TEMAl

TEMA

INTRODUCCIN

I.I.-

La

Estadstica:

dafinicin

usos

en

Escalas

de

economa.

1.2. -

Los

fenmenos

econmicos.

medida.

1.3.-

La informacin.

1.4. -

La variasle estadstica y los atributos.

BIBLIOT'^ri "^ ^^'""^SfTARIA

LAS P A L V A^

awi8*if^

2 4 O t' O

' /vNARIA

N D o c u n c n o - 2 Q - ^ ^

N. Copia .JZZU-I^

7-

I.I.-

LA ESTADSTICA: DEFINICIN Y USOS EN ECONOMA.

Evolucin histrica de los mtodos cuantitativos en economa:

la Estadstica surge de la necesidad de tomar decisiones a partir
del conocimiento de hechos pasados. Se tienen noticias del empleo
de la Estadstica desde tiempos remotos, as, por ejemplo: en el
libro de Confuncio se cita por Chu-king la Estadstica Comercial e
Industrial de Gao, realizada en el 2.200 antes de nuestra era.
Estadsticas simples, como el recuento, enumeracin y
ordenamiento del nmero de habitantes, constituyen los orgenes de
la estadstica actual.
En Espaa, aparte de los Censos y alguna otra expresin
simplista de la Estadstica desde la Edad Media, la primera
disposicin importante tiene lugar en el ao 1.856, relativa a la
poblacin.
El Censo de poblacin ya con carcter, digamos, ms serio, se
realiza en Espaa en el ao 1.900. En el ao 1.945 se crea el
Instituto Nacional de Estadstica, establecindose ana red le
delegaciones y subdelegaciones en todas las provincias espaolas.
La estadstica se desarrolla tremendamente en el ltimo siglo,
aprovechando el avance de las matemticas, introducindose en
prcticamente todos los estudios del saber humano, desde el de la
medicina, pasando por la sociologa, economa, demografa,
industria, meteorologa, etc..
Podra decirse que hoy no se concibe una prediccin o
simplemente un anlisis de un hecho, sin la previa recogida de
datos y su anlisis estadstico.
Fue el astrnomo Belga Quetelet, a mediados del siglo XIX,
quien hizo referencia a un hombre medio, intentando sintetizar en
un slo dato una serie de caractersticas de las recopiladas para
la sociedad en general. Surge pues, el concepto del valor medio. A
wuetelet se le considera como el padre de la Estadstica.
Como el problema del recuento no es fcil, en algunos casos
N de ratas en una ciudad), o muy costoso en otros (entrevistar a
todos los posibles votantes en unas elecciones), la solucin a
estos problemas no es exacta ni fcil, pero se puede obtener con un
grado de aceptacin vlida, recurriendo a los modernos mtodos
estadsticos, constituyendo stos la base de la inferencia
estadstica que mide sus errores, que indudablemente presentan, a
travs de los valores de probabilidad.

otra fuente para el conocimiento estadstico, la constituyeron

los juegos del azar, debido a la importancia que tomaron stos en
el siglo XVII, y fundament el desarrollo de la teora de la
probabilidad.
La definicin de la estadstica, como en la mayora de las
reas de conocimiento, es compleja, sin embargo se hace necesario
iniciar el estudio de una disciplina teniendo una idea clara de lo
que se pretende con la misma. En este sentido, una definicin clara
y sencilla, que incluye tanto a la estadstica descriptiva como a
la inferencia estadstica, es la que propone Mendenhall y Beaver
(1.991) . Para estos autores la Estadstica a iin raa da la ciencia
relacionada con la extraccin de informacin desde loa datos y su
uso en la realizacin de inferencia sobre tina poblacin desde donde
fueron extrados.
Mediante esta definicin es conveniente
grandes facetas de la estadstica:

resaltar

las dos

a)

La descripcin de datos y su representacin

descriptiva), y

estads-ira

b)

La obtencin de conclusiones mediante procesos inductivos

y deductivos a travs de la bsqueda de las leyes, o del
uso de las mismas, que dominan el fenmeno en estudio
(inferencia estadstica).

ESQUEMA de la estructura de los MTODOS CUANTITATIVCS EN

(Diagrama de Venn de ngel Alcaide).

ECONOMA.

La estadstica, y en trminos generales, los mtodos

cuantitativos, se conforman en un instrumento fundamental de apoyo
a la toma de decisiones. La importancia que tienen los mtodos
estadsticos es precisamente debida a que, en la actualidad, la
gran mayora de las decisiones, por no decir todas, tienen en
cuenta los resultados estadsticos o estudios estadsticos cre-.-ios.
Por una parte, se trata de recoger informacin y, por otra,
fundamentar y tomar decisiones. INFORMACIN Y DECISIN son, pues,
las claves que explican el porqu del tratamiento estadstico.As,
vemos como la informacin estadstica es necesaria para saber cul
es nuestra realidad y poder tomar decisiones ms acertadas.
Ejemplos: Universidad (N' alumnos matriculados, por curso, en las
asignaturas, . . . . ) . Jefe de personal de una empresa ( relacin de
asistencia, bajas, horas extras, ...) ...

lUSL

E =
=
M =
O =

ConocimienLca scondmicoa
Conocinnemos estadsticos
Conocimientos m a t e m t i c o s
Conocimientos de las organizaciones

Cstasis t < satCconcnic*

C s o n o n i * r^tariAt i c
[nwstIgcicn

Crt'v

V1C<

UJ*- X
'JXX

<

5
U
w

,-.

<

Ma

<
a
^

s
9
0

5
(A

eu 5^

^ <
X

X ""

t-

^~J

L-

111 i lili
[-

5
?

p
I

31

HlL

/I

1
'

<

ug

*J

<

5 5

3C
U
X

Ul

bi

~ S

3
X
M

'A
^ V) ^
rt
z VI <
2
-1
;u In
^
al
?
2
<
<
< :-^ z~ < "^

4^

!'

5 !
-

i!

