES
El vector columna de la variable end6gena estimada por el modelo 0
hiperplanodeorden(N x 1)yaqueeselresultadodelproductoxb cuyos
6rdenes son [N x (k +1)] y [(k +1)xI], resultando xb de orden
(N x I):
Yt1]
Yt 2
Yt= .
[
Y,N
Estos cinco elementos matriciales intervienen en todo.el proceso de la
regresi6n en sus variadas operaciones y transformaciones como se vera a
continuaci6n.
Nuestro problema consiste, como siempre, en estimar el vector de los
coeficientes de regresi6n parcial b empleando el metoda de los minimos cua-
drados. Hay que minimizar la suma de los cuadrados de los errores de las
distintas observaciones:
N N N
S = Le?= L(Yi - Yti)2 = L(Yi - b
o
- b
1xli
- ... - bkxkl [3.47]
i=1 i=1 i=1
Derivando parcialmente la expresi6n [3.47J respecto a las inc6gnitas que
son los coeficientes tenemos:
-
as
= 2 I
N
(Yi - b
o
- b
1xli
- ... - b
kxkJ(-I)
= 0
abo i=1
as N
-;-b= 2 L(Yi - b
o
- b
1xli
- .,. - bkxkJ(-X
li
) = 0
u 1 i= 1
-
as
= 2 L
N
(Yi - b
o
- b
1xli
- ... - bkxkJ(-XkJ= 0
abk i=1
Simplificando y operando tendremos el siguiente sistema de ecuaciones
normales minima cuadraticas:
N N N N
LYi= Nb
o
+b
1
L Xli+b
2
L X2i+...+bk L Xki
i=1 i=1 i=1 i=1
I
175
CASAS-sANCHEZ, J. M. Y J.
174
N N N N N
L XliYi = b
o
L Xli +b
1
L xL +b2 L X liX2i +...+bk L XliXki
i=1 i=1 i=1 i=1 i=1'
.............................................................................................
N N N N N
L XkiYi = b
o
L X
ki
+. L x
1
h i +b2 L X 2hi +...+bk L
i=1 i=1 i=1 i=1 i=1
Este sistema podemos expresarlo de forma matricial:
1 1
...
Y1
Xu
...
Xu
...
X
21
Xklli::
...
Xu X
12 1N
IIY2
X
12
li ...
X
12 X22
X
k2
X
... =
x
21
X
22
X
2N
Y3 X21
X
22
...
X 2N
...
X 1N
X
2N
I Ib XkN
x
k1
... 11 k ...
xk2
Xkl Xk2 x kN I IYN
[(k +1)x N]
[N (k +1)], [(k +1) x 1)
[(k +1)x N], (N x 1)

/
[(k +1)x 1)] [(k +1)x (k +1)] --..
[(k +1) x 1]
x'y = x'xb
[3.48]
A la expresion [3.48] tambien se puede llegar operando directamente con
elementos matriciales. La suma de los errores e1evados al cuadrado puede
ponerse, segiin el algebra matricial, como producto del traspuesto del vector
de los errores por dicho vector:
L
N
ef = e'e = [y - xb]' [y - xb] = [y' - b'x'] [y - xb] =
i= 1
= y'y - y'xb - b'x'y +b'x'xb = y'y - 2y'xb +b'x'xb
[3.49]
En la demostraci6n anterior se ha tenido en cuenta que y'xb = b'x'y ya que
los escalares, como son los anteriores terminos, son iguales a sus traspuestos.
Derivando la expresi6n matricial [3.49] respecto al vector de las inc6gnitas
b e igualando a cero, como condici6n necesaria de minimo, tendremos el
sistema de ecuaciones normales mfnimo cuadraticas:
ae:
ab = -2x'y +2x'xb = 0
o sea
x'xb = x'y
[3.50]
Si el sistema de ecuaciones normales [3.50] 10 ponemos de forma semide-
sarrollada, obteniendo los productos x'x y x'y, se vera el significado de sus
elementos:
N N N
N
L Xli
...
L X ki
b
o L Yi
i= 1 i=1 i=1
N N N N
L Xki L xt
...
L XliXki
b
1 L XliYi
i=1
...
i= 1
... ...
i= 1
...
=
i= 1
I
[3.51]
N N N N
L Xki L XkiX li
...
L
b
k L XkiYi
i= 1 i=1 i= 1 i=l
[(k +1) x (k +1)] ([k +1) x 1] (k +1) x 1]
En la expresi6n [3.51] se observa que la matriz x'x es cuadrada de orden
[(k +1) x (k +1)] Ydividiendo por N sus elementos obtenemos los momentos
de primer 0 segundo orden respecto al origen de las variables explicativas. El
producto x'y origina un vector columna que dividiendo por N nos proporcio-
na los momentos de primer orden de las end6genas respecto al origen y los
de segundo orden entre esta y las explicativas.
Como x'x es una matriz cuadrada podemos obtener su determinante [x'x]
y si es distinto de cero implica que es una matriz no singular y puede obtenerse
su inversa [x'xF
1
. Premultiplicando la expresi6n [3.50] por dicha inversa y
teniendo en cuenta que el producto de la inversa por la matriz dada es la
unitaria, tenemos que:
[x'xF
1
[x'x] b = [x'xF
1
x'y
[b = [x'xF
1
x'y I [3.52]
La expresi6n [3.52] nos proporciona las estimaciones de los elementos del
vector columna b que son los coeficientes de regresi6n parcial del hiperplano
[3.42]. La interpretaci6n de estos coeficientes es la misma que se ha dado en
el ajuste de un plano.
EI problema de la multicolinealidad en el ajuste de un hiperplano
Para que se pueda aplicar la expresi6n [3.52] no puede existir ninguna
relackin lineal exacta entre cualquier subconjunto de variables ex6genas 0
explicativas. Si esto ocurre sabemos por eI algebra matricial que la matriz
[x'x] serfa singular, 0 sea que tendrfa determinante nuIo, [x'x] = Q, 10 que
imposibilitarfa el calculo de la matriz inversa [x' xJ -1 y como consecuencia
es imposible obtener el vector columna de los coeficientes de regresi6n parcial.
Ejemplo 3.16
Obtener los coeficientes de regresion parcial del plano del Ejemplo 3.15
utilizando la expresi6n [3.52].
Soluci6n:
b ~ [:} [xxr'xy
5 5
N
I Xli I X2i
5 17 11
i ~ i ~
5
.[x'xJ = I I Xli
5
I xii
5
I xliXU
17 67 44
i=l i ~ 1 i ~ 1
5 5 5
I X2i I X2iXli I ~ i
11 44 31
i ~ i ~ 1 i ~ 1
Vamos a calcular la [x'xr t. En primer lugar se obtiene el determinante
de la matriz por la regIa de Sarrus:
5 17 11
Ix'xl = 17 67 44J = 56731 + 174411 + 174411-116711-
11 44 31
I
- 17 1731 - 54444 = 10.385 + 8.228 + 8.228 - 8.107 - 8.959 - 9.680 =
= 26.841 - 26.746 = 95
En segundo lugar obtenemos la matriz de adjuntos (menores complemen-
tarios con su signo):
141 -43
Adj [x'xJ = -43 34 -33
11]
[
11 -33 46
Como es una matriz simetrica coincide con su traspuesta:
Adj [x'xJ = {Adj [x'x]}'.
Como sabemos, la inversa es:
141
-
95
43
--
95
11
-
95
[x'xr
1
=
{Adj [x'x]}'
=
Ix'xl
43
--
95
34
-
95
33
--
95
11
-
95
33
--
95
46
-
95
Veamos el valor de x'y que segun el sistema [3.51J es:
5
I
i ~ I
Yi I
I 12
5
x'y = I I
i ~ 1
XliYi I = I 47
5
I
i ~
X2iYi I I 31
141
-
95
43
-
95
!! I 112\
95
10,13
b = [x'xr
1x'y
= j -
43
95
34
-
95
- 33 I. I 47 I =
95
I 0,62
11
-
95
33
--
95
46 I 131 I
95
10,074
Las diferencias de estos coeficientes de regresion parcial y los obtenidos en
el ejemplo 3.15 son debidas a los errores de redondeo ya que son coeficientes
muy pequenos con gran sensibilidad en su calculo.
Forma matricial del coeficiente de determinacion mUltiple en el ajuste
de un hiperplano
La bondad del ajuste la obtenemos con el calculo del coeficiente de deter-
minacion multiple que sigue siendo la participaci6n de la varianza explicada
179
178
por la regresi6n sobre la varianza total de la end6gena observada. Estas
varianzas se pueden obtener tambien empleando el calculo matricial con los
elementos del modelo. Como sabemos los valores observados del vector co-
lumna Y son iguales a los estimados por el modelo Yt mas el vector columna
de las desviaciones 0 errores e:
Y = Yt + e = xb + e
Operando niatricialmente con estos elementos se demuestra igual que en
la regresion lineal simple que la varianza total de la end6gena S; es igual a
la varianza estimada por la regresi6n S;,.123 ...k mas la varianza residual S;Y123 ..,k,
o sea:
S; = S;"123O'k + S;Y'I23O'k
El coeficiente de determinaci6n multiple sera:
S;"123o.k
2 - 2
Ry123o.k - Sy
La varianza explicada por la regresi6n en su forma matricial sera:
2 1;' - 1 [N -J
SYl'123"'k = N .1. (Yti - Yf = N .L y ~ - NP = ..1
,=1 ,=1
1 ,72 1 - 1 -
= N [Y;Yt - N r] = N [(xb)' (xb) - Ny
2]
= N [b'x'xb - Ny
2]
=
1 1 - 1 ,72
= - [b'x'x(x'x)- x'y - Nr] = - [b'x'y - N r]
N N
La varianza total de la variable end6gena sent:
1 N - 1 [N -J 1 -
Sy
2
= - L (Yi - Y)2 =- L yf - Ny2 = - [y'y - Ny2]
N i=1 N i=1 N .
Luego la expresi6n matricial del coeficiente de determinaci6n multiple en
la regresi6n de un hiperplano con termino independiente b
o
es:
R
2
_ bxy - Ny2
y' 123 ,.. k - = = ~ [3.53]
y'y - Nr
Ejemplo 3.17
Con los datos del Ejemplo 3.16 obtener la bondad del ajuste del plano.
Soluci6n:
Para obtener el coeficiente de determinaci6n multiple empleamos la expre-
si6n [3.53]:
b'xy (0,13 0,62 0,074)(:;) 32,994 ~ 33
Ny2 = 5 (2,4)2 = 5 5,76 = 28,8
b'x'y - Ny2 ~ 33 - 28,8 = 4,2
5
y'y = I yf = 34
i=l
y'y - Nr = 34 - 28,8 = 5,2
2 4,2
R
Y
' 12 ~ 52
,
= 0,81
3.6. Ajustes no lineales por minimos cuadrados
En los eptgrafes anteriores se ha estudiado en profundidad la regresi6n
lineal ya que es la adecuada para explicar la mayorfa de los fen6menos de
naturaleza socioecon6mica. No obstante existen otras ocasiones en las que la
nube depuntos de los datos observados no se ajustan a funciones de natura-
leza lineal. Asi, por ejemplo, en el Grafico 3.8 figura a) representa una nube
de puntos a los que se ajusta un polinomio de segundo grado, a la b) una
funci6n exponencial, a la c) un polinomio de tercer grado y a la d) una
hiperbola equilatera, EI planteamiento de estos ajustes por el metodo de los
mfnimos cuadrados es analogo al estudiado en los casos lineales.
Ajuste de una parabola 0 polinomio de segundo grado
El modelo que se pretende ajustar es:
y=a
O+a1x+a2
x2
[3.54]
181
180 CASAS-sANCHEZ, J. M. YSANTOS-PENAS, 1.
y y
X x
XJX
x x
x/x
) X xXX
X
X X X X
xxXA
x
x x
(a) (b)
y y
X X
X X
X X
X X X
X X
X X
X X
X
X
XX
XX
X
X"';; X X v
x ~
X X
x
(c) (d)
GRAFICO 3.8. Los ajustes no lineales.
Para obtenerlos coeficientesse minimiza la expresi6n:
N
S = L[Yi - (a
o
+a
1xi
+azx;)]Z
i=l
obteniendo el sistema de ecuaciones normales del modo siguiente:
~
oa
o
~
oa
1
as = 0
oa
z
x
Operando da lugar al siguiente sistema de ecuaciones normales:
N N N
LYi = Nao+a1 L Xi +a
z
L X;
i=l i=1 i=l
N N N N
LYiXi = ao L Xi +a1 L X; +az L ~
i=1 i=l i=l i=l
N N N N
LYi X; =ao L X; +a1 Lx ~ +az L xi
i=l i=l i=l i=l
Resolviendo el sistema obtendriamos los coeficientes de la parabola que
sustituidos en la expresi6n [3.54J da lugar al modelo ajustado. En este ajuste
elnumero de observaciones tiene que ser mayorque tres que eselnumerode
coeficientes a estimar. El ajuste puede generalizarse a polinomios de grado r
en general, parar +1<N, ya que habria r +1 inc6gnitas 0 coeficientes.
Ajuste de unahiperbola equilatera
La ecuaci6n de unahiperbola equilateraes la siguiente:
1
Y= a
o
+a
1
- [3.55J
X
Como sabemos la end6gena observada sera igual a la estimada mas el
error:
1
Yi = Yti +e
i
= a
o
+a
1
- +e
i
Xi
Efectuando el siguiente cambio de variable:
1
z=-
X
nos quedarfa la ecuaci6n de una recta de Y sobre Z cuyo ajuste ya hemos
estudiado:
y=a
O+a1
z
182
183
Ajustepotencial
La ecuaci6n de una funci6n potencial es:
al
y = aox [3.56]
La expresi6n [3.56] tiene la peculiaridad respecto a los que hemos estu-
diado hastaahorade que noeslinealenlosparametres,Cuandolasfunciones
sonlinealesenlosparametres,como porejemplolahiperbolaequilatera, basta
con hacer una transformaci6n en la variable para aplicar el metodo de los
minimos cuadrados. Si la funci6n que se desea estimar no es lineal en los
parametres, hay que transformarla en lineal previamente. En el caso que nos
ocupa bastacon tomarlogaritmos: .
logy= Iogc.,+ allogx
Sihacemos elsiguiente cambio:
logy = u
logx= z
Iogz,= a
aplicamos elmetodominimo cuadraticoalmodelo lineal simplede U sobre Z:
u = a + bz
Una vez estimados a y b se sustituyen en la expresi6n [3.56] donde
a
o
=antilog a, Yal =b.
Ajusteexponencial
La ecuaci6n de la funci6n exponencial es:
y = a
o
al
Setransforma en lineal tomando logaritmos
logy = loga
o
+ xloga,
Haciendo elcambio de variable
logy = u
loga
o
= a
Ioga,= b
Seajustariapor minimoscuadradoselmodelo lineal simplede U sobre X,
u = a + bx
Unavezestimados a yb seobtienenlosverdaderosparametresdeshacien-
do el cambio: a
o
=antilog a Ya
l
=antilog b.
Enloscasosdelajustedeuna hiperbolaequilatera,potencialyexponencial
vistos,el metoda de Gauss 0 de minimos cuadrados seaplica previa transfor-
maci6n de las variables.
Ejemplo3.18
Disponemos de los datos siguientes del consumo X y precio Y de un
producto:
~ 1 2 3
Y 5 3 2
Ajustar a estos datos:
a) Unahiperb6la equilatera delprecio sobre elconsumo.
b) Unafunci6n potencial.
c) Unafunci6n exponencial.
Soluci6n:
Construimos la siguientetabla
1
Xi Yi
z=- z; = log Xi u, = log Yi
I Xi
1 1 5 1 0 1,6094379
2 2 3 1/2 0,6931471 1,0986123
3 3 2 1/3 1,0986123 0,6931471
1 1
a) Y = a
o
+ a
l
= ao + alz = 0,6538+ 8 4 6 ~
donde
ll
Y- -Z = 0,6538 a
o
=
- m - }
m
zo
m
ll
es la covarianza entre Y y Z
zo
es la varianza de Z
a
= m
ll
=43846 m
1 ,
m
zo
184
185
CASAS.sANCHEZ, 1.M. YSANTOS-PENAS, J.
' b) y = aox
Q
= 6,3843x-
l
, Z05 7
donde
u= logy = loga
o
+b-Iogx = loga
o
+bz'
siendo
- m ~ l -, m ~ l
log a,= U - -,-Z= 1,8538 y b= -,- = -1,2057,
m
zo
m
20
donde m'll esla covarianzade U yZ', Y ~ o la varianzade Z'.
c) y = a
o
.ai = 1,24290,6325
x
donde
- m ~ l -) m ~ l
u = logy = loga
o
+xloga
l
= U - - X +x - =
(
m
zo
m
zo
=0,2174418- 0,4581453x,
siendo m'{ 1 la covarianza de U yX.
3.7. Estudio dela csoclcclenentrevariables
cualitativas
En e1 estudio que hemos realizado de la regresi6n y correlaci6n se ha
tratado s610 elcasu de variables cuantitativas (ingresos,gastos, precios, sala-
rios, etc.)a las que se les puede someter a todo tipo de calculos numericos
(sumas, restas, divisiones, etc.).Vimosen el Apartado 3.2.2que con variables
de tipo cualitativo pueden construirselasdenominadastablasde contingencia
ya traves delas mismas sepodiaestudiarla independencviaestadisticaentre
distintos atributos. Si dos atributos son dependientes estadisticamente pode-
mosconstruiruna seriedecoeficientesquenosmidan e1 grado deasociaci6n 0
dependencia entre los mismos.
Partimos de la tabla de contingencia 3.4en la que existen r modalidades
del atributo M y sdel M'. El total de observaciones sera:
r
N = L Lnij
i=1 j=1
DlSTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES
Como vimos la independencia estadistica se dara entre los dos atributos
si ys610 si:
nij= ni ..n.j
Vi.] [3.57J
N N N
Si la expresi6n [3.57J no se cumple se dira que entre los mencionados
atributosexisteun determinadogradodeasociaci6n 0dependenciaestadistica.
Existe asociaci6n por ejemploentre elmyeleducativo ylos puestos derespon-
sabilidad ocupados en las empresas. Si de la expresi6n [3.57J despejamos la
frecuencia absoluta conjunta yla denotamos porn;j tendremos:
n
i
.n.j
n j ~ [3.58J
Estevalor n;j eslafrecuenciateorica que existiria silosdos atributosfuesen
independientes. VamosaHamarnijalafrecuenciaabsoluta conjuntaobservada.
La diferenciaalcuadradoentre estas dosfrecuenciasesun indicadordelgrado
de asociaci6n entre los dos atributos. Un primer coeficiente de asociaci6n 0
contingenciaesel Ilamado cuadrado decontingencia:
2 r (' s
i j
X =.L L n - nil
[3.59J
,=1 j=1 n;j
Este coeficientetiene un campo de variaci6n variable desde cero--cuando
existeindependenciayn;j = n.r:hastadeterminados valores, todos positivos,
que dependeran delasmagnitudes de lasfrecuencias absolutas que 10compo-
nen. Este inconveniente de limites variables se elimina con el empleo del
coeficientede contingencia debido a K. Pearson que se definecomo:
IT
[3.60J
C=.vli+?
Su campo de variaci6n es de cero a uno. El valor cero se daraen elcasu
de independencia al coincidir las frecuencias te6ricas con las observadas:
n;j = nij' Amedidaque seva aproximando a la unidad elgrado de asociaci6n
entrelosdos atributosesmayor. S610 alcanzarala unidadenelsupuestolimite
de que el cuadrado de contingencia es muy grande ya que el limite de C
cuando X
Z
tiende a infinito esuno.
186
187
CASAS-sANCHEZ, J. M. y SANTOS-PE:t\lAS,J.
Ejemplo 3.19
Apartirde la tabladel Ejemplo 3.7determinarelgradode asociaci6nentre
los atributos estado civil y aceidentes automovihsticos,
Solucion:
La tabla de contingencia es:
Accidentes
Sin accidente n.
I.
Estado civil I Con accidente
I 5 35 40
Solteros
Casados
15 45 60
n.
j
20 80 100
En primerlugar construimos la tablade frecuencias te6ricas n;j:
, nl.n.
1
40 20
n =--=--=8
11 N 100
, nl.. n.
2
4080
n =--=--=32
12 N 100
, n
2
.n.
1
6020
n21 = ~ = 1 = 12
n
2
.:n.
2
6080
n ~ 2 =~ =100 =48
TABLA. n;J
M:
J M'
I
M'
2
u,
M
1
8 32
M
2
12 48
DISTRIBUCIONESDEFRECUENCIAS BIDIMENSIONALES
En segundo lugar se obtienen los elementos de la X
2
:
n ~ 1 - n11f = (8- 5)Z = 1,125
n'
11
8
n ~ 2 - nd
2
_ (32- 35f= 0281
n'
12
- 32 '
n ~ 1 - n21V= (12- 15)2= 0,750
n'
21
12
n ~ 2 - nzz)2 _ (48- 45)2
n ~ 2 - 48 = 0,188
(n;J - n
i
/
TABLA.
n ~ j
M'
M. <,
M'
J I I
M'
2
1
-
M
1
1,125 0,281
M
z I
0,750 0,188
El cuadradode contingencia sera:
2 2 (n' - n )2
x
2
= L L ij , ij = 2,344
i=1 j= 1 nij
A no ser cero este coeficiente nos indica queexiste asociaci6n 0 dependencia
entre el estado civil y los accidentes. Paraver el grado en la escalade cera a
uno obtenemos el coeficiente de contingencia de Pearson:
c= _X__ 2,344
N + X2 -,H\O -l- '1 'lAA = )0,0229= 0,1513 M; I
Como el coeficiente C esta muy pr6ximo a cera, se llega a la conclusion
de que la asociaci6n entrelos dos fen6menos es muy baja.
189
Ejercicios
1. Unjefede un establecimiento comercial quiere saber siel aumento en el
mimero declientespotencialesqueentranensusalmacenes, suponeun aumen-
to en sus ventas. Para ella observa las variables estadisticas X (numero de
clientes potenciales) e Y(importe de las ventas), durante los seis dias de una
semana; los datos son:
Oia L M x J v S
X 87 63 70 55 90 105
Y 120 85 90 63 110 150
Sepide:
a) Las medias aritmeticas y varianzas marginales de X e Y.
b) Lacovarianza de X e Y.
c) Coeficiente de correlaci6n entre X e Y.
cl) La dependencia 0 independencia estadfstica entre X e Y.
e) Las rectas de regresi6n lineal de X sobre Y,y de Ysobre X.
Soluci6n:
- 1 1 235 _
a) X = 6(87 +63+70+55+90+105) = 6 470 = 3 = 78,3 = a
l O
- 1 1
Y=6(120+85+90+63+110+150) = 6618 = 103 = a
Ol
2 38.588 (470)2 -
m
2 0
=a
2 0
- a
lO
=-6- - 6 295,2
1
a = -(87
2
+63
2
+70
2
+55
2
+90
2
+105
2)
=
20 6
1
=6(7.569 +3.969+4.900+3.025+8.100+11.025) =
1 _
=638.588 =6431,3
_ _ 2 _ 68.294 _
m 0 2 - a 0 2 a
Ol
- -6- - 103
2
= 773,3
1
a02 = -(120
2
+85
2
+90
2
+63
2
+110
2
+150
2)
=
6
1
=6(14.400 +7.225+8.100+3.969+12.100+22.500)=
1 _
= 668.294 = 11382,3
b) m ll =all- alOa
Ol
= 8.535- 78,3. 103= 466,6
1
all=6(87 120+6385+7090+5563+90 110+105 150)=
1
= 6(10.440 +5.355+6.300+3.465+9.900+15.750)=
1
= 651.210= 8.535
m l l 466,6 466,6
c) R = = 09766723
J2952J773,3 17,18293227,808871 '
Existeun grado decorrelaci6n entre clientespotenciales y ventas del97,6%.
cl) R i=0 => x e y son variables dependientes.
_ 466,6
e) X sobre Y: x - 78 3= ---(y- 103)
, 773,3
466,6 _
Y sabre X: y - 103= --(x - 783)
295,2 '
2. Calcular la varianza residual de Y sabre X, y de X sobre Y, asi como el
coeficiente de determinaci6n paralos datos del problema anterior.
Soluci6n:
R
2
= 0,9538887 => 95,39% de concasualidad.
S;y= m 0 2 (1- R
2
) 35,659342varianza residual de Ysobre X
R
2
S;x= m20(1- ) 13,61308varianza residual de X sabre Y
190
3. Si b
x y
Yb
yx
son las pendientes de las rectas de regresi6n de X sobre Y, Y
de Y sobre X, demostrar que el coeficiente de determinaci6n, R
2
= bt>:y b
rx'
Soluci6n:
ll
bxy = mm } 2
02 2 _ m
ll
_ m
ll
m
ll
_
R - - --.-- - byxb
xy
m
ll
m
20m0 2
m
2 0
m
0 2
b =-
yx m
20
debido a la propiedad conmutativa del producto de mimeros reales.
4. Justiffquese si debe aceptarse 0 rechazarse que de unos datos relati-
vos a cierta variable bidimensional se ha obtenido que m
ll
= 40, m
2 0
= 16 Y
= 25. m
0 2
Soluci6n:
De ser ciertos estos momentos, podremos calcular el coeficiente de corre-
laci6n:
R = mll _ 40 40 40
~ - Ji6J25 = 4:5 = 20 = 2 > 1,
que contradice que el coeficiente de correlaci6n debe estar comprendido entre
- 1 y 1: - 1 ~ R ~ 1. Debe rechazarse, por ser imposibles los datos.
5. A partir de un conjunto de datos sobre una variable estadfstica bidimen-
sional, se ha calculado la recta de regresi6n de X sobre Y, obteniendose los
siguientes resultados:
x = 2y - 18 ; R
2
= 0,9 ; a
Ol
= 19
Obtener por deducci6n logica la recta de regresi6n de Y sobre X.
Soluci6n:
La recta buscada es:
m
ll
y - = - (x - a
10
)' a
Ol
m
20
de la que conocemos a
Ol
= 19; por otro lado,
= m
ll
. m
ll
= m
ll
09 = R
2
. 2
, ,
m
20
m
0 2
m
20
siendo 2 la pendiente de la recta de regresi6n de X sobre Y, de donde la
pendiente de la recta de regresi6n de Y sobre X,
ll
9
m = 0,9/2 = 0,45 = 20
m
2 0
Luego s6lo queda determinar a
10
' pero la recta de regresi6n dada es
x - = 2(y - = 2(y - 19), a
lO
a
0 1
)
y coincide con
x = 2y - 18
de donde:
-18 = a
10
- 219 = a
1 0
- 38 = a
10
= -18 + 38 = 20
por 10 que la recta pedida, sustituyendo sent
y - 19 =
9
-(x -
20
20) =
9
-x - 9
20'
o bien:
y =
9
-x + 10
20 '
o equivalentemente:
[! = 0,45x + 10 I
6. Entre los empleados de cierta empresa se dispone de la informaci6n de
sus salarios brutos al afio, que se han clasificado en dos intervalos: de 1 a 3
y de 3 a 7 millones de pesetas. Por otro lado se han encuestado a los asala-
riados sobre el numero de vehfculos a motor (incluyendo autom6viles, moto-
192 CASAS-sANCHEZ, 1.M. YSANTOS-PEN-AS, 1.
cicletas, camionetas y similares) adquiridos en los ultimos 5 alios. Los resul-
tados hansido:
Vehfculos, Y
<, I
0 1 2 3
Salario, X
1-3 2 3 1 0 6
l 3-7 0 0 1 2 3
9 2 3 2 2
Obtener:
a) La recta de regresion de Ysobre X.
b) La recta de regresi6n de X sobre Y.
c) El coeficiente de correlacion y el de detenninaci6n.
d) Si son ambas variables independientes 0 no.
e) La varianza residual de Y sobre X.
Soluci6n:
m
ll
13 11
a) Y- a
OI
= ;;;- (x - alO) ~ Y- - = -(x- 3)
20
9 18
1 1
a
l o
=-(26+53)= -(12+15) =3
9 9
1 1 13
a
o
I = - (0 2+ 1 3 + 22 + 3 . 2)= - (0 + 3 + 4 + 6) = -
999
m
2
0 = a20 - aio= 11 - 3
2
= 11 - 9 = 2
1 1
a
2
0 =9"(2
2.6
+5
2.3)
=9"(24 +75) =11
2 29 261- 169 92 (13)2
m02 =a02 - aOI= 9' - 9 = 81 = 81
1 '1 29
cio2 = - (0
2
. 2 + 1
2
3 + 2
2
2 + 3
2
. 2)= - (0 + 3 +8 + 18) = -
999
50 13 50 - 39 11
mU=all-aIOaOI=9'-3'9= 9 =9'
9
1
all= - (2 0 . 2 + 2 1. 3+ 2 2 . 1+ 2 . 30 + O 50 + 1. 5. 0 +
1 50
+251+352)= - (6 + 4 + 10+30)=-
9 9
b) Aprovechando los calculos ya efectuados,
m
ll
x - -
~ x - 3= 11/9 (Y _13)=
alO=-(y a
ol)
m
02
92/81 9
=99 (Y _ ~ ~ x _ 3=99 (Y _13)
92 9 92 9
c) Coeficiente de determinaci6n:
R
2
= ~ 99_ 1.089
18 92- 1.656~ 0,6576087
Coeficiente de correlaci6n:
)1.089
R =sig(m
ll
).jR2=+ 1.656~ 0,8109307
d) R #- 0 ~ Variables estadfsticas dependientes. El salariode los emplea-
dos influye en elnumerode vehfculos a motoradquiridos en
los ultimos 5 anos.
2 _ 2 _ 92 ( 1.089) -
e) Sry - mo2(1 - R ) - 81 1 - 1.656 ~ 0,38
La variabilidad de Y no explicadaporla recta de regresi6n de Y sobre X,
es del 38,8%.
194
195
I
CASAS-sANCHEZ, J. M. YSANTOS-PE"NAS,J.
7. De unavariable estadfstica bidimensional(P,V) =(precio, ventas en tm.)
de ciertoproducto de consumoen diferentes dfas, se hanajustadolas siguien-
tes rectas de regresi6n:
4P+ V=2}
25P +16V= 9
Calcular el coeficiente de correlaci6n.
Solucion:
Las rectas seran:
I 1 25 9
P=--V+- y V=--P+- (1)
4 2 16 16
o bien:
16 9
V= -4P + 2 y P=--V+- (2)
25 25
100 100
Lc; = 100.000 L cf= 150.000.000
i= 1 i=1
100
Lhic, = 50.030.000
;=1
HalIar:
a) La recta de regresi6n de C sobre H.
b) EI coeficiente de determinaci6n.
c) La varianza explicada porla recta obtenida de C sobreH.
Solucion:
m
ll
c - 1.000 = 190.300
a) c - = -(h - => a
OI
a
1 0
)
1.903.900(h - 310)
m
20
Donde
Sifueran ciertas la rectas de P sobreV y de V sobre P de (1),entonces:
~
100.000= 1.000litros 31.000 = 310 boras
aOI = 100 a
lO
= 100
R= - J( - ~ - ~ ~ = - ~ E [-1,1] I
I.
Mientras que si las rectas de Vsobre P y de P sobre Vfueran respectiva-
mentelas recogidas en (2),se deducirfa:
J
(
- 16) 8
R =- (- 4) 25 =-"5rt [ - 1, 1],
donde - 8/5 no puede ser nunca un coeficiente de correlaci6n.
Luego:
R = -"8
5
= - 0,625.
8. De las estadfsticas de una variable bidimensional (H, C) = (horas de
trayecto, consumo de combustible en litros) de cierta flota mercante, se han
obtenido estos valores:
100 100
N = 100, Lh; = 31.000 L ht = 200.000.000
;=1 t>1
j
m
20
=a
zo
- aio =2.000.000 - 310
z
=1.903.900
200.000.000 = 2.000.000 (horas)"
a
zo
= '"''
m
ll
= all - a
1 0
a
OI
=500.300 - 3101.000=190.300
50.030.000 = 500.300
all= 100
Z
b) R
Z
=
m
11 ~ 0,038042
mZom
oz
m
0 2
=a
0 2
- a ~ 1 = 1.500.000 - 1.000
2
= 500.000
150.000.000= 1.500.000
a
oz
= 100
I
-- -- --
196 CASAS-sANCHEZ, J. M. ySANTOS-PENAS, J.
La explicaci6npuededebersea que los buquesdegrantamanoyconsumo
de combustible hagan muy frecuentemente trayectos breves, mientras que
los de menor tamafio y consumo hagan tambien los trayectos largos en
horas.
c) S;c = m
02
(1 - R
2
) 480.978,996 es la variabilidad de C no explicadapor
la recta de C sobre H.
Portodo ella, la varianzaexplicada porla recta de C sobreH, es:
m - S;c = m R2 =mi 1 =(190.300f
0 2 0 2 m 1.903.900 19.021,004 (litrosf
2 0
9. De la distribuci6n de una variable bidimensionalse sabeque:
R=0,8 , , ' a
i0
=3 , a
oi
=4.
Obtenerlas rectas de regresi6n de Ysobre X, y de X sobre Y.
Solucion:
Ysobre X:
ii(x
y - = m - a
i0)
= a
Oi m m x - ai 0) *
20 20
_0,8.j2.J8( -3)=1,6(x-3) * y=I,6x-O,8
y-4- " x
X sobre Y:
. 3,2 m
ll
x - a
i0
=-(y- a
Oi
) * x - 3 =-(y - 4) = 0,4(y - 4)
m0
2
8
* x =0,4y+1,4
10. Estudiar si las siguientes variables, X == sexo, e Y== estado civil, son 0
no independientes. Enel caso de haberdependeneia obtenerelcuadrado de
la contingencia,
DlSTRIBUCIONES DE FRECUENCIAS BlDIMENSIONALES 197
Y
nij:
I
S C v
I
n
..
X
Y 80 52 20 152
H 48 52 12 112
n
.J
I 128 104 32 264=N
Solucion:
Y
n;/
<,
j S C
.y
X
19.456 15.808 4.864
Y I -- -- --
264 264 264
H
I
14.336 11.648 3.584
264 264 264
donde para ver si son X e Yindependientes se debe verificar:
ni . -n,

i=1,2 ; j =1, 2, 3.
Porejemplo:
19.456
= =1= n
ll
= 80 * X e Yson variables dependientes.
El cuadrado de la contingenciaes:
2 3 (n'
j
- n )2
X
2
= L L i , ij 0,5390749 +1,0366826+0,1347687 +0,7316017 +
i=1 j=1 ni j
+1,4069264 +0,1829004= 4,0319547
I
;:}
198
CASAS-sANCHEZ, J. M. y SANTOS-PENAS, J. j
DISTRIBUCIONES DEFRECUENCIAS BIDIMENSIONALES 199
j
11. Ajustar unaparabolaa los datosrelativos al precio P y demandaD de
:1
cierto articulo si se han observado ambas variables conjuntamene en 4dfas
-9=b 351-
4
+c 3.403-37'4
:1 372) ( 351) I
(
consecutivos: . ,
1
35137 351
2
~ . j l - 163= b (3.403 - -4-)+c(33.603 - -4-)
Dfa i 1 2 3 4
.
. . ~
D
PI 10 7 11 9
I 6 9 5 8
Soluci6n:
Debemos ajustar la funci6n D = a +bP +cp
2
, para ello resolvemos el
sistema de ecuaciones normales
444
L DI = 4a +b L Pi + C L Pf
i=l i=1 i=1
4 4 4 4
L o, Pi = a L PI +b L Pf + C L N
i=1 i=1 1=1 1=1
444 4
" D. p ~ = a " P ~ +b " P ~ + C " p ~
1...11 L.-t c: .. c:>,
i=1 i=1 i=1 i=1
que resulta ser:
28= 4a + 37b + 351C}
250= 37a + 351b + 3.403c
2.294= 351a +3.403b +33.603c
37 351 ( 37 351 ) )
a = 7 - -b - -c = 250 = 37 7 - -b - -c+351b +3403c
4 4 44'
37 351 )
2.294= 351 7 - 4""b - 4c +3.403b +33.603c
(
.j
j
~
9-- 35 b-- 625) c -36= 35b +625c }
"
'"
- - 4 4 = -652 = 625b +l1.211c
625 11.211
-163=4 b+-- c
4-
1
b = - ( - 625c - 36)
35
625
- 625=35(- 625c - 36)+11.211c
- 22.820= c{- 390.625 +392.385) - 22.500
de donde:
- 22.820+22.500 - 320 ~
c= 1.760 = 1.760= - 0,18
y
1
b = - (-625c - 36)c:,;221818
35 '
37 351
a = 7 - 4""b - 4cc:,;7- 20,518165 +15,954545 = 2,43638
La parabolade regresi6n de D sobre P es aproximadamente:
ID = 2,43638 +2,21818P - 0,181818p
2
I
12. Con los datos del problemaanterior, calcularla varianzaresidual de D
sobre P y elcoeficiente de determinaci6n R
2