1.2.-

LOS FENMENOS ECONMICOS. ESCALAS DE MEDIDA

?al7a^f ^^ ^'

- ^ ^ - - ^ ^ - l - ^ S r - e-e^^^^^

xnterL'L'"'.Ye'nen"con^?ec\ne^^
- ^ P - ^ - -egar a
puede ocurrir cuando Tnvesga^mosno"'"^^^^^ cuantitativa, como
de un colectivo, su sexo las ; , J H ^^^"^P^^ ^^ '^^'-'el de estudios
A estas "variabes" no ^anJitatT^L J/?'"'^'^^? econmica, etc..
nombre de atribu tos.
suele designar con el
Muchas son las clasificaciones gue se sn^ion ^P
a las variables utilizadas, como po?ljlmDioi,H^^'^ar respecto
diferencia existente entre variables
n^'J^
^^ considerar la
discretas, o bien, en funcin de u ref/ri/''"^^ variables
distinguir los datos histricos
cuando I..'^K'^"^P''^'' ^^ ^^
carcter estudiado se efectan scuenStdas en ^^'^.^^^ciones del
datos de corte transversal,
que se refipr/n . K
^^"^PO' de los
mismo instante o perodo de tiemoo rtp nn
P^servaciones en un
sujetos (por ejemplo, los datos re?erentes a'?a'n'rn/"
^'^'^^^-^-^
mismo ao, de los diferentes sectnroc . AP'^''^^^"' ^" ^n
diferentes regiones econmicas) ^ f C
jonmicos, o de las
datos, histricos con los de corte tr.nf"*'"^ ^ " * " ^^P= de
tiene datos panel.
" transversal, se dice que se
Sin embargo, desde el nuni-r H
mayor relevancia la clasificacin ^T,yo^l^ estadstico adquiere
propiedades mtricas de las escaas Ka?ni.^.''^ i referencia a las
nuestras observaciones, distingu?|ndo as
^^^^ P^^^" aparecer
'a)

ESCALA NOMTMAr.

Se dice que la informacin sobre un Haf-v;,j

x
dada en escala nominal cuando sc se Z . .fff"''^^"^
=acegoras no numricas mutuamente excluventer .n* .5^,?'''=" ^"

| o / ? I ^ ? c " " " ? = " "'"^""^ relaci6nTd"en" nTu^in'losrtffar"

t^ueue aplicar ninguna propiedad aritmtica.

(b) ESCALA ORDINAL

Las medidas en escala ordinal son aqullas que participando de
las propiedades de la escala nominal, se diferencian de stas en
que s se puede establecer algn tipo de orden, existiendo pues
algn origen de referencia para tal ordenacin. Ejemplo:
observaciones sobre niveles de estudios (primarios, medios,
superiores, y otros). Otro ejemplo son las preguntas que suelen
aparecer en gran nmero de cuestionarios y son de la forma.- Exprese
usted su grado de conformidad con el aborto.

en donde la caracterstica Actitud ante el aborto puede ser

definida de la siguiente manera,
-

Muy de acuerdo
De acuerdo
Indiferente
Desacuerdo
Muy en desacuerdo

=
=
=
=
=

5
4
3
2
1

En este tipo de medidas los nmeros reflejan las cuantas de

los atributos que los elementos poseen, pero unas diferencias
iguales entre nmeros no se corresponde con diferencias iguales
entre las cuantas de los atributos.
(O

P.qrALA DE INTERVALOS

Puede establecerse de antemano algn cipo de unidad de medida,

pudindose cuantificar numricamente l\ distancia existente entre
dos observaciones cualesquiera. Esta esyluna escala verdaderamente
cuantitativa, encontrndose numerosos ogampios de ella en Economa,
tales como datos referentes a salaf-ips, presupuestos, gastos,
volmenes de ventas, pasivos financierof, etc..
d)

ESCALA DE PROPORCIN

Se incluyen aqu aquellas mediciones en las que adems de ser

relevantes las propiedades de la escala de intervalos, tiene pleno
sentido la fijacin de un punto de origen que marque un cero
absoluto, como puede ocurrir con la edad de los individuos o el
nmero de unidades fsicas de un stock inventariado, etc..

I. 3.-

LA INFORMACIN.

Los datos constituyen la base del anlisis estadstico, por lo

que es necesario tener un cuidado especial a la hora de recogerlos
y elaborarlos. De cmo se realicen estas dos fases depender que
los resultados a los que lleguemos despus de aplicar los mtodos
estadsticos sean exactos y se correspondan con el fenmeno
estudiado, o por el contrario nada tengan que ver con lo que desea
estudiar, o contesten a preguntas que no han sido contempladas.
Los mtodos bsicos de recopilacin de la informacin son los
siguientes:
1)

CENSOS: "Es una indagacin completa de los elementos que

componen la poblacin, referidos a las variables que interesa
estudiar".

La utilizacin de este mtodo presenta unas ventajas y unos

inconvenientes que enumeramos a continuacin;
a)

VENTAJAS:
fiable.

La

informacin

es

completa,

fehaciente

b)

INCONVENIENTES: Alto coste econmico. Ejemplo: opinin

sobre un programa de TVE; errores de observacin y
manipulacin de los datos.

MUESTRAS: "Es una indagacin parcial de los elementos que

componen la poblacin, referidos a las variables que interesa
estudiar".

Es un mtodo complementario al censo. La extraccin de

muestras no es una tarea fcil, pues la muestra debe representar lo
ms perfectamente posible a la poblacin. Por tanto, se presenta la
necesidad de definir un mtodo para la obtencin de los elementos
que componen la muestra de tal forma que sta sea lo ms
representativa de la poblacin. Existe toda una rama estadstica
que tiene por objeto el determinar cul es la forma de elegir los
elementos que componen la muestra de tal manera que sta sea lo ms
representativa de la poblacin. Esta rama de la estadstica es la
teora dl mucatrao.

La ventaja de utilizar este mtodo es el hecho de que supone

un menor coste econmico que el censo. Pero tambin presenta un
inconveniente, no se puede hablar en trminos de certeza, la
probabilidad nunca es del 100% .
Durante este curso, no vamos a recoger informacin, sta
vendr dada. El proceso completo de anlisis estadstico es:
1.2.3.4.5.-

Definir qu queremos estudiar.

Determinar qu caracteres son de inters.
Medicin de los caracteres.
Anlisis de los resultados mediante el uso de tcnicas
estadsticas. Sus propiedades.
Conclusiones.

El apartado 3 queda fuera del desarrollo del curso, pero los

caracteres se miden a travs de dos grandes fuentes de informacin,
ya definidas anteriormente:
1.-

ELABORACIN PRIMARIA: Censos, muestras y elaboracin de

encuestas.