200 CASAS-sANCHEZ,J. M. YSANTOS-PENAS, J.
Soluci6n:
,
1 4 1
S2 = - L (D. - D<!<f ~ - (0369
2
+ 01444
2
+ 0058
2
+ 04492
2)
rD 4 i=1 I I 4' , , , -
1
~ 40,362157= 0,09054,
donde:
Dr=a + bP 1 + cPi ~ 6,7273+ 1,233610- 0,126910
2
~ 6,369
~ = a + bP2+ ~ ~ 6,7273+ 1,23367- 0,12697
2
~ 9,1444
~ ~ 4,942
D! 7,5508
EIcoeficientede determinaci6n secalcula asf:
S;D 0,09054
R
2
= 1 - - ~ 1- --= 0,963784,
m
0 2
2,5
donde
2 _ 206 2 _ 206 - 196 _ 10
m0 2 = - a0 1 - 4 - 7 - 4 - 4' a0 2
1 1 206
a
0 2
= 4(6
2
+ 9
2
+ 52+ 82)= 4(36 + 81+ 25+ 64)= 4
1 28
a0 1 = 4(6 + 9+ 5+ 8)= "4 = 7
Portanto existeuna concausalidadparab6licadel96,38% entre lasvaria-
blesestadfsticas P yD.
Capitulo4
NumerosIndices
4. 1. Introducci6n
A10largo deloscapftulos 2y3seha estudiadoladescripci6n devariables
aisladas tanto cuantitativas como cualitativas asf como las relaciones entre
distintas variables a traves dela regresi6n yla correlaci6n. Las distribuciones
defrecuenciastantounidimensionalescomomultidimensionalesestan referidas
aun s610 perfodo temporal, 0seanoseha tenido en cuenta lavariable tiempo
en elestudio de las variables economico-sociales.En el presente capitulo yel
que le siguevamos a tratar de la descripci6n de fen6menos econ6micos a 10
largo del tiempo a traves de la construcci6n de10que sedenominan mimeros
indicesyel tratamiento clasico0 descriptivo de las series temporales.
Existen un gran mimero de fen6menos econ6micos cuyo significado y
estudio alcanza distintos nivelesdecomplejidad. Ejemplos deestos fen6menos
son 10 que se conoce como coyuntura econ6mica, nivelde inflaci6n, nivelde
desarrollo, etc. Los numeros indices que estudiaremos en el presente capitulo
constituyenelinstrumentalanalftico mas adecuadoparaestudiarla evoluci6n
de una serie de magnitudes econ6micas que nos den respuesta a cuestiones
tales como si la coyuntura econ6mica es positiva 0 negativa, si el nivel de
inflaci6n es adecuado 0 no 0 si nuestro ritmo de crecimiento econ6mico
permite 0 no permite crear empleo neto positivo.
Un nnmero indice puede definirse como una medida estadistica que nos
proporciona la variaci6n relativa de una magnitud simple 0 compleja a 10
largo del tiempo 0delespacio.Lo mas corriente esque seestudie laevoluci6n
de la magnitud a 10largo del tiempo con 10que hay que establecer 10que se
conocecomo periodoinicialobasesobreelquesevacomparandolaevoluci6n
de la magnitud 0 variable estadfstica. EI procedimiento de comparaci6n es
muy sencillo.Supongamos, porejemplo, que queremos estudiar la evoluci6n
:1
I
202 203
"I
CASAS-sANCHEZ, 1. M. Y J.
de la producci6n de autom6viles, siendo X; el valor de la misma en el periodo
base (un afio determinado) y X, los autom6viles fabricados en otro perfodo t
distinto del base que se denomina periodo de comparaci6n. El Indice de evo-
luci6n de 0 a t expresado en tantos por cien sera:
X
I'. = ---! x 100 [4.1]
X;
La expresi6n [4.1] toma el valor 100 en el periodo base ya que X, = X; Y
en los demas periodos fluctuara de acuerdo con la evoluci6n X; El hecho de
que < 100 implica que X, < X; (en el periodo de comparaci6n se han
producido menos autom6viles que en el base). Si > 100, X, > X
o
' indicando
que la evoluci6n ha sido positiva en el recorrido del periodo base 0 al periodo
de comparaci6n t.
La elaboraci6n de mimeros indices tienen sentido en las variables de
naturaleza cuantitativa. La expresi6n [4.1] esta definida por cociente con 10
que el Indice es independiente de las unidades de medida en que venga expre-
sada la variable con 10que se pueden efectuar agregaciones de distintos indices
construyendose indicadores de evoluci6n general de fen6menos econ6micos.
4.2. Clasificacion de los nurneros indices
Los nnmeros indices se clasifican atendiendo a la naturaleza de las mag-
nitudes que miden (simples 0 complejas) y a la importancia relativa de cada
componente dentro del conjunto en el caso de las complejas. Luego segiin esto
tendremos:
- Numeros indices simples que surgen cuando se estudia la evoluci6n a
10 largo del tiempo de una magnitud que tiene un s6lo componente (no admite
desagregaci6n). Seria e1 caso, por ejemplo, de estudiar la evoluci6n del precio
del queso manchego puro de oveja, de una determinada marca en los iiltimos
diez anos. Luego dada una magnitud simple Xi su mimero indice simple sera
en el periodo t el siguiente:
X.
I. =_,t X 100
[4.2]
It X
io
Siendo:
NUMEROS 1NDICES
- Niimeros indices complejos sin ponderar que surgen cuando se estudia
la evoluci6n de una magnitud que tiene mas de un componente y a todos se
les asigna la misma importancia 0 peso relativo. Asi, por el ejemplo, la mag-
nitud compuesta puede ser el precio de un conjunto de productos lacteos
(queso, leche y mantequilla) estableciendose la hip6tesis, por otro lado nada
realista, que los tres componentes tengan la misma importancia 0 peso en el
consumo de los hogares. Como en la realidad los componentes de una mag-
nitud compleja tienen pesos distintos, estos indices tienen poca utilidad en el
mundo econ6mico-empresarial.
Su elaboraci6n no plantea ninguna dificultad. Supongamos que la magni-
tud compleja que nos interesa tiene N componentes (1, 2, ..., i, ..., N). En primer
lugar se elaborarian los indices simples de cada componente I It' I
2t,
... , lit' ... ,
siendo el Indice complejo sin ponderar la media aritmetica simple todos I
Nt
;
ellos:
1 N 1 N x;
It = - L lit = - L - x 100 [4.3]
N i=1 N i=1 X io
- Numeros indices complejos ponderados surgen cuando a los componen-
tes de la magnitud compleja que se esta estudiando se Ie asigna a cada uno
un determinado coeficiente de ponderaci6n Wi' Este tipo de nnmeros indices
son los que realmente se emplean en el analisis de la evoluci6n de los fen6-
menos complejos de naturaleza econ6mica: fndice de precios de consumo
(IPC), indice de producci6n industrial (IPI), etc.
Su formulaci6n general es inmediata ya que basta con introducir en la
expresi6n [4.3] los coeficientes de ponderaci6n de los N componentes (WI' W
2
,
..., Wi' ..., W
N
):
N N
Xii X 100. Wi
L lit Wi
L
x;
i=1 i=1
It = N
N
[4.4]
L Wi L Wi
i= 1 i=1
4.3. Propiedades de los nurneros indices
1." Existencia: Todo numero fndice debe existir y se puede calcular para
cualquier valor de la variable, tomando un valor real y distinto de cero. I
lit = Numero indice en el periodo t de la magnitud i.
2." Identidad: Si se hacen coincidir los perfodos base y de comparaci6n el
Xit = Valor de la magnitud en el periodo t.
I
fndice vale la unidad si se expresa en tantos por uno 0 cien si es en
X
io
= Valor de la magnitud en el periodo base.
tantos por 100:
Los mimeros indices simples se emplean con gran difusi6n en el mundo de
X. X.
la empresa a 1a hora de estudiar las producciones y ventas de los distintos
lit = -----.!!. x 100 = x 100 = 100
articulos que fabrican y lanzan al mercado. x.; x;
'iI"-' '
:?,!
I
I
i
NUMEROS fNDICES 205
204 CASAS-sANCHEZ,1. M. y SANTOS.PENAS,1.
3." Inversion: El producto de dos indices en los que se haninvertido los
periodos base y de comparaci6n es igual a la unidad:
1
l
it -_
= 1 => io - Iio
it
4." Cicular: Es una genralizaci6n de la de inversi6n. Si generalizamos a
tres perfodos t', t, 0, tendremos:
I!t'.I!' I!O = 1 => r:.I!t = =I!t
1.0 It' It 10 It' 10
5." Proporcionalidad: Sila magnitud varia en proporci6n 1 + K, y fijado
el perfodo de comparaci6n, el numero indice tambien varia en la
misma proporci6n. Sea X;t = Xit + KX
it
= (1 + K)X
it
X;t _ (1 + K)X
it
= Xit + K.. Xit = lit + Kl; = (1 + K)I
it
I;t= -X.- X X X
10 10 io' iO
Estas propiedades, que se cumplen en general para los numeros indices
simples, no suelen cumplirse todas en el caso de los indices complejos 0 de
varias componentes.
Enlos apartados siguientes nos ocuparemos de la elaboraci6n de indices
concretos;indices de precios, de cantidades,de valor, etc.,que son los que mas
se utilizan en el campo econ6mico.
,
4.2. Indices de precios
La magnitud que vamos a considerar en este caso concreto es el precio,
los mimeros indices de precios se clasificaran tambien en:
Simples' (seestudia el precio
de un s610productoo servicio)
Ntimeros
Sauerbeek
indices de
. {Sin ponderar {
(se Bradstreet-Dutot
precios
a un precio convanos
Laspeyres
componentes)
Paasche
Ponderados
Edgeworth
{
Fisher
4.4.1. Indices simples de precios
Bedesigna la magnitud precio del unico componente del indice simple i
porPi'Luego laexpresi6ndelIndice simplede un precioparaelperfodot sera:
P, = PitX 100 [4.5]
.t Pio
Siendo:
Pit= Numero Indice simple de precios del componente i en el periodo t.
Pit = Precio del componente i en penodo t.
Pio = Precio del componente i en elperiodo base.
Ejemplo 4.1
Los precios expresados en pesetas corrientes del litro de leche entera de
unadeterminada marca, en el periodo 1995-2000, han sido: 75, 77, 85, 89, 97
y 105. Obtenerla senede mimeros indices simples de la magnitud precio del
litro de leche tomandocomo periodo base 1990.
'I
206 CASAS-sANCHEZ, J. M. YSANTOS-PEI'lAS, 1. NUMEROS iNDICES 207
Si se observa la sene de los mimeros indices simples vemos la evoluci6n Solucion:
de la magnitud a 10largo del perfodo observandose que de 199,5 a 1996 el
En primer lugar se obtienen los indices simples de los tres componentes:
precio ha crecido un 2,6por100de 1995 a 1998un 18,6por100 y en todoel
periodo un 40 por 100.Como se ha comentado anteriormente los indices, al
estar definidos porcociente no dependen de las unidades de medida,
II
Indices simples 1997 1998 1999
85 89 97
PI' = PH X 100 - x 100 = 100
85 x 100 = 104,7 85 x 100 = 114,1
4.4.2. Indicescomplejosdeprecios
PlO
85
sinponderar
II
2.100 2.300 2.400
En este caso la magnitud precio es compleja ya que intervienen en su
definici6n varios componentes. Nos podemos plantear la evoluci6n de los
precios de los productos lacteos a traves de tres componentes: leche, queso y
mantequilla. El indice complejo se puede definir empleando dos criterios: el
dela mediaaritmeticasimple0deSauerbeck0eldela mediaagregativasimple
odeBradstreet-Dutot.
a) Iodice media aritmetica de indicessimpleso deSauerbeck
En primer lugar si tenemos N componentes del precio se obtienen los
indices simples, Pit> para cada una, siendo elindice de Sauerbeck la media
'"\
aritmeticano ponderada de los mismos:
1 N 1 N .
P = - L: P, = - L: P,t x 100
[4.6J
s N i=l It N i=l Pio
Ejemplo 4.2
Los precios de la leche, el queso y la mantequilla, de una determinada
,.!:
marca, que ha pagado una familia en el periodo 1997-1999 han sido los :;{,
siguientes:
Artfculos 1997 1998 1999
1. Leche (ptas.zlitro) 85 89 97
2. Queso (ptas.zkg) 2.100 2.300 2.400'
3. Mantequilla(ptas.jkg) 900 1.200 1.400
Tomandocomo periodo base 1997obtenerlaseriede los numerosindices
.complejos sin ponderar de Sauerbeck del precio de los productos lacteos
consumidos en la familia.
Pz,=PZt x 100 -- x 100=100 --0x 100= 109,5 x 100= 1143
Pzo
2.100 2.10 2.100 '
900 1.200 1.400
P = P3t X 100
- x 100 = 100
3'
900 x 100= 133,3 900 x 100= 155,6
900
P30
.En segundo lugar se aplica la expresi6n 4.6 para las tres componentes
siendo la serie de los indices de Sauerbeck:
1 N Pi'
Alios P, = -. L- x 100
N ;=1 Pio
1 3 Pia 1
1997 - L - x 100= -300= 100
3 i= 1 Pia 3
1 3 Pit 1
1998 - L - x 100 = -. 347 5 = 1158
3 ;=1 Pia 3' ,
1 3 Pit 1
1999 - L - x 100= -3840= 1280
3 ;=1 Pm 3' ,
Observando esta serie de indices complejos sin ponderar vemos que el
precio de los productos lacteos ha aumentado un 28 por 100 en el perfodo
1997-1999.
b) Iodice media agregativa simple 0 deBradstreet-Dutot
El concepto de media agregativa se emplea s610 en la elaboraci6n de
mimeros indices. En el indice de Sauerbeck se obtiene una media aritmetica
de indicesdeprecios simplesrelativos ya que los indices simples son cocientes
de precios de los penodos de comparaci6n con el base. La media agregativa
208 CASAS-sANCHEZ,J. M. YSANTOS-PENAS. J. NUMEROS1NDrcEs 209
se define como el cociente entrela media aritmetica simple de los N precios
en el momenta t de comparaci6n yla misma media en el perfodo base 0:
1 N N
N.I .I Pit Pit
P
BD
=1 ';1 X100=';1 X100 [4.7]
N .I I Pio Pio
=1 i=l
Ejemplo 4.3
Obtener el Indice de Bradstreet-Dutot para los datos del ejemplo 4.2
tomando como periodo base 1997.
Soluci6n:
En primer lugar obtenemos el numerador y denominador de la expresi6n
[4.7] sumando simplemente las columnas del ejemplo 4.2:
Aiio
L
3
Pi'
i=l
PHD = -3-- X 100
L Pio
i=1
3.085
1997
3.085 X 100 = 100
3.589
1998
3.085 X 100= 116,3
3.897
1999
3.085 x 100= 126,3
4.4.3. Indicescomplejosdeprecios
ponderad6s
Este tipo de indices son los mas representativos del fen6meno que se
pretende estudiar y por tanto son los que se utilizan realmente. Los indices
complejos sin ponderartienen elgrave inconveniente que a todos los compo-
nentes se les da el mismo peso cuando en los casos reales de los fen6menos
econ6micos esto no ocurre. Lo que se gastan las familias en leche es mucho
mayor que 10 que segastan en queso 0 mantequilla, por ejemplo.
Otrograveinconveniente que tiene elIndice dela media agregativaesque
al sumar precios absolutos, no relativos, depende de las unidades de medida
de la variable. Asisiel precio de la mantequillaen vezde expresarse en kilos
serefierea250gramos, evidentementeelsumatoriovariayelindice agregativo
tambien.Estos problemasseeliminanconlaconstrucci6ndeindicescomplejos
y ponderados que vamos averseguidamente.
a) Iodice deprecios de Laspeyres
La distinta tipologfa de indices de precios complejos y ponderados surge
en relaci6n con los coeficientes de ponderaci6n que se utilizan para cada
componente. Estos coeficientes asignan a cada elemento la importancia rela-
tivaquetienedentrodelconjunto.Losindicesdepreciosque pueden elaborarse
son muy variados si tenemos en cuenta el circuito de las transacciones econ6-
micas: precios de salida de fabrica, al por mayor, al consumidor, etc. Las
ponderaciones que seutilicenestaranbasadas en elvalordelas traosaceiooesen
la fasecomercial que seconsidere.Sison precios al pormayor, sera elvalor de
las transacciones entre mayoristas y minoristas; si son precios al consumidor
seran los valores de los intercambios entre el comercio minorista y los con-
sumidores.
ElIndicedeprecios de Laspeyres utiliza como coeficientes de ponderaci6n
elvalor de las transaccionesenel periodo base. En economiaentendemos por
valor el producto del precio por la cantidad: Vio = Pio'qio' Luego si en la
expresi6n 4.6que es el complejo sin ponderar introducimos estos coeficientes
de ponderaci6n Wi = Pio'qioparacada componente tendremos:
N h N h N
I - Wi I - Pioqio I Pitqio
P = i=l Pio X 100=i=l Pio X 100= i=l X 100 [48]
L N N N
I Wi I v;qio I Pio s;
i=l i=l i=l
ElIndicede precios de Laspeyres tiene la ventajade que las ponderaciones
Pio qio delperiodobase semantienenfijasparatodoslosperiodosconsiderados;
pero por contra aparece el inconveniente de que su representatividad dismi-
nuye a medida que nos alejamos de dicho periodo.
b) Iodice de precios de Paasche
Este Indice surge cuando en una media de indices simples se introduce
como coeficientesde ponderaci6nla expresi6nWi = Pio qit; 0 sea las cantidades
210 CASAS-sANCHEZ, J. M. ySANTOS-PENAS, J.
del periodo de comparaci6n qit se valoran con precios del periodo base Pio:
N Pit N Pit N
L - Wi L - Pioqit L Pitqit
P = i=l Pio X 100= i=l Pio X 100= i=l X 100 [49]
p N N N
L Wi L Pioqit L Pios
i=l i=l i=l
En la expresi6n [4.9] puede observarse que las ponderaciones ya no son
fijas sino variables. EI Indice de Paasche tiene la ventaja de que los pesos
relativos de los distintos componentes se actualizan en cada perfodo, con el
agravante de complejidad y costes de tener que contabilizar precios y canti-
dades en cada perfodo, mientras que en la expresi6n [4.8] s610 se actualizan
peri6dicamentelos precios Pit.
c) Iodice de precios de Edgeworth
En este Indice se utiliza como coeficientesde ponderaci6n la suma de los
utilizados en los casos de Laspeyres y Paasche:
Wi= Pioqio + Pioq,t
Luego su expresi6n sera:
N Pit N Pit
L - Wi L - (Pioqio+ Pioq,t)
P =i=l Pio X 100=i=l Pio X 100=
E N N
L Wi L (Pio :+ Pioqit)
i=l i=l
N
L Pit(qio + qit)
i;l x 100 [4.10]
L P,o(qio + q,t)
i=1
La expresi6n [4.10] tambien puede adquirirla forma siguiente que esmas
practica para su calculo:
N N
L Pitq,o+ L Pitqit
P
E
= i=
N
1 i=
N
1 X 100
[4.11]
L P,oqio+ L Pioqit
,=1 i=l
NUMEROS fNDICES 211
d) Iodice de precios de Fisher
Este Indicesedefinecomo la media geometrica delos indices de Laspeyres
y Paasche:
PF=JPLPP
[4.12]
Ejemplo 4.4
Ademas delosprecios delaleche,elquesoylamantequilla,paraelperfodo
1997-1999del Ejemplo 4.2,tenemos las cantidades que ha consumido la fami-
lia en dicho perfodo concentrandosela informaci6n estadfstica en la siguiente
tabla:
Utilizando los datos del anteriorcuadro obtenerlos indices de precios de
Laspeyres, Paasche,EdgeworthyFisherde 1999tomandocomo perfodo base
1997.
Solucion:
En primerlugar vamos a obtener una tablade calculos donde seincluyan
losvalores delos numeradoresydenominadoresdelasexpresiones [4.8], [4.9]
y [4.11].
Artfculos
Pi97'qi97 Pi99' qi97 Pi99' qi99 Pi97'%99
1. Leche 51.000 58.200 67.900 59.500
2. Queso 63.000 72.000 108.000 94.500
3. Mantequilla 13.500 21.000 28.000 18.000
Sumas 127.500 151.200 203.900 172.000
213
212 CASAS-sANCHEZ,J. M. y SANTOS-PEf.l"AS, J.
3
"'-9'qi97 L
i=1
PL = t X 100= 127.500X 100= 118,6
Pi97'qi97
i= 1
3
"'-9'qi99 L
P
P -
_
-:3:;----- X =
i=1
100
I 172.000X 100= 118,5
Pi97'qi99
i=1
3 3
I Pi99'qi97 + I Pi99'qi99
151.200+ 203.900
P = i=1 i=1
E 3 3
X 100= 127.500+ 172.000X 100=
I Pi97 qi97 + I Pi97'qi99
i= 1 i=1
_ 355.100
- 299.500X 100= 118,6
P
F
= J118,6 X 118,5= 118,5
4.5. indices de cantidades 0 cuenftcos
Para cualquier magnitud, y por supuesto para las cantidades, siempre se
podran elaborar mimeros indices simples (se analiza un s610 componente),
complejos sin ponderar (utilizando cualquier tipo de media sin ponderar en
los indices simples relativos 0 utilizando el concepto de media agregativa).
Luego en los indices complejos sin ponderarsiempre se podran construir
indicesdeSauerbeckydeBradstreet-Dutotcuandoexistahomogeneidadentre
los componentes incluidos en el Indice, Para no ser repetitivos al tratar las
cantidades vamos a formular s610 los indices complejos ponderados de Las-
peyres,Paasche, Edgeworth y Fisher.
En economia existe una gran variedad de cantidades, pero las mas rele-
vantessonlosvolumenesproducidosporlasempresas deuna seriedeartfculos
que son demandados bien porlas propias empresas (bienesintermedios 0 de
producci6n)0por lasfamilias(bienesdeconsumofmal).Losindicescuanticos,
complejos y ponderados miden la evoluci6n de estas magnitudes a 10largo
del tiempo estableciendose los adecuados coeficientesde ponderaci6n.
NUMEROS fNDICES
Indice cuantico de Laspeyres
Los coeficientes de ponderaci6n que se introducen en la f6rmula de la
media aritmetica de indices cuanticos simples son Wi = qio'Pio' siendo qio las
unidades producidas 0 consumidas del componente i en el perfodo base yPio
puede ser el precio final de venta si nos referimos a cantidades vendidas 0
consumidas0 puede serelvaloraiiadidopor unidadproducidasinos referimos
a un Indice de cantidades producidas. Hay que tener en cuenta que el valor
anadido por unidad es equivalente a un precio que nos da la verdadera
importanciarelativa del componente. La formulaci6n sera:
N qit N qit N
I -'Wi I -'qioPio I qitPio
Q
= i=1 qio X 100= i=1 qio X 100= i=1 X 100 [413]
L N N N
I Wi I qioPio I qion;
i=1 i=1 i=1
Esta expresi6n de Laspeyres es la que mas se utiliza, ya que nos da la
evoluci6n delacantidaden terminos reales 0 constantesal utilizar los precios
del perfodo base.
Indice cuanticode Paasche
En este caso los coeficientesde ponderaci6n, con elmismo sentido econ6-
micodelIndicedeLaspeyres,depreciofmal0valor afiadido porunidad, segun
sean cantidades consumidas 0 producidas, seran Wi = qio'Pit. La formulaci6n
sera la siguiente:
N qit N qit N
I -'Wi I -'qioPit I qitPit
= i=1 qio X 100= i=1 qio X 100= i=1 X 100
Q [4.14]
P N N N
I Wi I qioPit I qioPit
i= 1 i= 1 i= 1
En la expresi6n [4.14] de Paasche puede observarse que se utilizan los
precios de cada perfodo de comparaci6n, al variar t.
Indice cuantico de Edgeworth
En este caso, igual que ocurrta en el fndice de precios, el coeficiente
de ponderaci6n es la suma de los utilizados por Laspeyres y Paasche:
Wi = qio'Pio + qioPit Su desarrollo sera:
214 CASAS-sANCHEZ, J. M. ySANTOS-PENAS, J. NUMEROS iNDICES 215
N qit N qit
3
L: -. Wi L: -(qioPio+ qioPit)
L:
i=1 qitPio. 155.450X 100= 122,00
= i=l qio X 100= i=l qio X 100=
QE N N
QL=3
-- X 100= 127.500
L: Wi L: (qioPio + qioPit) L: qioPio
i=1 i=1 i=1
N N N
3
L: qit (Pio + Pit) L: s Pit qit Pit
.)0 = ,_. qitPio+ L:
L:
i=1 X 1
1
.. i= 1
i=1 1/1."tJV
N "
N
[4.15J Qp= 3 X 100 = .. ~ ~ ~ X 100= 122,12
L: qio(Pio + Pit) L: qioPio + L: qioPit
L: qioPit
i=l i=l i=l ;= 1
3 3
Iodice cuantico de Fisher
L: s Pio + L: qitPit
155.450+ 171.450
QE = ;;1 ~ l
Como sabemos sera la media geometrica de los indices cuanticos de Las- x 100= 127.500+ 140.400X 100=
peyres y Paasche: L: qioPio + L: qioPit
i=1 ;= 1
QF= JQLQp [4.16J
326.900
267.900 x 100= 122,02
Ejemplo 4.5
De la tabla de precios y cantidades del Ejemplo 4.4 obtener los indices
QF= JQL'Qp=J122 X 122,12=122,06
cuanticosQv Qp,QE y QF de 1998tomando como perfodo base 1997.
Solucion: Ejemplo 4.6
Los datosque hay que manejar de la mencionada tablason:
En unaindustria auxiliar del autom6vil se fabrican tres componentes. La
estadfsticade las unidades producidasenlosafios 1998y1999yde losvalores
1997 1998
afiadidos (v.a.)por unidad expresados en pesetas son los siguientes:
Artfculos
Pio qiO
Pi'
qt,
1. Leche 85 600 89 650
2. Queso 2.100 30 2.300 40
3. Mantequilla 900 15 1.200 18
Conest os datos obtenemos los numeradores y denominadores de las Ex-
presiones [4.13J, [4.14J Y[4.15].
Artfculos
q;o'PiO q,,'PiO qiO'Pit qi,'Ptt
Obtener los indices de producci6n de Laspeyres y Paasche de 1999 con
1. Leche 51.000 55.250 53.400 57.850
base 1998= 100.
2. Queso 63.000 84.000 69.000 92.000
3. Mantequilla 13.500 16.200 18.000 21.600
Solucion:
Sumas 127.500 155.450 140.400 171.450
Seguidamente obtenemos los numeradores y denominadores de QLy Qp:
216 217 CASAS-sANCHEZ, J. M. YSANTOS-PEN"AS,J.
Componentes qto'PIO qto'Pil qt,'PiO qt,'Pi'
1
2
3
100.000
80.000
180.000
125.000
96.000
210.000
120.000
100.000
300.000
150.000
120.000
350.000
Sumas 360.000 431.000 520.000 620.000
3
L,qitPio
QL = i ~ l X 100 =JL,V.VVV
L 360.000 x 100 = 144,4
qioPio
i=l
3
L qitPit
Qp = i ~ l X 100 = OL,V.VVV
.L qioPit 431.000 x 100 = 143,9
,=1
4.6. Propiedadesque cumplen los indices
complejosy ponderadosde precios
y cantidades
Al estudiar de una forma generica los numeros Indices se coment6 que
debenan de cumplir una serie de propiedades ideales: existencia, identidad,
inversi6n, circular y de proporcionalidad. Asf como los indices simples las
cumplen en sugran mayorfa, loscomplejos yponderadosno cumplen algunas
de ellas.
En el cuadro siguiente se resume el cumplimiento de las propiedades
indicadas en elapartado 4.2paralos diferentes fndices.
es
Proporcio-
Existencia Identidad Inversi6n Circular
nalidad
Sanerbeek Sf Sf No No Sf
Bradstreet-Dutot Sf Sf Sf Sf Sf
Laspeyres Sf Sf No No Sf
Paasche Sf Sf No No Sf*
Edgeworth Sf Sf Sf No Sf *
Fisher Sf Sf Sf No Sf*
NUMEROS fNDICES
La propiedad de proporcionalidad en los indices de Paasche, Edgeworth
yFisherseverificapero con cierta limitaci6nen elcampo econ6mico, pues al
variarlos precios en una cierta proporci6n k diffcilmentelas cantidades per-
maneceran constantes. Luego para que se verifique esta propiedad en estos
tres indices sera necesario que las cantidades no vanen frente a los cambios
de precios.
En resumen, el Indice de Bradstreet-Dutot es el que cumple todas las
propiedades pero su utilizaci6n esmuy limitada por tratarse de un indiceno
ponderado.
EIIndice mas utilizado sera el de Laspeyres, pues de los ponderados esel
nnico que cumple la propiedad de proporcionalidad.
El Indice de Laspeyres, tanto de precios como cuantico, es el mas utili-
zado en los indicadores generales de precios y producci6n que elaboran
todos los pafses. Su disefio y posterior calculo exige una rigurosa selecci6n
de sus componentes para que sea representativo del fen6meno que se pre-
tende estudiar a traves de su estructura de coeficientes de ponderaci6n que
como sabemos se refieren al perfodo base. Ahora bien, la actividad econ6-
mica esta sujetaa cambios continuos con 10que a medidaque en la serie de
nnmerosindices nos alejamosdelperfodo base,laestructuradeloscoeficien-
tesde ponderaci6nescadavezmenos representativacon 10que hay que fijar
un nuevo perfodo base y establecer con las investigaciones adecuadas una
nueva estructura de ponderaciones. En los enlaces de series de numeros
indices que tienen distinta base nos apoyamos en la propiedad de inversi6n
que como seha indicadoanteriormenteno la cumple elIndice de Laspeyres;
pero se actua en la practica como si se cumpliera ante la necesidad de
efectuardichos empalmes.
..
4.7. Indicesen cadena
Los indices estudiados anteriormente y,en concreto, el de Laspeyres y el
de Paasche, frecuentemente los mas utilizados para hacer un estudio a corto
plazo, pero sielestudio esa largo plazo estos Indicesno son losmas adecua-
dos, pues las ponderaciones quedan desfasadas con el paso del tiempo y no
corresponden a la situaci6n actual y la base se aleja perdiendo actualidad y
en consecuencia calidad.
Paraevitaresto seintroducenlosindicesencadena,que seobtienenapartir
deunageneralizaci6ndeenlaces0 emplames deindicesparaloscualesla base
decadaIndicees siempre elperfodo de comparaci6ndelfndice precedente, es
decir:
~ = ~ .Ii .... ~ l
218
219 CASAS-sANcHEZ, J. M. YSANTOS-PENAS, J.
10 cual nos permite obtener una serie de indices referidos todos ellos a la
misma base.
1
1
o
I;= I:.Ii
I;=I:.Ii.
r"= I:Ii ....1:-
1
Ejemplo 4.7
Los precios de un determinado articulo han sido 20,22,26,28y 32euros
parael periodo 1998-2002, respectivamente. Obtener la serie de indices refe-
ridos a!ano base 1998yel indice paraesos precios.
Soluci6n:
Aplicando la definici6nde Indiceen cadenamediante la generalizaci6n de
valores tenemos:
1999-,22_ 0
119 9 8 - 20- 105,5Vo
2000 _ 1999 2000 _ 22 26_ 0
119 9 8 - 11998.11999 - 20'22-130Vo
1
20 01
=11999.12000.12001
1998 1998 1999 2000
2002 11999 12000 12001
22 26 28
= -.-.- = 140%
20 22 26
1
1998 -
_
1998' 1999' 2000' 2001
Almismo resultado seBeganmediante
32
1
20 0 2
= - =
1998 20
12002 _ 22 26 28 32 _ 1600 /
- 20'22'26'28- /0
160%
4.8. Cambiodebase en una misma
de numerosindices
Sisetiene una seriede mimeros indices cuyo periodo base es cero: I:,
I;,..., ...,I:,puede interesarnos cambiarla base 0 siesta muyalejadaen el
tiempo del perfodo t de comparaci6n. Este cambio del periodo base no
irnplica efectuar un profundo estudio paradeterminar nuevos coeficientesde
NUMEROS iNDICES
ponderaci6n en el caso de los indices complejos, sino sirnplemente apoyarse
en las propiedades de inversi6n ycircular que nos permiten obtener elcoefi-
ciente tecnico que transforma la serie dada en la nueva con un perfodo base
distinto.
Supongamos que la serie dadacon perfodo base 0 se quiere transformar
,
: .
en una nueva con un periodo base t' que este mas cercano en el tiempo al
perfodo actual de comparaci6n. Esta claro que en la serie dada existirfa un
nnmero Indice que correspondea!nuevo perfodo baseque seha elegido t'.
Pues bien, este es el elemento fijo que nos sirve de enlace tecnico en la
transformaci6n de una serie en otra. Al considerar los tres perfodos (t', t, 0),
la propiedad circular nos dice:
[4.17]
De la expresi6n [4.17] nos interesadespejar la nueva serie de indices con
elnuevo perfodo base t', 0 sea:
1
1(1'=,---=1'
[4.18]
o ( 0
La expresi6n [4.18] surge de la propiedad de inversi6n que dice = 1(el
producto de dos indices en los que se han invertido los penodos de compa-
raci6n y base esigual a la unidad). Despejando enla expresi6n [4.18]:
I'
o

[4.19]
o
La expresi6n [4.19], al ser un cocientedeindicesexpresadosen tantospor
100,nos da resultados en tantos poruno. esel terrnino general de la serie
dadade nnmeros indices y varfa desde I:= 100hasta
Es decir, sitenemos la serie de numeros indices referidos a!perfdo base
oyqueremosefectuar un cambio de base delperiodo 0 alnuevo perfodo base
t', tendrfamos la serie I:,:
Periodo
o
1
Indice
1
0
11
0
Indice I:.

r.
0
I:.
t' I"
0
I:: = 100
It
0
I:.
220
,
CASAS-sANCHEZ,J. M. y SANTOS-PE:&AS, 1.
en donde:
Ii
I;, =--f, , i=0, 1,...,t', ..., t
1
0
el termino esfijoya que esel valor que tomala serie dadajustoen t',que
es elnuevo perfodo base.
Sedenominacoeficiente detransformacion 0 coeficientedeenlace tecnicode
la serie dada en base a la nueva serieen base t', al cociente:
= = 100
[4.20]
P' ----;t'
o 1
0
luego para pasar una serie en base a un nuevo perfodo base t', bastara
multiplicar cada uno de los elementos de la serie original, por el coeficiente
de transformaci6n a la nueva base t', esdecir, por
Ejemplo 4.8
Dadala siguiente seriede numeros indices conperfodobase 0, efectuar un
cambiode base al perfodo 5.
Periodo(t) Indices (n)
o 100
1 108
2 112
3 114
4 115
5 117
6 119
7 123
Soluci6n:
El problemasepuede resolver de dos maneras:
a) Aplicando la expresi6n [4.19] expresada en tantos por 100:
I
221 NUMEROS iNDICES
P

5
100
1 = - = - x 100 = 85 5
5 117 '
I: 108
1
1
= - = - x 100 = 92 3
5 117 '
1
2
112
1
2
= = - x 100 = 95 7
5 117 '
3 _ I; _ 114 _
Is - IS - 117 x 100 - 97,4
I:
o
115
1
4
= - = - x 100 = 98 3
5 117 '
5 _ _ 117 _
Is - IS - 117 x 100 - 100,0
o
6 119
I = - = - x 100 = 101 7
5 117 '
7 IJ 123
Is = IS = 117 x 100 = 105,1
o
b) Aplicando a la serie dada elcoeficiente de transformaci6n que en este
caso sera, segnn la expresi6n [4.20]:
100
1
0
= - = - = 0855
5 117 '
= r. x 0,855
100 x 0,855= 85,5
108 x 0,855= 92,3
112 x 0,855= 95,8
114 x 0,855= 97,5
115x 0,855= 98,3
117 x 0,855= 100,0
119 x 0,855= 101,7
123 x 0,855= 105,2
222
223
Hay que resaltar que, en los cambios de base de una serie de mimeros
indices, el coeficientede transformaci6n se aplica a todos y cada uno de los
componentes de la serie.
4.9. Renovaci6n y enlacedeseries
denumerosindicescon distintas bases
Renovaci6ndecomponentesy decoeficientesdeponderaci6n
enlos mimerosindicescomplejos
En el mundo de la economia los ntimeros indices representan fen6menos
complejos:la evoluci6n general de los precios del conjunto de bienes y servi-
cios que adquierenlas familias0 unidades de consumo final,la evoluci6n del
Producto Interior Bruto de un pais, el comportamiento de un mercado de
valores mobiliarios (indices bursatiles), etc. Por tanto, el proceso de elabora-
ci6n de un numero indice complejo yponderado implica la adopci6n de una
seriede decisiones:elecci6nde los componentes que entraran a formar parte
del Indiceparaque este sea representativo delconjunto, elecci6ndel perfodo
base y tipo de indice que se va a utilizar (Laspeyres, Paasche, etc.)teniendo
en cuentaelcosteasociado a la formaci6n elegida.Precisamente teniendo en
cuenta elcosteesla formulaci6n de Laspeyresla mas empleada yaque,como
vimos,suscoeficientesdeponderaci6n, cuya determinaci6n requiere costosfsi-
mos analisisytomadedatos, estan referidosalperfodo base.Luego a medida
que nos alejamos de dicho perfodo, como la actividad econ6mica esta sujeta
a una constante evoluci6n por cambios en los habitos de consumo y en los
procesos tecnol6gicos, el conjunto de los componentes y sus coeficientesde
ponderaci6n dejan de ser representativos delfen6meno objeto de estudio. La
soluci6n es someter al fndice a una profunda revisi6n de forma peri6dica,
volviendoaelegirloscomponentesmasrepresentativosysusnuevoscoeficien-
tesde ponderaci6n.
Enlace 0 empalme deseriesdenumerosindicescondistinta base
La necesidad de la renovaci6n peri6dica, justificada como se ha senalado
anteriormente por una variaci6n del contexto socioecon6mico que pretende
medir, nos lleva a contarcon dos series de indices que tienen perfodos base
distintos yhay queenlazarlos 0 empalmarlosparapoderestudiarelfen6meno
comparandosuevolucionconuna nnica base.Elperfodo basequesemantiene
eseldeIa serieque10tiene mas cercano al momenta actual de comparaci6n
aplicando elcoeficientede enlaceoempalmea la seriemas antigua.
"'"
NUMEROS tNDICES
El concepto 0 definici6n de este coeficiente de enlace es el mismo que
hemos dado en los cambios de base dentro de una misma serie, aplicandose
ahoras6lo a los elementosde la serieque tenga la base mas antigua, ya que
nos interesahacer elestudio dela evoluci6n conla base mas modemaque es
la mas representativa. Sila serie con base mas antigua es ~ ~ 1;, ..., ~ ...,
~ Y ~ coincidecon elperfodo basedela seriemas modema, elcoeficientede
enlace sera:
~ 100
~ = J!' =](
o 0
que esidentico a la expresi6n [4.20].
I
Ejemplo4.9
\
Paraun conjunto de artfculos, se tienen dos seriesde mimeros indices de
l
.. precios de Laspeyres que son las siguientes:
Afios Base1980 Base1990
1987 250
1988 260
1989 280
1990 290 100
1991 115
1992 122
1993 127
1994 135
Enlazarlas dos seriescon base 1990.
Solucion:
El coeficientede enlacesera:
1
1980
100
1
19 80 - 1980 =- =0345
1990 -:1
1990
290 '
1980
Aplicando este coeficientede enlace a la seriemas antiguacon base 1980,
la serieenlazada sera:
224
225
I
!
Aiios
1987 250 x 0,345 = 86,3
1988 260 x 0,345 = 89,7
1989 280 x 0,345 = 96,6
1990 290 x 0,345 = 100
1991 115
1992 122
1993 127
1994 135
Observese que el coeficiente de enlace s610 se aplica ala serie con base en
1980 para que quede conectada con la que tiene base mas actualizada que es
la de 1990. Tambien hay que resaltar que se aetna como si el fndice de precios
de Laspeyres cumpliese la propiedad circular aunque sabemos que no es cierto.
4.10. Repercusion y participacion en las
variaciones deunindice
Frecuentemente nos interesa conocer la repercusi6n que tiene la subida de
precios de uno 0 varios artfculos en el Indice general, por ello aquf vamos a
considerar un Indice tipo Laspeyres y examinaremos la repercusi6n y par-
ticipaci6n de un productoen las variaciones del indice.
Sabemos que un fndice de Laspeyres tiene la forma:
N
N Pit
L Pi,qio L p-'Pioqio
N
I' = _ i=l io
" I. 'w.
o N N L.J J,O I
L Pioqio L Pioqio
i=l
i=l i=l
donde w, son las ponderaciones de cada indice I, dentro del fndice general,
expresadas en tantos por uno. .
Si suponemos que en las diferentes magnitudes simples (precios) se produ- '
cen variaciones, expresadas por:
Ap1" Ap2" ..., ApN'
entonces el nuevo Indice sera:
NUMEROS fNDICES
N
L (Pi' +Api,)qio
N
I
, + A I' = :...i=-.:10-0=- _
o u 0 N L +
L Pioqio
i=l
i=l
Y restando ambas expresiones, tendremos la variaci6n del Indice general:
N
L Api,qiO N
AI' - i=1 _ " AI t
L.l 0 - N - L. L.l it e ' Wi
L Pioqio i=o
,=1
de donde se deduce que la repereusion R, producida por la variaci6n de la
i-esima componente en el Indice general sera:
Api,qio = M. Wi
Ri-
-
N
'.
L Pioqio
i=1
Evidentemente la suma de todas las repercusiones individuales de cada
componente sera:
N N
L R
i
= L
i=l i=l
que coincide con la variaci6n total del Indice general.
La variaci6n en porcentaje del fndice general sera:
N N
M' Api"qio L
-0.100= .-1 100 _ '--i=_l=--- _
I:' - N N
.L Pi,'qio L
.=1 i=l
La repercusi6n en porcentaje de la componente i-esima en el Indice general
sera:
R. Api" q,o . 100 = ,100
----!100= N
N
I:' L Pi,.qio
"
L...
I
i,o
'.w.
I
,=1 =1
226
227 CASAS-sANCHEZ,1.M. y SANTOS-PENAS, J.
Tambien se verificaque la suma porcentual para todas las componentes
sera igual a la variaci6n porcentualdelIndicegeneral.
Paraterminar, definimos laparticpacion, enterminosporcentuales, decada
componente i-esimaen elfndicegeneral como:
R. Apit' qio
Pi=-N-'- 100=
N
100
L Ri
L Apitqio
i=1 i=1
Evidentemente severificaque:
N
L P
i
= 100
i=1
4. 11. indices de valor y deflactacion
de series eccnerntccs
4. 11 .1. Indicesdevalor
En economfa se produce un gran nnmero de bienes y servicios que son
adquiridos por las familias, las empresas, el gobierno, etc. Estos bienes y
serviciosgozan de una gran heterogeneidad yparaagregarlos hay que some-
terlos a un proceso de homogeneizaci6n a traves de la obtenci6n de su valor
aplicando un sistema de precios. Este proceso de multiplicar cantidades de
bienesporsusrespectivosprecios nos transforma cantidades ffsicas heteroge-
neas(leche, pescado,fruta, autom6viles,ordenadores, etc.)envaloresecouomi-
cos que son homogeneos al estar expresados en la misma unidad de cuenta
(pesetas,d6lares, marcos, etc.),yportanto sumables 0 agregables.
Los indices de valor nos permiten estudiar la evoluci6n a 10 largo del
tiempo la cuantificaci6n monetaria de un conjunto de bienes.Este valor se
llama nominal0 en pesetascorrientes 0 de cada afio cuando los precios son
los del perfodo de comparaci6n:
N
V; = L Pitqit
i=1
El valor enelperfodo base sera:
N
Vo= L Pioqio
i=1
[4.211
[4.22]

NUMEROS iNDICES
Elindice complejo de valor para N componentes sera:
N
L Pitqit
=
i=
N
1
[4.23] I
Vt
L Pioqio
i=1
Laevoluci6ndela expresi6n4.23a10largo deltiempoesta motivada por
j
las variaciones conjuntas de lospreciosylascantidades no pudiendo aislarse
lainfluenciadecada una.Eneconomfainteresaanalizar laevoluci6ndelvalor
1

delconjunto de mercancfasN bajo la 6ptica de10quesedenomina a precios
I
1 constaates, 0 sea,sin que seproduzcan variaciones en los precios de los dis-
tintos componentes. Paraconseguirlo serealiza la operaci6n conocida como
deflactacionde seriesde valoresexpresados en precios0 pesetascorrientes de
cada afio,
Deflactaci6ndeseries econ6micas 4.11.2.
Como seha indicado anteriormente para poder comparar el valor de un
conjunto de bienes en dos perfodos distintos, interesa aislarlo de la subida,
inflacion,o dela bajada, deflaci6n,de susrespectivosprecios.Todos sabemos
queelproblemaquetienenlamayorfasdelosgobiernosenlosdistintos pafses
eselcontroldelainflaci6n,yaquedistorsionalasrelacionesentrelosdistintos
agentes econ6micos. Con las subidas de precios que no sean debidas a una
mejora en la calidad de los bienes y los servicios,el poder adquisitivo de la
moneda disminuye,ya que con un billete de 5.000ptas. en 2000no pueden
comprarselasmismascosasqueen 1990. Parapoder efectuaranalisiscompa-
rativos de una serie de valor entre distintos perfodos hay que pasarla de
pesetas corrientes 0 de cada ano a pesetas constantes 0 del perfodo que se
considere como base. Esto es10que se denominadeflactar la serie dividiendola
porelfndicedepreciosqueseconsideremasadecuado.ElIndiceelegidorecibe
elnombre de deflactordela serie.
Veamosacontinuaci6nelpapel quejuegan losindicesdepreciosquemas
se utilizan como son los de Laspeyres y Paasche como deflactores de series
economicas,
Si la expresi6n [4.21], que es una serie de valor a precios corrientes, se
dividepor un fndicede preciosde Laspeyrestendremos:
N N
L Pitqlt
1;1
-=N
P
L
L Pltqio
1;1
N L Pltqlt
" .:...,1
L, Ploqlo' N =
1= 1 "
L, Pilqlo
1= 1
Vo' Qp [4.24]
N
L Ploqio
i; 1
Segtin nos indica la expresi6n [4.24] podemos concluir que al deflactar una
serie de valor a precios corrientes por un Indice de precios de Laspeyres no
nos da una serie de valor a precios constantes, sino V,,' Qp que es el producto
del valor en el ano base por un fndice cuantico de Paasche. Luego PL no es
un verdadero deflactor, aunque en la practica se utiliza como tal ya que es el
Indice que se suele elaborar siendo el nnico disponible.
El que SI es un verdadero deflactor es el fndice de Paasche ya que:
N
L Pitqit
N
Vt i;1
=
---,;- L Pioqlt
[4.25]
Pp i;1
L Pitqit
1;1
N
L Pio'qit
1;1
es decir:
Serie de valores monetarios = Serie de valores reales (precios constantes)
lndice de precios
La expresi6n [4.25] nos da el valor actual de un conjunto de mercancias
1, 2, ..., i, ..., N a precios constantes Pio del afio base.
Segnn seala serie econ6mica que se desea deflactar aSI habra que elegir el
Indice de precios mas adecuado.Si se desea expresar la renta disponible de las
familias en pesetas constantes de un determinado ano, el deflactor adecuado
sera el Indice de precios de consumo (IPC); si se desea deflactar una serie del
valor de un conjunto de productos industriales, su deflactor adecuado sera un
Indice de precios industriales (IPI), etc.
Ejemplo 4.10
La renta disponible de una familia durante cinco periodos de tiempo
expresada en pesetas corrientes ha sido la siguiente 250.000, 275.000, 300.000,
325.000 Y 350.000. Para el mismoperiodo el indice de precios deconsumo ha

NUMEROS fNDICES
sido el siguiente: 100, 105, 107, 110 Y 112. Obtener la serie de la renta dispo-
nible en pesetas constantes del primer periodo.
Soluci6n:
En las expresiones [4.24] y [4.25] al dividir la serie econ6m.ica dada V
t
por
los indices de precios, estes estan expresados en tantos por uno; luego la serie

de la renta disponible expresada en pesetas corrientes se divide por la serie
l
)1
de los indices de precios expresados en tantos por uno: 1,00; 1,05; 1,07; 1,10
y 1,12:
1

1
J
Renta disponible en pesetas constantes
250.000/1,00 = 250.000
275.000/1,05 = 261.905
300.000/1,07 = 280.374
325.000/1,10 = 295.455
350.000/1,12 = 312.500
, .
4.12. Indice de precios de consumo (IPC) 1
EI fndice de Precios de Consumo (IPC) es el indicador general mas cono-
cido por la influencia y efecto que produce en el mundo econ6m.ico, se elabora
y se publica mensualmente y su objetivo es medir la evoluci6n del nivel de
precios de losbienes y servicios consumidos por todos los hogares residentes
en Espana.
Todo IPC debe de tener doscualidades:
- la representatividad, y
- la comparabilidad temporal
EI nivel de representatividad del IPC vendra determinado por el grado de
adaptaci6n de este indice a la realidad econ6m.ica del momento. Asi pues los
bienes y servicios seleccionados deberan ser los mas consumidos por la mayo-
ria de la poblaci6n, los establecimientos donde se recogen los precios deben
de ser los mas visitados y la importancia 0 ponderaci6n de los diferentes bienes
y servicios debe responder a las tendencias de consumo de los hogares.
La segunda cualidad se refiere a la comparabilidad temporal, 10 cual quiere
decir que todos los elementos que definen el IPC deben permanecer estables
1 Se reproducen los conceptos y definiciones publicados en la Metodologfa del IN.E. Ano
2002.
230 CASAS-sANCHEZ, J. M. y SANTOS-PEl'IAS, J.
a 10 largo del tiempo excepto, 16gicamente, los precios que se recogen men-
sualmente. Asi pues, se consigue que cualquier variaci6n en el IPC sea debida
solamente a cambios en los. precios de los bienes y servicios que fueron
seleccionados.
A continuaci6n, resumimos la Metodologia del Indiee de Precios de Consu-
mo con base 2001, elaborada por el Instituto Naconal de Estadistica (lNE).
4.12.1. Caracteristicas principales
a) Periodo base
Es aquel cuyos precios sirven de referencia para medir la evoluci6n de los
mismos durante el periodo de vigencia del sistema. El perfodo base es el afio
2001,10 cual quiere decir que todos los indices que se calculen estaran referidos
a este ano, y ademas la media aritmetica de los indices mensuales para este
ano base se hace igual a 100.
b) Periodo de referencia de Jas ponderaciones
Es el perfodo durante el cual se desarrolla la ECPF (Encuesta Continua
de Presupuestos Familiares) que nos proporciona la informaci6n basica, sobre
los gastos de las familias en bienes y servicios de consumo, para la obtenci6n
de las ponderaciones. Este nuevo sistema se ha realizado con la informacion
obtenida de la ECPF, que nos proporciona informacion basica sobre gastos
de las familias en bienes y servicios de consumo, durante el periodo segundo
trimestre de 1999 al primer trimestre de 2001 (1 de abril de 1999 al 31 de
marzo de 2001).
c) Campo de consumo, cesta de Ja compra y ponderaciones
El campo de consumo del IPC esta constituido por todos los bienes y
servicios que los hogares destinan al consumo, quedando excluidos los gastos
en bienes de inversi6n, los autoconsumos, los autosuministros y los alquileres
imputados.
Los bienes y servicios en la ECPF han sido clasificados segun la clasifica-
ci6n internacional de consumo COICOP (Classificastion of Individual Con-
suption by Purpose), de tal manera que cada parcela de consumo de la ECPF
estara representada en el IPC por uno 0 mas artfculos, de manera que la
evoluci6n de sus precios represente la de todos los elementos que integran
dicha parcela.
. ,
r
NOMEROS fNDICES
I
231
Se define la cesta de la compra como el conjunto de bienes y servicios para
los que se recogen los precios mensualmente, y cuya evoluci6n representa la
de todos los precios de consumo de la economia. La selecci6n se realiza segtin
i
1
la importancia de cada uno, medida a partir del gasto realizado por las
familias residentes en Espana y que se obtiene de la ECPF. El numero to-
j
tal de artfculos que componen esta nueva cesta de la compra es de 484,
agrupados en 12 grupos, 37 subgrupos, 80 clases y 117 subclases. Ademas se
1
mantienen las 57 nibricas existentes y se amplia el mimero de grupos especiales
J
hasta 27.
La muestra para la recogida de la informaci6n necesaria se ha disefiado
teniendo en cuenta:
- selecci6n de municipios
- selecci6n de zonas comerciales y establecimientos
- determinacion del nnmero de observaciones.
En resumen la muestra de municipios esta formada por 141 municipios
para artfculos de alimentaci6n y 157 para el resto, recogiendo aproximada-
mente 180.000 precios mensuales.
Cada uno de los artfculos estan perfectamente descritos y muy bien espe-
cificados con el fin de facilitar al agente encuestador su identificaci6n y per-
mitir la correcta recogida de los precios.
Las ponderaciones, representan la importancia relativa que tiene cada
articulo de la cesta de la compra frente a los demas, asi pues, si designamos
por Wi la ponderaci6n del articulo i-esimo, esta se obtiene como cociente del
gasto realizado en las parcelas representadas por dicho articulo durante el
periodo al que hace referencia la ECPF y el gasto total realizado en ese
periodo.
Gasto realizado en las parcelas representadas por el articulo i
W. = ~ ~
Gasto total
Las ponderaciones permanecen fijas a 10 largo del periodo de vigencia del
sistema de fndice de precios de consumo. Un mismo articulo puede tener
ponderaciones diferentes en las distintas agrupaciones geograficas-provincias,
comunidades aut6nomas y total Nacional, segun el gasto que refleja la ECPF
en cada uno de estos conjuntos.
En las Tablas 4.1, 4.2, 4.3 y 4.4 aparecen las diferentes agrupaciones y las
ponderaciones de losdiferentes artfculos, En la Tabla 4.5 se dan las pondera-
ciones por grupos de articulo para las diferentes Comunidades Aut6nomas.
Analogamente se tienen las restantes ponderaciones para las Comunidades
Aut6nomas. Ver metodologia INE.
233
232 CASAS-sANCHEZ,J. M.y SANTOS-PE:N"AS, J.
TABLA 4.1. Namero de articulos porgrupo del IPC-Base 2001
Grupos Ponderaci6n
01. Alimentos y bebidas no alcoh6licas 171
02. Bebidas alcoh6licas y tabaco 12
03. Vestido y calzado 67
04. Vivienda 18
05. Menaje 60
06. Medicina 13
07. Transporte 31
08. Comunicaciones 3
09. Ocio ycultura 40
10. Enseftanza 8
11. Hoteles, cafesy restaurantes 24
12. Otros 37
Total 484
Fuente:INE.
TABLA 4.2. PonderacionespOTgrupos, subgrupos, closes y subclases de arttculos
del IPC-Base 2001 para el total Nacional.
Ponderaciones
Grupos Subgrupos Clases Subclases
01 Alimentos y bebidas no alcoh6licas 218,63
011 Alimentos 206,452
0111 Pan y cereales 33,784
01111 Arroz 1,125
01112 Pan 18,639
01113 Pastaalimenticia 1,328
01114 Pasteleria, bolleriay masas cocinadas 10,880
01115 Harinas ycereales 1,811
0112 Carnes 56,460
01121 Camede vaca 1,222
01122 Carnede temerayaftojo 11,236
01123 Came de porcino 4,683
01124 Came de ovino 7,701
01125 Carne.de ave 8,892
01126 Charcuterfa 17,910
01127 Preparados de came 2,984
01128 Otras carnes y casqueria 1,832
0113 Pescados, crustdceos y moluscos 31,238.
01131 Pescadofresco ycongelado 17,163
01132 Crustaceos ymoluscos 7,655
01133 Pescadoen conservaypreparados 6,420
0114 Productos ldcteos, quesos y huevos 30,829
01141 Leche 12,869
01142 Otrosproductoslacteos 7,689
01143 Quesos 7,807
NUMEROS1NDICES
TABLA 4.2. (Continuaci6n)
Ponderaciones
01144 Huevos 2,463
0115 Aceitesy grasas 8,152
01151 Mantequillaymargarina 0,597
01152 Aceites 7,554
0116 Frutas 17,813
01161 Frutasfrescas 15,093
01162 Frutasen conserva yfrutos secos 2,720
0117 Legumbres, hortalizasy patatas 17,602
01171 Legumbres yhortalizas frescas 9,480
01172 Legumbres.y hortalizas secas 1,249
01173 Legumbres y hortalizas congeladas y
en conserva 3,549.
01174 Patatasy sus preparados 3,324
0118 Azucar. chocolates y confituras 7,192
01181 Azl1car 1,339
01182 Chocolates yconfiguras 5,853
0119 Otros productos alimenticios 3,383
012 Bebidas no alcoh61icas 12,178
0121 Cafe, cacao e infusiones 4,062
01211 Cafe, cacao einfusiones 4,062
0/22 Agua mineral, refrescos yzumos 8,116
01221 Agua mineral, refrescosyzumos 8,116
02 BebidBs alcoh6licas ytabaco 32,17
021 Bebidas alcoh6licas 8,999
0211 Espirituosos y licores 1,755
02111 Espirituosos ylicores 1,755
0212 Vinas 4,445
02121 Vinos 4,445
0213 Cervera 2,799
02131 Cerveza 2,799
022 Tabaco 23,171
0221 Tabaco 23,171
02211 Tabaco 23,171
03 Vestidoycalzado 99,28
031 Vestido 79,258
0311 Prendas de vestir 76,337
03111 Prendasexteriores de hombre 27,476
03112 Prendasinteriores de hombre 1,729
03113 Prendas exteriores de mujer 33,508
03114 Prendasinteriores de mujer 2,863
03115 Prendas de vestir de nino y bebe 10,761
0312 Complementos y reparaciones deprendas
de vestir 2,921
03121 Complementosyreparacionesdepren-
das de vestir 2,921
235
234
~
,
....
J
Ponderaciones
1 Grupos Subgrupos Clases
J
Ponderaciones '
032 Calzado y sus reparaciones 20,023
0321 Calzada 19,833
03211 Calzado de hombre 7,406
03212 Calzado de mujer 8,758
03213 Calzado de nino y bebe 3,669
0322 Reparacion de calzado 0,189
03221 Reparaci6n de calzado 0,189
04 Vivienda 110,26
041 Alquilerde vivienda 22,073
0411 Alquilerde vivienda 22,073
04111 Alquiler de vivienda 22,073
042 Conservacion de la vivienda 17,146
0421 Materiales para la conservaci6n de la vi-
vienda 3,373
04211 Materiales para la conservaci6n de la
vivienda 3,373
0422 Servicios para la conservacion de la vi-
vienda 13,774
04221 Servicios parala conservaci6n de la vi-
.. vienda 13,774
043 Otros servicios relacionados con la vi-
vienda 29,991
0431 Distribucion de agua 8,725
04311 Distribuci6n de agua 8,725
0432 Recogida de basura, alcantarillado y
otros servicios 21,266
04321 Recogida de basura, alcantarillado y
otros servicios 21,266
044 Electricidad; gasy otros combustibles 41,049
0441 Electricidad 25,426
04411 Electricidad 25,426
0442 Gas 11,484
04421 Gas 11,484
0443 Otros combustibles 4,139
04431 Otroscombustibles 4,139
OSMenaje 63,571
051 Mueblesy otros enseres 19,547
0511 Muebles y otros enseres 19,54?
05111 Muebles 16,557
05112 Otrosenseres 2,990
052 Articulostextilespara el hogar 5,626
0521 Artfculos textiles para el hogar 5,626
05211 Artfculos textiles para el hogar 5,626
053 Electrodomesticosy reparaciones 10,795
0531 Electrodomesticos y reparaciones 10,795
'j
1
NUMEROS fNDICES
1
1
il
1
j
06 Medicina 28,062
061 Medicamentos, otros productosfarmaceu-
ticos y materialterapeutico 16,203
0611 Medicamentos, otros productosfarmaceu-
ticos y material terapeutico 16,203
06111 Medicamentos y otros productos far-
maceuticos
06112 Material terapeutico
062 Servicios medicos, dentalesy paramedicos
no hospitalarios 10,841
0621 Servicios medicos y paramedicos no hos-
pitalarios ..
4,344
06211 Servicios medicos y paramedicos no
hospitalarios
0622 Servicios dentales 6,498
06221 Servicios dentales
063 Servicios hospitalarios 1,018
0631 Servicios hospitalarios 1,018
06311 Servicios hospitalarios
Subclases
4,606
1,833
2,464
1,038
0,855
0,782
1,190
1,820
12,546
3,191
8,074
j
, 05311 Frigorfficos, lavadoras y lavavajillas
'I 05312 Cocinas y homos
1
~ 05313 Aparatosde calefacci6nyde aireaeon-
j
dicionado
05314 Otros electrodomesticos
j
05315 Reparaci6n de electrodomesticos
054 Utensilios de cocinay menaje
1
-'i
0541 Utensilios de cocina y menaje
~
05411 Cristaleria, vajilla y cuberteria
J
05412 Otros utensilios de cocina y menaje
j
055 Herramientas y accesorios para calla y
1 jardin
i 0551 Herramientas y accesorios para casa y
jardin
1
l 05511 Herramientas y accesorios paracasay
jardin
056 Otros bienesy servicios para el hogar
0561 Artfculosno duraderos para el hogar
05611 Artfculos de limpieza parael hogar
05612 Otros artfculos no duraderos para el
hogar
0562 Servicio domestico y otros servicios para
el hagar
05621 Servicio domestico y otros servicios
para el hogar
1,972
1,972
1,820
1,82
23,810
15,736
8,074
10,779
5,425
4,344
6,498
1,018
236 CASAS-sANCHEZ, 1.M. YSANTOS-PE:NAS,J.
NUMEROS fNDICES 237
r
1 Ponderaciones Ponderaciones
07 Transporte 155,76
071 Vehiculos 71,769
0711 Autom6viles 69,286
07111 Autom6viles 69,286
0712 Otros vehiculos
07121 Otrosvehiculos
072 Bienes y servicios relativos a los vehiculos
0721 Repuestos y accesorios de mantenimiento
07211 Repuestos y accesorios de manteni-
miento
0722 Carburantes y lubricantes
07221 Carburantes ylubricantes
0723 Servicios de mantenimiento y reparaciones
07231 S.ervicios de mantenimiento y repara-
Clones
0724 Otros servicios relativos a los vehiculos
07241 Otrosservicios relativosa losvehiculos
073 Servicios de transprote
0731 Transporte por ferrocarril
07311 Transporte porferrocarril
0732 Transporte por carretera
07321 Transporte porcarretera
0733 Transporte aereo
07331 Transporte aereo
0734 Otros servicios de transporte
07341 Otros servicios de transporte
08 Comunicaciones
081 Comunicaciones
0811 Servicios postales
08111 Servicios postales
0812 Equipos y servicios telefonicos
08121 Equipos yservicios telef6nicos
09 Ocioycultura
091 Equipos y soportes audiovisuales, fotogra-
ficos e informdticos
0911 Equipos de imagen y sonido
09111 Equiposde imagen y sonido
0912 Equipos fotograficos y cinematogrdficos
09121 Equiposfotograficos ycinematograficos
0913 Equipos informaticos
09131 Equipos informaticos
0914 Soporte para el registro de imagen y so-
nido
09141 Soporte para el registro de imagen y
sonido
2,483
2,483
72,912
1,383
1,383
53,075
53,075
15,255
15,255
3,198
3,198
11,079
1,585
1,585
5,945
5,945
1,934
1,934
1,615
1,615
25,729
25,729
0,311
0,311
25,417
25,417
67,263
13,651
4,721
4,721
0,788
,
0,788
4,333
4,333
3,136
3,136
I
I
I
'j

J
i
J
,
1
I
.,
"
j
I
I
.\
I
0915 Reparaci6n de equipos audiovisuales, fo-
togrdficos e informdticos
09151 Reparacion de equipos audiovisuales,
fotograficos e informaticos
092 Articulos recreativos y deportivos; floriste-
rio y mascotas
0921 Articulos recreativos y deportivos
09211 Juegos yjuguetes
09212 Otrosaruculos recreativos ydeportivos
0922 Floristeria y mascotas
09221 Floristerfa y mascotas
093 Servicios recreativos, deportivos y cultu-
rales
0931 Servicios recreativos y deportivos
09311 Servicios recreativos ydeportivos
0932 Servicios culturales
09321 Servicios culturales
094 Libros, prensa y papeleria
0941 Libros
09411 Libros
0942 Prensa y revistas
09421 Prensa y revistas
0943 Material de papeleria
09431 Material de papelerfa
095 Vioje organizJulo
0951 Viaje organizado
09511 Viaje organizado
10 Enseiianza
101 Enseiianza
1011 Educaci6n infantil y primaria
10111Educaci6n infantil y primaria
1012 Enseiianza secundaria
10121 Enseiianza secundaria
1013 Enseiianza superior
10131 Enseiianza superior
1014 Otras enseiianzas
10141 Otras ensefianzas
11 HoteIes,cafes yrestaurantes
111 Restaurantes, bares y cafeterias
1111 Restaurantes, bares y cafeterias
11111 Restaurantes, bares ycafeterias
112 Hoteles y otros alojamientos
1121 Hoteles y otros alojamientos
11211 Hoteles yotros alojamientos
0,672
0,672
10,379
6,146
5,467
0,679
4,233
4,233
14,526
5,713
5,713
8,813
8,813
17,200
7,098
7,098
7,792
7,792
2,310
2,310
11,507
11,507
11,507
17,444
17,444
3,447
3,447
3,59
3,590
5,913
5,913
4,494
4,494
112,708
106,217
106,217
106,217
6,490
6,490
6,490
239
238 CASAS-sANCHEZ, J. M. YSANTOS-PE:&AS,J.
TABLA 4.2. (Continuacion}
Ponderaciones:
12 Otros bienes y servicios 69,124
121 Bienes y seriviciospara el cuidado per-
sonal 22,531
1211 Serviciospara el cuidadopersonal 10,241
12111 Servicios para el cuidado personal 10,241
1212 Articulos para el cuidadopersonal 12,290
12121 Articulos parael cuidado personal 12,290
122 Articulosde uso personal 5,173
1221 Joyeria;bisuteriay relojeria 3,342
12211 Joyerfa, bisuteria y relojeria 3,342
1222 Otros articulosde usopersonal 1,831
12221 Otrosartfculos de uso personal 1,831
123 Servicios sociales 2,314
124 Seguros 34,693
1241 Seguros para la vivienda 4,447
12411 Seguros parala vivienda 4,447
1242 Seguros medicos 6,725
12421 Seguros medicos 6,725
1243 Seguros de automovil 18,534
12431 Seguros de autom6vil 18,534
1244 Otrosseguros 4,986
12441 Otrosseguros 4,986
125 Serviciosfinancieros 0,278
1251 Serviciosfinancieros 0,278
12511 Servicios financieros 0,278
126 Otrosservicios 4,135
1261 Otros servicios 4,135
12611 Otrosservicios 4,135
Fuente: INE.
TABLA 4.3. Ponderacionespor nibricas de11PC-Base 2001 para
el total Nacional
NOMEROS iNDICES
Grupos Ponderaci6n
09. Crustaceos, moluscos y preparados de pescado 14,074
2,463
10. Huevos
12,869
11. Leche
15,496
12. Productos lacteos
13. Aceites ygrasas
8,152
15,093
14. Frutas frescas
15. Frustas en conserva yfrutos seeos
2,720
16. Legumbres y hortalizas frescas
9,480
17. Preparados de legumbres yhortalizas 4,799
18. Patatas ysus preparados
3,324
19. Cafe, cacaoe infusiones
4,062
1,339
20. Azucar
21. Otros preparados alimenticios 9,236
22. Aguamineral, refrescos yzumos 8,116
23. BebidasaIcoh6licas
8,999
24. Tabaco
23,171
25. Prendas de vestir de hombre 29,205
26. Prendas de vestir de mujer 36,371
27. Prendas de vestir de nino y bebe
10,761
28. Complementos yreparaciones de prendasde vestir 2,921
29. Calzado de hombre
7,406
30. Calzado de mujer
8,758
31. Calzado de nino
3,669
32. Reparaci6n de calzado
0,189
33. Viviendas en alquiler
22,073
34. Calefacci6n, alumbrado ydistribuci6n de agua 49,774
35. Conservaci6n de la vivienda 38,412
36. Muebles y revestimientos de suelo 19,225
37. Textiles yaccesorios para el hogar 5,948
38. Electrodomesticos y reparaciones 10,795
39. Utensilios y herrarnientas parael hogar 3,792
40. Aruculos no duraderos parael hogar 17,214
41. Servicios parael hogar
12,520
42. Servicios medicos ysimilares 18,584
43. Medicamentos ymaterialterapeutico 16,203
44. Transporte personal 163,215
45. Transporte publico urbano
5,824
46. Transportepublico interurbano 5,255
47. Comunicaciones
25,729
48. Objetos recreativos
24,030
Grupos Ponderaci6n 11,879
49. Publicaciones I
1 50. Esparcimiento
14,526
01. Cereales y derivados 15,144
j
i
51. Educaci6n infantil y primaria
4,684
02. Pan 18,639 4,828
52. Educaci6n seeundaria
03. Carne de vacuno 12,458
J
6,337 .J 53. Educaci6n universitaria
04. Carnedeovino 4,683
54. Otros gastos de ensenanza 5,761
05. Carne de porcino 7,701
J
55. Artfculos de uso personal
21,053
06. Carne de ave 8,892 56. Turismo y hosteleria
124,214
07. Otrascarnes 22,727 . ,
57. Otros bienes y servicios .
18,043
08. Pescado fresco y congelado 17,163
J
]
Fuente: INE.
j

(D'
o
Q.
o
Q.
(D
o
0'
o
c
o
.. wa;,;l"21<i TTIRWGi!!,,"*,
TABLA 4.5. Ponderaciones por grupos de articulos del IPC-Base 2001 para el total Nacional y Comunidades Aut6nomas
Castilla- Castilla-
Nacional Andalucfa Arag6n Asturias Baleares Canarias Cantabria Le6n LaMancha
GeneralBase2001 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
Alimentos ybebidasnoalcoh6licas 218,630 237,973 217,498 216,700 197,884 222,791 218,708 239,175 239,250
Bebidas alcoh6licas y tabaco
Vestido ycalzado
Vivienda
Menaje
Medicina
Transporte
Comunicaciones
Ocioycultura
Enseilanza
Hoteles, cafes yrestaurantes
Otrosbienes yservicios
General Base2001
Alimentos ybebidas noalcoh6-
licas
Bebidas alcoh6licas ytabaco
Vestido ycalzado
Vivienda
Menaje
Medicina
Transporte
Comunicaciones
Ocioycultura
Enseilanza
Hoteles, cafes yrestaurantes
Otrosbienes yservicios
Fuente: INE.
Cataluila
1.000
213,766
29,941
88,982
119,976
58,404
29,908
149,067
25,521
78,205
25,203
107,177
73,849
32,170
99,280
110,260
63,571
28,062
155,760
25,729
67,263
17,444
112,708
69,124
Comunidad
valenciana
1.000
210,876
34,961
93,447
102,352
67,061
31,235
162,910
27,872
67,081
11,637
115,320
75,248
39,351
103,535
101,803
64,405
26,154
160,406
24,501
59,043
9,918
109,565
63,346
Bxtre-
madura
1.000
253,461
34,889
113,631
94,792
65,962
27,263
156,063
25,389
54,409
8,307
104,772
61,060
32,209
111,695
116,334
71,807
26,677
140,750
27,971
69,054
14,492
107,059
64,454
Galicia
1.000
234,773
31,828
114,926
96,466
70,672
27,493
162,053
22,499
59,243
14,240
99,956
65,850
28,867
107,895
110,829
63,748
26,505
161,305
26,439
61,244
15,684
113,830
66,956
Comunidad
de Madrid
1.000
193,122
28,580
92,276
119,264
57,335
27,724
153,954
26,820
75,371
24,751
128,098
72,706
33,463
90,989
107,832
64,870
34,479
176,282
28,310
59,098
21,213
105,972
79,609
Comunidad
deMurcia
1.000
215,028
43,577
99,212
99,950
73,416
23,432
172,502
23,384
62,120
8,819
105,462
73,096
30,286
83,964
104,409
66,637
35,364
166,754
25,811
75,953
19,949
107,128
60,954
Navarra
1.000
188,242
25,754
113,839
102,932
79,493
30,582
169,382
22,248
73,700
18,605
111,291
63,932
29,773
121,718
118,695
60,357
31,268
148,845
27,022
61,839
10,611
103,265
67,898
Pais
Vasco
1.000
210,050
28,387
99,091
107,540
65,400
25,661
147,368
24,192
66,435
21,520
132,728
71,627
28,359 32,699
108,934 lll,472
116,057 lll,728
66,059 60,819
22,897 27,610
146,555 159,386
28,200 24,867
57,476 53,067
14,979 8,745
108,095 107,531
63,216 62,826
Ceutay
LaRioja Meli11a
1.000 1.000
223,861 290,189
34,453 50,038
98,757 117,779
113,123 105,805
65,625 60,037
29,285 17,557
138,750 98,189
26,364 29,219
69,940 58,617
15,161 5,051
119,611 99,268
65,070 68,251
,

Z
C
s::
tI1
i':l
0
tzl

-o
tI1
CZl
tv
.j::o.
-
0-0.. 0.. N
8g >-3 er
'"
gerSl;'pj'< I:'> I:'> (I)
I:'> I:'>
g' I:'> I:'> '" '" 0 0..'" 8 tv S S
--'
g:tr.lrit'"" '"

o '" '0 n
- - - 0..
r-
0.. ..... (I) ..... '" =
I\)
, I I (I)
1l '8
0 I:'> -..-1'> '" '" o
I:'>
'"'1:l<:T '" '" '" .,J:::.. _. \0 CI'J
........
I:'> 0 I:'> ..... ..... .....
1". " '"
I:l I:l "
. =10 '"

8 -..0 0 (I) -
8 [
CJ.)
<;lll

8 n
I'> ..... '0 ....
e e
o (I) I:'> e; =
'" tr.I 0
l
-"'0
II 8"'=0....0..
-, ...., E..
I:l
m I:'>
nl:l,o
0
0'"
(I)
S' S'
(I) 0 o' (I)
o..tr.l
=0 =
o
er-"'=...o..
(I) '" 0 l:l ::J e:[e:
EoI"c:: ozg..e.
0..0..
_'0 =E3
S I:'> 0
8 (I) 8

o s"
(I) (I) ;:t 0.. I:'> er
o
0.. ... (JQ
-"", o o. :i I:'>
I:'> (I)
9 N::t"le(l)go o
I
CIl 0..0..
g I:'> S Pi'
O. l:S
08::t1g-
o 0
00...... tr.I ..... 8
CD o 0. (I)
E..
: 8 '" I:'> O. '" Soo.. (I)

0..-
0
0..0..

'0 '" (I) (I)
0=..,
E.
I:;;o..ari
",(t..,1:'>0..= .., '" Q. S 0.. E..
'"
S I" 000 0: 0:
(I) 0.. I:;;S. '0 g.. (I)
i p)
'"
" I" "
'"
Cil tr.I 0..0

0..(1)",,,,(1)0.. CD
0 ........ n '"
S 8 =
'"
o' c:: f"+ f"+ _. j

en <;lll (JQ ='" 0 g'
erer
(I) 0 g..

... ..,
le.::Ia
s
CD - s.
::1.'"
&!l 0 s (I) 0
(I) I:'> ....(I) I'>
..... 1:'>
..,
a S tj
..., e. 0 II
(I) '0 p II
t:l:'t:l:'t:l:'t:l:'t:l:'t:l:' '0 &!l 0 I:'>
o 2' s o '" I'> 0..0.. 01'>="'-
I:'> I:'> I:'> I:'> I'> I'> o 0 =, <5"
-. 0 CD

a
r-tt:SB. o 0
:g 8
tIJ CI'J CI'J \I'.) 00 00 (I) = '" o :i g. 8 S
(I) (I) (I) (I) (I) (I) C/)
go;'
::t11'>_E..
'" s..oO
0
(I)",
=0
= (I) 3
w

........
N ...........................
(I) ::1. f!J. 0..
(I) a
i
I:l'<j ... 0 (JQ (I)
0.'0 tt. 00
.. ...,0 0 ::I.
01010101010 - (I) 0.. -e
Eoo
..- ..-
" I:l
o I:'> '0
e ::t[(I)-&!l
OlOooo\v\W
0..0 ..,
o S -..

0- 0
..-NwooooO\
'" 0
el .... (I) '"
o' *' o
(I) ... I'>
.
];
"
&!l (S' I'> =' =
II .... 0- 0..
'" (I) ::ll
f!l, &!l n'< (I) g sr g Cil
<D
0..1'> =erer 3 ct' 0
I
P>g- -+.
o - 0.. I'> I:'> g (I) g .., S '" .., ::l
0.. g;
.... CIl
I'> 0 '" '" t:r" (I) o.

[g. o '" 0 0
g.. 0 Cil

e.", N..-
I:'> o. g

n -
_= N ..,
I'> I'> ct'
c:: 0 I'>Sl 0..010
00
'" ::l l:; (I)
<D
l-1 Z>
Eo",
=:u -
0 .... I'> 0 10 o I'> sa. I'> I'>
o ....
:>
o 0 ..- N 6.:01:'>= ::J
'" er ... I'> 0..
.CIl
. '" ..
o '" (I)
-+ .... ::ll I'>
S'I'>Q.o.g
g'
>-30.. ::l

_0== <D .., 0 I'>
I'> 0 0
en
g., -
o '"
g:S' 0..
@' (I) '0
::;;";!J.
(I) I I:'>
.....
g-
0
os,g.o..s
qg '" 0 S <D
- 0

I:'> 0.. 0 '" = 0
'"
-000
-(I) -
(")
'"
(1)
Q. ::I. =,
" 0
;'I 00 \I'J
00.. t:::: ....(I) a I:'>
I:l '" = _. -- (') (I) .... e:..
sP> ::It:r''=o..
<D
I:'>

..... I:'> (I)

[
[ I:'> '" .... (I) .... ::J
=" ..-
o .
"'(I)J'""O
gE. :'lSo..S'

(1)=,0..=-
J'l o I:'> 0..
o

tOo (I).&!l 8 e: 0......
'<,0

'" o N
:::10..8
0\

s .............. l-1 , (I) '"
<D --
l-J
e r
;1
TABLA 4.6. fndice General Nacional. Sistemas fPC-Base 1992
Aiio Enero Febrero Marzo Abril Mayo Junio Juilio Agosto Septiem, Octubre Noviem. Diciem.
1954 - - 3,289 3,289 3,289 3,277 3,280 3,267 3,269 3,286 3,314 3,344
1955 3,365 3,376 3,389 3,408 3,410 3,401 3,401 3,408 3,431 3,459 3,474 3,485
1956 3,489 3,532 3,566 3,604 3,621 3,609 3,598 3,604 3,630 3,662 3,713 3,779
1957 3,848 3,869 3,889 3,906 3,916 3,906 3,967 4,023 4,080 4,166 4,234 4,279
1958 4,309 4,313 4,397 4,491 4,520 4,514 4,544 4,574 4,646 4,689 4,732 4,787
1959 4,794 4,817 4,843 4,873 4,888 4,860 4,860 4,868 4,894 4,909 4,926 4,969
1960 4,930 4,926 4,920 4,924 4,909 4,905 4,903 4,913 4,943 4,956 4,962 4,969
Z
1961 5,020 4,979 4,957 4,970 4,957 4,930 4,930 4,938 4,942 4,961 5,038 5,047 C
s=
1962 5,038 5,061 5,105 5,177 5,243 5,270 5,270 5,257 5,289 5,340 5,477 5,547
tI:l
1963 5,560 5,604 5,713 5,709 5,741 5,635 5,695 5,754 5,741 5,757 5,829 5,851

0
1964 5,842 5,846 5,864 5,886 5,901 5,980 6,109 6,205 6,266 6,369 6,516 6,592
CIl
1965 6,657 6,771 6,824 6,874 6,902 6,871 6,880 6,915 6,981 7,018 7,169 7,210

1966 7,197 7,191 7,191 7,260 7,366 7,380 7,376 7,389 7,366 7,411 7,540 7,589 ....
("J
1967 7,593 7,652 7,684 7,791 7,818 7,750 7,755 7,868 7,890 7,922 8,087 8,087 tI:l
1968 8,110 8,110 8,193 8,265 8,238 8,261 8,193 8,198 8,185 8,211 8,265 8,320
Ul
1969 8,301 8,251 8,301 8,399 8,399 8,301 8,366 8,392 8,408 8,440 8,515 8,605
1970 8,646 8,613 8,679 8,727 8,670 8,703 8,867 9,007 9,048 9,138 9,162 9,188
1971 9,285 9,278 9,376 9,475 9,533 9,573 9,573 9,590 9,704 9,811 9,944 10,074
1972 10,082 10,074 10,172 10,172 10,222 10,246 10,386 10,493 10,641 10,714 10,731 10,814
1973 10,895 10,912 11,002 11,158 11,322 11,494 11,617 11,808 12,012 12,202 12,217 12,350
1974 12,423 12,465 12,736 13,015 13,179 13,236 13,393 13,614 13,828 13,975 14,361 14,558
1975 14,762 14,903 15,000 15,264 15,452 15,494 15,740 15,987 16,241 16,241 16,347 16,610
1976 16,807 16,997 17,391 17,743 18,556 18,442 18,556 18,713 19,065 19,329 19,690 19,894
1977 20.542 20.849 21,348 21,736 21.926 22.539 23.278 24,033 24,368 24,747 24,947 25,144
- I
tv

W
- -- .
...- ----_._--
ADo Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiem. Octubre
1978 25,545 25,796 26,127 26,677 26,944 27,216 27,806 28,291 28,524 28,785
1979 29,806 30,037 30,349 30,807 31,167 31,442 32,121 32,437 32,864 33,305
1980 34,804 35,115 35,304 35,645 35,892 36,449 36,964 37,397 37,795 38,098
1981 39,818 40,020 40,817 41,223 41,415 41,451 42,263 42,778 43,118 43,603
1982 45,572 45,927 46,378 46,988 47,668 48,126 48,744 49,082 49,139 49,631
1983 51,761 52,021 52,337 53,056 53,276 53,588 53,779 54,501 54,937 55,682
1984 58,007 58,227 58,696 58,973 59,292 59,712 60,629 61,050 61,174 61,543
1985 63,438 63,898 64,296 64,959 65,163 65,052 65,422 65,520 66,239 66,580
1986 69,308 69,617 69,852 70,022 70,217 70,862 71,570 71,773 72,516 72,787
1987 . 73,489 73,802 74,231 74,399 74,307 74,325 75,078 75,045 75,737 76,187
1988 76,768 76,978 77,536 77;166 77,262 77,562 78,586 79,363 80,060 80,150
1989 81,680 81,738 82,260 82,481 82,598 83,048 84,396 84,590 85,485 85,830
1990 87,144 87,697 88,018 88,218 88,211 88,483 89,672 90,065 91,013 91,821
1991 93,025 92,895 93,197 93,399 93,664 93,934 95,100 95,453 96,233 96,838
1992 98,576 99,233 99,592 99,485 99,745 99,726 100,050 100,962 101,795 101,856
1993 103,185 103,218 103,581 104,035 104,322 104,581 104,955 1Q5,583 106,180 106,576
1994 108,346 108,385 108,743 109,171 109,394 109,512 109,941 110,651 110,988 111,229
1995 113,074 113,628 114,290 114,896 114,942 115,051 115,069 115,394 115,848 116,064
1996 117,462 117,782 118,200 118,871 119,281 119,181 119,340 119,678 119,970 120,134
1997 120,847 120,765 120,825 120,869 121,045 121,041 121,263 121,798 122,401 122,356
1998 123,215 122,927 122,984 123,289 123,450 123,530 123,986 124,318 124,410 124,421
1999 125,111 125,185 125,737 126,202 126,198 126,225 126,772 127,312 127,557 127,509
2000 128,712 128,894 129,405 129,943 130,159 130;553 131,346 131,897 132,238 132,576
2001 133,413 133,851 134,415 135,113 135,624 136,081 136,415 136,745 136,726 136,584
'"
Fuente: INE. Estos datos tienen caraeter olicia! a los efectos regulados por la Ley 29/94, de 24 de noviembre, de Arrendamientos Urbanos,
Noviem. Diciem.
28,911 29,303
33,385 33,872
38,487 39,025
43,981 44,647
49,793 50,901
56,249 57,122
61,859 62,278
67,093 67,371
72,620 72,930
76,012 76,284
80,105 80,742
85,969 86,304
91,729 91,955
96,985 97,038
101,921 102,227
106,755 107,262
111,422 111,914
116,372 116,748
120,141 120,497
122,599 122,925
124,309 124,653
127,714 128,290
132,906 133,366
136,483 136,978
tv
t
o
>
v.>
>
'f'
v.>
>-
Z
o
::I:
ttl
.N

'<
v.>

..,
0
v.>
>1:l
ttl
Z.
>
JI'

246 247 CASAS-sANCHEZ,J. M. YSANTOS-PE:NAS, J.
c) Actualizaci6n de rentasentre dos meses ambos anteriores a enero
de 2002 0 ambos posteriores a enero de 2002
Laexpresion a utilizar paraactualizar rentas utilizando el IPC,en ambos
casos es:
fPC mes final
[4.27]
Renta actualizada = Renta inicial x fPC mes inicial
Ejemplo 4.11
Se desea actualizar la renta de unavivienda de 600 , utilizando el IPC,
desde agosto de 1998a diciembe de 2001.
Soluci6n:
Sabemosque
Rentainicial antes de actualizar= 600
IPCagosto 1998(Tabla 4.6) = 124,318
IPCdiciembre 2001 (Tabla 4.6) = 136,483
Utilizando la expresi6n [4.27] tenemos:
136,483
Rentaactualizada= 600 x 124,318= 658,71
d) Actualieaclonde rentasdesde meses anteriores a enero de 2002 a enero
de 2002 y meses posteriores
Paraella hay que utilizarel fndice de la Ley de Arrendamientos Urbanos
(Indice LAU), que se obtiene muItiplicando el IPC general del mes por el
coeficiente LAUde ese mismo mes, asf pues se tendrfala Tabla4.8.
TABLA 4.8. indices LAU para el ana 2002
Mes CoeficientesLAU IPCafio 2002 Indice LAU 2002
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
1,357700
1,361911
1,356739
1,351849
1,351895
1,353461
1,366497
1,368930
1,361919
1,353368
1,349495
1,350862
101,262
101,350
102,188
103,575
103,948
137,490
138,036
138,642
140,018
140,527
Fuente: INE.
NUMEROS iNDICES
La expresi6n a utilizar sent
. fndice LAUmes finals
Renta actuahzada= RentainiciaI . [4.28] TnE"
mes 11l1Cla
Ejemplo 4.12
Sedesea actualizarelalquilerde unaviviendade 700 con elIPC,desde
enero de 2001 a marzo de 2002.
Solucion:
Sabemos que
Renta inicial antes de actualizar = 700
IPCde enero de 2001(Tabla 4.6) = 133,413
Indice LAUde marzo de 2002 (Tabla4.8) = 138,642
Utilizando la expresi6n [4.28] tenemos:
138,642
Renta actualizada=700 x 133413 =727,435
,
El IPC es elindicador de la inflaci6n 0 perdida del poder adquisitivo de
las rentas disponibles de las familias ya que s610incluye bienes y servicios
destinados al consumo final de los hogares. En el IPC no se contempla las
subidas de precios de los bienes y servicios de naturalezaintermedia adquiri-
dos por los sectores en elproceso productivo.
La inflaci6n subyacente es e1 IPC sin los alimentos no elaborados ni los
productosenergeticos,
,
4. 13. IndicesdePrecios deConsumo
Armonizado (IPCA)6
Es un indicador estadfstico cuyo objetivo es proporcionar una medida
cormin de la inflacion que permita realizar comparaciones internacionales.
Parallegar a este fndice, y a 10largo de un perfodotransitorio, ano 1996,se
reaIizaronlas modificaciones y ajustes necesarios sobre los II>Cde cada pafs
s Esta expresi6nno esvalidapara comparar perfodosinferioresa un afio,
6 Metodologfa INE.
249
248
CASAS-sANCHEZ, J. M. YSANTOS-PENAS,J.
miembro de DE hasta conseguir un Indicecon unas caracterfsticas esenciales
comunes a todos los paises.EIprimerIndice,despues del perfodo.transitorio,
serefierea enero de 1997con base en 1996
7
EIIPCAde cada pafs cubre las parcelas que superan el uno por mil del
gasto total de gasto de la cesta de la compra naeional, siendo excluidos del
IPCAlos seruiciosmedicos y la ensefianza reglada.
Ademas la ponderaci6ndealgunas parcelas no seincluye totalmente, esel
caso de los seguros, para los que solo se consideran los gastos ligados a las
primas netas, los autom6viles, de los cuales se elimina los gastos correspon-
dientes aventas entre consumidores, 0 los medicamentos yproductos farmaceu-
ticos, que solo incluyen los no subveneionados. Asf pues, despues de estas .
exclusiones,la ponderaei6n total eliminada de la estructura del IPC espanol
esaproximadamentedel 5%.
EIIPCA esta formado pordoce grandes grupos cuyas respectivas ponde-
raeiones aparecen en la Tabla4.9.
TABLA 4.9. Grupos y ponderaciones que inteqran elIPCA
Grupos Ponderaciones %
01. Alimentosy bebidas no alcoh6licas
27,5
02. Bebidasalcoh6licasy tabaco
3,2
03. Vestidoy calzado
11,4
04. Vivienda
11,2
05. Menaje
6,5
06. Medicina
0,8
07. Transporte
14,6
08. Comunicaciones
1,6
09. Ocio y cultura
6,9
10. Enseiianza
0,1
11. Hoteles,cafesy restaurantes 11,8
12. Otros
4,4
Fuente: INE.
La f6rmula que se utiliza para obtner el IPCA, es la misma que para
obtener elIPCespafiol,la f6rmula de Laspeyres:
I=I W;Ii
i
donde el fndice de cada articulo I, se obtiene como coeiente de las medias
aritmeticas de suspreeios. Las ponderaeiones Wi permanecenfijasmes ames.
7 ElReglamentodelConsejo.nnmero2494/95de23deoctubrede 1995establece lasdirectrices
parala obtenci6ndeindices comparables.
NUMEROS iNDICES
A partirde las IPCA de los quince paises miembros, la oficina de estadfstica
de la Uni6n Europea (EUROSTAT) obtiene un lndice de Precio de Consumo
de la Union Europea como media ponderada de los IPCA de dichos indices.
,
4. 14. Otros Indices 0 Indicadores de Coyuntura
elaborados
Ademas del IPC, que sin duda es el indicador mas relevante ya que la
subida generalizada de los precios al consumo tiene una enorme repercusi6n
enlos ambitossoeioecon6micos, existen otraseriedeindices que nos comple-
tan elpanorama coyuntural de nuestraeconomfa.
a) lndice de Producci6n Industrial (IPI)8
Es un Indicede naturalezacuantica que mide la evolucion mensual de la
actividadproductivadelas ramas industriales, excluida la construcei6n. Mide
la evolucion conjuntade Iacantidadyde la calidad, eliminando la influencia
de los precios.
Parasu obtenei6nseelabora una encuestacontinuade periodicidad men-
sual dirigida a mas de 9.000establecimientos.
EI organismo responsable de su elaboraei6n es elINE, en donde puede
encontrarsela metodologfa completa.
b) Indice de Precios Industriales (IPRl)9
Completa con el anterior la panoramica coyuntural de la industria en
nuestro pais. Mide la evoluei6n mensual de los precios de los productos
industriales, fabricados y vendidos en el mercado interior, en el primer paso
de su comercializacion, es decir, de los preeios de venta a salida de fabrica
obtenidos porlos establecimientos industriales en las transaceiones que estes
efectuan, excluyendo los gastos de transporte, comercializacion e IVA fac-
turado.
Parasu obtencionserealiza una encuestacontinuade periodieidadmen-
sual, que investiga todos los meses mas de 6.000 estableeimientos indus-
triales.
8 fndice de Producci6n Industrial(lPI). Base 1990.INE.
9 fndice de Precios Industriales (lPRI). Base 1990.INE.
--
250 CASAS-sANCHEZ,J. M. y SANTOS-P:-INAS, J.
c) indices de Comercio al por Menor (ICM)IO
,
Elobjetivoprincipaldeestosfndices deComercioal porMenoresconocer
lascaracterfsticasfundamentales delas empresasdedicadas alcomercio al por
menoren Espana, pennitiendo medir a corto plazo, la evilucion de la activi-
daden el sector.
d) indice de Precios Hoteleros (IPH)l1
Es unamedidade la evoluci6nmensual de los precios que los empresarios
hoteleros aplican a sus clientes.
Para su obtenci6n se utiliza la Encuesta de Ocupaci6n en Alojamientos
Turisticos: Establecimientos Hoteleros. Seinvestigan mensualmente alrededor
de 8.500establecimientos hoteleros.
e) indices de cotizacion bursdtil
Midenlasfluctuaciones delas cotizacionesde las acciones que seregistran
diariamente en los diferenteS mercados bursatiles, haciendo referencia a la
cotizaci6n de los valores en elmomenta de cierre de la sesi6n. Apartirde las
cotizacionesdecadavalorseelaboranindices degrupos(bancos, alimentaci6n,
construcci6n,etc.).Estos indices, convenientementeponderadossegun el volu-
men, y utilizando f6nnulas tipo Laspeyres nos lIevan a obtener el indice
general de la bolsa 0 un indice tipo IBEX-35.
10 Indice de Comercio al por Menor(ICM). Base 2001.INE.
11 Indicede Precios Hoteleros(IPH). Base 2001.INE.