2.-

FUENTES DE INFORMACIN ESTADSTICA: la recopilacin de

datos es una tarea muy laboriosa y en la mayora de los
casos caro. En los ltimos aos, la cantidad de
informacin estadstica disponible se ha multiplicado,
por una parte por el desarrollo propio de la Sociedad
donde nos desenvolvemos y por otro lado, por el alto
nivel de implantacin del ordenador que nos permite una
velocidad de anlisis impensable slo hace unas dcadas.
Sera muy extenso el enumerar todas las empresas,
personas o instituciones que son productores de
estadsticas. En Espaa lo son principalmente:
El Banco de Espaa publica mensualmente dos
boletines con amplia informacin estadstica sobre
su propia actividad, la de la banca oficial y la
banca privada, recogiendo adems, las estadsticas
ms relevantes elaboradas por otros organismos
oficiales: el boletn estadstico
(tipos de
inters, administracin pblica, empleo y salarios,
precios, exterior..), y el boletn econmico
(indicadores exonmicos).
Bancos privados: BBV (datos de rentas); Banesto
(datos de comercio)..
Las cmaras de comercio industria y navegacin.

Las bolsas y los ministerios.

Los institutos de estadstica de las comunidades
autnomas. En Canarias recibe el nombre de ISTAC
(Instituto Canario de Estadstica).
El INE (Instituto Nacional de Estadstica), que
tiene como misin nica elaborar y publicar datos
sobre la sociedad espaola. Entre los datos que
publica se encuentran los Censos, el anuario
estadstico de Espaa, datos sobre demografa,
datos econmicos y financieros, sobre trabajo y
consumos, sobre rentas, etc..
Otra fuente importante de datos es la que
suministran
los
distintos
organismos
internacionales, entre los que cabe destacar las
publicaciones de Eurostat en donde se recogen datos
de Espaa desde la integracin de nuestro pas a la
Comunidad Europea.

1.4. -

LA VARIABLE ESTADSTICA Y LOS ATRIBUTOS.

El anlisis estadstico puede extenderse o no, a todo el

conjunto de elementos que participan del carcter objeto de nuestra
investigacin.
Podemos definir la poblacin como el conjunto de personas,
animales o cosas sobre las cuales se va a realizar la investigacin
estadstica.
No siempre es posible, dado el tamao de la poblacin,
estudiar cada uno de los elementos de ella, por lo cual recurrimos
a una muestra, es decir, a slo una parte de la poblacin que sea
representativa del total de la poblacin.
Los elementos de la poblacin no son ms que cada una de las
unidades o componentes de la poblacin. Se les suele denominar
tambin unidades estadsticas.
El tamao de la poblacin es el nmero total de elementos que
integran dicha poblacin, puediendo se sta:
- FINITA:

n
de
habitantes
de
un
pas,
n' de
trabajadores de una industria, n^ de alumnos
en una determinada aula de una Facultad, ...

- INFINITA:

n de granos de arena en una playa, n' de

piezas producidas por una mquina en un
proceso de produccin continuo, ...

Los elementos de una poblacin poseen una serie de cualidades,

propiedades o rasgos comunes que se denominan Caracteres. Por
ejemplo, estado civil. Cada uno de estos caracteres puede tomar
distintos valores, a cada uno de ellos se le define como modalidad.
Por ejemplo: soltero, casado, divorciado... Las modalidades se
caracterizan por que cada elemento debe pertenecer a una y slo a
una modalidad y no puede haber ningn elemento que no pertenezca a
una modalidad.
Los caracteres los podemos clasificar en:
a)

CAPAC'T'EREif CUALITATIVOS (Atributos) : Son aquellos cuyas

modalidades no son medibles. Por ejemplo: sexo, estado
civil, etc.

b)

raPAPTERE?? n/ANTlTATIVOS: Cuando sus modalidades son

medibles o numerables, es decir, a cada modalidad se le
puede asignar un nmero. A dicho nmero se le llamar
VARIABLE ESTADSTICA.

Las variables estadscicas pueden ser de dos cipos:

a)

VARIABLE ESTADSTICA DISCRETA- es aqulla variable que

entre dos valores prximos puede tomar a lo sumo un
nmero finito de valores. Por ejemplo: n^ de hi3os de una
familia.

VARIABLE ESTADSTICA CONTINUA: es aqulla que puede tomar

los infinitos valores de un intervalo. Por ejemplo: el
peso, la estatura, ...

A una poblacin dada, se pueden estudiar sim>ultneamente dos

o ms caracteres cuantitativos diferentes. Por ejemplo, se pueden
medir sobre un cuadro de salarios, a la vez, el salario percibidc
y la antigedad en la empresa o, sobre una poblacin d;
estudiantes, la nota obtenida en una prueba y la edad de lo.
candidatos. En este caso, estaramos ante una estadstica de de
dimensiones, o variable estadstica bidimensi^-nal. Si generalzame
a "n" caracteres estaramos ante una escaduiica de ":
dimensiones.

TEMA 2

TEMA II;
DISTRIBUCIONES DE FRECIIF.N^;^

2-1.-DISTRIBUCIN DE FRECUENCIAS: DESCRIPCIN NUMRICA Y

GRFICA.
2-1.0.- Notacin y tabulacin.
2-1.1.- Descripcin numrica.
2-1.2.- Descripcin grfica.
2-2.-MEDIDAS DE POSICIN CENTRALES Y NO CENTRALES.
2-2.1.- Medidas de posicin central.
2-2.2.- Medidas de posicin no central.
2-3.- MEDIDAS DE DISPERSIN.
2-3.1.- Medidas de dispersin absoluta.
2-3.2.- Medidas de dispersin relativa.
2-3.3.- Variable tipificada.
2-4.- MOMENTOS.
2-5.- MEDIDAS DE FORMA ASIMETRA Y CURTOSIS.
2-5.1.- MEDIDAS DE ASIMETRA.
2-5.2.- Medidas de apuntamiento o curtosis.
2-6.-COEFICIENTES DE CONCENTRACIN.

2-l.-PISTRieUCIQN nR FRECUENCIAS;
GRFICA.

DESCRTPPTQN

NUMRICA, X

2-1.0.- Notacin.
Se hace necesario comenzar el tema hablando de la finalidad
del mismo. Esta consiste en sintetizar la informacin de tal
forma que con muy pocas medidas podamos tener una idea muy
aproximada de como es el carcter que estamos estudiando. En este
primer epgrafe determinamos la nomenclatura y posteriormente
abordaremos la descripcin numrica, con el objetivo de elaborar
las medidas que nos permitan sintetizar la informacin, y la
descripcin grfica, como forma alternativa de sintetizacin.
Noaenclatura.
X, Y, Z son los caracteres. Se denotan siempre con letras
maysculas.
Xt/ Yii

^t ^ " ^*" modalidades para los atributos y variables

discretas.
i { 1, 2, . . ., k} es el nmro de modalidades o el nmero de
clases para variables continuas,
ei son los extremos de cas para las variables continuas.
[i-w i] e* ^* clase i.
a^ es la amplitud de la clase i.
Ci es la marca de clase de la clase i.
Frecuencia.
n, es la frecuencia absoluta de la modalidad x, o de la clase i.
f. es la frecuencia relativa de la modalidad x, o de la clase i.
N, es la frecuencia absoluta acumulada de la modalidad x, o de la

ciase i.
F. es la frecuencia relativa acumulada de la modalidad x. o de la
clase i.

2-1.1.- Descripcin numrica.

Vamos a introducir una serie de definiciones que nos van a
permitir realizar una primera descripcin numrica del volumen
de

informacin

del

cual

partimos, que

no

olvidemos

son

observaciones realizadas sobre aquello que nos interesa estudiar.

* Frecuencia Absolutat
Se define como el nmero de individuos que presentan una
determinada modalidad de la variable 6 el nsMco de veces que se
repite cada valor o dato de la variable. Denotaremos por ni al na
de veces que &e presenta el valor x^. Se debe cumplir que el
nmero total de datos N sea igual a la suma de todas las
frecuencias absolutas (por las propiedades de las modalidades).

* Frecuencia Relativai
Se define como el cociente entre la frecuencia absoluta y el
nmero total de datos. Lo denotamos por fi

f .i

siendo N el nmero total

de datos o

individuos.

En definitiva, lo que representa la frecuencia relativa es la

proporcin de individuos que presentan una determinada modalidad.
En muchos casos es ms frecuente trabajar con el valor de la
frecuencia relativa multiplicado por cien que nos darla el tanto

por ciento de individuos que presentan una modalidad.

La suma de todas las frecuencias relativas debe ser igual a la

unidad:

^Frecuencia Absoluta Acumulada:

Nos informa del nmero de individuos que presentan una modalidad
igual o inferior a la considerada. Lo denotaremos por N^ y se
expresa como:

r-l

siendo, por tanto N^'n^

N^-n^+n,*... *ni
*Frecuencia Relativa Acuauladat
Nos informa de la proporcin de individuos que presentan una
modalidad igual o inferior a la considerada. La vamos a denotar
por Fi, y es el resultado de dividir cada frecuencia absoluta
acumulada por el nmero total de datos. Es decir,

La ltima frecuencia relativa acumulada es la unidad. Es decir,

^n'

[f

Llamaremos distribucin de frecuencias a ios pares

x.,n )

(x,,F..) (x-,f,) 6 (x,,N,) .

2-1.2.-Descripcin grfica;
A

la

hora

de

introducirnos

en

el

estudio

de

las

representaciones grficas de las variables, debemos distinguir

entre los dos tipos de caracteres existentes: Cuantitativos y
Cualitativos.

**RePre3entacione8

grficas

de

ion

r^racteres

cualitativn5f

(atributos\t
Entre

las diferentes

formas

posibles de representar un

carcter cualitativo distinguimos los siguientest

-Diagrama de sectores.
-Diagrama de barras.
-Pictograma.

^DIAGRAMA DB SECTORESt
Consiste en repartir los 360 de una circunferencia de forma
proporcional a las frecuencias absolutas.

Elempln
Calificaciones

Suspenso
Aprobado
Notable
Sobresaliente

n^

30
40
20
10
N-lOO

Y haciendo un reparto proporcional de los 360' grados entre las

n- :

100

360'

30

X* Suspensos 108'

100

360'

40

Y- Aprobados - 144'

100

360

20

100

360'

10

Z Notables - 7 2'

W" Sobresalientes > 36

i n t r 'O OD

S > a M X M C M :>

tw

CO ^ty

aroMa c*0

9()

* DIAGRAMA DB BARRAS:
Representacin grfica que consiste en colocar en unos ejes
cartesianos, las modalidades en el eje de abcisas, el valor de
la frecuencia absoluta en el eje de ordenadas y levantar barras
de igual base cuya altura sea la de dicha frecuencia.
Vamos a realizar un diagrama de barras con el mismo ejemplo
que utilizamos para el caso del diagrama de sectores:

CALIFICACIN

ni

Suspenso
Aprobado
Notable
Sobresaliente

30
40
20
10
N-lOO

" PICTOGRAMA:
Representacin grfica consistente en asignar un valor a una
determinada figura, representando la distribucin de frecuencias
en funcin de esta asignacin.

Clase
Media-aita

Clase
alta

IClase
Clase
Media-Media Obrera
y

Media-Baja
I .itnie: Manuel Garca Ferrando. Esirauficacion social en el campo espaol RMSU t Eiadios
Agrosociales. 102. 19'8. pag. :i.

**ReDrain^flgt9na ^rAficaa d los caracf r cuantitativos

Hemos

visto

qu

existen

dos

tipos

de

caracteres

cuantitativos: Discretos y Continuos. Teniendo en cuenta este

hecho, distinguiremos entre las representaciones grficas de los
caracteres

cuantitativos

discretos

representaciones de los continuos.

las

respectivas

* Caracteres Cuantitativos Discretost

Entre los diferentes tipos de representaciones distinguimos:
-Diagrama de barras.
-Diagrama de escalera o curva de acumulacin.
* DIAGRAMA DE BARRAS:
Consideremos la distribucin de frecuencias dada de la forma
(Xi,nO

(Xi,fi.), donde

Xj. -

(Xi,...,Xk);

ni-(ni,..., n^);

fi.(fi,..., f k ) .

LLamaremos "Diagrama de Barras" de un carcter discreto a

la parte vertical de la representacin cartesiana de los puntos
(xi,ft)

(Xi,nt).

Analticamente, la funcin cuya repreaentacin grfica es

el diagrama de barras viene dada p o n
9

31-31
X e 31 - f (x) =

SI

X*X,

si

X'X

a f ( x ) la denominaremos funcin cuanta.

DIAGRAMA DE ESCALERA O CURVA DE ACUMULACIN:

Es la grfica que se obtiene al graficar la funcin F(x)
definida de la siguiente manera:
- 81
f.