Ejercicios
1. Los precios ycantidades anuales producidos en ciertafactoria hanresul-
tado ser, parae1 perfodo 1990-1994,los siguientes:
Ano t Precio Pt Cantidad qt
199O 200 35
1991 210 38
1992 225 39
1993 235 36
1994 250 40
Determinaren tantos poruno:
I
a) La variaci6n relativa de precios con base 1991.

b) Los indices cuanticos con base 1991y 1990.
c) El valor del producto en pesetas constantes de 1991como base.
Soluci6n:
a) = mimero indice simple de precios con base 1991,
P91
t = 90,91,..., 94.
b) =!f!.... y =!f!.... (t =90,91, 92,93,94)
q91 q90
c) = P91Qt
Recogidos en una tabla resultan ser:
i',
I-l
Ano Precio relativo fndice cuantico fndice cuantico Valor
t

r
i]
-- --
0,9523809 0,9210526 1 7.350

i
I
,
,
tl
1 91 1 1 1,0857143 7.980

1992 1,0714286 1,0263158 1,1142857 8.190
1993 1,1190476 0,9473684 1,0285714 7.560
1994 1,1904762 1,0526316 1,1428571 8.400
252 CASAS-sANCHEZ, 1. M. y SANTOS-PENAS, 1.
2. El numero fndice de producci6n en tantos por uno en el afio 1994, con
base 1980,fue2,38.Sabiendo que en 1980 la producci6nfuede kilogra-
mosdel producto,calcular la producci6nen toneladasmetricas (1 tm = 1.000
kg) en el ano 1994.
Soluci6n:
Q
94 =238=q94 = ' q94 => q = 3.200.238=7616 kg
80 , q80 3.200 kg 94 ,.
= 7,616 tm
3. Una marca de electrodomesticos fabrica, en cierta cadena industrial,
cuatro tipos de exprimidores automaticos que reciben el nombre de modelo
A, B, C YD. En los afios 1997, 1998 y 1999, los precios recomendados de
venta y el nnmero de unidades de cada modelo producidas se recogen en
esta tabla:
1997 1998 1999
Modelo
Precio N.O de Precio N.O de Precio N,"de
(u.m.) unidades (u.m.) unidades (u.m.) unidades
A 35 5.000 37 5.200 40 5.400
B 40 3.000 45 2.500 47 2.500
C 50 1.500 55 1.700 58 1.800
D 65 1.000 68 1.200 70 1.300
Sepide en tantos por uno:
a) Los indicesde preciosde Laspeyres con base 1997.
b) Los indicesde precios de Paasche con base 1997.
c) Los indices cuanticos de Laspeyres con base 1997.
d) El valor en pesetas constantes de 1997 de la producci6n en los tres
afios.
e) El valor en u.m.corrientes.
f) Elfndicede precios de Fisher con base 1997.
NOMEROS iNDICES 253
Soluci6n:
a) 4
Pi, t qi,97 35.5.000+ 40.3.000+ 501.500+ 651.000
Pi.97 =;,. . =35.5.000+ 40.3.000+ 50.1.500+ 651.000
c: q,,97 .
+ 120.000+ 75.000 + 65.000 9
= = 1 si t = 19 7
435.000 '

p = 375.000+ 453.000+ 551.500+ 681.000
98
i

L,97 435.000

185.000+ 135.000+ 82.500 + 68.000
I
435.000
, 470.500
435.000 1,0816092 si t = 1998
p99 = 405.000+ 473.000+ 581.500+ 701.000
L,97 435.000
I
200.000 + 141.000+ 87.000 + 70.000
435.000
!
498:000 .
-- 1,1448276 SI t = 1999
b) 4
I PitQit
i=1
35.5.000+ 403.000 + 501.500+ 651.000
97 = --='4---=---
435.000
I Pi,97Qit
i=1
= 1, si t = 1997
98 _ 37 . 5.200 + 45.2.500+ 55.1.700+ 681.200
pr. 97 - 35.5.200+ 40.2.500+ 501.700+ 651.200
192.400+ 112.500+ 93.500 + 81.600
182.000+ 100.000+ 85.000+ 78.000
480.000 .
445.000 1,0786517, SI t = 1998
254
255
CASAS-sANcHEZ,J. M. y SANTOSPENAS,1.
99 _ 405.400 +472.500+ 581.800+ 701.300
PP, 97 - 35.5.400+40.2.500+ 50.1.800+65.1.300
216.000 + 117.500+ 104.400+91.000
189.000 + 100.000 +90.000+ 84.500
528.900
= 463.500 1,1411003, si t = 1999
c)
4
L qi,tPi,97
Qt97= = 1, si t = 1997
L qi,97Pi,97
i=l
445.000
435.000= 1,0229885, si t = 1998
463.500
= 435.000= 1,0655172, si t = 1999
d) Y= V97 + V
98
+ V
99
= 1.343.500 u.m.de 1997
donde
4
V97 = L Pi,97qi,97 = 435.000u.m.de 1997
i= 1
4
V98 = LPi,97Qi, 98 = 445.000u.m.de 1997
i=l
4
V99 = LPi,97Qi,99 = 463.500u.m.de 1997
i=l
e) V = + + = 1.535.000 u.m.corrientes
donde
4
= L Pi, 99Qi, 97 = 498.000u.m.de 1999
i= 1
4
= L Pi, 99Qi,98 =
i= 1
= 405.200+472.500+581.700+ 701.200=
= 208.000 + 117.500+98.600 + 84.000= 508.100 u.m. de 1999

NUMEROS fNDICES
4
= L Pi,99Qi, 99 = 528.900u.m.de 1999
i= 1 '
f)
P},97 = Jpi,97 97 = 1, si t = 1997
J1,0816092.1,0786517 = 1,0801294, si t = 1998
J1,1448276.1,1411003 = 1,1429624, si t = 1999
4. Una nave industrial ha sido aIquilada para su explotaci6n aIprecio de
750.000 u.m.en eIano 1996.SielIndicede precios al consumo ha evolucio-
nado de este modo:
Afio fndice de Precios aIConsumo (Base1996)
t P91 en tantos por uno
1996 1
1997 1,06
1998 1,11
1999 1,20
lCmUseraelprecio de alquiler para 1999,sieneseano serevis6elprecio
de acuerdo con los incrementos de precios al consumo?
Soluci6n:
Sera el nuevo precio para 1999:
750.000 = 750.0001,2= 900.000u.m.
5. Demostrarque:PL' Qp =Pp' Q
L
=PF' QFsiendo PLY QL losindices de
Laspeyres de precios y cantidad, Pp YQp los indices de Paasche de precios
y cantidad respectivamente, y PF YQF los indices de Fisher de precios y
cantidad.
,
t1
I, NUMEROS fNDICES 257

B export6 a A
Soluci6n:
LPitqio LqitPit LPitqit
i i i 1990 1994
P
L
= LPioqio' Qp= LqioPit :;. PLQp= LPioqio Productos
I
i
Precio Cantidad Precio Cantidad

l' 15 600 20 750
LPitqit LqitPio
_ i , i 2' 35 200 45 400
:;. PpQL= PLQp

r,- LPioqit QL= LqioPio
i
LPitqit
.i. _
P
F
= JpLP
P
=
LPitqio
i
----.LPioqit'
i
LqitPit
i
QF = JQLQp =
LqioPit
i
De donde
LPitqit
PF.QF =.:... =PL" Qp=Pp.QL
Pioqio
6. EI intercambio comercial entre dos paises A y B,se recogen en la infor-
maci6n siguiente (enmiles de u.m.)
A export6 a B
1990 1994
Productos
Precio Cantidad Precio Cantidad
1 10 500 15 500
2 25 150 32 200
3 30 400 35 500
Sepide:
a) Calcularlos indices de precios de Laspeyres y Paaschede exportaci6n
de A yB,y de B a A,con base 1990(en tantos por uno).
b) Calcularlos indices cuanticosrespectivos (en tantos poruno).
e) l,Existedeficit 0 superavitcomercial parael pais A,en 1990y 1994?
Soluci6n:
a) fndice de Precios de Exportaci6n de A a B
94 _ 15500+32150+35400 7.500+4.800+14.000
PL, 90 - 10. 500+25. 150+30.400
5.000+3.750+12.000
26.300
= 20.750 1,2674699
= 15500+32200+35500 7.500+6.400+17.500 p
94
P,90 10.500+25200+30500 5.000+5.000+15.000
31.400
= 25.000 1,256
fndices de Precios de Exportaci6n de B a A
194 =20600+45200= 12.000+9.000= 21.000,...., 2
PL, 90 15.600+35.200 9.000+7.000 16.000- 1,31 5
194 = 20 750+45400= 15.000+18.000= 33.000,....,
PP, 90 15.750+35.400 11.250+14.000 25.250- 1,306930
7
258
CASAS-sANCHEZ,1. M. y SANTOS-PEJ'l"AS, J.
b) Indices Cuanticos de Exportaci6nde A a B
94 25.000 12048193 ,
QL,90- 20.750
94 ,
31.400 11939163
Qp, 90 - 26.300
Indices Cuanticos de Exportaci6n de B a A
'94 25.250 1578125 ,
QL,90- 16.000
Q'94 33.000
P,90 =21.000 1,5714286
c) Valorexportadode A a Ben 1990:V
90
= 20.750,en milesde u.m.de 1990.
Valorexportadode Ba A en 1990: =16.000,en miles de u.m. en 1990.
Luego, en 1990 hubo superavit para A valorado en 4.750, miles de u.m.
de 1990.
Valorexportadode A a Ben 1994:V
94
= 31.400,en miles de u.m. de 1994.
Valorexportadode Ba A en 1994: = 33.000,en milesde u.m.de 1994.
Luego, en 1994hubo deficit para A valorado en 1.600,miles de u.m. de
1994.
7. Unamoneda se deprecia anualmente en un 8% respecto del afio prece-
dente.Disponemosdelos valores(enmillonesde u.m.)del patrimoniodecierta
compaiifa; estos son:
,
Afio t 11990 1991 1992 1993 1994
Valor Yr (en millones de u.m.) 30 35 38 40 46
Deflactar estos valores teniendo en cuenta la depreciaci6n anual de la
monedautilizada.
NUMEROS iNDICES 259
Soluci6n:
El valor de 1 mill6n de u.m. de 1990 sera de valordiferente que 1mill6n
de u.m. de 1991 0 1992,etc. Concretamente se deprecia en un 8% cada afio
respecto del anterior; luego el valorde 1mill6n de u.m. de 1990, pasa a ser:
a) 0,92 millones de u.m. en el afio 1991,pues 0,92 =
b) 0,8464 millones de u.m. en el afio 1992,pues 0,8464 = 0,92
2
=
c) 0,778688 millones de u.m. en el afio 1993, pues 0,778688= 0,92
3
=
d) 0,7163929millones de u.m, en el afio 1994,pues 0,7163929= 0,92
4
=
Luego, en millones de u.m. constantes de 1990,la valoraci6ndel patrimo-
nio de la compaiifaes:
Afiot 1990 1991 1992 1993 1994
Valor Yr (en millones de
u.m. de 1990) 30 32,2 32,1632 31,14752 32,954073
Donde:
V; = = Yr(0,92y-1990, t = 1990, 1991, 1992, 1993y 1994.
Siendo el Indice de precios que produce la depreciaci6n de la moneda en
el afio t en base 1990.
8. El tndicedeprecios alconsumo en tantos por uno, en tres anos consecu-
tivos ha sido:
Afto t 1992 1993 1994
1,05 1,04 1,032 IPC:_
1
Obtenerel Indice medio en estos tres afios.
Soluci6n:
El fndice medio pedido, al que denotamos IPC, debe de verificar que:
1994 1994
Il IPC:_
1
= Il IPC =(IPC)3
t=1992 t=1992
260 CASAS-sANCHEZ, 1. M. y SANTOS-PE:I'rAS, 1.
Luego:
1994
IPC = 3/ TI IPQ-1 = Vl,05 1,04 1,032 Vl,126944
t= 1992
1,0406406 (media geometrica de los indices anuales)
De este modo el fndice de precios alconsumo en el perfodo 91-94 sera:
IPC
1994
= (IpC)3
1991
ya que
IPC
1994
= IPC
1992
IPC
1993
IPC
1994
= IPCIPCIPC = (IPC)3
1991 1991' 1992' 1993
Es decir, la evoluci6n de los precios al consumo en tres alios consecutivos
ha elevado los precios de 1991 a 1994 una cantidad igual al producto de los
tres indices de la tabla; pero esta elevaci6n de precios habna resultado la
misma, a efectos de 1994, si hubieramos tenido un fndice constante interanual
igual al promedio geometrico IPC.

Capitulo 5
Estudio closlco 0 descriptivo
delas series temporales
5. 1. lntroducclen
En el presente capitulo, igual que ha ocurrido con la elaboraci6n de. los
numeros indices, vamos a seguir tratando de estudiar los fen6menos econ6mi-
cos (el consumo familiar, la inflaci6n, los tipos de interes, el paro, etc.) a 10
largo de la variable tiempo, As! como con los mimeros indices se estudia la
evoluci6n de una magnitud en una serie de perfodos de tiempo, con el estudio
descriptivo de las series tratamos de hacer predicciones del fen6meno en
estudio teniendo en cuenta sus caracterfsticas hist6ricas 0 del pasado. Lo
denominamos estudio clasico 0 descriptivo de las series temporales ya que se
ha venido empleando en exc1usividad desde la segunda mitad del siglo XIX
hasta 1970 en que aparece un nuevo enfoque debido a los estadfsticos Box y
Jenkins con sus conocidos modelos univariantes de series temporales. Estos
modelos se estudian en profundidad en los cursos de Econometna ya que
requieren un conocimiento previo de procesos estocasticos y de las distribu-
ciones de probabilidad que siguen dichos procesos.
En el tratamiento clasico 0 descriptivo que se desarrollara en el presente
capitulo se empleara el metodo tradicional de aislar 10 que se conoce con el
nornbre de componentes de una serie econ6mica temporal.
5.2. Conceptodeserietemporal y definicion
desus componentes
Se define como serie temporal (tambien denominada hist6rica, cronol6gica
o de tiempo) a un conjunto de datos, correspondientes a un fen6meno econ6-
262
mico, ordenadoseneItiempo. As!seranseriestemporaleslas ventas denuestra
empresaen cadauno de los ultimos diez alios, los costes financieros, la renta
disponible de nuestros clientes potenciales, etc. Es fundamental que los datos
esten ordenados en eI tiempo de forma que cada observaci6n debera estar
asociada a un determinado periodo. Luego en esencia una serie de tiempo es
una distribuci6n de frecuencias bidimensional (y" t) donde la variable end6-
gena Yt es la magnitud en estudio y la ex6gena 0 independiente es el tiempo
t. Pero s6lo existe unasola variableYt que constituye10que se conoce como
modeIounivariantedeserietemporalque seautoexplicaporsupropiopasado,
no existiendoningunavariableexplicativa0 ex6genaque nos permitaestable-
cer unarelaci6ncausa-efectocomo seestudi6 en la regresi6n ycorrelaci6n.Se
estudiaeIpasadohist6ricodeYt(suscomponentes)deformadescriptivaybajo
el supuesto de que su estructura va a permanecer constante se hacen predic-
ciones paraelfuturo.
En la representaci6n grafica de las series temporales se utilizan los ejes
cartesianosde la mismaforma que sevio en la regresi6n bidimensional. En el
ejedeabscisasserepresentaeltiempotylos valores delamagnitudobservada
Yten ordenadascon 10que seobtieneunaseriede puntos(t, Yt) que, al unirlos
nos dan un impacto grafico de la serie del que se puede sacar unas primeras
conclusiones de la evoluci6n hist6rica de la magnitud.
Ejemplo 5.1
La cifra de las ventas trimestrales de un supermercado en el periodo
1990-1994,expresadasen millones de pesetasconstantes de 1990,hansido los
siguientes: 60,70, 50, 80,70, 80,60, 100,50,60, 30,70, 40, 50, 25,60,90, 95,
80,110.Efectuarsurepresentaci6ngraficacomentandolaevoluci6ndelaserie.
Soluci6n:
En el grafico 5.1 sobre eIeje de abscisas se han llevado los 20 trimestres
de los cinco alios considerados y en el de ordenadas el valor de las ventas
expresadasen millones de pesetas. Puedeobservarseque las ventas oscilan de
unos trimestres a otros y que en 1991 (trimestres 5, 6, 7 Y8) aumentan en
relaci6n con los de 1990(trimestres 1,2, 3 y 4).En 1992(trimestres 9, 10, 11
Y12) la magnitud bajade nivel comparadacon los datos delostrimestres de
los dos alios anteriores ocurriendo 10mismo en 1993(trimestres 13,14, 15 Y
16).En cambio la magnitud recupera unos niveles que estan por encima de
todos los anteriores en 1994(trimestres 17,18,19y 20).
En elestudioclasico delas seriestemporalesseconsideraque laconcreci6n
de la magnitud en un determinado valor y en un determinado periodo es
consecuencia de la actuaci6n de cuatro componentes 0 fuerzas: la tendencia
ESTUDIO CLAsICO 0 DESCRIPTIVO DE LASSERIES TEMPORALES 263
Yt
110
100
90
80
70
60
50
40
30
20
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 t
GRAFleo 5.1. Serie de tiempo de las ventas trimestrales de un supermercado.
secular, las variaciones ciclicas, las variaciones estacionales y las variaciones
accidentales. 0 sea elque las ventas del 19.
0
trimestre del ejemplo 5.1sean 80
millones de pesetas tiene su origen en la actuaci6n conjunta de estas cuatro
componentes. Vamos a definirlas.
- Tendencia (1'): Es una componente de la serie que refleja su evoluci6n
a largo plazo.Este largo plazo sera distinto segun seala naturalezade la serie,
pero cuantos mas periodos setengan mejor sera el analisis, En elejemplo 5.1
la tendencia se obtendria teniendo en cuenta la evoluci6n de las ventas a 10
largo detodo elperiodode cinco alios. En elgrafico 5.2serepresentaporuna
linea recta creciente, ya que puede observarse que al considerar todo el con-
junto de observaciones las de los ultimos trimestres superan, en lfneas gene-
rales, las alcanzadas en los anteriores. Esta componente, en eI conjunto de
todaserie, puede ser de naturaleza estacionaria 0 constante (serepresentarfa
porunaparalelaalejedeabscisas),denaturalezalineal(creciente0 decreciente
segun que eIcoeficiente angular de la recta sea positivo 0 negativo), de natu-
ralezaparab6lica, de naturalezaexponencial, u otrasposibles.
- Lasvariaciones ciclicas (C): Es unacomponentede la serie que recoge
las oscilacionesperi6dicasdeamplitudsuperiora un afio.Estas oscilaciones no
son regulares y se presentan en los fen6menos econ6micos cuando se dan de
forma alternativa etapas de prosperidad 0 de depresi6n. En el grafico 5.2 se
264 CASAS-sANCHEZ, 1. M.YSANTOS-PENAS, 1.
observaunavariaci6ncfclicaenlas ventadelsupermercadocon unaamplitud
de unos dos anos y medio (la amplitud se mide trazando una paralela al eje
de abscisas equidistanteen los extremos de las ondasdel cicIoycontandolos
perfodos de tiempo existentes entre los puntos consecutivos que surgen al
cortardicha paralelaal grafico del cicIoC). La cafda de las ventas del super-
mercadoen los afios 1992y 1993tiene su origen enla recesi6n econ6micaque
sufri6 nuestro pais en los mencionados afiosyque afect6 alconsumofamiliar.
Pero la tendencia creciente de la serie hace que en 1994 las vent as alcancen
niveles superiores, en pesetas constantes, a los que existian en 1990y 1991.
- Las variaciones estacionales (E): Es una componente de la serie que
recoge las oscilaciones que se producen en perfodos de repetici6n iguales 0
inferiores a un ano, Su nombreprovieneprecisamentede las estacionesclima-
tol6gicas: inviemo,primavera, verano y otoiio. Siseconsideraelafio comoel
periodo marco 0 de repetici6n puedenobservarselas fluctuaciones de la mag-
nituda 10 largo de sus trimestrescomo ocurre en elejemplo 5.1,de sus meses,
de sus cuatrimestres, etc. Siel perfodo de repetici6n es el mes pueden obser-
varse las fluctuaciones en sus distintosdfas, decenas, etc. (por ejemplo, debido
aladisponibilidad monetaria de los individuos, el consumo de gasolina para
los autom6viles aumenta en la primera decena del mes y disminuye en la
Ultima).Sies una semanaexisten unaserie de comportamientosfluctuantes a
10 largo desusdfasprovocadosporlas costumbres,habitosindividuales: hacer
las compras los viemes y sabados, ir a los espectaculos, etc. Pueden ponerse
multitudde ejemplos en los que sedanlas variaciones estacionales como una
serie de oscilaciones que suelen ser repetitivas y regulares en perfodos cortos.
En cambiolas oscilacionesciclicas no guardanregularidady sedanen perfo-
dos largos superiores al afio.
El origen de las variaciones estacionales puede estar en factores ftsico-
naturales como son las estaciones climatol6gicas 0 en factores culturales y de
tradici6n: fiestas navidenas, vacaciones, horarios comerciales, etc. El clima
afecta a la venta de una serie de productos: los helados y refrescos se venden
.fundamentalmente en verano y la ropa de abrigo en inviemo. Si nos fijamos
en las fluctuaciones trimestrales de las ventas del supermercado del ejemplo
5.1puede observarse que de forma regular son mayores sistematicamente en
los segundosy cuartos trimestresen comparaci6ncon los primerosy terceros.
Ello es debido a la estacionalidad de las compras de las familias. En verano
estanlas vacacionesylaclientela delsupermercadosedesplazaa otroslugares
de esparcimientoquedandola poblaci6nde la zonade influencia del mercado
muy disminuida. En el cuarto trimestre seda un aumento sensible por las
comprasnavidenas, En elprimertrimestreelconsumo seretraeporla famosa
cuesta de enero al haberse quedado agotadas las disponibilidades y la paga
extraen el mes de diciembre. El segundo trimestre sesuele comportar con un
";;:tn'-'
cierto nivel de recuperaci6n respecto al primero. En consecuencia podemos
concIuir que las ventas del supermercado a los hogares fluctuan de acuerdo
con factoresde tipo culturalyde tradici6n(vacaciones, fiestas navideiias,etc.).
- Las variaciones accidentales (A):Es unacomponentede la serie tempo-
ral que recoge las fluctuaciones erraticas que se dan por la ocurrencia de
fen6menos imprevisibles (un pedido extraordinario a nuestra empresa, una
huelga, unacatastrofe,etc.).Tambien reciben el nombre de variacionesirregu-
lares, residuales 0 erraticas, Ademas de los fen6menos imprevisibles 0 extra-
ordinarios tambien existen perquefias variaciones de origen aleatorio cuyas
causas pueden ser multiples. En el ejemplo 5.1 una variaci6n accidental pro-
ducidaporuna causaextraordinaria(un granpedido de unafabrica paraque
el supermercado facilite las cestas de Navidad de su personal) es el enorme
salto de la magnitud que en el octavo trimestre pasa a ser 100 millones de
pesetas. En cambiolas variaciones accidentales son muy pequenasy afectan a
cada valor de la magnitud teniendo su origen en multiples causas.
En el grafico 5.2,aunque los valores de las componentes de la serie tem-
poral del ejemplo 5.1 son desconocidos, se realiza unarepresentaci6n te6rica
de las mismas. La tendencia T la representamos por una recta creciente a 10
largo detodoelperfododeforma queelcrecimientoconstanteparacadavalor
de t vendra dadoporelcoeficienteangulardedicha recta. La otracomponente
que tambiensemanifiestaalargo plazo esla variaci6n ciclicaC.Las variaciones
estacionales E tienen una gran importancia y sus oscilaciones siguen los pe-
nodes trimestrales de forma repetitiva. Las de menor importanciacuantitativa
son las variaciones accidentales A ya que en terminos genericos son pequefias
fluctuaciones debidas a una multitud de causas si se exceptna el movimiento
extraordinariodelperfodo numero ocho debido aun fen6meno unico yno usual
(elgranpedido de cestas de navidad que ha realizado la fabrica),
Ahora cabe hacerse una pregunta basica: l.C6mo actuan los cuatro com-
ponentes paraque como resultado den los distintos valores de la serie obser-
vada? En el estudio clasico de las series temporales se han manejado dos
hip6tesis de trabajo:
- Los valores observados de cualquierserie temporalson el resultado de
la adicion de las cuatro componentes:
Yt = T+ C + E + A [5.1]
La expresi6n [5.1] seconoce con el nombrede esquema 0 hip6tesis aditiva
para descomponer la serie observada en sus cuatro componentes. Si nos
centramosen los datosdel ejemplo 5.1significa que los valores observadosde
las ventas (60, 70, 50, 80, 70, etc.) son el resultado de sumar la componente
tendencial, la ciclica, la estacional y la accidental.
Yt
110
100
c
90
80
70
60
50
40
30
20
10
GRAFICO 5.2. Representaci6n te6rica de las componentes de La serie temporal
del ejemplo 5.1.
- Los valores observados de cualquierserie temporalson el resultado de
la multiplicaci6n de las cuatro componentes:
Yt= T x ex E x A [5.2]
Esta expresi6n [5.2] admite variantes para recoger el supuesto de que la
componente accidental 0 erratica es independiente de las demas y no sigue
ningunaregularidadperiodicacomo ocurrecon losdemas. Estaindependencia
implica que la componente A aparezca de forma aditiva:
Yt= T x ex E + A .[5.3]
Los metodos que se utilizan para aislar las componentes de las series
temporales estan basados en algunos de los anteriores esquemas aunque no
puede establecerse una generalizaci6n del problema ya que no en todas las
seriestemporales aparecentodas lascomponentes. Asi,porejemplo, sila serie
tiene periodicidad anual esta exenta de las variaciones estacionales. Para re-
solver el problema de cual debe ser el esquema 0 hipotesis a utilizaren cada
caso, si aditiva 0 multiplicativa, habra que efectuar un analisis previo de la
.serie por metodos graficos 0 analiticos. Estos procedimientos se basan en el
comportamiento de la componente estacional. Si por ejemplo se realiza una
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
ESTUDIO cLAsICO 0 DESCRIPTIVO DE LASSERIES TEMPORALES 267
representacion grafica de la serie y se observa que las oscilaciones aumentan
a 10largo de los periodos con una tendencia creciente, puede afirmarse que
esta actuando el esquema multiplicativo. Si las oscilaciones son regulares, no
expansivas a 10 largo de la serie, puede concluirse que esta actuando un
esquema aditivo. Una forma analitica de determinar el esquema de trabajo
mas adecuado es obtener las diferencias absolutas y relativas de los valores
observados entre periodos consecutivos (Yt+1 - Yt Y Y;'l). Seguidamente
se calcularia los coeficientes de variaci6n de estas dos series y si el de la
primera(Yt+1 - Yt) esinferiorqueeldelasegundaYt+1, sediraque lahip6tesis
Yt
aditiva esla mas adecuada. Porelcontrario, sielcoeficiente de variaci6n del
cociente es mas pequefio diremos que el esquema valido es el multiplicativo.
No obstante estos posibles analisis previos con la componente estacional,
debemos concluir que la inmensa mayoria de las magnitudes econ6micas se
adaptan perfectamente al esquema multiplicativo. Seguidamente vamos aver
los distintos metodos para aislar 0 determinar los componentes de una serie
temporal.
5.3. Determinacion de la tendencia
La tendencia es una componente fundamental en el estudio de las series
temporales ya que nos proporciona el hilo conductor de la evoluci6n del
fen6meno a largo plazo. Su determinacion s610 debe efectuarse cuando se
disponga de una larga serie de observaciones (seaconseja a partir de doce 0
quince afios),ya que en otro caso se podrian obtener conclusiones erroneas.
De los multiples metodos que sehanideado paratratarde aislar la tendencia
de las demas componentes vamos a tratar los mas sencillos y conocidos.
a) M etodo qrafico
Eselmetodomas sencilloparaobtenerunalinea detendenciade unaserie
temporal sin necesidad de hacer operaciones aritmeticas, Poresta raz6n esel
mas impreciso, aunquepuede darnosunaprimeraaproximaci6n al sentidode
la tendencia. El metodo tiene las siguientes fases:
- Seefectua la representaci6n grafica de la serie observada Yt.
- Se unen mediante segmentos rectihneos todoslos puntos altos de la
serie obteniendose la linea poligonal de cimas,
- Idem con los puntos bajos obteniendose la linea poligonal de Condos.
- Se trazan perpendiculares al eje de abscisas por los puntos de cima y
de fondos.
268 CASAS-sANCHEZ, 1. M. y SANTOS-PENAS, J.
- La tendencia vienedada por la linea amortiguada que une los puntos
mediosde los segmentos,esdecirla linea de tendencia tiene, por orde-
nadas lamedia aritmetica delasordenadasdelasdoslineasanteriores.
Ejemplo5.2
La serie trimestral de las ventas de una empresa son las siguientesexpre-
sadas en millonesde pesetas.
Trimestres
1991 1992 1993 1994
1.0
2.
3.
4.
50
80
70
60
20
50
40
30
50
70
50
40
70
100
90
60
Representar la tendencia deforma grafica,
Solucion:
En el grafico5.3pueden observarse los siguienteselementos:a) La repre-
sentaci6n grafica de la serie observada. b) La linea poligonal C de cimas
Yt
,/,C
100
T
90
80
70
60
50
40
30
20
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
GRAFlCO 5.3. Serie de tiempo de las ventas trimestrales de un supermercado.
i
o puntos altos. c) La linea poligonal de fondos F 0 de puntos bajos. d) Los
puntos medios delos segmentosde uni6n (P l'P2' P3' P4' Ps, P6 YP 7) delas
lineas CyF. e) Y,porUltimo la lineaque une dichos puntosmedios que nos
indicala direcci6n de la tendencia que espredominantemente creciente.
b) Metoda de las medias m6viles
Es un metodo de naturaleza mecanica que consiste en sustituir la serie
temporalobservada por una amortiguada0 suavizada obtenidapor elcalculo
reiterado de valores medios y que nos representa la tendencia. Su aplicaci6n
consiste en10siguiente:
- Partimos de la serietemporal observada Yt.
- Se obtienen sucesivasmedias aritmeticas paracada Yt con un numero
deobservacionesanteriores yposteriores queseha fijadodeantemano.
Sielnumero de observaciones utilizado esimpar la media .vt obtenida
coincide(estacentrada) con elperfodo t. Sielmimero utilizado espar
la .vt no coincide con el perfodo t (esta descentrada) y hay que volver
a calcular una nueva media aritmetica }It utilizando los .vt con 10que
se obtiene una seriede medias m6vilescentradas con los perfodos de
tiempo. Las observaciones que se utilizan para obtener las medias
aritmeticas suelecoincidir con los perfodos inferioresal afio que con-
tienela serie(por ejemploseran tres sison cuatrimestres, cuatro sison
trimestres, doce si son meses,etc.); siel perfodo de repetici6n fuesela
semana, las medias seobtendrfan con todos sus dfas,
- La serieformada por .vt 0 por }It, segunsea impar0 parelmimero de
observaciones utilizadas, nos indica la linea amortiguada de la ten-
dencia.
Ejemplo5.3
Las ventas trimestrales de una fabrica de calzado expresadas en millones
de pesetas paralos afios 1992, 1993y 1994son las siguientes:

Trimestres
1992 1993 1994
1.er trimestre 150 155 160
2. trimestre 165 170 180
3.
er
trimestre 125 135 140
4.trimestre 170 165 180
Obtener las series de tendencia por el metoda de las medias m6viles em-
pleando tres ycuatroobservaciones.Comentarlasventajas einconvenientes de
utilizar mas 0 menos observaciones en el calculo de las medias aritmeticas,
Soluci6n:
Empleando tres observaciones
Como seha indicado anteriormente la ventajaesque al ser datos impares
la seriede medias m6vilesesta centradacon losperiodos delas observaciones.
El inconvenienteesque al ser trimestres deberian tomarse cuatro observacio-
nes para promediar todas las variaciones de las cuatro estaciones con objeto
de eliminarlas (no se olvide que nuestro objetivo es aislar la componente
tendencial de todas las demas). No obstante como ejercicio vamos a emplear
s610 tres observaciones de forma sucesiva ya que al ser impares la serie }it
quedaautomaticamente centradacon los distintos perfodos 0 valores de t.
- Yl +Y2+Y3
150 + 165 + 125 _
Y2= 3
3 = 146,6
165 + 125 + 170 _
- Y2+Y3+Y4
Y3= 3
3 = 153,3
- Y3+Y4+Ys
125 + 170 + 155
---3--- = 150
Y4= 3
- Y4+Ys +Y6
170 + 155 + 170
Ys = 3 3 = 165
155+170+135 _
- Ys +Y6+Y7
Y6= 3
3 = 153,3
170 + 135 + 165 _
- Y6+Y7+Ys
Y7= 3
3 = 156,6
- Y7+Ys +Yg
135 + 165 + 160 _
Ys = 3
3 = 153,3
- Ys +Yg+Yl0
165 + 160 + 180 _
Yg= 3 3 = 168,3
- Yg+Yl0 +Yl1
160 + 180 + 140
Yl0 = 3 3 = 160
- Yl0 +Yll +Y12
180 + 140 + 180 _
Yll = 3
3 = 166,6
,,,,-,,.;,,,":'
ESTUDIO CLAsICO 0 DESCRIPTIVO DE LAS SERIES TEMPORALES 271
Puede observarse que en esta nueva serie de medias m6viles cada }itse
obtienedel anteriorsinmas que suprimirelprimervalor yanadirelsiguiente.
Tambienobservamosque paraelperfodo uno yeldoce no existeningunvalor
de }it, con 10 que a medida que se aumenta el mimero de observaciones
utilizados para obtener las medias m6viles, mas valores se pierden por los
extremos, aunque frente a este incoveniente existe la ventaja de obtener una
serie mas amortiguada 0 suave para indicar la tendencia. Esta viene dada
graficamente teniendo los puntosdeterminados por}i2'}i3, ..., }ill como puede
observarse en el grafico 5.4.
Yt
Yt
200
s.
175
150
125
100
2 3 4 5 6 7 8 9 10 11 12
GRAFIeo5.4. Representaci6nde latendencia atraces delasmedias m6vilesY, obtenidas
con tres observaciones.
Empleando cuatro observaciones
En esteejemplo alserdatostrimestrales,10mas correctoesemplearcuatro
observaciones paraobtener las sucesivas medias m6vi1es. El inconveniente es
quealserunmimero pardedatoslaprimeraserie}it' estadescentradarespecto
a los perfodos de tiempo y hay que volver a promediarlos distintos }it'dos a
dos para obtener una nueva serie de medias m6viles }It que se corresponden
con los periodos de los datos observados. La serie }it'descentrada sera:
CASAS-sANCHEZ, 1. M. Y SANTOS-PENAS, J. 272
_ Yl+Y2+Y3+Y4150+165+125+170
Y2,s = 4 = 4 = 152,5
_ _ Y2 + Y3 + Y4 + Ys 165 + 125 + 170 + 155
Y3,s - 4 = 4 = 153,75
__ Y3+Y4+YS+Y6 125+170+155+170
Y4,S - 4 = 4 = 155
__ Y4+YS+Y6+Y7 170+155+170+135
Ys,s - 4 = 4 = 157,5
__YS+Y6+Y7+YS 155+170+135+165
Y6,S - 4 = 4 = 156,25
_ _ Y6 + Y7 + Ys + Yg 170 + 135 + 165 + 160
Y7,s - 4 = 4 = 157,5
_ Y7 + Ys + Yg + YIO 135 + 165 + 160 + 180
Ys,s = 4 = 4 = 160
_ _ Ys + Yg + YlO + Yll 165 + 160 + 180 + 140
Yg,S - 4 = 4 = 161,25
-,
_ _ Yg + YIO + Yll + Y12 160 + 180 + 140 + 180
YIO,S - 4 = 4 = 165
En esta serie de medias m6viles con cuatro observaciones (mimero par)
puede verse que dichas medias se corresponden con periodos ficticios, que no
existen en la serie observada que son t' = 2,5; 3,5; ...; 10,5. 0 sea, que la primera
media aritmetica 152,5 corresponde a un periodo irreal que esta justo entre el
periodo dos y el tres; la segunda 153,75 esta en un t' = 3,5 que esta entre el
tres y el cuatro, etc. Para centrar estas medias con los periodos reales de las
observaciones se vuelven a promediar los valores Yt' dos ados obteniendose
la serie Yt que esta centrada en los periodos observados t:
= _ Y2,s + hs 152,5 + 153,75
Y3 - 2 = 2 . = 153,125
= _ hs + Y4,S 153,75 + 155
Y4 - 2 = 2 = 154,375
ESTUDIO CLAsICO 0 DESCRIPTIVO DE LAS'SERIES TEMPORALES 273
= Y +-
Ys = 4,5 Ys,s 155 + 157,5 = 156,25
2 2
= _ Ys,s + hs 157,5 + 156,25
Y6 - 2 = 2 = 156,875
= _ hs + Y7.s 156,25 + 157,5
Y7 - 2 = 2 = 156,875
= _ Y7,S + Ys,s 157,5 + 160
Ys - = = 15875
22'
= _ Ys,s + Yg,S 160 + 161,25
Yg - 2 = 2 = 160,625
= _ Yg,S + YlO,S 161,25 + 165
YlO - 2 = 2 = 163,125
Esta serie Yt centrada en los periodos t es la que nos representa la tendencia
como se indica en el grafico 5.5. Puede verse que se han perdido cuatro
observaciones: las de los dos primeros periodos y las de los dos nltimos. Si la
comparamos con la serie Yt que nos indica la tendencia utilizando tres valores
observados vemos que es mucho mas suave 0 amortiguada ya que sus valores
maximos y minimos son 163,125 y 153,125 mientras que en aquella son 168,3
y 146,6; pero en esta se pierden cuatro valores y en aquella s610 dos.
En resumen se debe resaltar que el metodo mecanico de las medias m6viles
tiene como objetivo aislar la componente tendencial de todas las demas me-
diante la suavizaci6n 0 amortiguamiento de la serie observada. Al ir prome-
diando los valores observados de forma sucesiva se eliminan los efectos de las
otras componentes cuando existan: variaciones estacionales, accidentales y
ciclicas. Si los datos se observan en periodos inferiores al afio, en el supuesto
de que el periodo de repetici6n sea este (meses, trimestres, cuatrimestres, etc.)
es conveniente que para calcular las medias m6viles se emplean tantas obser-
vaciones como estaciones consideradas (12 para los meses, 4 para los trimes-
tres, 3 para los cuatrimestres, etc.) ya que se consigue una adecuada elimina-
ci6n de la componente estacional que normalmente se presentara de una forma
regular en dichos periodos. Hay que tener presente centrar la serie de medias
m6viles cuando los datos sean pares ya que cualquier dato se debe correspon-
der con toda exactitud con su periodo correspondiente.
Otra cuesti6n muy distinta es cuando los datos de la serie son anuales y
queremos obtener la tendencia a traves de las medias m6viles. AI ser observa-
ciones de perfodo anual no existe componente estacional ya que no se dan
274 CASAS-sANCHEZ, J. M. y SANTOS-PEN'AS, J.
YI
YI
200
YI
175
150
125
100
2 3 4 5 6 7 8 9 10 11 12
GRAFICO 5.5. Representacion de la tendencia a traces de medias m6vilesYt obtenidas
con cuatro observaciones.
perfodos inferiores al aiio. i., Cuantos aiios se deben tomar para calcular las
medidas m6viles? Lo ideal es tomar los mismos aiios que tenga la amplitud
del cicIocompleto pero no siempre esfacildeterminarlo. Lo que sue1e hacerse
es obtener varias series de medidas m6viles con distinto mimero de observa-
ciones(tresafios,cinco,siete,etc.)yelegirlaqueestemas suave 0amortiguada
observando sus valores extremos.
Como se ha indicado en la introducci6n al presente capftulo el objetivo
fundamental del estudio de las series de tiempo es hacer predicciones de la
correspondientemagnitud. Elprincipalinconvenientedel metoda mecanico de
las medias m6viles es que no permite efectuar dichas predicciones ya que no
obtenemos la estimaci6n de la tendencia a traves de unafuncion matematiea
sino a traves de una serie amortiguada. Este hecho hace que se utilice poco
paradeterminar la tendencia cuando se quieran realizar pron6sticos de evo-
luci6n de cara al futuro; pero sf se utiliza cuando queremos obtener fndices
de variaci6n estacional como se vera en e1 pr6ximo epfgrafeal estudiardicha
componente. Los programas de ordenador para desestacionalizar series de
tiempo estan basados en el principio de las medias m6viles.
'F!'':--'''-
ESTUDIO CLAsICO0 DESCRIPTIVO DE LASSERIES TEMPORALES 275
c) El metodaanaliticode losminimoscuadrados
Este metodo tienela ventaja, encomparaci6ncon e1 delasmedias m6viles,
de que expresa la tendenciaa traves de unafunci6n matematicaque relaciona
la magnitud que se esta estudiando con el tiempo t que aetnacomo variable
independiente.Elajuste10realizamos pore1 metodadelosmfnimoscuadrados
que ya se estudi6 en la regresi6n entre dos variables estadfsticas. En primer
lugar conviene representar graficamente la serie temporal observada con ob-
jeto de decidir que tipo de funci6n es la mas adecuada: de tipo lineal, para-
b6lico, etc. Aquf s610vamos a tratar el ajuste lineal ya que representa a la
mayorfa de los fen6menos econ6micos. Como ya sabemos e1 metodo mfnimo
cuadratico consiste en minimizar la soma de los cuadrados de las diferencias
entre los valores observados en los distintos perfodos y los estimados porla
ecuaci6n de la recta..
Y
t
= a+ bt [5.4]
siendo las ecuaciones normales:
n n
L Yt= na+ b L
t;1 t;1
[5.5]
n n n
2
LYt' t = a L t + b L t
t;l t;l t;l
donde nes el total de observaciones que coincide con el nnmero de perfodos
de tiempo.
Elsistemadeecuaciones normales[5.5] sesimplificaefectuandoun cambio
de variable t' = t- O, si e1 nnmero de perfodos es impar siendo O, el valor
que ocupaellugar centralde la seriedeinstantes 0 perfodos t,y t' = 2(t- 0;)
cuando es parde forma que L
n
t' = O. El origen de trabajo 0; esen e1 caso
t';l
de lospares la media aritmeticadelos dos valores que ocupanlos dos lugares
centrales de la serie de perfodos t. Haciendo este cambio de variable e1 siste-
ma [5.5] al ser L
n
t' = 0 queda reducido a:
t'=l
L
n
Yt= na
t=l
[5.6]
L
n
Yt' t' = b L
n
t,2
t=1 t'=1
276 CASAS-sANCHEZ, 1. M. y SANTOS-PEJIlAS, 1.
Despejando los parametres de la recta que son las inc6gnitas del sistema
queda:
n
L Yt
t= 1
a=--- [5.7]
n
n
L Y/
~
n
[5.8]
L
' 2
t
t'= 1
que nos permite establecer la recta estimada:
Yt = a + bt' [5.9]
y deshaciendo el cambio de variable tendremos la ecuaci6n que nos da la
tendencia:
Yt = a + b(t - Ot) [5.10]
Yt = a + 2b(t - 0;) [5.11]
segnn que el numero de instantes 0 periodo sea impar 0 par respectivamente.
Cuando las observaciones estan en periodos inferiores al ano (meses, tri-
mestres, cuatrimestres, etc.) antes de hacer el ajuste conviene calcular las
medias anuales para eliminar la componentes estacional que nos puede dis-
torsionar el mismo empleando en las expresiones [5.7] y [5.8] dicha media Yt
en vez de los datos observados Yt. Esta operacion se efectna como se indica
en el ejemplo 5.4. Si las observaciones son anuales se utilizan directamente
dichos datos ya que no existe el problema estacional.
Como se ha indicado al principio la gran ventaja de este metodo es que
nos permite hacer predicciones de cara al futuro de la magnitud en estudio,
puesto que basta sustituir en las expresiones [5.10] y [5.11] eJ valor de t gor
esos periodos futuros que nos interesan, Tambien podemos dar una medida
de fiabilidad de dichas predicciones a traves del coeficiente de determinaci6n
que en este caso sera:
R2 = (St,Yt
[5.12]
S;.S2
Y,
ESTUDIO cLAsICO 0 DESCRIPTIVO DE LAS SERIES TEMPORALES 277
siendo:
L
n
t'y,
St'Y = ~ - (l'y) [5.13]
, n
' 2
L
n
t
S; = !..=..!....- - (l'f [5.14]
n
L
n
Y;
_ t = 1 -2
S
2
Y, - --n-- - Yt [5.15]
El significado de las anteriores expresiones ya se estudio en su momento
cuando la regresi6n y correlaci6n lineal simple entre dos variables estadisticas.
La unica diferencia es que aqui la variable independiente no es una magnitud
econ6mica sino el tiempo.
Ejemplo 5.4
En los datos de la serie temporal del ejemplo 5.3 obtener la tendencia lineal
ajustando la correspondiente recta por el metoda de los mfnimos cuadrados.
En la funci6n estimada hacer una predicci6n de las ventas medias trimestrales
para 1997 comentando la fiabilidad de la misma.
SoLuci6n:
a) Estimaci6n de La tendencia
La tendencia vendra dada por la recta Yt = a + bt siendo Yt la media anual
de las observaciones trimestrales del ejemplo 5.3:
- Yl + Y2 + Y3 + Y4
150 + 165 + 125 + 170
Yl = 4
4 = 152,5
- Ys + Y6 + Y7 + Ys
155 + 170 + 135 + 165
Y2 = 4
4 = 156,25
- Yg + YIO + Yu + Y12
160 + 180 + 140 + 180
Y3 = 4
4 = 165,00
278
CASAS-sANCHEZ,1.M. ySANTOS-PENAS,1.
Como e1 mimero de perfodos esimparparafacilitar los calculos hacemos
e1 siguiente cambio de variable:
t
'
= t - 0,= t - 1993
obteniendose la siguiente tabla:
t .v, t'
.v" t'
t'2
-2
Y,
1992
1993
1994
152,50
156,25
165,00
3
I.v,=473,75
.=1
-1
0
1
3
I t'=0
t' :=: 1
-152,50
0
165,00
3
I Y,' t' =12,5
'=1
1
0
1
3
I t,2=2
,'=1
23.256,25
24.414,06
27,225,00
3
I y; =74.895,31
'=1
Aplicando las expresiones 5.7y 5.8tenemos
3
L.v, 473,75= 157,92
= 3-
3 I
L .v" t 12,5= 6,25
,=1 =
b = 3 2
L t'2
,'=1
Luego:
.v, =a+bt' = 157,92+6,25t'
Deshaciendo el cambio de variable segtin la expresi6n [5.10J tendremos la
siguiente estimaci6n de la tendencia:
.v, = 157,92+6,25(t- 1993)= 157,92- 12.456,25+6,25t =
= - 12.298,33 +6,25t
b) Predicci6n de las ventas para 1997
Seobtienensustituyendoenla tendenciaestimadaelparametrot por 1997:
YI997 = -12.298,33 +6,25x 1997=
= -12.298,33 +12.481,25 = 183millones de pesetas