Fl X)

*N\

La funcin F(x) se denomina funcin de distribucin, cuya

grfica ser la curva de acumulacin

o diagrama de escalera.

Esta segunda denominacin es evidente despus del anlisis de

esta funcin.

F
1

1
F
3

F
2
F
1

! 1
1

X
3

10

><.

* Caracteres Cuantitativos c^ontinuos;

Antes de introducirnos en el estudio de las representaciones
grficas de los caracteres continuos debemos conocer una serie
de conceptos bsicos sobre dichos caracteres. Entre ellos estn:
-Clase: LLamaremos clase a cada uno de los intervalos en que se
ha dividido

el

rango

posible de valores de

la variable.

Hablaremos, por tanto, de clase 1, 2, 3, ..., k.

-Extremo de clase: LLamaremos extremo de clase y lo denotamos por
ei a los extremos de las clases. Por notacin diremos que la
clase i viene dada como [ei.i, Q^) . El nmero de la clase lo
define el subndice superior, siendo la clase cerrada por la
^ izquierda y abierta por la derecha.
-Marca de clase: Se define como el punto medio de una clase. Por
ejemplo, la marca de la clase i ser&t
C.iilfii

-Amplitud de claset No es ms que el tamao de la clase. Lo

denotamos por ai :

^i'^i'^i-i

' unpiitud de la clase i.

-Recorrido! Es la diferencia entre el mayor y menor valor de la

variable y lo vamos a denotar por Re. Es decir,
R- Max (X) - Min (x)- e - eo
Si la amplitud es constante se verifica que
R > n9 de intervalos * ai
-Frecuencia relativa o absoluta por unidad de clase: es el
resultado que se obtiene al dividir la frecuencia relativa o
11

absoluta por el tamao de cada clase (a,). Es decir, es una

medida, en trminos relativos o absolutos, de la densidad de
individuos en cada una de las clases.
Una vez vistos estos conceptos bsicos pasamos al estudio
de las representaciones grficas continuas, entre las cuales
destacamos:
-Histograma de frecuencias.
-Curva de acumulacin o Polgono acumulativo de frecuencias.

* HISTOGRAMA DE FRECUEMCIAS:
Representacin grfica que se contruye levantando sobre cada
clase un rectngulo de rea proporcional a la frecuencia relativa
(o frecuencia absoluta) por unidad de clase correspondiente a
dicha modalidad.
Supongamos que tenemos una distribucin de frecuencias
(Xwfi)

eO
el
e2

ni

fi

ai

fi/ai

ni

fl

al

fl/al

n2

f2

a2

f2/a2

n3

f3

a3

f3/a3

e3

ni/ai nos da e l nmero de individuos por unidad de tamao de cada

clase mientras que tj&i

nos da la proporcin de individuos por

unidad de tamao de cada clase.

12

LLamaremos

'Histograma

de F

recuencias-

la

siguient

representacin g r f i c a :

fVa
f /a
k

f /a

11

k-1 k-1

f /a
f /a
.3, 3
f /a
1

k-1

e.
k

La representacin que resulta de unir mediante rectas

los

puntos medios de las partes superiores de los rectngulos del

histograma de frecuencias se conoce como polgono de frecuencias.
En la representacin grfica del histograma de frecuencias:
-Si los intervalos son de amplitud constante, las alturas de los
rectngulos sern proporcionales a las frecuencias relativas (o
|ab8olutas) respectivas.
-Si ios intervalos son de amplitud variables, las alturas de lo
rectngulos se calculan como ft/at 6 ni/at.
Aunque a la hora de construir el histograma de frecuencias
se pueden utilizar tanto (Xi, fi/ai) como (Xt, ni/ai), es mejor
utilizar el primer tipo de distribucin ya que si tenemos k
clases y sumamos las reas debajo del histogramat

13

-Con

(Xi, fi/ai):

'2

=** : . l

' 3.

-Con (x.;, n.;/at):

^1

Por tanto, la ventaja de utilizar la representacin con

(Xi,fi/ai) estriba en el hecho de que sea cual sea el nmero de

individuos, el rea debajo del histograma es siempre igual a la
unidad y por ello, nos servir para realizar comparaciones entre
dos

distribuciones

de

frecuencias.

La

representacin

con

(Xi,ni/ai) no permite comparar dos distribuciones que no tengan

el mismo nmero de individuos o de datos (N).

* POLGONO ACUMULATIVO D E FRECUENCIAS:

Llamaremos "Polgono Acumulativo de Frecuencias" o "Curva
de Acumulacin" a la funcin poligonal que se obtiene uniendo,
mediante rectas, cada par consecutivo de los siguientes valores:

bien

(eo,0) (e,,iV,) [e^.H^)

... ke^.U^)

(o'O) (ew-^i) (62.F^)

... (e^,F^) ... (e^.F^)

Es decir.

14

... ^e^^.U^^

F(e.)
1
Fe )

-/V^
/

F(.,)

3 4

k-1

Para

conocer

la

expresin

analtica

e.

de

la

curva

de

acumulacin, es decir, la funcin cuya representacin grfica es

la curva de acumulacin, tomamos slo el segmento

15

(B^.,,e,)t

La expresin analtica de la recta que contiene al segmento

viene dada por:

(I)

donde,

Fie,.,)

,i^.^x^"2^- ^n,.,
N

n.r(e,)-F(e,.,)--a-f^

Sustituyendo en (I):

16

/ ^ * ^

0
<a.

r (X) . - . ( x - e , . J -F{e,)

, ^ x p r e s i n a n a l t i c a de i

curva de acLunuiacin.
Por t a n t o ,
F: P/-81

X e [ e , . i , e j - f ( x ) -i (x-e^.^)

*F(e.i)

2-2.-

MEDIDAS DR POSICIN; CENTRALES Y MQ CENTRAT.^*^

Las medidas de posicin no son ms que promedios y dentro

de ellos^ encontramos dos grandes grupos:
A) Medidas de Posicin Centrali Nos suministran un valor central
de la distribucin (media aritmtica, media geomtrica, inedia
armnica, mediana y moda)
B) Medidas de Posicin No Centris los cuantiles.
2-2.1.- Medidas da Posicin Central.
Dentro de las medidas de posicin central vamos a distinguir
las siguientes:
-Media Aritmtica.
-Media Geomtrica.
-Media Amnica.
-Mediana.
- Moda.

**MEC'IA ARTTTIRTTfiA
Si tenemos una distribucin de frecuencias dada por (Xt,fi),
llamamos Media Aritmtica de la variable X a la suma de todos los

17

valores de la distribuf-i A^ -I- ^ _.

aiscriDucin dividida por el nmero total de datos.
La representamos por:
X' Media de X.

la

hora

de

estudiar

la

media

aritmtica

debemos

identificar el tipo de variable con el que trabajamos: variable

estadstica discreta o variable estadstica continua.
-Variables estadsticas discretas:
La expresin de la media aritmtica diferir dependiendo del
tipo de datos con los que trabajemosi agrupado, o no agrupados.
DATOS AGRUPADOS:

Y- '^i^i^^2^2^- *x^t

DATOS NO AGRUPADOS:

,y^ JCM.

jf-I^ILLLI* - T

Lo que nos va a proporcionar la media aritmtica es el valor

central de

la distribucin que coincide con su centro de

gravedad.
-Variables estadsticas continuas:
Al trabajar con variables continuas, no tenemos valores de
Xi sino extremos de clase, e^ y por tanto, utilizaremos las
marcas de clase Cf

Obsrvese que ahora el caso de datos no

agrupados no tendra sentido. Se tiene:

DATOS AGRUPADOS:

18

^--E C^n^ - C^f

Pronedadea d^ la mada

nrLumii^,;^,

1) La suma algebraica de las desviaciones de los valores de la

variable con respecto a la media aritmtica ponderada por su
frecuencia relativa o absoluta es igual a cero.
2) La media de los cuadrados de las desviaciones de los valores
observados respecto a cualquier nmero Q resulta mnima cuando
ese nmero K.' es igual a la media aritmtica.
Esto se expresa diciendo quei

se hace mnima si, y solamente si:

O'X

Oe donde.

^ A ^^r^^ '* ^i ^X'0)^*2 iX-0) T ti (xr^

E ^ ^^i"^^ '*(x-o) 'j; fi'J^ fi (xrx) '* (x-0)'

^1

i"l

a"l

En donde el valor de Q que hace mnimo S e la media aritmtica,

es decirI
*
n.
min. S' min, j; (x,-C'^M?-Jn'^

Til

"

'r.in,ixrO)^^'^-r^'^
ya <jue (O'X)''coma su monor valor cuando O'X
3) Si tenemos una variable estadistica X y le sumamos un valor
constante 6 a todos los valores de la variable, la media se ve
19

incrementada en esa constante, ES decir,

^ ' X ^e

4) Si

todos

ios

valores

de

una

variable

estadstica

lo,

multiplicados por una constante e, su media aritmtica tambin

queda multiplicada por la misma constante. Es decir,

Si z ' X * e - z^ " x^* 9 Vi

I ' X *B

* ygnUlaa n inconvenientes de la media ^irJVm'ftUaVentajas

-Utiliza todos los valores de la distribucin.
-Es fcil de calcular.
-Es nica y existe siempre.
-Es el centro de gravedad de la distribucin.
Inconvenientesi
-Pierde representatividad cuando la variable toma valores muy
extremos. Este inconveniente no lo preenta la mediana.
**MEDIA ffBOMETRICAl
Sea una distribucin de frecuencias

(xi, nt). La media

geomtrica, que representaremos por G, se define coso la raiz Nsima del producto de los N valores de la distribucin elevados
a su correspondiente frecuencia absoluta. Es decir,

20

G ^x^^-x^''. . . x/'^ (Yl ^i"') ^' p^ra variables

disczecas.

G '\jc^-C2"'.

concinuas.

. . c,'"*- (11 ^^"'^ '" P^^^ vazaiables

Para el clculo prctico de la media geomtrica se suelen aplicar

logaritmos

neperianos

o logaritmos en base diez. Aplicando

logaritmos neperianos la expresin de la media geomtrica quedar

como sigue:
k

In G = Inflxi''*) "^ ' \

^^tl^i*'

" -^ ^^ (Xi^^x,". . .x^"*)

,

In G = iv(n,lnxi + n,lnjc, * ... * n^lax^) = -^V n^lzuc^

"Til

nltuc

De dondB ,

G 9

Venta ^ag e T n r o n v e n i e n f S d Itt mtdJa gg9ffi4gfl

Ventajas!
-Utiliza todos los valores de la distribucin.
-ES menos sensible que la media aritmtica a los valores
extremos, por su carcter de producto.
Inconvenientes s
-Es de significado estadstico menos intuitivo que la media
aritmtica.
-Su cmputo es ms difcil.
-En ocasiones no queda determinada. Cuando la variable toma al
menos un x.-O, entonces G se anula y adem., si la variable toma
valores negativos, se puede presentar una gama de casos en los
que tampoco la G queda determinada.

21

sea la distribucin de salarios de los empleados de la

empresa de autobuses "Surez S.A' que viene dada por la siguiente
tabla:
X,

Hi

250000

425
834
421
265
384
128

320000
412000
528000
630000
870000

Calclese la inedia geomtrica de dicha distribucin.

Solucin

Xl

"i

In(xt)

250000

425
834
421
265
384
128

12,4292162

320000
412000
528000
630000
870000

nt*ln(Xi) 1

12,9287786

5282,416885
10571,847550
5443,015791

13,1768515

3491,865648

13,3534751

5127,734438

13,6762484

1750,559795

12,6760762

E-

N-2457

31667,44011

Por tanto,
4 (31'''4*<'>-^)
,T4?T
e*'*"**"^ 395798,693

La media geomtrica es utilizada principalmente para promediar

porcentaje, tasat, ndice,... dmcLr, aquello cao en lo
que la variable repreaenta variacione acumulativa.

22

/ .

MEDIA ARMOMy^ft.
La media armnica se define como:
N

bien:

{ ,

Se

suele

utilizar

para

promediar

velocidades,

tiempos

promedios. Es decir, se utiliza para promediar datos que vienen

en trminos relativos.
filSfiSEla Vamos a^alcular la Produccin media de 4 fincas que han
producido:

100,

rendimientos

de

120,
10,

150 y
15,

200 Tme. de
2=

pltanos

i8 ' Tms.

respectivamente.

con

por

unos

hectrea

-''

Llamando Xi al rendimiento y ni a la produccin tenemos:

Xi

ni

ni

xini

Xt

10

100

10

12

120

10*

1440

15

150

2550

18

200

11.11

3600

570

La media a rmnica esi A - iU

-H!4|
/'^\^\

1000

8590

"4:^ Tms./hectrea.