ESTUDIO CLAsICO 0 DESCRIPTIVO DE LASSERIESTEMPORALES 279
Luego la predicci6n de las ventas medias trimestrales para 1997esde 183
miUones?e pesetas. Multiplicando por cuatro tendremos los de todo elana:
183 x 4 = 732millones de pesetas
c) Fiabilidad de fapredicci6n
Para conocer la fiabilidad de la predicci6n calculamos el coeficiente de
determinaci6n a traves de las expresiones [5.12J, [5.13J, [5.14J y [5.15].
L
3
.v,.t '
,=1 -
Srji, = all- a
10a01
= 3 - r .y=
12,5 473,75
=--0--=416
3 3 '
3
L
' 2
t
- 1 2 2
S2 = ---- - (1')2 = - - 0 = 066
"
"3 3 '
3
L .v; 74.895,31 _ (157,9f =
S2 = !..=..!....- - .v
2
= 3
ji, 3
= 24.965,10- 24.932,41 = 32,69
2 _ (SrjiY _ (4,16f _ 17,30_
R - S2.S2 - 066 x 3269- 2179- 0,7939
t"t' , ,
Seobservaque elcoeficientede determinaci6nesta enelminimoaceptable
con 10que elgrado de fiabilidad de la predicci6n no esmuy elevado.
Como ya se indic6 al definir la componente tendencial, esta puede seguir
un modelo estacionario 0 de media constante, siendo unaparalelaa la altura
de la ordenada en origen ya que e1 coeficienteangular de la recta sena cero.
La estimaci6n de media constante se realizarfa por minimos cuadrados a
traves.de la expresi6n [5.7]. La [5.8Jsenanula. Puedeseguirun modelolineal
y como hemos visto la estimamos globalmente ajustando una recta por el
metoda de los minimos cuadrados.
Sila tendencia es exponencial seguira un modelo de la forma:
y,= e
a
+
b
' [5.16J
280 CASAS-sANCHEZ,J. M. ySANTOS-PENAS,J.
Tomando logaritmos neperianos en la expresi6n [5.16] el modelo de ten-
dencia exponencial pasa a ser lineal en el logaritmo neperiano de la variable:
InYt= (a+bt)lne= a+bt [5.17]
Enlaexpresi6n [5.17]seaplica elmetododelosminimoscuadradoscomo
ya conocemos paraestimarayb.
En la estimaci6n de la tendencia y con objeto de hacer predicciones en
periodosmas cortos quelos que sesuelenemplean enlos ajustes defunciones
de forma global, seemplean los alisados exponencialesde la serie observada.
Aunque estos metodos de analisis de la tendencia no los vamos a desarrollar,
indicaremos que el suavizado de la variable observada se obtiene calculando
una media ponderada con los datos de los distintos periodos anteriores a t y
la observaci6n de dicho periodo. Las observaciones mas cercanas a t son las
que mas se ponderan.
5.4. Determinaciondelasvariaclones
estacionales
Cuando sedefini6 esta componente seestableci6 que eran oscilaciones de
la magnitud en estudio en periodos de repetici6n de un afio (cuatrimestres,
trimestres y meses) 0 inferiores (por ejemplo el periodo de repetici6n puede
ser el mes y sus componentes las semanas, etc.).Cuando se pretende en los
fen6menos econ6micos analizarsu evoluci6n real hay que eliminar la compo-
nente estacional ya que sus fluctuaciones puedendistorsionarla. Este proceso
recibeelnombre de desestacioualizaciende la serieobservada. Porejemplo si
se observan las ventas trimestrales del supermercado del ejemplo 5.1 vemos
que en 1990al pasar del tercer trimestre al cuarto aumentan en 30millones.
l.Q6e ha ocurrido?, l.este aumento se debe a la eficacia publicitaria y de
personal de la empresa 0 a que en el cuarto trimestre estan las fiestas de
Navidadyelconsumo familiar aumenta?Estaclaro que siseobserva la serie
el segundo y cuarto trimestre son estacionalmente altos y el primero y el
tercero son estacionalmente bajos.Luego sisequiere analizarlaevelucienreal
delas ventas del supermercado hay que desestacionalizar la serie con 10que
sepodrancomparar los distintos trimestres.
Antes de proceder a la determinaci6n de las variaciones estacionales hay
que asegurarse de que existen haciendo una representaci6n grafica de los
valores observados y viendo la regularidad en las oscilaciones. En ciertas
ocasiones la estacionalidad no tiene regularidad variando de posici6n y am-
plitud en las oscilaciones de un periodo de repetici6n a otro. Por otro lado
hay que determinar si la que aetna es la hip6tesis aditiva, multiplicativa 0
ESTUDIO cLAsICO 0 DESCRIPTIVO DE LASSERIESTEMPORALES 281
mixta (multiplicativaen loscomponentes a largo plazo yaditiva en las varia-
. ciones accidentales). En los dos metodos que sevan a explicar seguidamente
paradeterminar las variaciones estacionalesseestablecen las hip6tesis de que
laestacionalidadesregular 0estableeneltiempo y10que aetnaeselesquema
multiplicativo, al que seadaptanla mayoriadelosfen6menos econ6micos, en
elmetododelas medias m6vilesyeladitivo cuandosehace un ajuste mmimo
cuadratico para determinar los componentes a largo plazo.
a) Metoda de la raz6n a la media m6vil para determinar la componente
estacional en una serie temporal
Este metodo aisla la componenteestacional mediante la eliminaci6n suce-
siva de las demas componentes. En la aplicaci6n del metodo se siguen los
siguientes pasos:
- Sedetermina la tendencia porel metoda de medias m6viles centradas
en los periodos LYt).
- Sedivide (hip6tesis.multiplicativa de actuaci6n de las componentes) la
serieobservadaY
t
porsu correspondiente media m6vil centradacon 10
que estamos eliminando de forma conjuntalas componentes del largo
plazo (tendencia yciclo).Seesta considerandoque latendenciaa traves
de las medias m6viles nos representa tambien a la componente cfclica
con 10que seesta eliminandode la serieobservadaelconjunto T x C:
Yt TXCXEXA=EXA
[5.18]
TxC TxC
Comoseobservaen laexpresi6n [5.18] enla serieobservada, unavezque
seha eliminado la componente mixta tendencia-ciclo (T x C) sigue quedando
la componente accidental A. Luego el paso siguiente sera:
- Con objeto de eliminar la componente accidental de la serie se
Yt
calculan las medias aritmeticas a nivel de cada estaci6n (la media de
todos los cuatrimestres, trimestres,meses,etc.). Silas observaciones son
trimestrales tendremos cuatro medias(Ml'M2' M3 YM4); sison cuatri-
mestrales seran tres;sison mensualesseran doce,etc.Estas medias nos
representan deforma aisladalaimportanciadelacomponenteestacional.
- Obtenci6n de los indices de variaci6n estacional: Se calcula la media
aritmeticaanual MA de las medias estacionales Ml'M2' M3'... que sera la
basedelosindicesdevariaci6nestacionalexpresadosentantospor100:
M
1
M
2
1
1
= MA x 100, 1
2
= MA x 100;...;etc.
282 CASAS-sANCHEZ, 1. M. y SANTOS-PENAS, 1.
Habra tantos indices como estaciones 0 medias estacionales tengan las
observaciones y nos indicaran la importancia de la variaci6n estacionalal
pasar a un perfodo a otro. Si un Indice expresado en tantos por 100 nos da
80 qui ere decir que por el mero hecho de ser esa estaci6n la magnitud en
estudio es un 20 por 100 mas baja de su tendencia media. Una vez obtenidos
los indices de variaci6n estacional puede desestacionalizarse la serie observada
dividiendo cada valor de la correspondiente estaci6n por su Indice correspon-
diente expresado en tantos por uno.
Ejemplo 5.5
De la serie de ventas trimestrales del ejemplo 5.3 obtener los indices de
variacion estacional por el metodo de la raz6n a la media m6vi1. Desestacio-
nalizar con dichos indices la serie observada.
Soluci6n:
Las medias m6viles centradas utilizando las cuatro observaciones, }It, ya
estan calculados en el ejercicio 5.3 y son las siguientes:

Trimestres
1992 1993 1994
1.0
- 156,25 160,625
2. - 156,875 163,125
3. 153,125 156,875 -
4. 154,375 158,75 -
Esta serie nos representa las variaciones de los componentes a largo plazo
T x C. Dividiendo la serie observada Yt del ejercicio 5.3 por }It tenemos:

Trimestres
1992 1993 1994

1.0
- 155/156,25 160/160,625
2. - 170/156,875 180/163,125
3. 125/153,125 135/156,875 -
4. 170/154,375 165/158,75 -
ESTUDIO CLAsICO 0 DESCRIPTIVO DE LAS SERIES TEMPORALES 283
Realizando las sucesivas divisiones queda:

Trimestres
1992 1993 1994
1.0
- 0,9921 0,9970
2. - 1,0837 1,1035
3. 0,8163 0,8606 -
4. 1,1012 1,0400 -
Esta serie recoge de forma aislada la componente estacional pero todavfa
unida a la accidental que no ha sido eliminada. En definitiva es un Indice
expresado en tantos por uno en el que la base de comparaci6n es la tendencia
y el cicIo representados por las medias m6viles centradas en los perfodos de
tiempo. Estos indices brutos ya nos arrojan mucha informaci6n sobre la
componente estacional. Puede observarse que los trimestres primero y tercero
son estacionalmente bajos al ser los indices menores a la unidad y los segundos
y cuartos son altos al superar la mitad. Estas variaciones presentan regularidad
ya que se mantienen en los distintos anos.
Las variaciones accidentales las eliminamos obteniendo las medias aritme-
ticas de los cuatro trimestres:
0,9921 + 0,9970 = 0,9945
M1 = 2
1,0837 + 1,1035 = 1,0936
Mz = 2
0,8163 + 0,8606 = 0,8385
M3 = 2
1,1012 + 1,0400 = 1,0706
M4 = 2
A partir de las anteriores medias calculamos la media aritmetica anual que
sera la base para obtener los indices de variaci6n estacional:
MA=M1+Mz+M3+M4
-----"----=-4-....::....--..::::
0,9946 + 1,0936 + 0,8385 + 1,0706
- 4 = 0,9993
284
Tomandocomo basedecomparaci6nestamedia aritmetica anual obtenemos
los verdaderos indices de variaci6n estacional expresados en tantos poruno:
11 = M1 = 0,9946 _
MA 0,9993 - 0,9953
1 = M2 = 1,0936 _
2
MA 0,9993 - 1,0944
"I
1 =M3 = 0,8385 _
3
MA 0,9993 - 0,8391
1 =M4 =1,0706_
4
MA 0,9993 - 1,0714
Expresados en tantos por 100 seran:
11= 99,53; 1
2
= 109,44
i
1
3
= 83,91; 1
4
= 107,14
El 11significa que en los primeros trimestres las ventas realizadas practi-
camente no estan sujetas a las variaciones estacionales ya que el indice es
practicamente la unidad en tantos por uno 6 100 en tantos por 100; s610
'1 descienden un insignificante 0,47 por 100.El 1
2
significa que porel hecho de
1
r
!,I
'<
i
ser segundos trimestres, con independencia de la polftica comercial que siga
la empresa,las ventas aumentanen un 9,44por100.El1 significaque en los (
3
Iii:!
terceros trimestresla estacionalidadafecta deforma significativa las ventas de
laempresaya que bajanun 16,09por100.Porultimo observandoel1 vemos
4
que la estacionalidad en dicho trimestre es alcista empujando a las ventas en
un 7,14 por 100.
Porultimo vamos a desestacionalizarla serie observadaen elejemplo 5.3.
Comoestamosdentrodela hip6tesismultiplicativaparaeliminarlainfluencia
estacional en las ventas observadas las dividimos en cada estaci6n por su
respectivo indice de variaci6n estacional expresado en tantos por uno:
~
Aiios
Trimestres
1992 1993
,
1994
1.0
2.
3.
4.
150/0,9953
165/1,0944
125/0,8391
170/1,0714
155/0,9953
170/1,0944
135/0,8391
165/1,0714
160/0,9953
180/1,0944
140/0,8391
180/1,0714
> ~ r
Efectuando las divisiones queda la siguiente serie de ventas desestaciona-
lizada:
~ s
Trimestres
1992 1993 1994
1.0
150,71 155,73 160,76
2. 150,77 155,34 164,50
3. 148,97 160,89 166,85
4. 158,67 154,00 168,00
La anteriorserie representa las ventas de la empresa prescindiendo de las
oscilaciones estacionales pudiendose comparar los datos de los distintos pe-
nodes, Se llega a la concIusi6n que existe una tendencia real alcista con
pequenas oscilaciones motivadas porcausas accidentales.
b) Metoda de la tendencia por ajuste mlnimo cuadrdtico para determinar
la componente estacional en una serie temporal bajo la hip6tesis aditioa"
Nuestro objetivo sigue siendo aislar la componente estacional de la serie
poreliminaci6n sucesiva de todos los demas, La diferencia con el metodo de
la raz6n a la mediam6vil es que en este caso las componentes a largo plazo
(tendencia junto con cicIo) las obtenemos mediante un ajuste por minimos
cuadrados de las medias aritmeticas anuales )it y se aetna bajo la hip6tesis
aditiva. Luego los pasos a seguir son los siguientes:
- Se calculan las medias anuales de los datos observadosYt: )iI' )i2' )i3' ...
Silas observaciones son trimestralesestas medias se obtienencon cua-
tro datos,sison mensuales con doce, etc.Serfaelcaso de que elperfodo
de repetici6n es el afio. Si es otro las medias se obtendrfan con sus
componentes.
- Se ajusta una recta porminimos cuadrados )it = a +bt empleando el
proceso y formulaci6n [5.7J y [5.8J que ya se estudi6 en su momento
que nos representa a la tendencia. Sabemos que el coeficiente angular
b de la recta nos mide el incremento medio annal de la tendencia que
influira de distintaforma al pasarde una estaci6na otracomo se vera
mas adelante.
- Secalculan con los datos observadoslas medias estacionales(Ml'M2'
M3' ..., etc.) con objeto de eliminar la componente accidental. Estas
mediasaritmeticas son brutasya que siguen incIuyendo los componen-
I Existe tambien el metodo de la raz6n a la tendencia que es equivalente al de las medias
m6viles y acnian con la hip6tesis multiplicativa.
tes a largo plazo (tendencia y cicIo) y tienen que someterse a una
correcci6n de las mismas.
- Empleando el incremento medio anual dado por el coeficiente se ob-
tienen las medias estacionales corregidas de las componentes a largo
plazo (M'l' ~ ~ ...,etc.)bajo el esquema aditivo (seresta):
M', = M 1 ya que estamos en la primeraestacionyno esta influida por
la tendencia con 10 que no hay que restar nada.
1 b
~ =M 2 - d . ya que hemos pasado de la primera es-
n. e estaciones
taci6n a la segunda hay que restar la parte proporcional del
incremento anualde la tendencia.
2b
~ = M 3 - d . ya que como ~ pertenece a la tercera
n." e estaciones
estaci6nhantranscurrido dos estaciones luego hay que restar de
la media sincorregirM 3 dos proporciones del incremento anual
2b
de la tendencia, 0 sea n." de estaciones
Parala r-esima estaci6n la media estacional corregida de la tendencia
interestacional sera:
(r - l)b
M; = M, - n." de estaciones
- Los indices de variaci6n estacional se obtienen con la mismasistema-
tica utilizadaenelmetododeIaraz6nalamedia m6vi1: con lasmedias
estacionales corregidas se obtiene la media aritmetica anual M'A que
sirve de base paracalcularlos indices:
II=
M'
1 ~ x 100;...,etc.
M'A x 100; 1
2
= M'A
Obtenidosestos indicesde variaci6n estacionalestamos en condiciones
de desestacionalizar la serie como seha efectuado anteriormente.
Ejemplo 5.6
Con los datos de la serie temporal del ejercicio 5.3obtener los indices de
variaci6n estacional por el metoda de ajustar unarecta a las medias anuales.
Soluci6n:
Elajuste de larecta porminimos cuadradosesta resuelto en elejemplo 5.4
siendo:
Yt = 12.296,33 + 6,25t
El incremento medio anual es b = 6,25.
Conlos datos observadosen elejemplo 5.3calculamos lasmedias estacio-
nales sin corregir de la componente extraestacional (T +C). De esta forma
eliminamos la componente accidental:
150 + 155 + 160
M
l
= = 155
3
165+170+180 _
M = =1716
2 3 '
125 + 135 + 140 _
M = = 1333
3 3 '
170 + 165 + 180 _
M = = 1716
4 3 '
Seguidamenteseobtienenlas medias aritmeticasestacionalescorregidasde
la parte que les corresponde a cada una del incremento medio anual de la
tendencia:
~ = M
l
= 155
lb _
~ == M 2 - 4 = 171,6- 1 x 1,5625= 170,1041
2b _
~ = M 3 - 4 =133,3-r- 2 x 1,5625= 130,2083
3b _
~ = M 4 - 4 = 171,6- 3 x 1,5625= 166,9791
La media aritmetica anual para que sirva de base en el calculo de los
indices de variaci6n estacional sera:
~ + ~ + ~ + ~ 155+ 170,1041+ 130,2085+ 166,9771
M'A = = ------_'-----__'-----_
.4 4
= 155,5673
288 CASAS-sANCHEZ, 1. M. Y SANTOS-PENAS, J.
Los indices de variaci6n estacional expresados en tantos por uno son:
11 = M ~ = 155
M'A 155,5673 = 0,9964
M ~
170,1041 = 1,0934
1
2
= M'A
155,5673
M ~
130,2083 = 0,8370
1
3
= M'A
M ~ 166,9791
14 = M'A = 1555673 = 1,0733
,
Puede observarse que si se comparan estos indices con los obtenidos por
el metodo de la raz6n a la media m6vil son practicamente iguales (existen
pequefias diferencias a partir del tercer decimal) 10 que indica que la estacio-
nalidad es muy regular y no expansiva con 10 que es indiferente el metodo
que se aplique.
5.5. Determinacion delasvariaciones
ciclicas
Cuando hemos definido esta componente se ha dicho que recoge las osci-
laciones periodicas de larga duraci6n. El problema es que estos movimientos
no suelen ser regulares como los estacionales y su determinaci6n encierra
dificultades de forma que como se ha apuntado en los casos practices se suelen
tratar conjuntamente con la tendencia llamando componente extraestacional al
efecto de (T x C) si estamos en el marco multiplicativo 0 (T + C) si es el
aditivo. A pesar de estas dificultades se puede tratar de aislar el cicio bajo la
hip6tesis multiplicativa dejandolo como residuo con la elirninaci6n de la ten-
dencia y la variaci6n estacional. Los pasos serfan:
- Estimar la tendencia.
- Calcular los indices de variaci6n estacional.
- Se desestacionaliza la serie observada.
, ,
- Se elirnina la tendencia dividiendo cada valor desestacionalizado por la
serie de tendencia.
Expresando el proceso en forma de cociente serfa:
Y
t
T x E x C x A
--= =CxA
TxE TxE
j ~ . .
El proceso finalizarfa intentando eliminar la componente accidental A y
determinando el perfodo de los ciclos que nos llevarfa a un tratamiento de
analisis arm6nico que superana el myel descriptivo que estamos dando al
tratamiento clasico de las series temporales.
Ejercicios
1. En e1 ejemplo 5.4 hemos estimado la siguiente tendencia:
)it = -12.342,08 + 6,25t
Suponiendo que esta tendencia lineal recoge e1 efecto 0 componente
extraestacional (representa la tendencia y el cicIo conjuntamente); predecir el
valor de los trimestres primero y segundo del afio 2002 teniendo en cuenta la
variaci6n estacional bajo la hip6tesis aditiva y admitiendo que la componente
accidental es irrelevante.
Solucion:
Primero hacemos la predicci6n trimestral media que sent:
h002 = -12.342,08 + 6,25 x 2.002 =
= 170 millones de ventas medias trimestrales
Teniendo en cuenta los indices de variacion estacional del ejemplo 5.6
tenemos:
Y1 = 170 x 0,9964 = 169,38 millones de ptas.
2. La fabrica de calzado del ejemplo 5.3 ha tenido las siguientes ventas anuales
en los ultimos seis anos (perfodo 1996-2001) expresadas en millones de pesetas:
Aiios Ventas (millones de ptas.)
1996 540
1997 565
1998 580
1999 610
2000 625
2001 660

ESTUDlO CLAslCO 0 DESCRIPTIVO DE LAS SERIES TEMPORALES 291
Predecir las rentas en 2004 y su nivel de fiabilidad comparando los resul-
tados con los obtenidos en el ejercicio 5.4.
Solucion:
Como el mimero de perfodos es par hacemos el siguiente cambio de variable:
t' = 2(t - OJ
siendo:
1998 + 1999 = 1998,5
0;= 2
En este caso como las observaciones son anuales no existe el problema de
la estacionalidad no teniendo que obtener ningtin tipo de media anual reali-
zandose el ajuste con las ventas anuales.
t ( = 2(t - 1998,5)
s, y,'(
(2
y;
1996
1997
1998
1999
2000
2001
-5
-3
-1
1
3
5
6
It' =0
1'=1
540
565
580
610
625
660
6
I Y, = 3.580
r=l
-2.700
-1.695
-580
610
1.875
3.300
6
I Y,t' = 810
'=1
25
9
1
1
9
25
6
I 1"2 = 70
,'=1
291.600
319.225
336.400
372.100
390.625
435.600
6
I Y; = 2.145.550
1=1
Empleando las expresiones 5.7 y 5.8 tenemos:
6
YI = 3.580 = 596,66
a= -6 6
6
I y,t'
810
6 =
I t,2 70 = 11,57
t'=1
2001
ESTUDIO CLAsICO 0 DESCRIPTIVO DE LAS SERIESTEMPORALES 293
CASAS-sANCHEZ, J. M. YSANTOS-PE"&AS,1.
292
3. Un concesionario de una determinada marcade automoviles ha vendido
Luego la estimaci6n de latendencia para predecir las ventas de 2004es:
,
los siguientes vehiculos en los ultimos tres afios:
Yt= a +bt' = 596,66 +11,57t'
Deshaciendo elcambiode variable tenemos
Yt= 596,66+11,572(t - 1998,5)=
=596,66 - 46.245,29 +23,14t= -45.648,63 +23,14t
~ s Trimestres
1.0
2.
3.
4.
1999
6
12
4
5
2000
10
15
7
12
14
25
12
16
La predicci6n de las ventas anuales para 2004 sera:
Y2004 =-45.648,63 +23,14 x 2004 =
;=: - 45.648,63 +46.372,56 = 723,93 millones de ptas.
El nivel de fiabilidad nos 10da el coeficientede determinaci6n:
(St'Y/ (135)2 18.225
R
2
= 2 Z = ~ = =0,988
St" s;
,
11,66 x 1580,64 18.440,7
Siendo los calculos de la covarianza y varianzas:
6
"
f- Yt'
t'
810
- tl r-
St'y, - au - a
10
' a
0 1
= n -.Y=6 - 0 = 135
6
L t'2 2 _ 70 _ 0 = 11,66
~ -6
S; = 6
6
t ~ l Y; _y- Z =2,145,550 - (596,66f =1588,51
S
2
= -- 6
y, 6
Sisecomparanestos resultadoscon los obtenidos en elejemplo 5.4obser-
vamos que allfla predicci6n Cue de 732 millones de pesetas con un coeficiente
de determinacion del 0,7939. En cambio al haber utilizado aqui el doble de
observaciones (seisen vez de tres) la fiabilidad ha aumentado enormemente.
Luego la predicci6n de 723,93 millones de ventas para2004 es la que deben
considerar los directivos de la empresa en su toma de decisiones.
Obtener:
a) Losindices devariaci6n estacionalaplicandoelmetodadela tendencia
par minimos cuadrados bajo la hip6tesis aditiva (si se trabajara can
la hip6tesis multiplicativa habrfa que aplicar elmetoda de la raz6n a
la media m6vil 0 bien el metoda de la raz6n a la tendencia por
minimos cuadrados, que no sehaexplicado en esta obra),
b) Desestacionalizar la serie observadaY
t
c) Predecir el nnmero de autom6viles vendidos para cada trimestre de

2003.
Solucion:
a) Obtenci6nde los indices de variaci6nestacional:
- Se calculan las medias anuales:
- Yl +Y2+Y3+Y4
6 +12+4+5 = 6,75
Yl = 4
4
- Ys +Y6+Y7+Yg
10 +15+7+12= 11,00
Y2 = 4
4
- Y9+YlO +Yu +Y12 14+25+12+16
Y3 = 4 4 =16,75
- Se estima la tendencia ajustando una recta por minimos cuadrados.
Paraello, al ser datos impares se hace el cambio de variable
t' = t - 0t = t - 2000.
294 CASAS-sANCHEZ, J. M. YSANTOS-PENAS, 1.
t t'=t-2000 y, t'y,
t'?
-2
Y,
45,56
121,00
280,56
3
L: y;= 447,12
t=1
1992
1993
1994
-1
0
1
3
L: t'=O
t'=1
6,75
11,00
16,75
-6,75
0
16,75
3
L: y,=10
t=1
1
0
1
3
L: (2 = 2
t'=1
3
L: y,=34,5
'=1
Aplicando las expresiones [5,7] y [5.8] tenemos:
3 3
t ~ l t'Yt. 10
t=l
L Yt
=
34,5= 11,5
b=--=-=5
a= -n 3
f t'2 2
t'=1
Luego la recta con el cambio de variable sera:
Yt= a+bt' = 11,5+5t'
Deshaciendo el cambio se tendra la estimaci6n de la tendencia (sera la esti-
maci6n de la componente extraestacional, 0 sea tendencia y cicIoya que no
los diferenciamos):
Yt= 11,5+5(t- 2000)= 11,5- 10.000 +5t = - 9.988,5 +5t
El parametro b 0 coeficienteangular nos da el incremento medio anual que
sufreY
t
alpasardeunafioa otro(comosabemos Yteslamediaanual obtenida
con los cuatro trimestres).
- Secalculan las medias estacionales sin corregir por filas en los datos
observados Y':
6+10 +14
M
1
= = 10
12+15+25 ~
M
2
= 3 = 17,33
4 +7+12 ~
M
3
= 3 = 7,66
5+12+16
M
4
= 3 = 11,00
\
- Las anterioresmedias secorrigen dela tendenciaempleando deforma
adecuada(restando alestarenlahip6tesis aditiva)eIincrementomedio
anual de tendencia (b):
~ = M
1
= 10
lb ~ 1x5 _
~ = M
2
- 4 = 17,33- -4- = 16,083
2b ~ 2 x 5 ~
M' = M - - = 766- --= 516
3 3 4 ' 4 '
3b 3 x 333
~ =M4 - 4 =11,00- 4' = 7,25
- Por ultimo los indices de variaci6n estacional se obtienen en tantos
por uno tomando como base la media anual corregida:
M' A = ~ + ~ + ~ + ~
4
1 = ~ ~ _
1
M'A 9,625 - 1,039;
1 _ ~ 5
3 - M'A= 9,625 =0,537;
10+16,083 +5,16+7,25
4 = 9,625
~ 16,083
1
2
=M'A= 9,625 = 1,671
~ 7,25
/4=M'A=9625=0,753
,
b) Desestacionalizaci6n de la serie observada: a cada valor observado se Ie
resta (por ser el esquema aditivo) su correspondiente componente esta-
cional, que es:
E
k
= M
k
- E:
donde k=1,2,3,4 denota el trimestre considerado, yE:es la compo-
nente extraestacional 0 media de los valores ajustados por la recta
Y =a+b, (i =1, 2, ..., 12) en los indices i =1, 5 y 9 para el primer
trimestre, i = 2, 6 y 10 para el segundo trimestre, i = 3, 7 y 11 para el
tercero yfinalmente i = 4, 8y 12 paraelcuarto trimestre.
La recta ajustada a los 12 datos es:
Y= a
0 1
+b(i- a
10
)
donde
- 138= 11,5 1.047= 87,25
a01 - 12 all= 12
650
a
10
=6,5
a20 = 12= 54,16
b = mll= all- a lOa01 _ 87,25 - 6,511,5
m a - aio - 54,16 - 6,5? = 1,048
20 20
296 CASAS-sANCHEZ,J. M. YSANTOS-PENAS,1.
ysustituyendo tenemos:
y = 11,5+ 1,048(i - 6,5)
de donde:
Ei =11,5+ 1,048(5- 6,5)=9,9266
Ei = 11,5+ 1,048(6- 6,5)= 10,9755
E; = 11,5+ 1,048(7- 6,5)= 12,0245
E: =11,5+ 1,048(8- 6,5)=13,0734
y de aqui, como E
k
= M; - E: resuIta:
E
1
=0,0734, E
2
=6,3578, E
3
= -4,3578 Y E
4
= -2,0734
La seriedesestacionalizada sent:

Trimestres .
1999 2000 2001
1.0
Yl - E
1
= 6 Ys - E
1
10 Y9 - E
1
14
2. Y2 - E
2
6 Y6 - E
2
9 YIO - E
2
19
3. Y3 - E
3
8 Y7 - E
3
11 Yll - E
3
16
4.
0
Y4 - E
4
7 Ys - E
4
14 Y12 - E
4
18
c) Para predecir el mimero de autom6viles que se van a vender en 2003
empleamos la tendencia lineal estimada para el afio 2003, admitiendo la
hip6tesis deque la tendencia permanece estable:
Y1996 = -9.988,5+ 5 x 2003 =
= 26,5 27 autom6viles como media anual delos trlmestres
Como lahip6tesis esaditiva, solo queda afiadir la componenteestacional
E
k
al valor Y1996 para asfobtenerlas predicciones trimestrales en 1996:
Y2003,1.0 = Yl996 + E1 27
Y2003,2.0 =Yl996 + E2 33
Y2003,3.0 = Yl996 + E3 22
\
Y2003.4.0 = Yl996 + E1 24
autom6viles, respectivamente.