La media aritmtica para e s t e caso es t 8590/570 - 15.07

Tms./hectrea.
23

Ventajas:
-Utiliza todos los valores.
-Si se realiza el cambio oportuno, se puede pasar de una media
armnica a una media aritmtica.
-Hay casos en que es ms representativo que la media
aritmtica.

Inconvenientes:
-Cuando los valores de la variable estn muy prximos a cero, la
media armnica pierde significacin, es poco representativa.
I

-Si existe algn valor de la variable igual a cero (algn

Xt " 0), la media armnica no se puede determinar.

La mediana es aquel valor de la distribucin que deja a su

izquierda

y a su derecha

el mismo nmero de frecuencias,

partiendo de la base de que la distribucin ha sido ordenada de

menor a mayor.
De forma analtica, la mediana vendr dada por la siguiente
expresin:
Me ' X Cal que F(x) -i
2

Hay que distinguir dos casos a la hora de hablar de la mediana

en funcin del tipo de variable con la que trabajemos. Es decir:
-A) Variables Estadsticas Discretas.
-B) Variables Estadsticas Continuas.
24

Dentro de este tipo de variable, distinguimos dos casos:

2
A-2) 1 X. / F{X.) - 1
2
vamos a ver entonces, la expresin que tendra la mediana en el
caso (A-1):

3 Xi I F{X,) - 1
en Cal caso
Me . x<

Grficamentet

25

Ejemplo caso (A-l);

sea la distribucin de frecuencias dada por la tabla
siguiente:
X;

ni

12

18

24

30

Calclese la mediana.

Solucin:

Xt

nt

fi

Ni

F.

0,15

0,15

12

0,35

10

0,50

18

0,25

15

0,75

24

0,15

18

0,90

30

0,10

20

1,00

N-20

E-1,00

Por tanto,
FiX^) -| - FiXi'12)
De donde,

- 1

Me * 12

Y la expresin de la mediana en el caso (A-2) ser la siguiente:

26

3 X. / F(X.)

- J:

:^e X. - h>0, h-0;

F(X,-h)<l<F{X,*h)

Grficamente:

Sea la distribucin de frecuencias dada por la tabla:

Xi

ni

12

18

24

30

Calclese la mediana

27

Solucin;
X.;

n;

f.

N.

?,

0,15

0,15

12

0,30

0,45 1

18

0,25

14

0,70

24

0,20

18

0,90

30

0,10

20

1,00

ri,oo

Por tanto,
3 X, I F{X,) ' 1
Me ' 18 F{i8-h)<l<F{l8*h):
2

h>o, A-o

B) Vflrlables Eatadlaticas Continua:

Supongamos que conocemos la funcin de distribucin de la
variable X: F(X) y que sabemos que:
F(e.-l) ^ \

por

tanto,

la

mediana

^(*) * \

pertenece

Grficamente:

28

la

clase

[et.i,

Oi)

F(.,.

1/2

1-1 M

Tendremos, por tanto, que calcular el punto del eje X tal que su
valor en la funcin de distribucin sea 1/2. Para ello, aplicamos
la expresin de la recta que pasa por dos puntos A y B, y
sustituyendo ai y i en dicha ecuacin:

x-x.

r-Yj^

^^-'^^ '

. i^g-gj-i

i--c.-.)

Fie,)-Fie,.,)

Donde: Fie,)-Fie,.j^)
a, - e,-e,..

29

''^

* f,

^A^-Fie,.,))

-Ve-e:-l

<a.

'"^e ' t4""^^i-i))

or cero lado

como,

: - l

f. ; ^(g N

glemplo del caso continuo:

Calcular
salarios:

la

mediana

de

la

siguiente

Clase

Salario Anual

1
2
3
4
5

30000 a 35000

distribucin

N9 obreros

100
150
200
180
41

35000 a 40000
40000 a 45000
45000 a 50000
50000 a 55000

N-671
Solucin:

Clase

Ci

ni

Ni

Fi

1
2

32500
42500

52500

100
250
450
630
671

0,14903

3
4

100
150
200
180
41

37500
47500

N-671

30

0,37257
0,67064
0,93889
1,00000

de

Por tanto.
ye [40000, 45000) - F (x) = 0,5
<2.r V
MS = I--.V, ,' * 9 .
.T,[ 2 - ^;
Me -^^[335,5-250: * 40000
Me 25(85,5) - 40000
Me = 42137,5

**MODA;

La moda es el valor de la variable que se presenta ms

frecuentemente, y por tanto, en la distribucin de frecuencias
ser el valor de la variable que tenga la mxima frecuencia.
Distinguimos dos casos:
A) Variables Estadsticas Discretas.
B) Variables Estadsticas Continuas.
A) v^r^^fa^^* Estadsticas Discretas:
La moda, Mo, viene dada por aquel valor que puede tomar la
variable que verifique que tiene la mayor frecuencia absoluta (o
relativa). Grficamente, la moda ser el valor mximo que puede
tomar el diagrama de barras.
De forma analtica:
MO ' x^ / n,>ni

Vi ,>f^

31

"ii

Eiampio;

Calcular

la

moda

de

la

siguiente

distribucin

de

frecuenciasi
X..

n._

4
7

3
5

10

10

12

15

Solucin:

^1

Xt

nt

0,0588235 |

0,0882352

0,1470588

10

10

0,2941176

12

0,2352941

15

0,1764705

34

Por lo tanto, Mo - 10 puMto qu la mayor frecuencia

absoluta relativa n* - 10 > n, Vi f* - 0,2941176 > f,

La cla modal en las variables estadsticas continuas ser

aquella que contiene la mayor densidad de frecuencia (ft/ai)Supongamos que sabemos que la moda pertenece a la clase [e,.
;,e,). Dentro de ese intervalo modal, la moda se encuentra en un
punto en el que las distancias a lo, extremo, inferior y superior
del intervalo son directamente proporcionales a las diferencias
entre la densidad de frecuencia del intervalo modal y la de los
32

intervalos contiguos a dichos extremos

Grficamente I

a 1*1

a 1-1

fM

fi.i

m :

e
i-2

i-1

ei

*1

De forma analtica, la moda vendr dada por la siguiente

ecuacin:
Mo i.i * m

Por semejanza entre los tringulos que quedan definidos a

izquierda y derecha de Mo (que notaremos por A y B), podemos
deducir

la expresin

de m

(recurdese que dos

tringulos

semejantes verifican que el cociente entre altura y base de cada

uno es el mismo). As pues, m vendr dado por la siguiente
expresin:
Y sustituyendo m en la expresin de la oda, sta quedar
como sigue:

33

.7?

a.