Capitulo 6
Fen6menos aleatorios
y sucesos
6. 1. Introduccion
Elprop6sitodeestecapitulo sera dar unos conceptos basicos yfundamen-
talesparapoderintroduciren elcapitulo siguiente el concepto y teona de la
probabilidad.
Cuando estudiabamos la Estadfstica Descriptiva, decfamos que dentro de
la Estadfstica podfamos considerardos grandesramas, perfectamente diferen-
ciadas, no s610 por los objetivos que se persiguen, sino tambien por los
metodos que seutilizan.Estas son:la Estadistica Descriptiva 0Deductiva yla
InferenciaEstadistica 0 Estadistica Inductiva.
La Inferencia Estadistica la utilizaremos cuando la observaci6n de la po-
blaci6n no esexhaustiva, sinoque s610 observamos un subconjunto0muestra
dela misma, de tal maneraque los resultados 0 conclusiones obtenidas de la
muestra los generalizamos a la poblacion, La muestra se toma para obtener
unconocimiento 0informaci6n dela poblaci6n, pero nunca nos proporciona-
ra una informaci6n exacta sino que incluira un cierto nivel de incertidumbre.
Asi, porejemplo,supongamos que un nuevo producto selanza al mercado y
seleccionamos una muestra de comercios para realizar una cierta evaluaci6n
sobre la reacci6n hacia eseproducto por parte delconsumidor, con el fin de
poder conocer la posible demanda y si el producto serfa consumido a nivel
nacional.
Evidentemente ybasandonosenla informaci6n que nos proporcionaraesa
muestraes imposible conocer con exactitud la reacci6n de la poblaci6n com-
pleta ycualquiermedida sobre elcomportamiento delconsumidorcontendra
inevitablemente incertidumbre.
298 CASAS-sANcHEZ,J. M. y SANTOS-PENAS, 1.
Perosinembargo,sfsera posible,apartirdelamuestra, hacer afirmaciones
sobre la naturalezade esaincertidumbre,quevendra expresadaenellenguaje
de Probabilidad, siendo por ello un concepto necesario y muy importante en
lainferenciaestadfstica, yaque nos permitirapasarde las afirmacioneshechas
con certeza a partirde la muestra a pronosticar en terminos de probabilidad
situaciones en la poblaci6n.
Si consideramos la definici6n de Estadfstica dada por V. Barnett (1982)
la Estadfstica es la ciencia que estudiac6mo debe emplearse la informaci6n
y como dar una gufa de acci6n en situaciones practicas que envuelven incer-
tidumbre observamos que aparece el termino situaciones practicas que en-
vuelvenincertidumbre que equivalea10 quenosotrosllamaremosexperimen-
tosaleatorios,degran interesenelcalculodeprobabilidadesyenlaEstadfstica
en general.
6.2. Fen6menos aleatorios
La idea de experimento se utilizaracon cierta frecuencia en este y en los
pr6ximos los primeros capftulos. Un experimento es cualquier situaci6n u
operaci6nenlacual sepuedepresentaruno 0 varios resultadosdeunconjunto
bien definido de posibles resultados, por ejemplo, registrar el valor de una
acci6n de bolsa en un instante determinado, 10 cual puede dar Ingar a un
conjunto de posibles resultados, lanzar una monedaal aire, 0 un dado, etc.
En la actividad diaria nos encontramos con ciertos tipos de fen6menos 0
experimentos que se pueden reproducir un gran mimero de veces,en condi-
ciones similares dando lugar a un conjunto de dos 0 mas posibles resultados.
Estos experimentos pueden ser de dos tipos deterministicos y aleatorios.
Diremos que el experimento es deterministico cuando al repetirlo bajo
identicas condiciones inicialesseobtienensiempre los mismos resultados. Por
ejemplo, si tenemos una regia milimetrada y una barra metalica, un experi-
mento puede consistir enpreguntarlea un individuo la medida en milimetros
de la barra. Sirepetimos, varias veces,elexperimento bajo identicas condicio-
nes y obtenemos la misma medida en milfrnetros diremos que se trata de un
experimento determinfstico.
Sin embargo, si el experimento 10 repetimos bajo identicas condiciones
iniciales yno seobtienensiempre los mismos resultados diremos que estamos
ante un experimento aleatorio. Porejemplo:
- El lanzamiento de una moneda observando la sucesi6n de caras y
cruces que se presentan.
- El lanzamiento simultaneo de dos dados observando la sucesi6n de
resultados.
FEN6MENOSALEATORIOS YSUCESOS
299
- Elcambio diario delvalor del dolar observando la sucesi6n de valores
en pesetas.
- Elnumero dellamadas a untelefonoduranteperfodosdecincominutos.
- El preguntarla intenci6n delvoto.
- Entrevistara una personaparadeterminarla marcaque prefierede un
producto determinado, etc.
Paraser mas precisos podemos citar, como caracterfsticas de un experi-
mento aleatorio, las siguientes:
1.0 Elexperimento sepuede repetirindefinidamentebajo identicas condi-
ciones.
2. Cualquier modificaci6n mfnima en las condiciones iniciales de la re-
petici6n puede modificar completamente el resultado final del experi-
mento.
3. Se puede determinar el conjunto de los posibles resultados del ex-
perimento, pero no se puede predecir previamente un resultado par-
ticular. .
4. Siel experimento serepite un nnmero grande de veces,entonces apa-
rece algun modelo de regularidad estadfstica en los resultados obte-
nidos.
Elsignificadodelas tresprimerascaracterfsticas no tienedificultadalguna,
yla cuartanos indica quecuandoelexperimento serealiza un mimero grande
de vecestienden a estabilizarse los resultados del experimento aleatorio, en el
sentido de que cada uno de los posibles resultados tiende a salir un nnmero
similar de veces.
Asf pues, si el experimento aleatorio consiste en el lanzamiento de una
moneda perfecta al aire, en donde todos los posibles resultados son cara 0
cruz, y realizamos 100repeticiones (lanzarnientos) podremos comprobar que
el mimero de veces que aparece cara serfa similar al de cruz, es decir, la
frecuencia relativa decaratenderfa a aproximarsea 1/2.Analogamentesucede
sien una urnaintroducimos 2 bolas blancas y 3negras, identicas salvo ensu
color, sin rnirar sacamos una bola anotamos el color y la devolvemos a la
urnayrealizamos esta operaci6n un mimero grandedeveces,entonces podre-
mos comprobar que las frecuencias relativas de obtener bola blanca tendera
a estabilizarse bacia 2/5 y la de bola negra hacia 3/5.
6.3. Espacio muestral
Asociado a todo experimento aleatorio tendremos el conjunto de los po-
sibles resultados que se pueden obtener cuando tiene lugar el experimento
aleatorio.
300 301
i
Acadauno de losposibles resultadosdelexperimentoaleatorioseIellama
resultado basieo 0 elemental, comportamientoindividual0 punto muestral; y el
registro sistematicode los resultadosobtenidosen sucesiones de experimentos
aleatoriosda lugara un conjuntode datosestadisticos. Los resultadosbasicos
e1ementalesseran definidos de tal manera que no puedan ocurrir dos simul-
taneamente, pero sfocurrira uno necesariamente.
Alconjuntode todos los resultados elementales del experimento aleatorio
Iellamaremosconjuntouniversal,espacio muestral 0 espacio decomportamien-
tos y10 designaremos porE. .
Ejemplo 6.1
Consideremos el experimento aleatorio consistente en lanzar un dado al
aire.
Los resultados basicos 0 elementales seran que aparezca un 1,2,3,4, 5 6
6.No pueden ocurrirdos resultados conjuntamente, sino que necesariamente
debe ocurrir uno.
Elespacio muestraleselconjuntoformado porlos seisposibles resultados
elementales:
E = {I, 2, 3, 4, 5, 6}
El conjunto de posibles resultados elementales de un experimento aleato-'
n"
rio, y portanto el espacio muestral, dependera de c6mo sea observado 0 del
enfoque que Ie demos al experimento. Asfpues, se podran asociar diferentes
:1
.;j
, espacios muestrales a un mismo experimento aleatorio. En efecto, considere-
mos elejemplo siguiente:
Ejemplo 6.2
Sea el experimento aleatorio consistente en lanzardos veces unamoneda
al aire.
Si deseamos observar las caras y cruces obtenidas en una repetici6n del
experimento, entonces el espacio muestral correspondiente, que 10designare-
mos por E, tendralos cuatro puntos siguientes:
E ={(HIl), (HI), (TIl), (TT)}; H =cara, T =cruz
dondeHT, por ejemplo,indicaqueenelprimerlanzamientohaaparecidocara
y en elsegundo cruz.
Pero sien elexperimento aleatorio no nos interesan los resultados indivi-
. ~ ~ 1 : ~ 1 .
duales, sino que deseamos observarelnumerode carasen los dos lanzamien-
tos, entonces tendremos un segundo espacio muestral E1:
E
1
= {a, 1,2}
donde 1,por ejemplo, indica que se ha obtenido solamente una cara en los
dos lanzamientos.
Luego hemos visto que un experimento aleatorio puede tener diferentes
espacios muestrales,dependiendo de la.observacionque nos interese del expe-
rimento.En esteejemplo concretoexisteunacorrespondenciaentrelospuntos
de ambos espacios muestrales, asfpues:
E
1
-+E
0-+ (TT)
1-+(HT), (TIl)
2 -+(HIl)
Los espacios muestrales asociados a un experimento aleatorio pueden ser
de tres clases:
- Espacio muestralfinito.
- Espacio muestralinfinito numerable.
- Espacio muestral continuo.
Veamos en que consiste cada uno de ellos.
Espacio muestral finito
Un espacio muestraldiremos que esfinito, cuando tiene un mimero finito
de elementos. Porejemplo, los espacios muestrales asociados a los experimen-
tos aleatorios descritos en los ejemplos 6.1y 6.2.
Espacio muestral infinito numerable
Un espacio muestral sera infinito numerable si tiene un ntimero infinito
numerable de elementos; 0 dicho de otraforma, si se puede establecer una
aplicaci6n biyectiva entre los elementos del espacio muestral y la sucesi6n
de numeros naturales.
Tambien se suele llamar espacio muestraldiscreto indistintamente a los
casos finito e infinito numerable.
302
303
Ejemplo 6.3
Sea el experimento aleatorio consistente en lanzar un dado basta que sea
obtenido ell,y que estamos interesados en todas las posibilidades, es decir,
el 1 puede ser obtenido en el primer lanzamiento, 0 bien en el segundo
lanzamiento pero despues de haber obtenido un 2, 0 un 3, 0 un 4, 0 un 5, 0
un 6, 0 bien en el tercer lanzamiento pero despues de haber obtenido (2,2),'
(2, 3),(2,4),(2, 5) 0 (2, 6),etc.
El espacio muestral sera:
E = {(1),
(2,1),(3, 1),(4, 1),(5, 1),(6, 1)
(2, 2, 1),(2, 3, 1),(2, 4, 1),(2, 5, 1),(2, 6, 1),
(3, 2, 1),(3, 3, 1),(3,4, 1),(3,5, 1),(3,6, 1),
(4, 2, 1),(4, 3, 1),(4, 4, 1),(4, 5, 1),(4, 6, 1),
.. u
(2, 2, 2, 1), (2, 2, 3, 1), (2, 2, 4, 1), (2, 2, 5, 1), (2, 2, 6, 1), }
Si el experimento aleatorio consiste en lanzarel dado hasta que aparezca
ell,0 sea,que puedeaparecerel2,3,4,56 6pero no ell,entonceselespacio
muestral correspondiente sena:
E = {(1), (1, 1),(1, 1,1),(1, 1, 1, 1),(1, 1, 1, 1, 1),...}
1
en donde por1representamos cualquier nnmero diferente al 1.
Perolos elementos del espacio muestral E, nos estan indicandoel numero
de lanzamientos que podemos hacer con el dado antes de que nos aparezca
ell,por tanto podremos establecer una correspondencia con la sucesi6n de
mimeros naturales y tendremos este otro espacio muestral E2
E
2
= {1, 2,3, 4, 5,6,7, 8,...}
cuyos elementos nos indicanel mimero de tiradas paraque aparezca el 1 por
primeravez.
Los espacios muestralesobtenidosenesteejemploson infinitos numerables
o simplemente numerables.
Espacio muestral continuo
Sielespacio muestraltiene un mimeroinfinito no numerabledeelementos,
diremos.que es de tipo continuo. Es decir, si no se puede establecer una
correspondenciabiunivocaentrelos elementos del espacio muestral y la suce-
si6n de numeros naturales.
FEN6MENOSALEATORIOS Y SUCESOS
Ejeinplo 6.4
Supongamos que el experimento aleatorio consiste en tirar una bola muy
perfecta sobre el suelo totalmente pulido y horizontal de una habitaci6n y
estamos interesados en la posici6n que ocupara esa bola sobre la superficie
del suelo. Es evidente pensarque la bolapuedaquedarseparadaen cualquier
puntadelasuperficiedelsuelo,luego elespacio muestralcorrespondientesera:
E = {toda la superficie del suelo de la habitaci6n}
y es de tipo continuo, no pudiendo establecer correspondencia alguna entre
los puntosde la superficie del suelo de la habitaci6ny la sucesi6nde numeros
naturales.
6.4. Sucesos
En muchoscasoscuandorealizamos unexperimentoaleatoriono nosintere-
san,directamente,losresultados elementalesdelexperimentoaleatorio, sinoque
10 que nos puedeinteresares algiin subconjunto de esos resultados elementa-
les,es decir un conjunto contenido en el espacio muestral. Porejemplo, en el
caso dellanzamiento de un dado nos puedeinteresar sabersi el resultado ha
side un numero impar, que ocurrira si al realizarelexperimento aleatorio ha
aparecido 1,365,esdecir,nos interesaelsubconjuntoA = {1,3,5} delespacio
muestral E = {1,2, 3, 4, 5, 6}.A tales subconjuntos se les llamansucesos.
Luego un suceso S es un subconjunto del espacio muestral, es decir, un
subconjunto de resultados elementales del experimento aleatorio. Y diremos
que ocurre 0 sepresenta elsuceso,cuandoal realizarse elexperimentoaleatorio
da lugara uno de losresultadoselementalespertenecientes alsubconjuntoque
define el suceso.
Podemosconsiderarcuatrotipos de sucesos,segunelnumerodeelementos
que entren a formar parte del suceso:
a) Suceso elemental, suceso simple 0 punto muestral es cada uno de los
resultados posibles delexperimentoaleatoric;luego un suceso elemen-
tal consta de un solo elemento del espacio muestral E. Es decir los
sucesos elementales son subconjuntos del espacio muestral formados
porun solo elemento,
b) Sucesocompuesto, es el que constade dos 0 mas sucesos elementales.
c) Sucesoseguro, cierto 0 universal,es el que constade todos los sucesos
elernentales del espacio muestral E, es decir, coincide con el espacio
muestral E, porello 10notaremos tambien porE.
305
!!
CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, 1.
304
A este suceso se le llama seguro 0 cierto porque ocurre siempre, ya
que al realizar el experimento aleatorio se obtendra con seguridad uno
de los posibles resultados 0 sucesos elementales de E, y por tanto
.,:" ocurrira E.
d) Suceso imposible,es el que no tiene ningun elemento del espacio mues-
'I
I,
tral E, y por tanto no ocurrira nunca. Lo notaremos por 4J.
I',
I ,
I" !
Ejemplo 6.5
Supongamos el experimento aleatorio de lanzar un dado al aire y observar
el numero que aparece.
El espacio muestral sera el formado por todos los posibles resultados, 0
sea, que aparezca 1, 2, 3, 4, 5 6 6, y 10 indicaremos como
E = {1, 2, 3, 4, 5, 6}
Algunos posibles sucesos seran:
A
l
= que aparezca el 1 = {1}
A
z
A
3
A
4
= que aparezca e14 = {4}
As = que aparezca el 5 = {5}
A
6
A
7
= que aparezca mimero par = {2, 4, 6}
A
g
= que aparezca un mimero menor que 3 = {1, 2}
A
g
= que aparezca un mimero mayor que 4 = {5, 6}
A = que aparezca un numero mayor que 6 = 4J
l O
etc.
Los sucesos A , A
z,
A
3
, A
4
, As, A
6
son simples, pues constan de un solo
l
elemento 0 resultado posible del experimento.
El suceso A , ocurrira si ocurre el suceso A
z,
A4 0 A6, 0 sea, si aparece
7
un 2, un 4 6 un 6, luego sera un suceso compuesto, pues consta de dos 0 mas
sucesos elementales.
Analogamente los sucesos Ag y Ag son compuestos.
El suceso A serfa el suceso imposible, pues no tiene ningun elemento del
l O
FEN6MENOS ALEATORIOS Y SUCESOS
espacio muestral, por tanto no ocurrira nunca, pues no es posible obtener un
mimero mayor que 6 en el lanzamiento del dado.
Ejemplo 6.6
Consideremos un experimento aleatorio que consiste en lanzar tres veces
una moneda al aire. Si realizamos una vez el experimento y deseamos observar
las caras y cruces obtenidas, entonces el espacio muestral correspondiente sera
el formado por todos los posibles resultados:
E = {(HHH), (HHY), (HTH), (THH), (HTI), (THY), (ITH), (TTl)}
donde, por ejemplo, el resultado (HTH) significa que en el primer lanzamiento
ha aparecido cara, en el segundo cruz y el tercero cara.
Seran posibles sucesos, por ejemplo, los siguientes:
A
l
= {(HHT), (THH), (THT)}
A
z
= {(HHH), (TTH)}
A
3
= {(HTH), (THH), (TTH)}
A
4
= {(THH)}
en donde los sucesos A
l
, A
z
Y A
3
son compuestos ya que constan de dos 0
mas elementos, el suceso A
4
es simple 0 elemental, y el suceso cierto 0 seguro
serfa el propio espacio muestral E, pues contiene todos los posibles resultados
del experimento.
Sin embargo, si consideramos el suceso A que incluye el resultado (HHTT),
tendremos que
A=4J
serfa un suceso imposible, en este experimento aleatorio, ya que estamos con-
siderando tres lanzamientos de una moneda al aire, y como vemos no contiene
ningun elemento 0 resultado de los incluidos en el espacio muestral E, siendo
por tanto imposible que se verifique un suceso cuyos elementos no pertenecen
al espacio muestral E.
6.5. Operaciones con sucesos
Con los sucesos operaremos de manera similar a como 10 hacfamos con
los conjuntos y las operaciones se definen de manera analoga.
306
307 CASAS-sANCHEZ,1. M. y SANTOS-PENAS, J.
Los sucesos que consideramos, evidentemente, seran los correspondientes
a un experimento aleatorio y portanto seran subconjuntos del.espacio mues-
tral E.
Sucesocontenidoen otro
Dados dos sucesos A y B de un experimento aleatorio, diremos que el
suceso A esta contenido en B, y 10indicaremos por A c B, si cada suceso
elemental perteneciente a A pertenece tambien a B, es decir si siempre que
ocurre el suceso A, tambien ocurre el suceso B.
Considerando el experimento aleatorio del lanzamiento de un dado, si
designamos por:
A =que aparezcael 2 6 el4={2,4}
B =que aparezca un numero par={2,4,6}
elsuceso A c B, pues los resultados o sucesos elementales 2 y 4 de A, perte-
necen a B.
Diremos tambien que A implica a B y10denotaremos porA =>B.
Igualdad desucesos
Dados dos sucesos A y B,diremos que son iguales,si siempre que ocurre
e1 suceso A tambien ocurre el suceso B, y siempre que ocurre el suceso B
ocurre e1 suceso A, y10indicaremos porA = B. Es decir severifica:
ACB}
A=B > BcA
Sean los sucesos:
A =obtener un numero parallanzarun dado ={2,4, 6}
B = obtener un nniltiplo de 2= {2}
aquf se verificaque:
A c B pues siempre que ocurre A ocurre B,
Bc A pues siempre que ocurre B ocurre A,
luego A = B.
FENOMENOSALEATORIOS Y SUCESOS
Uniondesucesos
Dados dos sucesos A y B, se define la union de ambos sucesos A y B,
como otro suceso, que indicaremos por AuB, compuesto por los resulta-
dos 0 sucesos elementales pertenecientes a A, 0 a B, 0 a los dos a la vez,as!
pues:
AuB = al suceso que sepresentacuando A 6 B, 0 ambos ocurren.
Graficamente10representaremos utilizandoe1 diagramadeVenn,como se
veen elgrafico 6.1.
E
A u B = zonasombreada
GRAFICO 6.1. Union de sucesos.
Sean los sucesos:
A = obtener, en el lanzamiento de un dado, un mimero impar= {l, 3,5}
B = obtener, con ellanzamientodeun dado, un numeromayorque 4= {5,6}
elsuceso uni6n sera:
AuB = {l, 3, 5}u {5,6}= {l, 3, 5, 6}
o sea, obtener un 1,un 3,un 5 6 un 6 en ellanzamiento del dado.
Engeneral,dados n sucesosA
l
, A
z
, ...,An' suuni6nA
l
u A
z
U A
3
U .u An
es otro sucesoformado porlos resultados 0 sucesos elementales que pertene-
cen al menos a uno de los sucesos Ai (i = 1,2,..., n).
308
309
r
Analogamente a1 caso de dos sucesos, representaremos por
n
U Ai = al suceso que se presentara cuando al menos
i=1 uno de los sucesos Ai ocurre.
De manera analoga podrfamos definir la uni6n de sucesos para un mimero
infinito numerable 0 no numerable de sucesos.
Interseccion de sucesos
Dados dos sucesos A y B, se define la mterseccion de ambos sucesos A y
B, como otro suceso, que indicaremos por A (IB, compuesto por los resultados
o sucesos elementales que pertenecen simultaneamente a A y a B, es decir:
A (IB = suceso que se presenta cuando A y B ocurren a la vez.
Graficamente aparece en el grafico 6.2:
GRAFICO 6.2. Intersecci6n de sucesos.
Considerando los dos mismos sucesos que hemos utilizado como ejemplo
en el caso de la uni6n, ahora, para el caso de la intersecci6n, tendremos:
A (IB = {l, 3, 5}(I{5, 6} = {5}
En general, dados n sucesos A
1
, A
2
, ..., An' su intersecci6n
A
1
(IA
2
(I...(IAn
E
A B
A n B =zona sombreada
FEN6MENOS ALEATORIOS Y SUCEsbs
es otro suceso, formado por los resultados 0 sucesos elementales que pertene-
cen a todos los sucesos Ai (i = 1, 2, ..., n).
Representaremos por
n
n
Ai = al suceso que se presentara cuando todos los sucesos Ai
i= 1
ocurren.
Sucesos disjuntos, incompatibles 0 excluyentes
Dados dos sucesos A y B, diremos que son disjuntos, incompatibles 0
mutuamente excluyentes si su intersecci6n A (IB = </J; es decir, si no tienen
ningun suceso elemental en comnn, 0 bien, dicho de otra forma, si al verificarse
uno de los sucesos no se verifica el otro, 0 sea, la ocurrencia de uno excluye
la posibilidad de que ocurra el otro.
En el grafico 6.3 tenemos su representaci6n.
A B
GRAFICO 6.3. Sucesos disjuntos.
En el ejemplo que venimos considerando sean los sucesos
A = obtener un numero par al lanzar un dado = {2, 4, 6}
B = obtener un numero impar allanzar un dado = {l, 3, 5}
A (IB = {2, 4, 6}(I{l, 3, 5} = </J
luego A y B son excluyentes, pues su intersecci6n es el conjunto 0 suceso vacfo.
Sistema exhaustivo de sucesos
Si los sucesos A
l
, A
z,
A
3
, An son tales que verifican que la union de
todos ellos
A
l
U A
z
U A
3
U ... U An = E
es igual al espacio muestral E, diremos que forman una colecci6n 0 sistema
exhaustivo de sucesos; y si ademas verifican que
AJ' A
j
= <P, V i # j (i, j = 1, 2, ..., n)
entonces diremos que forman un sistema complete de sucesos 0 una partici6n
de E.
En general, dados n sucesos A
l
, A
z
, ..., An diremos que son mutuamente
excluyentes, disjuntos 0 incompatibles dos a dos, si cada pareja de sucesos son
mutuamente excluyentes, es decir, si
Ai n A
j
= <P, Vi#- j (i, j = 1, 2, ..., n)
Si .consideramos el conjunto de todos los sucesos element ales que consti-
tuyen un espacio muestral, podemos decir que forman una colecci6n de sucesos
mutuamente excluyentes y exhaustivo, ya que de todos ellos s610 debe de
ocurrir uno y no pueden ocurrir dos simultaneamente.
Suceso complementario 0 contrario
Dado un suceso A, se define el suceso complementario 0 contrario de A,
como otro suceso que ocurre cuando no ocurre el suceso A. 0 bien, es el
suceso constituido por los sucesos elementales del espacio muestral E que no
pertenecen a A. Lo representaremos por A.
En el grafico 6.4 tenemos su representaci6n.
Si consideramos el suceso
A = obtener, en ellanzamiento de un dado, un mimero par.= {2, 4, 6} I
el suceso complementario sera:
A = {1, 3, 5} = obtener en ellanzamiento de un dado un nnmero impar.
Los sucesos A y A constituyen tambien un sistema completo de sucesos.
GRAFICO 6.4. Suceso complementario.
Diferencia de sucesos
A= zona sombreada
Dados dos sucesos A y B, se define la diferencia de ambos sucesos A y B,
que representaremos por A - B, como otro suceso constituido por los sucesos
elementales que pertenecen a A y no pertenecen a B. Se puede expresar:
A-B=AnB
Analogamente
B-A=BnA
Observemos que
A-B#-B-A
Sus representaciones aparecen en el grafico 6.5.
Diferencia simetrica de sucesos
Dados dos sucesos A y B, se define la diferencia simetrica de ambos sucesos
A y B, que la representaremos por Ad B, como otro suceso constituido por
los sucesos elementales que pertenecen a A, 0 a B pero que no pertenecen
simultaneamente a ambos.

313
CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, J. 312
E
A- B=zonasombreada
E
A
"):[
f
B- A= zonasombreada
f:
"1:"
ji
L
F'
~
1.;"
La representaci6n grafica de la diferencia simetrica de sucesos aparece en
l'
r
el gnifico 6.6.
:i
GRAFICO 6.5. Diferencia de sucesos.
E'
,,!,
A~ B= zonasombreada
GRAFICO 6.6. Diferencia simetrica de sucesos.

Como ejemplo, consideremoslos siguientes sucesos:
A = obtener, en ellanzamiento de un dado, un 1, un 2 6 un 4 = {1,2, 4}
B =obtener, en el lanzamiento de un dado, un 2, un 5 6 un 6 ={2,5, 6}
la diferencia simetricasera:
A.1.B =(An B)u (Bn A)=({1,2, 4}n {1,3, 4}) u ({2,5, 6}n {3, 5, 6})=
= {1,4}u {5,6}= {1, 4, 5, 6}
efectivamente,elsuceso que nos dala diferenciasimetricaesta constituidoporlos
sucesos elementalesque pertenecen a A 6 Bperono a la intersecci6nde ambos.
6.5. 1. Propiedades de las operaciones
con sucesos
Los sucesos asociados a un experimento aleatorio verifican las siguientes
propiedades:
1. E = <P, <P =E, A =A
2. .Eu A = E, <p u A =A, Au A = E,
EnA = A, <p n A = <p, AnA= <p,
3. Propiedad idempotente
AuA=A
AnA=A
4. Propiedad conmutativa:
AuB=BuA
AnB=BnA
5. Propiedad asociativa:
Alu (A
2
u A
3
) = (AI u A
2
) UA
3
Aln (A
2
n A
3
) = (AI nA
2
) nA
3
6. Propiedad distributiva:
Al u (A
2
n A
3
) = (AI u A
2
) n (AI u A
3
)
Al n (A
2
u A
3
) = (AI n A
2
) u (AI n A
3
)
7. Propiedad simplificativa:
Au(AnB)=A
An(AuB)=A
314
315 CASAS-sANCHEZ,1.M. YSANTOS-PEN"AS, 1.
8. Leyes de Morgan:
- n ) n,
(A u B) =A II B; en general
(
Ai =Di Ai
(A liB) = AuB; en general COi Ai) = iQi Ai
Ejemplo 6.7
Sean Ai' A
2
YA
3
tres sucesos del espacio muestral E de un experimento
aleatorio. Expresar las siguientes afirmaciones utilizando los sucesos anterio-
res.
1. Los tres sucesos oeurren.
2. Ninguno de los tres sucesos oeurre.
3. Exaetamente uno de los sucesos oeurre.
4. Exactamente dos de los sucesos oeurren.
5. Oeurre A
2
0 A
3
pero no Ai'
6. OeurreAi' yA
2
0 A
3
pero no ambos.
Teniendo en euentalos eoneeptos anteriores tendremos:
1. Los tres sueesos oeurren, 0 sea oeurreel Ai'el A
2
yelA 3, 10expresa-
remos porla interseeei6n:
Ai IIA
2
11 A
3
2. Ninguno de los tres sucesos oeurre
Ai II A
2
II A
3
= (AiU A
2
u A
3
)
3. Exaetamente uno de los sueesos oeurre, 0 sea,puedeoeurrirel sueeso
Ai' pero ni el A
2
nielA
3
, 0 bien oeurrirelA
2
, pero ni Ai ni elA 3, 6
tambien puede oeurrirel A
3
, pero ni elAi ni el A
2
, y10expresaremos
como:
{AiII (A
2
u A
3
)}U {A
2
II (Aiu A
3
)} U {A
3
II (Aiu A
2
)}
4. Exaetamente dos de los sucesos oeurren, 0 sea, puede oeurrir los
sueesos Ai y A
2
pero no A
3
, 0 bien oeurrir eIAi YeLA
3
pero no 142,
o tambien A
2
y A
3
pero no Ai' Y10expresaremos como:
{(AIIIA
2
) IIA
3
) u {(AIIIA
3
) II A
2
} u {(A
2
IIA
3
) IIAi}
5. El suceso que oeurra A
2
0 A
3
pero no el Ai 10expresaremos como:
(A
2
u A
3
) IIAi
6. EI sueeso que oeurra Ai' YA
2
0 A
3
pero no ambos simultaneamente
10expresaremos como:
Ai II (A
2
u A
3
) II (A
2
IIA
3
)
6.6. Sucesiones de sucesos
LIamaremossucesi6ndesucesos,a una familia de sueesos Ai'A
2
, A
3
, ... en
la que los sueesos aparecen ordenadosporelsubfndice n.La representaremos
por{An}, n= 1, 2, 3, ...
Sucesi6ncreciente
Unasucesi6n de sucesos {An} diremos que es creciente si se verifiea:
Ai C A
2
C A
3
C ...
Yla representaremos por{Ann.
Sucesi6ndecreciente
Unasucesion de sucesos {An} diremos que es decreciente si se verifiea:
Ai ::J A
2
::J A
3
::J ...
Yla representaremos por {An!}'
Limite de una sucesi6n
Si tenemos una sucesi6n ereciente {Anj}el limite sera:
00
lim An = UAn
"-'00 n==1
Ysitenemos una sucesi6n deereciente ellimite sera:
00
lim An = nAn
n-e co n=1
317
316
Mas generalmente, para cualquier sucesi6n de sucesos {An} defmimos los
limites ioferior y superior:
Ao =lim inf An =D1 (DnAk )
AO = lim sup An = n
01
C9n Ak )
Veamos que significado tienen estos sucesos:
A
o
= lim inf An = = U(nAk )
n ~ 1 k ~ n
= (A
1
11 A
z
11 A
3
...) u (A
z
11 A
3
11 A
4
) U (A
3
11 A
4
11 As ...)u ...
Si tenemos un resultado 0 suceso elemental S E A
o
, esto implicara que el
suceso elementalsperteneceraa uno delos parentesisdela expresi6nanterior,
10cual implica tambien que pertenece a la infinidad de sucesos Ak excepto
quiza a un mimero fmito. Asfpues si perteneciera por primera vez al tercer
parentesis, ello significarfa que pertenece a los sucesos A
3
, A
4
, As, ...excepto
a los sucesos A
1
y A
z

Luego ellimite inferior A
o
de la sucesi6n es un suceso constituidoporlos
resultados 0 sucesos elementales que pertenecen a todos los sucesos de la
sucesi6n excepto quiza a un mimero fmito de sucesos.
Analogamente
AO = 1fm sup An = n01 (Dn Ak ) =
= (A
1
U A
z
U A
3
.. ) 11(A
z
U A
3
U A
4
.. ) 11(A
3
U A
4
U As ...)11 ...
sitenemos un resultado 0 suceso elemental S E AO, esto implicaraque elsuceso
elemental S pertenecera a toda la infmidad de los parentesis de la expresi6n
anterior, yportanto a una infinidad de sucesos Ak
Asf pues diremos que el limite superior Ade la sucesi6n es un suceso
constituido por todos los resultados 0 sucesos elementales que pertenecen a
una infinidad de sucesos de la sucesi6n.
En el supuesto de que severifique:
A
o
= lim inf An =1fm sup An =AO =A
diremos que la sucesi6n es coovergeote,y se suele expresar como:
An--+ A, 0 lim An = A
n-+00
1 ~
FENOMENOSALEATORIOS Y SUCESOS
..
6.7. Algebra de sucesos
Como hemos venido observando los sucesos los consideramos como con-
juntos, siendo valido para los sucesos todo 10estudiado en la teorta de
conjuntos, con la siguiente tabla de correspondencias:
Teorfa de sucesos Teoria de coojuntos
- Suceso. - Subconjunto delconjuntouniversal.
- Suceso elemental. -Puntodel conjunto universal.
- Suceso seguro 0 espacio muestral. - Conjunto universal.
- Sucesos incompatibles. - Conjuntos disjuntos.
- Suceso contrario. - Conjunto complementario.
- Suceso imposible. - Conjunto vacfo,
- Uni6n de sucesos. - Uni6n de conjuntos.
- Intersecci6n de sucesos. - Intersecci6n de conjuntos.
- Un suceso A implica a B. - ElconjuntoA esta contenidoenB.
Para llegar a la construcci6n axiomatica del Calculo de Probabilidades,.
necesitamos dar unas estructuras algebraicas basicas construidas sobre los
sucesos de la misma maneraque se construian sobre los conjuntos.
Llamaremos colecclon de coojuotos a un conjunto cuyos elementos son
conjuntos. Asf pues el conjunto de las partes de E, d = W>(E), que es el
conjunto formado por todos los subconjuntos de E, 0 por todos los sucesos
contenidosen elespacio muestralE,sera unacolecciondeconjuotos 0 sucesos.
Luego una colecci6n de sucesos es un conjunto cuyos elementos a su vez son
conjuntos 0 sucesos.
Para llegar a la estructura de Algebra de Sucesos 0 Algebra de Boole,
partimos de una colecci6n de sucesos, d = W>(E), entre cuyos elementos tene-
mos definidas las operaciones:
- union de sucesos,
- intersecci6n de sucesos, y
- complementario de un suceso,
que ademas, verifican las propiedadesque indicamos al exponerlas operacio-
nes con sucesos.
Diremos que la colecci6n de sucesos, d, no vacfa, tiene estructura de
Algebra de Sucesos 0 Algebra de BooIe,si d es una clase cerrada frente a las
operaciones de complementario, uni6n e intersecci6n de sucesos en nnmero
finito, es decir si se verifican las condiciones siguientes:
I. VA E d se verifica que su complementario AE d.
II. VA
1,
A
z
Edse verifica que A
1
U A
z
Ed.
318
319
Estas dos condiciones son suficientes para definir el Algebra de Sucesos,
pues la condici6n I, nos pone de manifiesto que la operaci6ncomplementaria
de un suceso escerrada, ya que siun suceso pertenece a la colecci6n de suce-
sos .sfl., tambien pertenece a ella su complementario. Analogamente la condi-
ci6n II, indica que la operaci6n uni6n de sucesos es cerrada, pues si dos
sucesos pertenecen a SIl, tambien pertenecera elsuceso uni6n.
Lo relativo a que la intersecci6n sea cerrada y que el numero de sucesos
sea finito se obtiene como consecuencia de las condiciones anteriores, como
ahoraindicaremos.
De las dos condiciones anteriores, sededucen las siguientes consecuencias:
1. EIespacio muestral E E SIl.
En efecto,sea un suceso A E SIl entonces:
porla condici6n I se verificaque AE l ~
por la condici6n II severificaque Au A E SIl,
pero Au A = E,luego E E SIl
2. Silos sucesos A y BE SIl, se verificaque AnB E SIl.
En efecto,como A, B E SIl,
por la condici6n I se verificaque A_E sf!.:. yIiE SIl;
porla condici6n II se verificaque AuB E SIl;
de nuevo, en virtud de la condici6n I:
(Au B)E SIl
pero segiin las leyesde Morgan:
(A u B)=A n B= A n B E SIl
3. EIsuceso imposible, 4J E SIl.
La demostraci6n es analoga a la consecuencia 1.
4. Silos sucesos AI' A
z
, A
3
, ..., A. ESIl se verificaque
AlU A
z
U A
3
U ...u A. = U
Ai E SIl
i=I
Aln A
z
n A
3
n ... n A. = n
Ai E SIl
i=1
Para demostrar esto, bastara aplicar sucesivamente la condici6n II y
la consecuencia 3,respectivamente.
Lo cual pruebaque, efectivamente,las operaciones union eintersecci6n de
un numero finito de sucesosson cerradas.
Si hacemos la extensi6n al caso de un mimero infinito numerable de
sucesos, entonces nos aparece una nueva estructura algebraica que recibe el
nombre u-Algebra 0 Campo de Borel.
Diremos que un conjunto 0 colecciondesucesosno vacfo,SIl =\P(E), tiene
estructurade u-AIgebra 0 Campo de Borel,siseverificanlas dos condiciones
siguientes:
I. SiVA E SIl se verificaque su complementario A E SIl.
II. SiVAI' A
z
, A
3
, ... E SIl severificaque
AlU A
z
U A
3
U ... =
00
UAi E SIl
i=I
Aplicando las Leyesde Morgantambien sededuce que la intersecci6n de
un numero infinito numerable de sucesos pertenecientes a SIl, tambien perte-
nece a SIl.
Antes de concluir este apartado hemos de indicar que cuando el espacio
muestral E es finito todos los subconjuntos de E se pueden considerarcomo
sucesos. Pero esto no ocurre cuando el espacio muestral es infinito, pues en
estecaso esmuy diffcilconsiderarelconjunto formado por todos lossubcon-
juntos posibles, existiendo subconjuntos que no pueden considerarse como
sucesos. Porella nos vamos a referira espacios muestrales finitos 0 infinitos
numerables en donde no tendremos dificultad parafijar los sucesos,
En elcaso deun espacio muestralfinito nos basaremosen la estructurade
Algebra de Boole,en donde podemos realizar las operaciones de union, inter-
seccion y complementario de sucesos,teniendo la certeza de que son opera-
ciones cerradas, es decir que nos daran sucesos pertenecientes al conjunto 0
colecci6n SIl I.
Si el espacio muestral es infmito numerable entonces recurriremos a la
estructuradee-Algebra0 Campo deBorel,endondelasoperacionesdeuni6n,
intersecci6n ycomplementario de sucesos son cerradas aplicandolas una infi-
nidad numerable de veces,es decir dan sucesos que pertenecen a la misma
colecci6n de sucesosSIl.
Resumiendo podemos decir que a partir del espacio muestral E hemos
llegado a definirla colecci6nde sucesosSIl que tienela estructura de Algebra
de SucesosoAlgebra de Boole sielespacio muestral esfinito, 0 bien tiene la
estructurade u-Algebra sielespacio muestral es infinito.
Alpar (E,SIl) en donde Eeselespacio muestral ySIl, una u-Algebra, sobre
E,lellamaremos espacio0 conjuntomedible,en elcual sera posible establecer
una medida 0 probabilidad, como despues veremos.
1 Se puede demostrar que toda Algebra de Boole construida sobre un espacio muestral de
dimensi6n finita es una a-Algebra.
1\
"
Ii
320 CASAS-sANCHEZ, J. M. y SANTOS-PE'I'IAS, J.
\1
.)
1
1
'I
6.8. Metodos de enumeraci6n 0 conteo
11 '
En este apartado daremos algunas tecnicas utiles para contar el mimero
de resultados 0 sucesos de un experimento aleatorio, que despues seran de
II
gran aplicaci6n para resolver ejercicios y problemas de probabilidades.
Ii
d.
i
6.8.1. Tobiasdedobleentrada
La tabla de doble entrada, como su propio nombre indica, es util para
relacionar dos pruebas, indicandonos los resultados que integran el espacio
muestral al realizar los correspondientes experimentos, pudiendo indicar sobre
la tabla determinados sucesos en los que estemos interesados.
Ejemplo 6.8
Consideremos el experimento aleatorio consistente en lanzar dos dados al
aire. La correspondiente tabla de doble entrada serfa:
2
1
2
3
4
5
6
1 2 3 4 5 6
*
*
*
*
*
*
* * * * *
en donde los asteriscos representan los resultados posibles, que en este caso
son 36 parejas, cuya primera componente es la de la columna marginal y la
segunda componente es la fila marginal.
Cuando estemos interesados en algun resultado concreto, por ejemplo,
mimero de resultados 0 sucesos elementales en los que aparece una pareja que
sume 6, no tenemos nada mas que observar los valores marginales y obten-
321
dremos los cinco resultados que aparecen dentro de la region recuadrada, 0
bien observando dentro de la tabla las parejas que sumen 6.
En general, con m elementos a
1
, a
2
, a
3
, ... , am Yn elementos b , b , b , ..., bTl'
1 2 3
es posible formar m- n pares, (a" b
s
) tales que cada par tiene al menos algiin
elemento diferente de cada grupo.
6.8.2. Principio demultiplicaci6n
Si tenemos los conjuntos C
1
, C
2
, ... , C
k
, que tienen respectivamente
n1, n2, ..., nk elementos podemos formar en total n n n ..... n , k-uplas,
1 2 3 k
donde en cada k-upla el primer elemento pertenece a C , el segundo a C , el
2
tercero a C
3
... y el ultimo a C
1
k
En el caso particular de que = '" = n = n, el mimero posible n
1
= n
2 k
de k-uplas sera n
k
Asf pues en el ejemplo anterior del lanzamiento de
dos dados al aire el nnmero de posibles parejas hemos visto que ha sido
6
2
= 36.
Este principio es de utilidad en el caso de un experimento aleatorio com-
puesto por otros k experimentos aleatorios. En efecto, sea E el espacio mues-
tral correspondiente al experimento aleatorio compuesto, y sean E , E , ..., E
1 2 k
los k espacios muestrales correspondientes a los experimentos que integran el
experimento compuesto, siendo n
1
, n
2
, ..., n
k
el nnmero de posibles resultados
de los espacios muestrales E
1
, E
2
, ..., E
k
, respectivamente, entonces el numero
de posibles resultados para el espacio muestral E sera n n ..... n
1 2 k
6.8.3. Diagramas deorbot
Este diagrama nos permite indicar de manera sencilla el conjunto de po-
sibles resultados en un exprimento aleatorio, siempre y cuando los resultados
del experimento puedan obtenerse en diferentes fases sucesivas. Para ello
bastara con seguir todos los recorridos posibles del diagrama de arbol,
Ejemplo 6.9
Sea el experimento aleatorio compuesto consistente en lanzar al aire un
dado y despues tres veces consecutivas una moneda, de manera que un
posible resultado de este experimento aleatorio recogera el result ado del
dado y los resultados posibles del lanzamiento de la moneda. El espacio
muestral correspondiente tendra 6 2 . 2 . 2 = 48 resultados posibles, segun el
principio de multiplicaci6n.
322
323
El diagramade arbolcorrespondiente sera:
Tirada
Terceratirada Segundatirada Primeratirada
de del
moneda dado
HC
T ~
2::::- I
HC
TC
6::::- I
HC
TC
de
moneda moneda
de
H
H
T
I
H
T
T
H
I
d ~
T
H
H
T
I
H
T
T
I
H
H
T
I
H
T
T
H
H
T
I
H
T
T
I
I
H
H
T
H
T
T
El espacio muestral sera:
E ={(I,H, H, H), (1,H, H, T), (1,H, T, H), (1,H, T, T)
(1, T, H, H), (1,T, H, T), (1,T, T, H), (1,T, T, T)
(2, H, H, H), (2,H, H, T), (2,H, T, H), (2,H, T, T)
(2, T, H, H), (2,T, H, T), (2,T, T, H), (2,T, T, T)
(3, H, H, H), (3,H, H, T), (3,H, T, H), (3,H, T, T)
(3, T, H, H), (3,T, H, T), (3,T, T, H), (3,T, T, T)
(4, H, H, H), (4,H, H, T), (4,H, T, H), (4,H, T, T)
(4, T, H, H), (4,T, H, T), (4,T, T, H), (4,T, T, T)
(5, H, H, H), (5,H, H, T), (5,H, T, H), (5,H, T, T)
(5, T, H, H), (5,T, H, T), (5,T, T, H), (5,T, T, T)
(6, H, H, H), (6,H, H, T), (6,H, T, H), (6,H, T, T)
(6, T, H, H), (6,T, H, T), (6,T, T, H), (6,T, T, T)}
que efectivamente tiene 48 sucesos.
6.8.4. Combinaciones,variaciones
y permutaciones
Combinaciones
Llamaremoscornbinaciones de m elementos tornadosde n en n, al ndmero
de subconjuntos de n elementos que sepuedaformar con los m elementos del
conjunto inicial; de manera que dos subconjuntos seran distintos si difieren,
al menos, en uno de sus elementos. Las representaremos por:
e = C. =(m) =m(m - 1)(m - 2) ..(m - n +1)= __m_!_
m,. m n n! n!(m - n)!
Las diferentes combinaciones n-arias que se pueden formar a partir de m
elementos, van a diferir, unas de otras, por10menos en un elemento,es decir
los diferentes subconjuntos se diferenciaran por10menos en un elemento.
Combinaciones conrepeticion
Si en los subconjuntos anteriormente formados se pueden repetir los ele-
mentos entonces tenemos las combinaciones conrepeticion. Es decir, a partir
de los m elementos, formamos subconjuntos de n elementos, tales que dos
de sus elementos, tres, cuatro, ..., hasta n elementos, pueden ser el mismo.
El mimero total de subconjuntos de este tipo seran las combinaciones con
324 CASAS.sANCHEZ, J.M. y SANTOS.PENAS,J.
repetici6n, que las representamos por:
m+ n- (m+ n- I)! 1)
C' = C
'"
= =-'--__---'0-
m," m ( n n!(m- 1)1
Variaciones
Dado un conjunto de melementos, llamaremos variaciones de orden n,a
losdistintossubconjuntosque sepuedenformar con losmelementos,tornados
de nen n;demaneraque dos subconjuntos seran distintos sidifieren,bien en
algun elemento, 0 bien en el orden de colocaci6n cuando tienen los mismos
elementos. Los representaremos por:
m!
V
m
" = m(m- 1)(m- 2)...(m - n+ 1) = ( )'
' m-n.
Variaciones con repetici6n
Sienlos subconjuntos anteriores sepueden repetir loselementos,0 sea,que
dosde suselementos,tres,cuatro, ...hasta losnelementospueden serelmismo,
entonces tenemos las variaciones con repetici6n, que las representaremos por:
V'
m."
=m"
Permutaciones
Llamaremospermutacionesde orden n,alas distintas ordenaciones que se
pueden obtener con los n-elementos, tornados de nen n;de manera que dos
permutacionesformadasapartirdelosmismoselementoss6losediferenciaran
en el ordende colocaci6n de sus elementos. Las representaremos por:
p"= n!= 123... (n- 1)n
Permutaciones con repeticion
Las permutaciones de nelementos, k-distintos, de los cuales uno se repite
Xl veces,otro se repite X
2
veces, etc.,de manera que Xl + ... + X
k
= nreciben
el nombre de permutaciones con repeticion de n elementos. Las representamos
poc .
P
n!
X
lo X2, .... Xk = I X r. . x !
" Xl" 2' .. k
donde
Xl + X
2
+ ... + X
k
=n
Ejercicios
1. Una empresa contrata hombres y mujeres que podemos c1asificar en
menores 0 mayores de 25anos. Expresar los cinco sucesos que corresponden
al perfil de contratado:
a) Hombrecontratado.
b) Menorde 25 alios.
e) Mujermayorde 25alios.
tl) Hombre mayorde 25 6 mujer menorde 25 alios.
e) Mujermayorde 25afios y hombremenorde 25 alios.
Soluci6n:
a) Podemos denotar A al suceso {hombre contratado}.
b) LlamandoBalsuceso{menorde25alioscontratado},elsucesopedido
es:B.
e) AnB= AuB
tl) (An"8) u (:4nB)=A B
e) (:4n B) n (A n B)=J
2. Un sistema productivo requiere, para su funcionamiento, el trabajo de
producci6nydecontroldecalidad. De hecho,trabajan2productores,aunque
con uno solo de ellos se puede producir, y 1controlador de calidad. Se pide
caracterizarlos sucesos:
a) Un dfa seproduce.
b) Un dfa secontrolala calidad.
e) Un ilia funciona elsistema productivo (produce y controla).
tl) Un ilia seproduce, pero no secontrola la calidad.
e) Un ilia no seproduceni secontrola.
1) Un dia s6lo seproduce 0 s6lo se controla.
,{
;i
i
327
326 CASAS.sANcHEZ, J. M. ySANTOS-PE"NAS,J.
Soluci6n:
Sean los sucesos:
Suceso P1: el productor 1 acude al trabajo un dfa.
Suceso P2: el productor2 acude al trabajo un dfa,
Suceso C:el controlador acude al trabajo un dfa.
Conesta notaci6nde los sucesos Pl'P2 YC,los sucesos pedidos son:
a) P
1
uP
2
b) C
c) (P1uP
2)"
C
d) (P1UP2)"C=(P1UP2)-C
e) P1"P2"C={P
1UP2UC)
f) [(P1 U P2)" CJU [(P1 U P2)" C] = (P1 U P2)A C
3. En unaempresahay 2subdirectoresnacionalesy1subdirectorextranjero.
De entre ellos (los tres subdirectores) se promociona uno a director. La em-
presa dispone de tres directores, 2 nacionales y 1 extranjero, a los cuales se
aiiade eldirectorpromocionado. Obtenerun sistema completode sucesos del
subdirector promocionado; tambien, un sistema completo de los directores
resultantes.
Solucion:
Sistema completo de sucesos: S. y S. (subdirector nacional y subdirector
extranjero).
Sistema completo de sucesos: D. yD. (director nacional y director
extranjero).
4. Sean los sucesos:
S1:Se lanzaraal mercado un nuevo producto.
S2:Habra crecimiento econ6rnico nacional.
S3:Se contrataraa mas empleados en la empresa.
Los tres referidos a una fecha futura. Determinar el suceso S, consistente
en quese den dos de ellos exactamente.
Soluci6n:
S = (Sl"S2"S3)U(Sl"S2"S3) U(Sl "S2"S3)
FENOMENOS ALEATORIOS Y SUCESOS
5. En el ejercicio anterior, determinarlos sucesos:
a) Sa: No seda ninguno de los sucesos Sl'S2YS3'
b) Sb: Se da uno exactamente.
c) Sc: Se dan los tres sucesos.
Soluci6n:
a) Sa= Sl "S2"S3= (Sl uS
2
uS
3)
b) s,=(Sl"S2"S3)U(Sl "S2"S3)U(Sl "S2"S3)
c) Sc=Sl"S2"S3'
6. Simplificar los sucesos:
a) [(A"B)u C]"[{B,,C)u A]= s,
b) [(A u B)"C]"A= S2
Solucion:
a) Sl=[(A u C)"(Bu C)],,[(Bu A)"(Au C)] =
=(Au C)" (Au B)" (Bu C)=
=(A" B" C)u (A" B" C)u (A" B" C)u (A" B" C),
expresadoesteUltimosucesocomouni6ndesucesosincompatibles0 disjuntos.
b) S2=[(Au B)"A]" C = [(A"A)u (B"A)]" c =
=[ u(B" A)]" C =(B" A)" C =A"B" C.
7. Unacompaiiiadeseguros deautom6viles,aseguravehfculos segun elsexo
del propietario, su edad(inferior a 30 0 mayor0 igual a esa edad), el tipo de
vehfculo (utilitario 0 de lujo) y la antigiiedad del vehiculo (menos de 3 aiios
o de antigiiedad mayor 0 igual). "Cmintas p6lizas sedan necesarias para
asegurar cualquier caso posible?
Soluci6n:
Por el principio de multiplicaci6n los distintos tipos de polizas, son en
2
4
numero: 2222= =16,porhaber2 sexos, 2 intervalos de edad, 2 tipos
de vehfculos y 2 tipos de antiguedad.
329
328
CASAS-sANCHEZ, J. M. y SANTOS-PE:&AS,J.
8. Calcular loslimitesde las sucesionesde sucesosen forma de intervalos:
_11)
a) [n + i:
b) [0, 1+ 2n~ 1)
--
1 1 J
c 1+--
)
[
n
2
+ l' n + 1
Solucion:
a) La sucesi6n escreciente,
lim [ ~ 1)= U ~ 1)= (0,1).
n.... co n+ n=l n+
b) La sucesi6n esdecreciente,
lim[0, 1+ -2 1 1)= 1 1)= n[0, 1+ -2 [0, 1].
n.... oo n+ n=l n+
c) No escrecienteni decreciente,
0000[1 IJ 00[1 J
Ao =nV
1
Dn k2 + r 1 + k + 1 = nVl n
2
+ r 1 =(0,1].
A
O 0000[1 1J oo( 1J
= nu -k2r 1+ -k1 = n 0,1+ --1 =(0,1].
n=lk=n + + n=l n+
Como:
1 1 J ' ,
A =A
O
=> lim -2--1,1+ --1 =A
o
=A
O
=(0,1].
o [
n ....oo n + n +
9. Una linea de ferrocarril tiene 22estaciones. l,Cuantos billetesdiferentes
pueden imprimirse con origen y destino distinto?
"FI'!'Tr(":
Solucion:
EInnmero de billetesdiferentesque pueden imprimirse con origen y des-
tino distinto sera:
22) 22! 2221
V2 2 , 2 =C2 2 , 2 . P2 = 2 2! =2120! 2! = -2-2=2221 =462 tiposdebilletes
(
10. En una divisi6ndeuna empresa hay 12empleados. l,Cuantos grupos de
tresempleadospuedenformarsecomojefes, yencuantosentraraunempleado
concreto?
Solucion:
- (12)= 121 = 121110=2.11.10=220posiblesgrupos de
a) C
12
, 3 - 3 3!9! 6
3jefes
11) 1110
b) C
U
,2 = 2 =-2- =55grupos que inclurn a un empleado con-
(
creto.
11. En elparking de la UNED hay 13plazas de garaje alineadas paraun
Departamento y existen dos plazas de garaje prefijadas para el director y el
subdirector de un Departamento. Si ademas hay 11profesores, l,de cuantas
formas pueden colocarse suscoches?
Solucion:
P
u
=11!=39.916.800 colocaciones
12. Una empresa textil vende sus telas en lotes de 3 rollos. Sabiendo que
dispone de 11tipos de estampados diferentes,l,cuantos posibles lotes puede
ofrecer?
Solucion:
/ _ (11 + 3 - 1) _ (13) _ ~ _ 131211_
CU , 3 - 3 - 3 - 10!3! - 6 - 286 lotes
330
13. En el ejercicio anterior, l.cmintos posibles lotes pueden formarse con '2
rollos iguales y 1 de distinto color?
Soluci6n:
V
l1
, 2 = C
l1
, 2 P2 = = 110 lotes diferentes
14. En el disefio de un parking alineado de 13 plazas, se reservan 2 plazas
grandes para el director y el subdirector, y 11 medianas para los profesores,
pero ahora pueden ordenarse alineadas arbitrariamente, l.cuantas posibles
ordenaciones pueden disefiarse?
Solucion:
13! d'
p
l1
, 2 =--= 78 or enaciones
13 11!2!
15. .Si se disponen seis bombos, que contienen cada uno 5 mimeros diferen-
tes del 0 al 4 y se extrae un numero de cada uno de los bombos ordenados
de izquierda a derecha, cuantos boletos pueden salir ordenando los dlgitos
extrafdos en el mismo orden en que se disponen los bombos?
Soluci6n:
VS,6 = 56 = 15.625 boletos
16. En el ejercicio 13, la empresa textil dispone de 11 tipos de rollos de tela
estampados diferentes. Un lote consiste en 3 rollos. l.Cuatitos lotes puede
ofrecer que incluya un rollo determinado?
Soluci6n:
11 + 2 - 1) (12)
C' = = = 66 lotes
11,2 ( 2 2 .

Capitulo 7
Probabilidad
7.1. tntroducclon
En el capitulo anterior hemos introducido, entre otros, los conceptos de
experimento aleatorio, sucesos, operaciones con sucesos, etc. Indicabamos que
cuando un experimento aleatorio se repite un gran mimero de veces los posibles
resultados tienden a presentarse un mimero muy parecido de veces, 10 cual
indica que la frecuencia con que aparece cada resultado tiende a estabilizarse.
El concepto 0 idea que generalmente se tiene del termino probabilidad es
adquirido casi de manera intuitiva, siendo suficiente para manejarlo en la vida
corriente. Pero debido a la gran importancia del concepto en sf, a la gran
aplicaci6n y desarrollo que ha recibido en los mas variados campos de la
ciencia (ffsica, economfa, biologfa, etc.) es por 10 que se considera imprescin-
dible su estudio, y a 61 vamos a dedicar este capitulo dando la terminologfa
y estructura basica necesaria para poder lIegar a dar una teorfa sobre la
probabilidad.
Ahora nos va a interesar una medida numerica de la posibilidad de que
ocurra un suceso A cuando se realiza el experimento aleatorio. A esta medida
la lIamaremos probabilidad del suceso A y la representaremos por P(A).
La probabilidad es una medida sobre la escala 0 a 1; correspondiendo el
valor cero al suceso imposible, 0 sea el que no ocurre nunca, y el valor 1 al
suceso seguro. Para los restantes sucesos, daremos una probabilidad compren-
dida entre 0 y 1, de tal manera que sera tanto mas probable que ocurra un
suceso cuanto mayor sea su probabilidad. Asf pues, frecuentemente decimos
que el hecho de que ocurra un accidente de autom6vil es mas probable en
ciertas epocas del afio que en otras.
332
333
Hechas estas indicaciones, nos surge la necesidad de dar un concepto de
probabilidad, de tal forma que podamos asignar probabilidades ados diferen-
tes sucesos de un experimento aleatorio. Este concepto de probabilidad no
sera tinico, ya que se pueden considerar diferentes enfoques 0 puntos de vista,
asf pues, aqui expondremos el punto de vista objetivo y el subjetivo. Dentro
del enfoque objetivo se puede considerar una definici6n claslca 0 a priori de
la probabilidad y otra frecuentista 0 a posteriori.
7.2. Definicion clasica de la probabilidad
Consideremos un experimento aleatorio, cuyo correspondiente espacio
muestral E esta formado por un numero n, finito, de posibles resultados
distintos y con la misma posibilidad de ocurrir {e
1
, e
2
, e
3
, , en}. Entonces si
n
1
resultados constituyen el subconjunto 0 suceso A l' n
2
resultados consti-
tuyen el suceso A
2
, Y n
k
resultados constituyen el suceso A
k
de tal manera
que:
n
l
+ n
2
+ ... + n
k
= n
y las probabilidades de los sucesos A
l
, A
2
, ..., A
k
seran:
n
l
n
2
n
k
P(A
l
) = -; P(A
2
) = -; ...; P(A
k
) =-
n n n
Es decir, la probabilidad de cualquier suceso A es igual al cociente entre
el nnmero de resultados favorables 0 resultados que integran el suceso A yel
mimero total de elementos 0 posibles resultados del espacio muestral E. Luego
una f6rmula para calcular la probabilidad de un suceso cuando todos los
posibles resultados tienen la misma probabilidad de ocurrir sera:
Numero de casos favorables de A
P(A) = Numero de casos posibles de E
que se conoce con el nombre de regia de Laplace para espacios muestrales
finitos.
Veamos ahora c6mo se aplica la regla de Laplace para algun caso concreto.
Supongamos el experimento aleatorio lanzar un dado al aire, en donde
el dado se supone que es perfecto y el lanzamiento totalmente imparcial,
teniendo todos los posibles resultados la misma posibilidad de aparecer, y cuyo
correspondiente espacio muestral es:
E = {e
l
, e
2
, e
4
, = {1, 2, 3, 4, 5, 6} e
3
, e
s,
e
6
}
PROBABILIDAD
Cada uno de los posibles resultados tendra la misma posibilidad, es decir
todas las caras del dado tienen la misma posibilidad de aparecer y sera un
1/6; siendo este valor la probabilidad de cada uno de los sucesos elementales
que integran el espacio muestral:
1
P(e
l
) = P(l) = 6"
1
P(e
2
) = P(2) = 6"
1
P(e
6
) = P(6) = 6"
que se interpreta como el cociente entre el mimero de casos favorables para
cada resultado 0 suceso elemental que es 1, y el numero total de posibles
resultados que es 6.
Si ahora consideramos un suceso
A = {1, 3, 5} = que aparezca cara impar
la probabilidad del suceso A sera:
Niimero de casos favorables 3 1
P(A) = =-=-
Niimero de casos posibles 6 2
Si el suceso considerado fuera:
A = {5, 6} = que aparezca un resultado mayor que 4
P(A) = 6"
2
= 3
1
No siempre resulta tan facil y directa la aplicaci6n de la regla de Laplace,
pues los sucesos del espacio muestral deben ser distintos y tener todos ellos
la misma posibilidad de ocurrir. Supongamos, por ejemplo, que realizamos un
experimento aleatorio que consiste en lanzar al aire dos monedas simultanea-
mente y estamos interesados en conocer la probabilidad de que aparezcan dos
cruces. Para ella empezanamos por obtener los posibles resultados que se
pueden presentar al lanzar las dos monedas al aire que sedan:
- Dos caras.
- Dos cruces.
- Una cara y una cruz.
334
ycomo unode estos resultadoseselsuceso,dos cruces, cuya probabilidadnos
interesa, se podrfa decir que la probabilidad buscadaes 1/3. Peroesto no es
cierto ya que los tres resultados no tienen la misma posibilidad de ocurrir,
pues el resultado cara-cruz puede aparecer tambien como cruz-cara, siendo
portanto el espacio muestral 0 conjunto de posibles resultados
E = {HH, HT, TH, TT}
todos distintos con la misma posibilidad de ocurrir. La probabilidadcorrecta
del suceso, dos cruces, serfa 1/4.
Mas concretamente,siconsideramos elespacio muestral finito E ={el' ez,
..., en}, paraque se pueda aplicar la regIa de Laplace es necesario que todos
los sucesos elementales sean equiprobables, es decir:
P(e
l
) = P(e
z
) = ...=P(e
n
)
ycomo
P(E) = L
n
P(ej ) = 1
~ l
resulta que:
1
P(e
i
) =-, Vi = 1,2, 3,..., n
n
y si designamos por A ={e ..., e
k
} el suceso formado por k sucesos
l
, e
z,
elementales, siendo k :(n, tendremos:
~ k nnmero de casos favorables
P(A) = L, P(e) =- = --------
~ I j n ntimero de casos posibles
Observemos que la probabilidad verificalas siguientes condiciones:
1.0 La probabilidad de cualquiersuceso es siempre un numero no nega-
tivo comprendido entre y 1. En efecto, dicha probabilidad viene
n
dada por~ en donde n
j
esmenorque n, y ambos son no negativos,
n
2.0 Laprobabilidaddel suceso seguro, E, vale 1,pues en este caso ni sera
igual a n, ya que elsuceso seguraE 0 espacio muestral contienetodos
n
los posibles resultados y la probabilidad sera - = 1. Parejemplo, la
n '
probabilidad de obtener un resultado inferior a 9 al lanzar un dado
sera 1.
Analogamentela probabilidaddelsucesoimposible, <jJ, escero.Por
ejemplo, la probabilidadde obtenerun 8allanzarun dadosera cero.
PROBABILIDAD 335
3. La probabilidad de la union de varios sucesos incompatibles 0 ex-
cluyentes esigual a la sumade las probabilidadesde cadaunode los
sucesos. En efecto, sean los sucesos AI' A
z
, ..., A" compuestos cada
uno deellosporn
l
, n
z,
...,n,resultadoselementalesdelespaciomuestral
E, y tales que Ai n A
j
of. <jJ, Vi, j = 1,..., r, entonces resulta que como
n
l
+ n
z
+ '" + n, n
l
n
z
n,
-=----=-------'- = - +- + ... +-
n n n n
tendremos:
P(A
I
U A
z
U ... u A,) = P(A
I
) + P(A
z)
+ ... + P(A,)
Esta definicion de la probabilidad clasica fue una de las primeras que se
dieron, alrededordel afio 1900,yseconoce con elnombrederegIadeLaplace
ya que se Ieatribuye a el, Tambien se Ie suele liamar probabilidad a priori,
pues para calcularla.es necesario conocer, antes de realizar el experimento
aleatorio, el correspondiente espacio muestral y el nnmero de resultados 0
sucesos elementales que entran a formar parte del suceso cuya probabilidad
pretendemosdeterminar;pudiendo calcularlaprobabilidadde cualquiersuce-
so antes de realizar el experimento aleatorio.
La aplicaci6n de la definici6n clasica de probabilidad puede presentar
dificultades de aplicaci6nen algunos casos. Concretamente, cuando el espacio
muestral es infinito, 0 bien cuandolos posibles resultados de un experimento
no son igualmente probabIes. Por ejemplo, en un proceso de fabricaci6n de
un determinado tipo de piezas, pueden aparecer algunas piezas defectuosas,
siendo la mayorfa buenas, yen este caso siquisieramos determinar la proba-
bilidad de que unapieza fuera defectuosa no podriamos utilizarla definici6n
clasica de probabilidad,pues necesitarfamos conocerpreviamente elresultado
del proceso de fabricaci6n (experimento aleatorio). Otro ejemplo serfa el de-
terminarla probabilidad de que una mujer muera antes de una determinada
edad, etc.
Para resolver, entre otros, estos problemas se haceuna extensi6n de la
definicion de probabilidad,de maneraque sepuedaaplicarcon menos restric-
ciones. Llegando a la definicion frecuentista de la probabilidad.
7.3. Definicion frecuentista de la probabilidad
Dados dos sucesos incompatibles Al y A
z
tales que Al u A
z
= AcE
entonces cada vez que se presente el suceso A, se presentara necesariamente
uno y s6Io uno de los sucesos Al 0 A
z
, Ysi realizamos n repeticiones del
336
337
- ..
experimento aparecera n' veces el suceso A de tal forma que
n' = n
l
+ n
z
siendo:
n
l
: el mimero de veces que aparece Al Y
n
z:
el nnmero de veces que aparece A
z
.
Luego tendremos que:
n' n
l
n
z
- = - + - :;. f,.(A) =f,.(A
1
u A
z)
= f,.(A
1
) +f,.(A
z)
n n n
Esta propiedad se puede generalizar al caso de n sucesos incompatibles.
La teorta frecuentista de la probabilidad asegura que existe el siguiente
limite cuando n tiende a infinito:
n
lim .2 = P(A
i
) , i = 1, 2, 3, ..., k
n-+C() n
siendo P(A
i)
la probabilidad del suceso Ai'
Luego la definicion frecuentista de la probabilidad consiste en definir la
probabilidad como el limite cuando n tiende a infinito de la proporci6n 0
frecuencia relativa del suceso.
En general, si realizamos un experimento aleatorio cuyo correspondiente
espacio muestral es E y designamos por A cualquier suceso perteneciente al
espacio muestral E y repetimos en las mismas condiciones, n veces el experi-
mento aleatorio, tendremos que la frecuencia relativa del suceso A sera:
n(A)
n
en donde n(A) es el nnmero de veces que ha aparecido el suceso A en las n
repeticiones del experimento.
Cuando el mimero n de repeticiones del experimento se hace muy grande,
o sea, cuando n tiende a infinito, la frecuencia relativa converge hacia un valor
que llamaremos probabilidad del suceso A, P(A), 0 sea:
P(A) = lim n(A)
n-+ co n
Pero como es imposible llegar a este .lfmite, ya que no podemos repetir el
experimento un numero infinito de veces, 10 que sf podemos hacer es repetir
PROBABILIDAD
el experimento muchas veces y observarfamos que lasfrecuencias relativas
tienden a estabilizarse. Pero esta estabilizaci6n es relativa, pues en algunos
casos las frecuencias relativas tienden a estabilizarse muy pronto, es decir, con
pocas repeticiones del experimento aleatorio se observa la estabilizaci6n y sin
embargo en otros casos la estabilizaci6n de las frecuencias relativas es mas
lenta, teniendo que repetir muchas veces el experimento aleatorio para que
aparezca esa estabilizaci6n. Asf pues, consideremos un experimento aleatorio
que consiste en lanzar una moneda equilibrada al aire, 0 sea, una moneda muy
perfecta, siendo los posibles resultados cara (H) 0 cruz (T); si repetimos 200
veces el experimento obtenemos los resultados de la tabla 7.1.
TABLA 7.1.
Resultados de 200 lanzamientos de una moneda al aire.
Numero de caras
Numero de
Soma
Frecuencia
cada 10
acumulada
lanzamientos relativa
lanzamientos
de caras
de caras
1
0
0
0
10
6
6
0,600
20
2
8
0,400
30
6 14
0,467
40
5 19
0,475
50
6
25 0,500
60
6 31
0,517
70
7
38 0,543
80
5 43
0,537
90
3
46
0,511
100
5
51 0,510
110
5
56 0,509
120
7
63 0,525
130
5
68 0,523
140
4
72
0,514
150
3
75
0,500
160
3
78 0,487
170
5
83 0,488
180
6
89 0,494
190
6
95 0,500
200
6
101 0,505
La cuarta columna de la tabla 7.1 nos da la frecuencia relativa de aparici6n
del suceso cara. Por ejemplo, cuando hemos realizado 40 repeticiones del
experimento la frecuencia relativa de caras es
19 .
40 = 0,475
---
338
. . . ~ .
CASAS-sANcHEZ, J. M. y SANTOS-PENAS, J.
y cuando se han realizado 170 repeticiones la frecuencia relativa es
83
~ 0 4 8 8
170 '
10 cual nos indica que cuando el numero n de repeticiones del experimento
aumenta la amplitud de las variaciones disminuye. Es decir, la frecuencia
relativa tiende a estabilizarse 0 a presentar regularidad estadfstica en torno a
un valor, en nuestro ejemplo, 0,5, a medida que n crece.
Si representamos graficamente la primera y cuarta columna de la tabla 7.1,
llevando en el eje de abscisas el mimero de lanzamientos Y en el eje de
ordenadas la frecuencia relativa de las caras, grafico 7.1, observamos que
efectivamente la amplitud de las variaciones decrece cuando n aumenta, ten-
diendo a fluctuar alrededor del valor 0,5.
----_..---_...----_....----_._---_..... ---_..--_... --_.....--...--- ..._.-....-.-._..---- ..--- .....--.....---....---...... ----_....
..----_..---...---_....----.....---_...---- ...---_...---_..-----_._--_..._-_..... _--_.... _-_ .....---_.....---_....-----.-----_...------....---
0,9
..... -_ ..... __ ........... ----_..... __ ..._---_...----_...--_....--- ...-----..----_...--_......--_..... ---.....--- .....---_......-....... ---_....
0,8
--_...--_..-.__....-.--_......-_...---- ....--_....---_.-----_..---...-- --....---_....----_... ~ _...-- .....---_.....~ _ ...------_..- -----
~ 0,7
'Q
..---_....-- -_....-_..-..-_. _... ~ _ .... ~ _ ...-.--_ ..... ---_...---_.... ---_.....-- -_..
~
... 0,6
..
... _.... --_.. 'g
oj
--_ _.... ---_....----.... _ . ~ _ ...
~ 0,5
..._-_._..---_....--_..... -_......--_...------_...----..... ---_.....-----....----_...---
Ii: 0,4
-_..~ _ ..- -_....----_.....----_...- ---...---_...---_....-_.... ---- ..---_.....- ~ ....--_..... _ . ~ ....---_......-_._....----_..--.----_.
0,3
----...--_....--_._..-----_.....----_..-----....--_....----....--_....--_...----_....---_.....--_.....---_....----_....----_....-----_..._----_.
0,2
..-----_..---_....--_.....- --_..... ---_..------_.- - -_ ...-- - ...---_....---_...----_...------ ...~ --_....~ .... - ---_...------ ...-----_..---
0,
_ _
0' !
o 10
I
20 30 40 50 60 70
J
80
I
90 100 110 120 130 140 150 160 170 180 190 200
I I I I I I I I I I
Numero de lanzamientos
<
GRAFICO 7.1. Representacion grafica del numero de lanzamientos de una moneda al aire
y frecuencia relatiua de las caras.
Este valor 0,5, al cual tiende la frecuencia re1ativa cuando el numero de
repeticiones se hace muy grande, es 1a probabilidad del suceso cara.
El hecho de que las frecuencias relativas tiendan a estabilizarse en torno
del valor 0,5 es debido a que 1amoneda que hemos utilizado estaba totalmente
PROBABILIDAD 339
equilibrada, 0 sea, era imparcial, y los dos posibles sucesos, cara y cruz, son
igualmente pro babIes.
Si la moneda hubiera sido doblada 0 golpeada, al repetir muchas veces e1
experimento aleatorio (lanzamiento al aire de la moneda) nos podia haber
llevado a un valor diferente del 0,5, como podfan haber sido del 0,61, 0,48,
0,71, ... siendo estes los valores a1rededor de los cua1es se hubieran estabilizado
las frecuencias relativas, resultando entonces que la probabilidad del suceso
cara no hubiera sido 0,5, sino que serfa 0,61, 0,48, 0,71, ...
A esta definicion frecuentista de la probabilidad se Ie llama tambien proba-
biIidad a posteriori ya que s610 podemos dar 1a probabilidad de un suceso des-
pues de repetir y observar, un nnmero grande de veces, el experimento aleatorio
correspondiente. Algunos autores tambien las Haman probabilidades teerieas,
7.4. Interpretacion subjetiva de la probabilidad
Hemos visto que tanto la definicion clasica como la frecuentista de 1a
probabilidad se basan en las repeticiones del experimento aleatorio, pero hay
muchos experimentos que no se pueden repetir bajo las mismas condiciones,
y por tanto habra muchas situaciones donde la interpretaci6n objetiva de la
probabilidad no puede ser aplicada, teniendo que recurrir a un punto de vista
alternativo que no depende de las repeticiones del experimento aleatorio sino
que consiste en considerar la probabilidad como un concepto subjetivo que
expresa el grado de creencia 0 confianza individual sobre 1aposibilidad de que
el suceso ocurri6. Es decir, la probabilidad subjetiva representa un juicio
personal sobre el resultado de un experimento aleatorio, pudiendo ser muy
diferente del juicio personal 0 probabilidad subjetiva asignada por otra per-
sona. Luego la probabilidad subjetiva es la evaluaci6n personal de la proba-
bilidad de un fen6meno a1eatorio. '
Con e1 fin de aclarar 10que entendemos por grado de creencia 0 confianza
individual consideremos el siguiente ejemplo, que va a consistir en un partido
de futbol entre dos equipos A y B que juegan por primera vez; no disponemos
de informaci6n sobre resultados anteriores puesto que es 1a primera vez que
van a jugar, solo se tiene informacion sobre algunos jugadores de ambos
equipos, Como no han jugado en ocasiones anteriores no podemos atribuirle
probabilidad objetiva al posible resu1tado del partido, es decir como no existen
resultados de partidos anteriores, no podemos asignarle probabilidad de tipo
frecuentista 0 a posteriori ni de tipo clasico 0 a priori a los tres posibles
resultados del partido:
- que gane el equipo A,
- que gane el equipo B, 0
- que empaten.
Sin embargo, basandonos en el conjunto de la posible informaci6n que'
podamosteneraeereadelosdiferentesjugadores0 aun sinella,sepuedeemitir
unjuicio personal 0 grado decreenciasobre elposible resultado, que sena la
probabilidad subjetiva que se asigna a eada posible resultado. Asfpues un
determinado observador puede asignar las siguientes probabilidades subje-
tivas.
Probabilidad deque gane elequipo A= 0,7
Probabilidad de que gane elequipo B=0,2
Probabilidad de que empaten = 0,1
Otro observadorpuede asignar diferentesprobabilidades subjetivas:
Probabilidad de que gane elequipo A= 0,3
Probabilidad de que gane el equipo B= 0,2
Probabilidad de que empaten = 0,5
Siendo, por tanto, posible que diferentes observadores tengan diferentes
grados de creencia sobre los posibles resultados emitiendo juicios personales
o probabilidades subjetivas diferenteseigualmente validas,
De esta forma hemos emitido un juicio (un numero) que reflejanuestra
opini6n sobreelposibleresultado, yqueeslaprobabilidadsubjetivaasignada
a ese resultado. Siendo este mlmero 0 probabilidad subjetiva una propiedad
caracterfstica que depende delpropio observador.
Para el objetivista las cosas sueeden de diferente forma: admite que la
probabilidad es una propiedad caracterfstica de cada acontecimiento y no
depende del observador, limitandose este a ealeular su valor a partir de un
conjunto de informaci6n impuesto por el propio acontecimiento e indepen-
diente del observador. Es decir,dos observadores diferentespueden dar para
un mismo sueeso dos valores distintos desde el punto de vista subjetivo,sin
embargo,estonopuedeoeurrirenelpuntadevistaobjetivo,puesenestecaso
.unodelosdos0 ambos han medidomallaprobabilidadyunserinfinitamente
inteligente danaelvalor exacto.
En10sucesivonos referiremosala probabilidadobjetiva aunque enalgtin
apartado, como por ejemplo en teona de la decisi6n podremos utilizar poo-
babilidades subjetivas,percentonces 10 indiearemos expresamente',
1 Comoautores representantesdelpunto devistaobjetivo tenemos:Gournot, Borel,Berstein,
Keynes,Kolmogorov, Jeffreys, Von-MissesyReichenbard.
Como representantes del punto de vista subjetivo: Ramsey, De Finetti, Koopman, Savage,
Good, etc.
PROBABlLIDAD
341
7.5. Definicion axiomOtica de la probabilidad
La definici6n axiomatica de la probabilidad es quizas la mas simple de
todas las definicionesy ciertamente es la menos controvertida ya que, esen-
cialmente,esuna definiei6nbasadaenun conjuntodeaxiomas queestableeen
los requisitos mfnimos para dar Unadefiniei6n de probabilidad. La ventaja
fundamental deladefinici6naxiomaticadelaprobabilidadesque nos permite
llegara un desarrollo riguroso ymatematico de la probabilidad. Esta aproxi-
maci6n axiomatica de la probabilidad fue introducida, inicialmente, por el
matematico ruso A N. Kolmogorov yposteriormente aceptada por estadfsti-
eos y matematicos en general2.
Dado el espacio muestral E y la e-algebra d = Q1>(E), diremos que una
funcion de conjunto P definidasobre d y con valores en [0, 1],
P: d --+ [0, 1]
es una probabilidad, sisatisfacelos siguientesaxiomas deKoImogorov:
A.I. P(A) ~ 0,para cualquier sueesoA E d.
All. P(E) = 1.
AlII. Dada unasucesi6n numerabledesucesos incompatibles, A
l
, A , '" E d,
severifieaque
2
P(A l U A
2
U ... ) = P(A
l)
+P(A ) +P(A ) +...
2 3
o bien
P(9l Ai) = ~ P(A;)
Sila funciondeeonjunto P asigna elvalor p = P(A) alsueesoA, entonees
diremos que p 0 P(A) esla probabilidaddelsucesoA.
La ternaformada por elespaciomuestral E, la o-algebra d yla probabi-
lidad P, (E, d,P), recibeelnombre de espacioprobabilfstico.
2 Un axioma es una afirmaci6n quese admite como verdadera;mientras que un teorema es
una afirmaci6n que puede ser deducida de axiomas 0 de otras propiedades y teoremas previos.
Enladefinicionaxiomatica delaprobabilidad, admitiremoscomoverdaderas variasafirmaciones
simplessobre la probabilidad, yestas afirmacionesseran los axiomasde probabilidad.
342
343
CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, 1.
7.5.1. Teoremas elementales0 consecuencias
delosaxiomas '
Los siguientes resultados se deducen directamente de los axiomas de pro-
babilidad de Kolmogorov.
Teorema 7.1
l.La probabilidad dol suceso imposible es nula
P() =
Demostraci6n:
Sabemos que
Eu=E y En=
Por el axioma III (A.IlI), resulta que
P(Eu) = P(E)+ P() = 1
y como por el axioma II (A.II), P(E)= 1,
P(E)+ P()= 1 + P()= 1
resulta que
P() =
Es decir, la probabilidad del suceso imposible es cero, pero si para cual-
quier suceso A resulta que P(A) = 0, diremos que A es un suceso nulo, pero
esto no implica que A = . Analogamente sucede con el suceso E,pues si para
cualquier suceso A se verifica que P(A) = 1, diremos que A es un suceso casi
seguro, pero esto no implica que A = E.
Un diagrama grafico de la demostraci6n viene dado por el grafico 7.2.
PROBABILIDAD
An AlII An 1
l l l r--- ,
1 +P(0) I =P(E)+P(0) = : P(Eu 0):
1 1
GRAFICO 7.2. Demostracion del teorema 7.1.
Teorema 7.2
Para cualquier u s o A E d se verifica que la probabilidad de su
complementario P(A) es
P(A) = 1 - P(A)
Demostraci6n:
Teniendo en cuenta que:
AuA=E y AnA=
Aplicando los axiomas A.Il y A.IlI tenemos:
1 = P(E)= P(Au A) = P(A)+ P(A)
de donde se deduce que
P(A)= 1 - P(A)
344
345
CASAS-sANCHEZ,J. M. y SANTOS-PENAS,J.
o bien que
P(A) = 1 - P(A)
Un diagramagraficode la demostraci6n vienedado por elgrafico7.3.
AuA=E
A.ID A.n
t
i' - - - - - -_- - - - - - - :
t
P(A)+P(A) : P(AuA)=P(E)I
=
, - - - - - - - - - - - - - _I
GRAFICO 7.3. Demostraci6n del teorema 7.2.
Teorema 7.3
La probabilidad P esmon6tonano decreciente,esdecir
VA, B esl, con A c B => P(A):::;; P(B)
yademas
P(B - A) = P(B) - P(A)
Demostraci6n:
Observando eldiagrama de Venn delgrafico7.4.
PROBABILIDAD
E
B
GRAFICO 7.4. Diagrama de Venn.
si,A c B,entonces podemos expresar B como
B = Au(B- A)
pero A y B- A son disjuntos, luego por A.III tendremos:
P(B)= PEAu (B - A)]= P(A) + P(B - A) =>
=> P(B - A) = P(B) - P(A)
y como por elaxioma A.I,
P(B - A) 0
resulta que
P(B) - P(A) 0
de donde
P(B) P(A)
Yconsecuentemente
P(A):::;; P(B)
347
CASAS-sANCHEZ,J. M. YSANTOS-PENAS,J.
346
Teorema 7.4
Paracualquier suceso A E .54., se verifica que P(A) 1.
Demostraci6n:
l
Ya que AcE,porel teorema 7.3resulta que
P(A) P(E)= 1 P(A) 1
Teorema 7.5
P",.do'sucesos cualesquieraA,BE'"severificaque
P(Au B)= P(A) + P(B) - P(An B)
Demostraci6n:
Observando el diagramade Venn del grafico 7.5podremos escribir
E
GRAFICO 7.5. Diagrama de Venn.

y como los sucesos
(An B),(An B),(An B)
PROBABILIDAD
son disjuntos, porel axioma A.I1Itendremos que:
P(A) = P(An B) + P(A n B) [7.1]
P(B)= P(An B)+ p(J n B) [7.2]
P(A u B)= P(An B)+P(A nB) +P(An B) [7.3]
De las expresiones [7.1] y [7.2], sumandomiembro a miembro ypasando
al primer miembro P(An B) tendremos
P(A) + P(B) - P(An B)= P(A n B)+ P(An B)+ p(J n B) [7.4]
y comparandola expresi6n [7.3] con la [7:4] resultaque los segundos miem-
bros son iguales, luego se verificaque:
P(A u B)= P(A) + P(B)- P(An B)
Este teorema se puede generalizar a mas de dos sucesos, as! pues parael
caso de tres sucesos A, B, C E .54. tendremos
P(A u Bu C) = P(A) + P(B)+ P(C) - P(A n B)- P(An C) - P(Bn C) +
+ P(AnBnC)
En general paran sucesos A
l,
A
z
, ...,AnE .54. se verificaque
n ) n n n
P
(
iV Ai = P(AJ - P(Airi Aj)+ kt:k P(A;n Aj n AJ+
l
+ ... +(_l)n+l
p
(6Ai)
Teorema7.6
Parados sucesos cualesquiera A y B E .54. se verificaque
P(A u B) P(A) +P(B)
Demostracion:
Es unaconsecuencia inmediata del teorema 7.5.
349
CASAS-sANCHEZ, J. M. y SANTOS-PENAS,1. 348
En general podemos eseribir que
P(QI Ai) JIP(A;)
En eI easo de que los sueesos fueran disjuntos entonees se verifiea la
igualdad
P(VI Ai)= itl P(A;)
Teorema 7.7
Dadauna sueesi6n ereeiente de sueesos {AI' A
z
,A
3
, } que abrevia-
damente representaremos por{Anj} entonees se verifieaque:
';:', n ~ ~ P(A
n)
= ~ ~ An)=P(91 An)
i,
Demostracion:
i
f'
Denotemos por
A = Al U A
z
U A
3
U .. = lim An= UAn
n-ecc n=1 j;
co
con 10eual
iti
I,,::
':;,1
P(A) = ~ ~ An)=P(91 An)
Comola sueesi6n es ereeiente se verifiea
I:.
Al c A
z
C A
3
c
I
t'
y los sucesos
:[\. 'I'
I'
AI'A
z
- AI'A
3
- A
z
,A
4
- A
3
, , An- An-I'...
son disjuntos entre sfy tales que:
An= AlU (A
z
- AI)u(A
3
- A
z
) U (A
4
- A
3
) U ...U (An- An-I) [7.5]
tomando limites euando n tiende a infinito tenemos:
lim An= Alu(A
z
- AI)u (A
3
- A
z
)U ...
n....co
PROBABILIDAD
y porelaxioma A.III
p(lim An)= P(AI)+P(A
z
- AI)+P(A - A )+...=
n....co 3 z
= lim [P(AI)+P(Az- AI)+P(A
3
- A
z
)+...+P(A - An-I)]=
n....co n
= lim PEAl U (Az- AI)U (A
3
- A
2
) U '"U (An- An-I)]
n....<Xl
y teniendo en euentala expresion [8.5] resulta que:
p ~ ~ An)=n ~ ~ P(AJ
con 10que queda demostrado.
Teorema 7.8
Dadauna sucesion deereeiente de sueesos {AI' A
2
, A
3
, ...} 0 abrevia-
damente {An!}, entonees severifiea que:
n ~ P(A
n)
= p ~ ~ An)= PCOI An)
Demostraci6n:
Designamos por
A =Aln Az n A
3
n ... = lim An= n
co
An
[7.6]
n--+oo n=l
Yeonseeuentemente
P(A) = p ~ An)=PCOI An)
Comola sueesi6n {An!} esdeereciente, entonces la sueesi6n de sus sueesos
complementarios {Anj}es ereeiente y, eonseeuentemente, el eomplementario
delsueesoArepresentadoenlaexpresi6n[7.6], aplieandolasleyesdeMorgan,
sera:
eo
A = AlU AzU A
3
U ... = lim An = UAn
n-+oo n==1
350
CASAS-sANCHEZ, J. M. YSANTOS-PEr::lAS,1.
y segun el teorema 7.7
P(A)= p(lim An)=p( UAn)
n-e co n=1
y porel teorema 7.2
P(A)= 1 - P(A)= 1- lim P(AJ= 1 - lim [1 - P(An)]=lim P(An)
n-+ 00 n-+ 00
n-+ 00
luego
P(A) = ~ ~ P(AJ= ~ ~ An) = p(C\An)
como querfamos demostrar.
Ejemplo 7.1
Seanlos sucesos A, By C con probabilidades
1 1 1
P(A) = 2:' P(B)="3 y P(C)=4
y tales que
1
P(AnB)=6
AnC=
BnC=
Obtener
1. P[(An B)],
2. P(AnB),
3. P[(Au B)],
4. P(AnB)y
5. P[AuBuC].
Soluci6n:
1. Teniendo en cuentael teorema 7.2,tenemos:
__ 1 5
P[(An B)] = 1 - P(A n B)= 1 - 6=6
PROBABILIDAD
351
2. Segtin vimos en el teorema 7.5,tenfamos la expresi6n:
A =(AnB)u(AnE)
Luego
P(A)= P[(An B) u (A n E)] = P(A n B)+ P(Au B)
1 1 -
- = - + P(AnB)
2 6
- 1 1 2 1
P(An B) == - - - = - = -
2 6 6 3
3. Aplicando el teorema 7.2,tenemos:
P[(Au B)] = 1 - P(Au B)
Pero segrin el teorema 7.5
1 1 1 2
P(Au B)=P(A)+ P(B)- P(A n B)= - +- - - = -
236 3
Por tanto, sustituyendose tiene:
2 1
P[(Au B)] = 1 - "3 ="3
4. Teniendo en cuentalas leyes de Morgan, sabemos que:
AnB=AuB
luego
- - -- 1
P(An B) =P(Au B)="3
5. Sabemos que:
AnC=ljJ
BnC=
Pero
(Au B)n C =(An C)u (Bn C)= ljJ
352
353
CASAS-sANCHEZ, J. M. YSANTOS-PENAS,J.
luego (Au B)YCson sucesos disjuntosyteniendoen cuentaelaxioma
A.lII resulta:
2 1 11
P(Au Bu C)=P[(Au B)u C] =P(Au B)+P(C) = - + - = -
3 4 12
EjempJo 72
Analizadaslasestadisticasde visitantesalosmuseosde una ciudaddurante
el afio 2000 se ha observado que 1.000.000de personas han visitado el total
de museos. En particularse sabe que700.000personas hanvisitado el museo
A y 500.000 han visitado el museo B, y no se tiene informaci6n del resto.
Obtener:
1. La probabilidad de que un visitante visite el museo A.
2. Laprobabilidad de que un visitante visite el museo B.
3. Laprobabilidad de que visite los dos museos A y B.
4. La probabilidad de que visite al menos uno de los dos museos.
Solucion:
DesignamosporA elsuceso de visitar elmuseo A,analogamenteporB el
suceso de visitar elmuseo B,y llamamos C al suceso visitar otros museos.
1. Teniendo en cuentala definici6n de probabilidad, tenemos que:
700.000 =0,7
P(A)=1.000.000
2. Analogamente
500.000 = 0,5
P(B)= 1.000.000
3. EIsuceso que visite los dos museos Ay B10 designamos porAn B,
luego tenemos que calcular P(An B).
Sabemos que
~ n ~ u ~ n ~
B ~ n ~ u ~ n ~
Luego
P(AnB) P(AnB)+P(AnB)=P(A)= 0,7
P(A n B)~ P(A n B)+P(A n B)= P(B)= 0,5
Por tanto podemos decir que
P(AnB)~ 0,5
PROBABILIDAD
Pero porel teorema 7.5tenemos
P(Au B)= P(A)+P(B)- P(A n B)
Y porel teorema7.4,
P(AuB)~ 1
Luego
P(A) +P(B)- P(A n B)~ 1
0,7+0,5- P(A n B) ~ 1
0,2~ P(AnB)
Resulta que
0,2~ P(AnB)~ 0,5
4. El suceso que visite al menos uno de los museos 10 representamos
porAuB,luego tenemos que calcularP(Au B).
Razonando de manera analoga al apartado anteriortenemos:
0,7=P(A):(P(A)+P(AnB)=P(Au B):(I
0,5=P(B):(P(B)+P(A n B) =P(Au B):(1
luego
0,7~ P(Au B) ~ 1
EjempJo 7.3
La probabilidad de que un estudiante A apruebe el examen final de Esta-
dfstica es0,7,la de otroestudianteB es0,5y la probabilidadde que aprueben
los dos estudianteses0,4.Obtenerlas probabilidadesde los siguientessucesos:
1. Que al menos uno de los dos apruebe el examen.
2. Queninguno apruebeeIexamen.
3. SoIamente uno apruebe el examen.
Soluci6n:
Designamos por:
- Suceso A:el estudiante A aprueba.
- Suceso B: el estudiante B aprueba.
354
CASAS-sANCHEZ,J. M. YSANTOS-PENAS,J.
Entonces
peA)= 0,7
PCB) = 0,5
peAnB)=0,4
1. El suceso que al menos uno de los dos apruebe el examen sera:
Al= AuB
Iuego
peAl)= peAu B) = peA)+ PCB) - peA n B)= 0,7 + 0,5 - 0,4 = 0,8
2. El suceso que ninguno apruebe e1 examen sera:
A
2
=AnB= AuB
Luego
P(A
2
) = peAu B) = 1 - peAu B)= 1- 0,8 = 0,2
3. El suceso que solamente uno apruebe el examen sera
A
3
=(A n B)u (A n B) =A 6.B
pero como estos sucesos (An Ii) y (Ii'- n B) son disjuntos
P(A
3
) = peA n B)+ peA n B)
Sabemos que
A =(AnB)u(AnB) => peA)=P(AnB)+P(AnB)
B =(A n B)u (:4n B) => PCB) =peA n B)+peA n B)
de donde sededuce que
P(AnB)= peA)- P(AnB)
P(AnB)=PCB) - P(AnB)
ysustituyendo en la expresi6n de P(A
3
) tenemos:
P(A
3
) = peA)- 2peA n B)+ PCB) = 0,7 - 20,4+ 0,5 = 0,4
PROBABILIDAD 355
7.6. Probabilidad condieionada
En los apartados anteriores hemos introducido el concepto de probabi-
lidad considerando que la unica informaci6n sobre el experimento era el
espacio muestral. Sin embargo, hay situaciones en las que seincorporainfor-
maci6n suplementaria respecto de un suceso relacionado con el experimento
aleatorio en cuestion cambiando su probabilidad de ocurrencia. As! pues, el
hecho de introducir mas informaci6n, como puede ser que otro suceso ha
ocurrido, conduce a que determinados resultados no pueden haber ocurrido,
variando el espacio de resultados y cambiando consecuentemente sus proba-
bilidades.
Consideremos dos sucesos relacionados de tal maneraque la probabilidad
de que ocurra un suceso depende de si e1 otrosuceso ha ocurrido 0 no. Por
ejemplo,seaun experimentoque consiste enobservarsieldolarsube(aumenta
de valor) frente a la peseta. Designamos porA e1 suceso el dolarsube frente
a la peseta en el mercado espafiol antes de que nuestro mercado abra a las
nueve de la manana yseaBelsuceso eldolarsube enelmercadoamericano
despues de abrir. Ambos sucesos, A y B estan relacionados, ya que los
mercadossernoveran probablementeen la misma direcci6n muchosdfas,pero
no necesariamente todos los dfas. Por10tanto la PCB) de que el dolarsubirfa
frente a la pesetaen el mercado americano no esigual que la probabilidad de
que ocurra el suceso B (que e1 dolar suba en el mercado americano despues
de abrir) cuando se conoce que el dolar ha subido en el mercado espanol,
suceso A.
Porejemplo, supongamos que el d61ar sube frente a la peseta el 70% de
los dfas en el mercado espafiol y e1 60% de los dfas en ambos mercados, el
americano y el espafiol, esdecir: -
peA)= 0,7
P(AnB)=0,6
Entonces, si se sabe que el d61ar sube, frente a la peseta, en el mercado
espanol, 1aprobabilidad de que habiendo sucedido esto suba en el mercado
americano sera:
peA n B)= 0,86
peA) 7
A este cociente
P(AnB)
peA)
357
356 CASAS-sANCHEZ, J. M. Y SANTOS-PENAS, J.
se le llama probabilidad condicionada del suceso B, cuando el suceso A ha
ocurrido y se denota de la forma
P(B/A) = P(A n B)
P(A)
Definicion 7.1. ProbabiIidad condicionada.
Dados un espacio probabilfstico (E, .stJ., P) asociado a un experimento
aleatorio, y un suceso A E .stJ., tal que P(A) > O. Para cualquier suceso B
E .stJ., se define la probabilidad condicionada de B dado A 0 probabilidad
de B condicionada a A como sigue'
P(A nB)
P(B/A) = ~ / " , P(A) > 0 [7.7]
Se puede probar facilmente que la probabilidad condicionada cumple los tres
axiomas de Kolmogorov. En efecto:
AI.
P(A nB)
V B E .stJ., P(B/A) = P(A) ~ 0
pues el cociente entre dos cantidades no negativas es otra no ne-
gativa.
Ademas, como:
P(BnA)
BnAcA
= P(B nA) ~ P(A) = P(A) ~ 1
Luego:
o~ P(B/A) ~ 1
') All.
\
P(E/A) = 1
En efecto:
P(En A) _ P(A) = 1
P(E/A) = P(A) - P(A)
3 Observemos que si P(A) = 0, entonces no tiene sentido esta definici6n, pues Ia P(B/A) se
hace infinito. Esto se puede evitar haciendo una definici6n mas rigurosa (Wilks, pag, 25).
PROBABILIDAD
AlII. Sea {AJ una sucesi6n de sucesos disjuntos dos a dos, entonces
p(9 AjA) = ; ~ 1 P(AjA)
1
En efecto:
p(.0 AjA) = p[(9
1
A;)nA] _ p[.9 (A;nA)]
'-1 P(A) - ~ = 1 __~
P(A)
y como los sucesos Al n A; A
2
n A, ... son disjuntos dos ados se verifica que
P[91 (A;nA)]= ; ~ 1 P(A;nA)
y sustituyendo, resulta:
co
p(.u AjA) = f P(A; n A)
L P(AjA)
'=1 ;=1 P(A)
;=1
Este axioma tambien se verifica para el caso de que tengamos un mimero
finito de sucesos en sl,
Luego efectivamente se verifican los axiomas de Kolmogorov.
Partiendo de la definici6n de la probabilidad condicionada P(B/A), dada
por la expresi6n [7.7], podemos escribirla en forma de producto, llegando a
obtener la regIa de multiplicacion de probabilidades 0 probabilidad compuesta,
dada por:
P(A n B) = P(A) P(B/A)
[7.8]
Analogamente, considerando la probabilidad condicionada P(A/B):
P(A nB)
P(A/ B) = P(B) , P(B) > 0
tendriamos que:
P(A n B) = P(B) . P(A/B)
[7.9J
de donde igualando las expresiones [7.8] y [7.9] tendremos:
P(A)P(B/A) = P(B)P(A/B) [7.10]
- - --
358
359
CASAS-sANcHEZ, J. M. Y SANTOS-PENAS, 1.
La definici6n de probabilidad condicionada dada por la expresi6n [7.7] se
puede extender a cualquier numero finito de sucesos del espacio muesjral, Asf
pues, para el caso de tres sucesos A, B Y C tendremos:
P(A n B n C) P(B n C) >
P(AIB n C) = P(B n C) ,
o bien:
P(AnBn C)
P(A n BIC) = P(C) , P(C) >
Ejemplo 7.4
Una entidad bancaria pretende introducir un sistema casi automatico de
concesi6n de prestamos para autoconsumo de importe maximo 10.000 euros,
y para ello analiza su fichero de los prestamos, de caracterfsticas parecidas,
que han sido concedidos en los ultimos alios llegando a obtener la siguiente
".
informaci6n:
- El 5 % de los prestamos que se concedieron en ese penodo presentaron
algun problema en el pago.
- El 70 % de las peticiones de prestamo que se habfan hecho en el
perfodo analizado, se informaron favorablemente, cuando no ha habido
incumplimiento de pagos segun se sabe en la actualidad, y se concedie-
ron de acuerdo con los baremos exigidos en aquella epoca por el banco.
En la actualidad el 80 % de las solicitudes de este tipo de prestamos
cumplen automaticamente las condiciones fijadas por el banco, informandose
favorablemente. Determinar la probabilidad de que estas peticiones que son
informadas favorablemente no presenten ningun problema en e1 momenta de
la cancelaci6n del prestamo.
Soluci6n:
Designemos los siguientes sucesos:
A: Suceso incumplimiento en el pago, P(A) = 0,05.
B: Suceso informe favorable de la solicitud, P(B) = 0,80.
B/A: Suceso informe favorable cuando no ha habido incumplimiento de
pago, P(B/A) = 0,7.
AlB: Suceso cumplimiento en el pago cuando el informe ha sido favorable.
La probabilidad que se pide es: P(AIB), la cual se obtendra utilizando la
expresi6n:
pa) P(BIA) = P(B) P(AIB)
PROBABILIDAD
de donde se tiene que:
- ) = P(A). P(BIA) = 0,950,7 = 0,665
P(AIB P(B) 0,8 0,8 - 0,83 .
Ejemplo 7.5
El duefio de una tienda de ropa para hombres ha observado el comporta-
miento de sus clientes durante un largo perfodo de tiempo. Como consecuencia
de ese perfodo de observaci6n afirma que la probabilidad de que un cliente
que entra a la tienda compre una camisa es 0,4, pero de los que compran una
camisa el 50 % compran tambien una corbata, y solamente un 10 % compran
la corbata cuando no han comprado la camisa. Obtener las probabilidades de
que los clientes compren 10 siguiente:
1. Una camisa y una corbata.
2. Una corbata.
3. Una camisa 0 una corbata.
4. Una corbata pero no una camisa.
Solucion:
Consideraremos los dos sucesos basicos:
C: Compra una camisa.
B: Compra una corbata.
Sabemos que
P(C) = 0,4
P(BIc) = 0,5
P(B/f) = 0,1
El espacio muestral para este experimento aleatorio sera:
E= {CnB, CnB, CnB, CnB}
Las probabilidades de los sucesos que nos piden son:
1. Probabilidad de comprar una camisa y una corbata:
P(C n B) = P(C). P(BIc) = 0,40,5 = 0,2
360
361
T
CASAS-sANCHEZ,J.M. y SANTOS-PENAS, J.
2. Probabilidad de eompraruna eorbata
P(B)=P[(Cn B)u (Cn B)] =P(Cn B)+ p(C n B)=
= 0,2+ 0,06= 0,26
ya que
P(Cn B)=p(C)P(B/C)=0,60,1 =0,06
3. Probabilidad de eomprarunaeamisa 0 unaeorbata
P(CuB)= P[(CnB)u(CnB)u(CnB)]=
= P(C n B)+ P(C n B)+ p(C n B)=
=0,2+ 0,2+ 0,06=0,46
pues
P(CnB)=P(C)P(B/C)=0,40,5 =0,2
o bien, direetamente
P(Cu B)=P(C)+ P(B)- P(Cn B)=0,4+ 0,26- 0,2=0,46
4. Probabilidad de eomprar unaeorbatapero no unaeamisa:
P(C n B)=P(C)P(B/C)=0,60,1 =0,06
El eorrespondiente arbol de probabilidad seria:
B
CnB p(CnB)=0,2

1'\.0/ _ -. _____ LI -I
CnB P(CnB)=0,2
B
CnB p(CnB)=0,06 .
<,
_'1-\- -. __
p(e)
"'Q6
-------

::::0,9 Cnii P(Cn ii)=0,54
PROBABILIDAD
7.6.1. Teorema de la probabilidad compuesta
o producto
Sean n-sueesos AI' A
2,
..., AnEsl, ytales que
pCo: A)>0
entonces severifiea que:
P(A
I
n A
2
n ... nAn)=
= P(AI)P(A2/AI)P(A3/AI nA
2)
... P(AjA
I
n ... nAn-I) [7.11]
Demostraci6n:
Veamos en primer lugar que las probabilidades eondicionadas que inter-
vienen estan definidas, paraello podemos eseribir:
Al n ... nA
n- 1
c: Al n ..nA
n- 2
c: ... c: Al
y teniendo en euentael Teorema 8.3,tendremos:
0<P(A
I
n .. nAn-I)::::; P(A
I
n .. nA
n- 2)::::;
... ::::; P(A
I)::::;
1
10eual prueba que efeetivamente las probabilidades que intervienen en las
probabilidades eondieionadas de la expresi6n [7.11] estan bien defmidas, es
deeir,sonmayoresque cerolasprobabilidadesde lossueesos que eondicionan.
Parademostrarla expresi6n [7.11], 10haremos porreeurrencia, partiendo
del easo de dos sucesos AI'A
2
, sabemos que:
P(A = P(A
I
n A
2)
2/AI)
P(A
I
)
de donde:
P(A
I
n A
2)
= P(A
I)
P(A
2/AI)
Analogamente, paratres sueesos tendremos:
P(A
I
n A
2
n A
3)
= P[(A
I
n A
2)
n A
3]
= P(A
I
n A
2)
P(A
3/AI
n A
2)
= P(A
I)
P(A
2/AI)
P(A
3/AI
n A
2)
362 CASAS-sANCHEZ, J. M. y SANTOS-PENAS, 1.
y en general se tiene:
P(A
1
n ... n AJ = P[(A
1
n nAn-I) n AJ
= P(A
1
n nAn-I)' P(A,jA
l
n ... nAn-I)
= P(A
1)
P(A
2/A1)
P(A
3/A1
n A
2
) P(A,jA
l
n ...nAn-I)
7.6.2. Teorema dela probabilidadtotal
Sean n-sucesos disjuntos, AI' A
2
, , An E st, con
P(AJ > 0, i = 1, 2, ..., n
y tales que forman un sistema completo de sucesos, es decir, que
AinA
j
= ep, i;f.j
n
UAi=E
i= 1
Entonces para cualquier suceso BEst, cuyas probabilidades condi-
cionadas P(B/A;) son conocidas, se verifica que:
P(B) = L
n
P(AJ P(B/A
i)
[7.12]
i= 1
Demostraci6n:
Sabemos que:
B = B n E = B n CQ1 Ai) = (B n AI) u (B n A2) u ... u (B n AJ=
n
U(B n Ai)' uni6n de sucesos disjuntos
i=l
luego
P(B) = P[Q1 (B n Ai)] = it1 P(AJ P(B/Ai)
PROBABILIDAD
363
Ejemplo 7.6
Una empresa constructora dedicada a la construcci6n y venta de viviendas
en tres grandes municipios de Madrid M l' M2 Y M 3' vende en el municipio
M 1 el 60 % de las viviendas, en el municipio M 2 el 30 % y en el municipio M3
el 10 % de las viviendas construidas. De experiencias anteriores tanto de esta
empresa como de otras se sabe que un detenninado porcentaje de familias no
efectiian el pago de las letras mensuales que previamente habfan aceptado;:
siendo este porcentaje del 2 %, del 4 % y del 6 %, en cada municipio respec-
tivamente. Determinar la probabilidad de que una familia cualquiera pague
sus letras.
Soluci6n:
Sean los sucesos:
M
1
: la familia es del municipio M
1
M2: la familia es del municipio M2
M 3: la familia es del municipo M3
B: la familia paga las letras.
Del enunciado se deduce:
P(M1) = 0,6, P(M2) = 0,3, P(M3) = 0,1,
P(B/M
1)
= 0,02, P(B/M
2
) = 0,04, P(B/M
3
) = 0,06
y consecuentemente:
P(B/M1) = 0,98, P(B/M2) = 0,96, P(B/M3) = 0,94
II
II
t
1
I
I
l!
it
f
Podemos aplicar el teorema de la probabilidad total, pues los tres sucesos
forman un sistema completo de sucesos, ya que los tres sucesos son disjuntos,
pues cada familia que compra una vivienda es solo de uno de los tres muni-
cipios y la uni6n de los tres sucesos nos da el suceso segura E. Luego tendre-
mos que la probabilidad de que una familia cualquiera pague sus letras sent:
3
P(B) = L P(MJ. P(B/MJ=P(M1)' P(B/M1)+P(M2)' P(B/M2)+P(M3)' P(B/M
3
)
i=l
= 0,60,98 +0,30,96 +0,1 0,94 = 0,97
7.6.3. Teorema deBayes
Admitimos las mismas hip6tesis de partidadel teoremade la proba-
bilidad total. Es decir, sean n-sucesos disjuntos A
1
, , An E d, con
P(A;) > y tales que forman un sistema completo de sucesos, entonces
paracualquier suceso BEd, se verifica:
P(A;) . P(B/ AJ
P(AJB) =
n
[7.13]
L P(Ai)P(B/A
i)
i=l
Demostraci6n:
Teniendo en cuentalas expresiones [7.8] y [7.9], tenemos que:
P(A; 11B) =P(AJP(B/AJ =P(B)P(AJB)
y de aquf deducimos que
P(AJB) = P(AJP(B/AJ
P(B)
y teniendo en cuenta el valor dado a P(B), en el teorema de la probabilidad
total [7.12], resulta:
P(A;) P(B/AJ
P(AJB) =
n
L P(AJP(B/A;)
;=1
Examinando ambos teoremas se pone de manifiesto que el teorema de
Bayes,en cierto modo, responde a la inversa de como 10 hace el teorema de
la probabilidad total, pues en este ultimo se han realizado los sucesos Ai y
entonces hacemos inferencia sobre la realizaci6n delsucesoB, sinembargo,en
el teorema de Bayesde la realizaci6n del suceso B inferimos sobrelarealiza- '
ci6n de cada A;.
En ambos teoremas partimosde un sistema completo de sucesos A;, i = 1,
2,...,n, loscualespuedenserinterpretadoscomo bip6tesis,asusprobabilidades
P(AJ se les llama probabilidades a priori, ya que son las que se asignan
inicialmente a los sucesos Ai' y a las probabilidades P(B/AJ se les considera
como verosimilitudesdel suceso B admitiendo la hip6tesis A;. Estas verosimi-
!
'I
PROBABILIDAD 365
litudes nos permitenmodificar nuestro gradode creenciaoriginal, obteniendo
laprobabilidada posterioriP(AJB). En resumen, diremosqueesmuy corriente
llamar a las probabilidades que aparecen en la expresi6n [7.13] del teorema
de Bayescomo sigue: .
P(AJ: Probabilidades a priori, seasignan inicialmente al suceso.
P(AJB): Probabilidades a posteriori.
P(B/A;): Verosimilitudes.
Podemos decir que elteorema de Bayes,ademas de ser una aplicaci6n de
las probabilidades condicionadas, es fundamental para el desarrollo de la
estadisticabayesiana, la cual utiliza la interpretaci6n subjetiva de la probabi-
lidad, esdecir,consideraquela probabilidadvieneafectadaporla experiencia
previa, la cual va a influir en nuestro grado de creencia y consecuentemente
en la probabilidad que Ie asignamos al suceso en cuesti6n, y esta serfa una
probabilidad subjetiva.
Ejemplo 7.7
Unbanco analizalas fechasde los cheques que emiten sus clientes yllega
a la conclusi6n de que las personas que tienen fondos en su cuenta corriente
emiten cheques con fecha posterior, solamente en un 0,2% de los casos. Sin
embargo,el95% de las personas que no tienen fondos en su cuentacorriente
emiten cheques con fecha posterior. Tambien se conoce que en general la
proporci6nde cheques que lleganalaventanilladel bancoyque tienen fondo
esdel92%. En un determinadoinstanteserecibeunchequeen cajacon fecha
atrasada, determinar la probabilidad de que esecheque sea de un cliente que
no tiene fondos en su cuenta.
Soluci6n:
A
1
: El cheque que serecibe es de un cliente sin fondos.
A : El cheque que se recibe es de un cliente con fondos.
z
B: El cheque que serecibe tiene fecha atrasada.
Del enunciado tenemos que:
P(A
1
) =0,08; P(A
z
) =0,92; P(B/A
1
) =0,95; P(B/Az) =0,002
Nos piden P(AdB) que sera segnn la expresi6n [8.12] del teorema de
Bayes:
P(A
1
) P(B/A
1
)
P(AdB) = P(A ) . P(B/A ) +P(A
z
)' P(B/A
z
)
1 1
0,080,95 0,98
0,080,95+0,920,002
366 CASAS-sANCHEZ, J. M. y SANTOS-PENAS, 1.
7.7. Independencia de sucesos
En el apartado 7.6 defmiamos la probabilidad del suceso B condicionada
por el suceso A, P(B/A), Yconsiderabamos que la informaci6n que se tiene del
suceso A tiene algun efecto sobre la probabilidad del suceso B, de tal manera
que podremos decir:
Cuando P(B/A) > P(B) entonces el suceso A favorece al B, y
Cuando P(B/A) < P(B) entonces el suceso A desfavoreee al B.
Si admitimos que la ocurrencia del suceso A no tiene ningun efecto sobre
el suceso B, y consecuentemente la P(B/A) es igual ala probabilidad marginal,
P(B), es decir
P(B/A) = P(B)
entonces el suceso B es independiente del suceso A, surgiendo as! el concepto
de independencia estocastiea 0 independencia de sucesos.
Diremos que dos sucesos A y B son independientes si se
cualquiera de las siguientes condiciones equivalentes:
1. P(B/A) = P(B), si P(A) > O.
2. P(A/B) = P(A), si P(B) > O.
3. P(A n B) = P(A) P(B).
Estas tres condiciones son equivalentes, en efecto:
P(AnB)
P(B/A) = P(A) , si P(A) > 0
si B es independiente de A,
P(B/A) = P(B) = P(A n B)
P(A)
de donde
P(A n B) = P(A) P(B)
pero, tambien sabemos que
P(AnB) .
P(A/B) = P(B) , SI P(B) > 0
de donde
P(A n B) = P(B) P(A/B)
verifica una
[7.14]
I
t
[7.15]
I
PROBABILIDAD 367
igualando las expresiones [7.14] y [7.15],
P(A) P(B) = P(B) P(A/B)
luego
P(A) = P(A/B)
y las tres condiciones son equivalentes.
Por tanto, podemos decir que si el suceso B es independiente del suceso
A, entonces el suceso A tambien es independiente del suceso B, 10 que equivale
a decir que ambos sucesos son mutuamente independientes.
La definici6n de independencia se puede extender a mas de dos sucesos.
As! pues, diremos que los sucesos A, B Y C son independientes si se verifican
las siguientes condiciones.
1. P(A n B) = P(A). P(B).
2. P(A n C) = P(A) P(C).
3. P(B n C) = P(B) P(C)
4. P(A n B n C) = P(A) P(B) P(C).
Las tres primeras condiciones indican la independencia dos a dos, y para
que sean los tres sucesos independientes en su conjunto 0 mutuamente fide-
pendientes se tiene que verificar tambien la cuarta condici6n.
En general, diremos que n-sucesos AI' A
2
, ..., An son mutuamente indepen-
dientes, 0 en su conjunto, si se verifican para

las siguientes condiciones:
P(A
i
n A
j
) = P(A
i
) P(A)
P(A; n A
j
n A
k
) = P(AJ' P(A
j
) . P(A
k
)
P(A
1
n A
2
n .. , nAn) = P(A
I)
P(A
2
) ... P(AJ
El mimero de condiciones seran:
2
n
(;) + G) + ... + (:) = - n - 1
368 CASAS-sANCHEZ, J. M. y SANTOS-PENAS,J.
PROBABILIDAD 369
ya que del binomio de Newton tenemos:
2" =(1+ i)"= (n)
x=o x
= ~ + G)+ xtz (:)
= 1+ n + (n)
x=z x
Sisolo severificanlas G)primerascondicionesentoncesdiremosqueson
independientes dos ados.
Ejemplo 7.8
En una gran ciudad se venden tres periodicos, y se sabe pordiferentes
estudios que el 20% leen el peri6dico A, el 30% el periodico B, el 40% el
peri6dico C, el 6 % leen el A y el B, el 7 % leen el Bye y el 12 % leen el A
yC. Decirsisonindependienteslos sucesos leer cadauno delos periodicos,
Soluci6n:
Sean los sucesos:
A: Leer el periodico A.
B: Leer el periodico B.
C: Leer el periodico C.
Las respectivas probabilidades son:
P(A) =0,2, P(B)=0,3, P(C)=0,4
P(An B)=0,06, P(Bn C) =0,Q7, P(A n C) =0,12
P(An B) 0,06 "
P(A/B)= ( = - = 0,2 =P(A) => A YB independientes
PB) 0,3
P(An C) 0,12 . .
P(A/C) = ( = - = 0,3 = P(A) => A Y C no independientes
PC) 0,4
P(Bn C) 0,07 . \.
P(B/C) = P(C) = 0,4 = 0,175 = P(B) => ByC no independientes
Unaconsecuencia inmediata de la definicion de independencia de sucesos
la podemos darmediante el siguiente teorema.
Teorema7.9
Si A YBsondos sucesos independientesentonces tambien10 sonlos
sucesos
A yB, A YB yAyB
Demostraci6n:
Si A Y B son independientes entonces se verifica que
P(A/B)= P(A)
P(B/A)= P(B)
P(A n B) = P(A)P(B)
y tendremos:
P(A/B)= 1 - P(A/B)= 1 - P(A) =P(A) => A yB independientes
P(B/A)= 1 - P(B/A)= 1 - P(B)= P(B) => A yBindependientes
- - P(A n B) P(AuB) 1 - P(A U B)
P(A/B)= P(B) = P(B) = P(B)
1 - [P(A)+ P(B) - P(A n B)]=
P(B)
1 - P(A) - P(B)+ P(A)P(B)=
P(B)
[1 - P(A)][1 - P(B)]=
P(B)
= p(:4).P(B)= P(A) => A yBindependientes
P(B)

1. En una divisi6n empresarial trabajan 18 hombres y 12 mujeres. Se selec-
cionan 3 persona al azar y con igual probabilidad para cada trabajador. Hallar
la probabilidad de que todas las personas seleccionadas sean mujeres.
Soluci6n:
Sean los sucesos: S;: ser mujer la seleccionada en la i-esima extracci6n,
i = 1, 2, 3.
3
El suceso cuya probabilidad nos piden es: nS;.
;=1
Aplicando la regIa del producto:
3 . 12 11 10 _ 44 _
pen S) = P(S1)P(S21 S1)P(S31S1 11 S2) = 30' 29' 28 - 812 - 203'
Hemos aplicado la regIa de Laplace para el calculo de cada probabilidad,
de S1' (S21 S1) y (S31 S1 11 S2)'
El suceso (S21 S1)indica que en la segunda selecci6n se obtiene a una mujer,
siempre que en la primera selecci6n se obtuvo otra mujer que no podra ser
seleccionada en sucesivas extracciones. El suceso (S31S1 11 S2) indica que se
selecciona una mujer, supuesto que previamente se seleccionaron otras dos que
no podran volver a ser seleccionadas en la tercera extracci6n.
2. En un pedido de 10 electrodomesticos se sabe que uno de ellos esta
defectuoso de fabrica. En un dfa se venden 3 de ellos. Calcular la probabilidad
de que se vendan tres en buen estado.
Soluci6n:
Sean los sucesos: B;: el i-esimo electrodomestico vendido esta en Buen
estado, i = 1, 2, 3.
El suceso cuya probabilidad nos piden es B
1
11 B
2
11 B
3.
1
I
I,
.1
PROBABILIDAD 371
Razonando de modo similar al ejercicio anterior,
3 ) 9 8 7
P D1B; =P(B1)P(B2IB1)P(B3IB1I1B2)=1O9S=0,7.
(
3. Un lote de 5 piezas tiene una defectuosa. En el envfo dellote de la fabrica
al comerciante, se pierde una de las 5 piezas en el transporte. De las cuatro
piezas que llegan se examina una de elIas y resulta ser no defectuosa. "Cual
es la probabilidad de que la pieza perdida sea la defectuosa?
Solucion:
De fabrica hay 4 buenas y 1 defectuosa.
Se pierde una en el transporte, con 10 que pueden llegar:
A
1
== 4 buenas, con probabilidad 1/5,
P(A
1
) = 1/5.
A
2
== 3 buenas y 1 defectuosa, con probabilidad 4/5,
P(A
2
) = 4/5.
Se selecciona una pieza de A
1
0 A
2
Y resulta ser buena (Suceso que
llamamos B). La pro babilidad pedida es:
P(A
1IB).
Es decir, si la seleccionada al final es buena, la probabilidad del suceso A 1
es la de que haya al final 4 buenas y por ello la 5." perdida era defectuosa.
A y A son dos sucesos mutuamente excluyentes y exhaustivos. Por ello
1 2
podemos aplicar la f6rmula de Bayes con n = 2,
P(A
1)
P(BIA
1)
P(A
1I
B)
= P(A
1)
P(BIA
1)
+P(A
2)
P(BIA
2)
1/5 1

1/5 1 +4/53/4 1/5 +3/5 4
Podemos deducir tam bien que:
1 3
P(A
2
1B) = 1 - P(A 11B) = 1 - 4= 4'
372 CASAS-sANCHEZ,1. M. YSANTOS-PEl'TAS, J.
esdecir,sila pieza examinadadelloteque serecibeesbuena, la probabilidad
de que sehaya perdido en el transporte una pieza buena, es 3/4.
4. Unaempresa dispone de tres factorfas que producen 1.000,2.000y4.000
productos respectivamente. La proporci6n de productos que no superan el
controlde calidades de 0,01;0,02y0,03respectivamene.
Calcular: .
a) La probabilidaddequeun productodelaempresa no supere elcontrol
de calidad.
b) Si se observa un producto y superael control de calidad, l.cmiles la
probabilidadde que hayasido fabricado en la 3.
a
factorfa?
Soluci6n:
a) Cualquierproductoha sido fabricado enla La,2.
a
0 r factorfa ys610
en una de elias. Llamamos F l' F2 YF 3 al suceso El producto ha sido
fabricado en la P, 2.
a
6 3.
a
factorfa respectivamente.
Llamamos C atsuceso supera el control decalidadde la empresa yC sera
su complementario.
Porel teorema de la probabilidad total,
p(C) = P(F
1)P(CIF1
) + P(F
2)P(CIF2
) + P(F
3)P(CIF3
) =
1.000 2.000 4.000
= 7.000'0,Q1 + 7.000.0,02+ 7.000.
0,03
=
1 4 12 17
=-+-+-=-
700 700 700 700
4
b) P(F31C)=P(F3)P(CIF3)=P(F3)[I-P(CIF3)] 7(1-0,03)
P(C) 1 - P(C) = 17
1--
700
4
7.
0
,97 388

700
Aplicando la definici6nde probabilidadcondicionada, yusandolapropie-
dad P(S) = 1 - P(S), Yel apartado a)de este mismo ejercicio.
PROBABILIDAD 373
5. En unaexposici6n nauticasehan presentado30embarcacionesde recreo
y 38de tipo industrial, pesquero 0 de servicios (policfa,Cruz Roja, etc.), Un
visitante ha hecho un pedido de2embarcacionesdistintas,entrelasexpuestas.
Sabiendo que cada embarcaci6n tiene la misma probabilidad de que se ad-
quiera, yademas que una dela 2embarcacionespedidas esde recreo, calcular
la probabilidad de que la otra tambien sea de recreo.
Soluci6n:
LlamamosR; al sucesoconsistenteenpedir una embarcaci6nde recreo en
i-esimolugar, sinreemplazo de otrasimilar a laexposici6n antes del siguiente
pedido unitario i +1.
Nos piden la probabilidad del suceso:
29
P(R
2IR1
) = 67(por la regia de Laplace),
o bien porla definici6n de probabilidadcondicionada
P(R,IR,) p(R, "R,) C,.., /c..., I _
P(R1) C
3 0
, 1/ C
6 8
, 1 Ct
O
) /(6
18)
-
3029/68.67
2 2 29
30/68 = 67'
6. En un pals, la probabilidad de que unaempresaindustrial contamine, si
hay ley ecol6gica, es de 0,01.La probabilidad de que se promulgue una ley
ecol6gica es 0,5,y la probabilidad de que una empresa industrial contamine
es 0,1.Calcular:
a) La probabilidaddeque laempresa no contamineyhayaleyecol6gica.
b) La probabilidaddeque contaminandola empresa, hayaleyecol6gica.
A
c) La probabilidad de que no habiendo ley ecol6gica, la empresa no
t contamine.
d) La probabilidad de que habiendoley ecologica, la empresa no conta-

mine.
f
374 CASAS-sANCHEZ, J. M. y SANTOS-PENAS,J. PROBABILIDAD 375
Soluci6n:
Llamamos L al suceso se promulga ley ecologica, y C al suceso la
empresacontamina, Datosdel problema:
P(CIL) =0,01 ; P(L)=0,5 ; P(C) = 0,1
a) p(C 11L) = P(L) P(CIL) =0,5 [1 - P(CjL)] = 0,5[1 - O,OlJ =
= 0,50,99=0,495
P(L 11 C) P(L) - P(C11L) 0,5- 0,495 0,005 1
b) P(LIc)- - - --
P(C) P(C) 0,1 0,1 20
- - P(C ilL) 0,405 0,405 0,405 405 81
c) P(CIL) = P(L) = 1 - P(L) = 1 - 0,5 =o:s = 500= 100=0,81
Puesto que:
1 - P(C) = P(C) = P(CI1L) + P(CI1L) =0,495+ P(CI1L) =>
=> p(C11L) =0,9- 0,495=0,405.
d) P(CIL) = P(CI1L) = 0,495_ 495 99
0,5 - 500= 100= 0,99.
De este ejemplo te6ricosededuce que de no haberleyeco16gicaa haberla,
la probabilidad de que la empresa no contamine aumenta del 81% (aparta-
do c)) al 99% (apartado d)).
7. Unaestantenadeljefe de contabilidadde unaempresatiene 10libros de
facturaci6n de bienes de consumofamiliar y 11libros defacturas de bienes de
servicios y maquinaria paraotras empresas. AIpasar el servicio de limpiezas
deja endesordenesta c1asificaci6n. Eljefedecontabilidad,alconsultarunlibro
de facturas del primer grupo de 10 observa que esta mal c1asificado pues
corresponde al segundo grupo. l.eua! es la probabilidad de que sea el unico
libro mal c1asificadodel primer grupo de 10libros?
Solucion:
Sillamamos A
1
al suceso elprimergrupo tiene un solo libro mal c1asifi-
cado y B al suceso al extraer un libro del primer grupo, el libro esta mal
clasificado, la probabilidad pedida es:
P(A 1B) =P(A 1 11B) = P(A 1) P(B IA 1)
1
P(B) 10
I P(A
i)
P(B IA.)
i=O J
llamando Ai al suceso el primer grupo tiene i libros mal clasificados,
i =0, 1,2,..., 10.{A
i
}f2
0
es unacolecci6n de sucesos mutuamenteexc1uyentes
y exhaustiva, por10que aplicamos el teorema de la probabilidad total:
P(B) = P(A;) P(B IAi) = (yaque P(B lAo) = 0)
-i) i
- I
10
.-
- i=1 10
y
P(A = P(Ai)P(BIA.) = i) i
iI1B)
, '10
Luego aplicando elteorema de Bayes tenemos:
(\1)C9
0
) 1
21) '10
(
P(A
1)P(B
I A
1
) 10
P(A 1 1B) = P(B) =----,(;-:-"11-?-)----;(:----:--:1O::---7")-
10 i 10- i
I .
i=1
10
C
1
1)C9
0
)
110
1.847.560 0,000059
10 (11)( 10 )
i 10- ii
8. Un editorcuentacon dos procesadoresde texto, A yB. Las probabilida-
des de que fallen son la misma, P, para A y B, pero el procesador A admite
un fallo,mientras que B admite dos fallos antes de averiarse. l.Que probabili-
dad tiene el suceso A se avenaantes que B? Determinarla si P = 0,05.

".]'j
'1.
1
376 CASAS-sANCHEZ,J. M. y SANTOS-PEf.lAS, 1. PROBABILIDAD 377
Soluci6n:
SeanFAY FBIos sucesos fallaA yfallaB dos veces.Susprobabilidades
son:
P(F
A)
= P y P(F
B
) = p
2
,
respectivamente. El suceso cuya probabilidad se pide es:FAn F
B

P(FAn FB) =P(FA) - P(FAn FB) =P - P(FA)P(FB)
donde hemos supuesto la independencia de los sucesos FAY FB' Yde aquf:
P(FAnF
B
) =P - p.p
2
=P - p
3
=
= P(l - p
2
) = 0,049875(siP = 0,05)
9. Una publicidad sobre cierto producto consta de 10paginas con precios.
Antes de proceder a su reproducci6n impresa, un experto en marketing ha
detectado un error tipografico en el precio de un accesorio del producto,
ademas de que asegura que es el unico error. Un empleado descuid6 anotar
d6nde estaba el error por 10 que debe revisar las paginas, Si ha revisado 2
paginasy no tienen error, j,cualesla probabilidadde que elerroreste en una
3.
a
pagina?
Soluci6n:
Llamamos E al suceso elerroresta en la 3.
a
paginaque revisa P(E) = 8
1
(aplicando la regla de Laplace).
, Como suceso condicionado, sea D el suceso no hay error en las dos
paginas revisadas, y asf la probabilidadpedidaes:
9 8 1
P(E ID) =P(E n D) =10'9.8_ 1
P(D) - 8'
10 9
ya que D =D
1
n D
2
siendo D, =: no hay erroren la i-esima paginarevisada
(i = 1,2).Porello:
9 8 1
P(E n D) =P(E n D
1
n D
2)
=P(D
1)
P(D
2ID1)P(EID1n D2) = 10'9'8= 10
y
9 8 8
P(D) =P(D1n D2) =P(D1)P(D2ID 1)=10'9= 10'
10. Un tetraedro regular tiene 4 caras (triangulos equilateros) numeradas
con los mimeros 1,2, 3 y 4 respectivamente. Se lanza ataire y se observa la
cara inferior (base) al detenerse. El tetraedro esta bien construido y por ello
laprobabilidaddecadacaraeslamismagSonindependientesen probabilidad
los sucesos S1 = {I 0 2}, S2 = {I 0 3} y S3 = {2 0 3}?
Soluci6n:
1 1 1
P(S1 n S2) =P({l}) =4=2'2 =P(S1)P(S2)
P(S1 n S3) =4
1
=P(S1)P(S3)
P(S2n S3) = 4
1
= P(S2)P(S3)
pero:
1 1 1 1
P(S1 n S2n S3) =P() ='#8=2'2'2 =P(S1)P(S2)P(S3)
Luego son sucesos (S1' S2 y S3) estocasticamentedependientes 0 dependientes
en probabilidad. Aunque, eso sf,son independientes dos ados.
11. Una empresa distribuye productos agrfcolas, ganaderos y pesqueros,
paralaalimentaci6n. Sucalidadpuedeserde primera0 no. Las probabilidades
de que un articulo agrario, ganadero 0 pesquero, sea de primera calidad, son
respectivamente 0,6,0,5y0,7.Las proporcionesde productos agrfcolas, gana-
deros y pesqueros son del 45%, 35% y 20%, respectivamente.
378
379
CASAS-sANCHEZ, J. M. y SANTOS-PENAS,J.
Sepide:
a) La probabilidaddeque un productodeprimeracalidaddela empresa,
sea agrario.
b) Idem, sea ganadero.
e) Idem, sea pesquero.
Soluci6n:
Sean los sucesos A, GyP (productos Agrarios, Ganaderos y Pesqueros).
Sea I el suceso el producto esde primeracalidad.
Sabemos que:
P(I IA) = 0,6} P(A) = 0,45}
P(II G)= 0,5 P(G) = 0,35
P(IIP) = 0,7 P(P) = 0,2
Ademas A, GyP constituyen una colecci6n de sucesos mutuamente
excluyentes y exhaustiva. Por todo ella, aplicando el teorema de Bayes,
tenemos:
P(A) P(I IA) 0,450,6 0,27 270 54 18 6
a) P(A II) = P(I) = 0,585 = 0,585 = 585 = 117 = 39 = 13'
P(I) = P(A)P(IIA) + P(G)P(IIG) + P(P)P(IIP) =
=0,450,6+ 0,350,5+ 0,20,7=0,27+ 0,175+ 0,14=0,585
P(G)P(I IG) 0,175 35
b) P(G II) = P(I) =0,585= 117
P(P)P(II P) 0,14 140 28
e) P(P II) = P(I) =0,585= 585= 117
o tambien podiacalcularse asf:
54 35 28
P(P II) = 1 - P(A II) - P(G II) = 1 - ill - 117=ill
dadoque P u AuG eselsucesouniversal,ylossucesosP, A YG son disjuntos
dos ados.
PROBABILIDAD
12. En un taller hay 3 maquinas 1aprimera se avena al mes con probabi-
lidad 0,04,la segundacon 0,06,y1atercera con 0,1.Sus averfas son indepen-
dientes en probabilidad. Sepide:
a) Probabilidad de que se averfe una sola maquinaen e1 meso
b) Probabilidad de que se averfen las tres maquinas,
e) Probabi1idad de que se averfen 1a primera y segunda, pero no la
tercera.
Soluci6n:
Teniendo en cuenta que si los sucesos I, II y III son independientes en
probabilidad, tambien 10 son cua1quier combinaci6n de ellos 0 sus comple-
mentarios tomados de 3 en 3.(Veaseelejercicio 15).
a) E1 suceso a calcular su probabilidad, es:
A = (I f) II f) III) u (i f) II f) III) u (i f) II f) III)
donde representamos por I, II 0 III a los sucesos se avena 1a maquina
primera,segunda 0 tercera, respectivamente.
P(A) = P(I f) II f) III) + p(i f) II f) III) + p(i f) II f) III) =
= P(I) P(II) P(II I) + p(i) P(II) P(III) + p(i) P(II) P(III) =
= 0,040,940,9+ 0,960,060,9+ 0,960,940,1 =
= 0,03384+ 0,05184+ 0,09024= 0,17592
b) P(I f) II f) III) = P(I) P(II) P(III) =0,040,060,1 =0,00024
e) P(I f) II f) III) =P(I) P(II) P(III) =0,040,060,9 =0,00216
13. De un producto de consumo basico ofrecido por una empresa, se sabe
que 1aprobabilidad de satisfacer las exigencias del posible cliente es0,901,la
deque unclientevue1vaaserloes0,91,yla probabilidaddesatisfacera1 cliente
si este ha vuelto a serlo (cliente),es de 0,99.Se pide:
a) La probabilidad de que habiendo satisfecho al cliente, este vue1va a
serlo (cliente).
b) La probabilidad de que no habiendo satisfecho a1 cliente, este vuelva
a ser cliente.
- - -
380 CASAS-sANCHEZ,J. M. YSANTOS-PENAS,1.
Soluci6n:
LlamamosSal suceso clientesatisfecho y Valsuceso vuelve a adquirir
el producto.
P(v)P(SIv)_ 0,91 0,99 0,999889.
a) P(V1s) = P(S) - 0,901
- P(v)P(SIv)= 0,91 0,01 0,0919191.
b) P(V1s) = P(s) 0,099
Lasatisfacci6n del cliente practicamente asegura que vuelva a ser cliente,
mientras que si no se Ie satisface no vuelve a serlo (cliente) en mas del 90%
de los casos.
14. Probar, que si los sucesos A y B son independientes en probabilidad,
tambien10son:
a) A y B.
b) A y B.
e) Ay B.
Soluci6n:
A y B son independientes si y s610si P(A n B)= P(A)P(B).
a) Ay B sonindependientes si y s610si verifican
P(An B)=P(A)P(B).
ComoB =(An B)u (An B),uni6n de sucesos disjuntos. Luego
P(B)= P(AnB)+ P(AnB) =>
P(An B)=P(B)- P(An B) =P(B)- P(A)P(B) =
= [1 - P(A)]P(B) =P(A)P(B),
al ser A y Bindependientes en probabilidad.
PROBABILIDAD 381
b) A y B independientes => B YA independientes B YA inde-
pendientes => A y Bindependientes.
e) A y B independientes A y Bindependientes Ay B inde-
pendientes.
15. Probar,quesi los sucesos A, B y C sonindependientesen probabilidad,
tambien10son:
a) A, B Y C.
b) A, B Y C.
e) A, B Y C.
d) AyBnC.
e) A y BuC.
f) A y BAC.
g) A y B - C.
h) A y C - B.
Soluei6n:
A y B independientes
. . A y C independientes
a) A, B YC independientes > d di
B Y C 10 epen entes
{
y ademas: P(An Bn C)= P(A)P(B)P(C).
Porel ejercicio 14,entonces:Ay B independientes
Ay C independientes
B y C independientes y ademas:
Bn C = (An Bn C)u (An Bn C),
382 CASAS-sANCHEZ, 1.M. y SANTOS-PENAS, J.
uni6n disjunta, por10 que de la axiomatica de Kolmogorov (axioma III),
P(Bn C)= P(An Bn C)+p(1i.n Bn C)
P(An Bn C)= P(Bn C)- P(An Bn C)= P(B)P(C)- P(A)P(B)P(C)=
= [1 - P(A)JP(B)P(C)= P(A)P(B)P(C),
por 10 que A, B YC son independientes en probabilidad.
b) A, Byeindependientes :;. A, B YC independientes B, A
y C independientes :;. B, Ayeindependientes A, Byeindepen-
dientes.
c) A, Byeindependientes ::; A, Byeindependientes C, A
y B independientes :;. C, A y B independientes A, Bye
independientes.
d) PEAn (Bn C)J= P(A)[P(B)P(C)J = P(A) P(Bn C).
e) PEAn (Bu C)J= P[(An B)u (An C)J=
= P(An B)+P(An C)- P(An Bn C)=
= P(A)P(B)+P(A)P(C)- P(A)P(B)P(C)=
= P(A)[P(B) +P(C)- P(B)P(C)J =P(A)[P(B)+P(C)- P(Bn C)J=
= P(A)P(Bu C).
f) PEAn (BLl C)J= P{A n [(B n C)u (Bn C)J} =
= P[(An Bn C)u (An Bn C)J=
= P(An Bn C) +P(An Bn C)= P(A)P(B)P(C)+P(A)P(B)P(C)=
= P(A)[P(B)P(C)+p(ii)P(C)J = P(A) P[(Bn C)u (Bn C)J=
= P(A)P(BLl C).
g) PEAn (B - C)]= P(An Bn C) = P(A)P(Bn C) = P(A)P(B- C).
h) A, Byeindependientes A, C YB independientes Aye- B
independientes.
PROBABILIDAD 383
16. Un sistemadeseguridad tieneuna probabilidad0,05deque seproduzca
un peligro aldia. La probabilidaddeque seactiveelsistema un dfa,habiendo
peligro es de 0,99. La probabilidad de que se active el sistema un dfa, no
habiendo peligro esdel 0,02.Calcular:
a) La probabilidad de que habiendose activado el sistema de seguridad,
haya efectivamentepeligro.
b) La probabilidad de que haya peligro pero no se active el sistema.
Solucion:
Llamamos: P al suceso seproduce peligro un dia,
A al suceso seactiva elsistema de seguridad.
Datos: P(P)= 0,05
f(A If)= 0,99
P(AIP)= 0,02
P(P)P(AIP) 0,0495 495 99
a) P(PIA)= P(A) = 0,0685= 685= 137 0,7226277.
P YP son una coleccci6n de sucesos mutuamente excluyentes y ex-
haustivos por10 que podemos hacer uso del Teorema de la Probabi-
lidad Total:
P(A) = P(P) P(AIP) +p(P)P(A(P)= 0,050,99+0,950,02=
= 0,0495+0,019= 0,0685
b) P(Pn A) =P(P)P(AIP) =P(P)[1 - P(AIP)] =0,05(1- 0,99) =
=0,Q50,Q1 =0,0005
Bibliografia
ARANDA, 1., G6MEZ, J.: Introducci6n a la Estadistica Econ6mica y Empresarial.
DM PPU, 1992.
ARNAIZ, G.: Introducci6n a la Estadistica Te6rica. Lex Nova, 1986.
BARO, S.: Estadistica Descriptiva. Parram6n, 1985.
CALOT, G.: Curso de Estadistica Descriptiva. Paraninfo, 1982.
CASA ARUTA, E.: 200 Problemas de Estadistica Descriptiva. Vicens Vives, 1990.
CASAS, J., CALLEALTA, J., NuNEZ, J., TOLEDO, 1, URENA, C: Curso Bdsico de
Estadtstica Descriptiva. Instituto Nacional de Administraci6n Publica,'
1986.
CASAS, J., SANTOS, J.: Introducci6n a la Estadtstica para Economia y Adminis-
tracion de Empresas. Ed. Centro de Estudios Ram6n Areces, 1996.
COQUILLAT, F.: Estadistica Descriptiva: Metodoloqta y Cdlculo. Tebar Flores,
1991.
DuRA, J. M.; L6PEZ, J. M.: Fundamentos de Estadtstica. Ariel, 1988.
ESCUDER, R.: Introducci6n a la Estadistica Econ6mica. Tebar Flores, 1986.
FREMANO, L.: Elementos de Estadtstica Aplicada. Euramerica, 1971.
INE: Metodoloqia. fndice de Precios de Consumo. Base, 1992.
KAZMIER-DfAZ, M.: Estadistica Aplicada en Administraci6n y Economia.
McGraw Hill, 1992.
L6BEZ URQufA, J.: Estadtstica lntermedia: Descriptiva, Probabilidades y Te6-
rica, Muestreo, Actuarial. Vicens-Vives, 1989.
MONTIEL, A, RIus, F., BAR6N, F.: Elementos Basicos de Estadistica Econ6mica
y Empresarial, Prentice Hall, 1997.
PENA, D., ROMO, S. Introducci6n a la Estadistica para las Ciencias Sociales,
McGraw-Hill, 1997.
386 BIBLIOGRAFfA
PEREZ SUAREZ, R.: Andlisis de Datos Eeon6mieos I. Metodos Deseriptivos.
Piramide, 1993.
PULIDO, A., SANTOS, 1..: Estadistica Aplieada para ordenadores personales.
Piramide, 1998.
SIERRA BRAVO, R.: Ciencias Sociales: Andlisis Estadistico y Modelos Matema-
ticos. Paraninfo, 1981.
URIEL, E., MuNlZ, M.: Estadistica Eeon6miea y Empresarial. AC, 1988.
WONNACOTI, T.: Fundamentos de Estadistica para Administraci6n y Economia.
Limusa, 1981.
LmROS DE EJERCICIOS
BARO, J.: Estadistica Deseriptiva. Aplieaeiones Economico-Empresariales. Parra-
mon, 1985.
CASA ARUTA, E.: 200 Problemas de Estadistica Descriptiva. Vicens-Vives, 1979.
CASAS, J. M., GARdA, C., RIVERA, L. F., ZAMORA, A. I.: Problemas de Es-
tadistica Deseriptiva. Probabilidad e Inferencia.
FERNANDEZ, C, FUENTES, F.: Curso de Estadtstica Descriptiva, Te6rieo y Prac-
tiea. Ariel, 1995.
GARCiA BARBANCHO, A.: Ejercieios de Estadistica Descriptiva para Eeonomis-
tas. Ariel, 1975.
LOPEZ ORTEGA, J.: Problemas de Estadtstica para Ciencias Economicas y Em-
presariales: Cdlculo de Probabilidades. Tebar, 1994.
Mu1Iioz VAzQUEZ, A. y otros: Problemas de Estadistica Descriptiva, 1992.
MURGUI, J. S., AYBAR, C, y otros: Estadistica para Economta y Administracion
de Empresas: Aplieaciones y Ejercicios. Puchades, 1992.

Introducción A La Estadística para Ade

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Introducción A La Estadística para Ade

Cargado por

Copyright:

Formatos disponibles

JOSE M.

GRAFICO 2.7. Diagrama aeumulativo defrecuencias ascendente. (La escala de lasfre-

GRAFICO 2.8. Diaqramaacumulativo defrecuencias relativasacumuladasascendentes.

Coeficientedevariaci6nde Pearson,six,que esla medidade disper-

Luego si restamos ordenadamente la expresi6n [3.25J de la [3.22J tendre-

0,9523809 0,9210526 1 7.350

c) Predecir el nnmero de autom6viles vendidos para cada trimestre de

GRAFICO 6.6. Diferencia simetrica de sucesos.

También podría gustarte