.77

'i-l

n\

3;

a..._

,i

o = e^.^ * a^
^\^^i

siendo

i . fi-i
-. Z, = '^

^i-i

^i.fi.i
'ii

Elemplot
Calcules*

la

moda

de

la

siguiente

frecuencias:

0-2

12

2-4

14

4-6

26

6-8

22

8-10

16

10-12

10

34

distribucin

de

Solucin:

c.

n-

f.

12

0,12

0,06

14

0,14

0,07

5
7

0,26

0,13

0,22

0,11

26
22
16

0,16

0,08

11

10

0,10

0,05

f,/a,

E-1,00
trtenecii al intervalo [4, 6), el
mayor densidad de frecuencia (fi/aj.), y por tanto, vendr& dada
por la siguiente expresin:
Mo e^.,
MO

0,13-0,07
* 2 5,5
(0,13-O, 07 M 0,13-0,11)

2-2.2.-Medidas de Posicin No Central:

**rTlAMTILES
Los

cuantiles son aquellos valores de la distribucin que

la dividen

en

partes

iguales, es decir, en

intervalos que

contienen la misma proporcin de individuos.

Si tenemos una distribucin de frecuencias (Xu n j y sean
r y k dos nmeros naturales, tal que r<k, llamaremos -Cuantil",
C,r<, de orden r/k a la raiz de la ecuacin F(X)-r/k. Es decir,
ser aquel valor de la variable X que verifique la F(X)-r/k.
Los cuantiles tendrn denominaciones especificas segn cual
sea el nmero de intervalos en que se divide la distribucin.
Entre ellos distinguimos:

35

son aquellos valores de la distribucin que la dividen en

cuatro partes iguales, en cada una de las cuales ha de estar el
25% de los individuos. Los denotaremos por Q:/4, Qj/t y Qj,4.
Se presentan dos casos:
A) Distribucin Discreta.
Si estamos estudiando una variable discreta llamaremos
cuartil primero y lo denotaremos por Qi o Qw* a aquel valor de la
variable X que verifica:
0.25

S FiXi.f^)

i FiX^

- Ci) i. FlXi^f^)

2 0.50

donde: h > O Y h > O

De igual forma podramos definir el cuartil segundo (Q2 o Q
2/4) y el tercero (Qj o Qm)'

Esto es Xj es el cuartil de orden os

si verifica:
0.50 $ F(x^.^) i FiXj'Oz)

i f(x^.ft) 2 0.50

Y X, es el cuartil de orden tres si verifica:

0.75 S F(X,.^) i F(X,-(?j) iF(x,^i,)

2 0.75

Vemos un ejemplo.
Xt

ni

Ni

Fi

16

0.05

19

10

0.1

21

10

20

0.2

23

20

40

0.4

24

20

60

0.6

25

30

90

0.9

30

95

32

100

0.95
1.00

36

0^ = 23
G = 24
Ci = 25
7

B) Distribucin Continua:
En este caso el primer paso a dar consiste en determinar
cual es la clase que contiene al cuartil. Este paso es inmediato.
La clase i contiene a Qi si verifica quet
Fe^.i) < 0.25 i F(e)
De igual forma diremos que la clase j contiene al segundo
cuartil si se verifica:
fdj.J < 0.50 i

F{9j)

Y la clase s contiene al tercer cartil si se cumple:

Fie,,^)

< 0.75 $ F(e,)

Una vez determinada la clase el clculo del cuartil es

inmediato mediante la expresin:

Qt ' i.i a^*-^

le

, siendo

/c4

^i

en donde el subndice i nos indica la clase que contiene a Qwk

y que se ha determinado en un paso previo. Esta expresin se
deduce de forma similar a como se hizo con la frmula de la
mediana.

37

Elemplo;
C a l c l e n s e los c u a r t i l e s d e la siguiente distribucin:
[e-:-:,e.:)

n^

50-55

20
80
175

55-60
60-65

70-75

100
75

75-80

50

65-70

Solucin:
[i-uet)

ni

Ni

Fi

50-55

20

20

0,04

55-60

80

100

0,20

60-65

175

275

0,55

65-70

100

375

0,75

70-75

75

450

0,90

75-80

50

500

1,00

E-500

Por tanto,
Ox e [60, 65)
1*500-100
- 60 t- 5*4

60,71428571

175

Ca 6 [ 6 0 , 65)
T

-*500-100
- 64,285714286
60 + 5* *
175

38

02 [65, 70)
4

^500-275
02 "65 * 5 _4
100
"5

70

*Quintile3;
Sern aquellos valores de la distribucin que la dividen en cinco
partes iguales. Tambin distinguimos dos casos: distribucin
discreta

distribucin

continua;

en

ambos

casos

los

planteamientos son similares a los ya desarrollados para los

cuartiles y por tanto se presentarn ahora con un ejemplo.
Distribucin Discreta.
Vanoslo con un ejemplo.
Xt

nt

Ni

fi
'^

1000

20

20(1)

0.2

0.2

2000

10

30

0.1

0.3

3000

15

45(2)

0.15

4000

25

0.25

5500

10

70(3)
80(4)

0.45
0.70

0.10

0.80

6000

15

95

0.15

0.95

6500

100

0.05

1-00

1.00

1 1

100

(1) 1 x 1 2 2 - 2 0 ^Oii
5

' 1000
5

(2) 2 x - i | 2 - 4 0 - Oii

3000

(3) 3 x l | 2 - 6 0 - C i i - 4000
(4) 4 x i | 2 - 8 0 - O i ^ 5500

39

A)

B) Distribucin Continua.
Los quintiles
expresin:

C-

se

= ^i-l

obtienen

travs

de

V-"^- a^ , siendo

la siguiente

k*5

n.

Ejemplo;
Calcular los quintiles de la siguiente distribucin:
[ei.i,ei)

ni

Nt

50-55

40

40

0.04

55-60

160

200

0.2

60-65

350

550

0.55

65-70

200

750

0.75

70-75

150

900

0.9

75-80

100

1000

1.00

^'

Solucin:
41000-40
Qii . 55 + -2
5 - 60
T
160
I1OOO-2OO
5 - 62,85714286
Oi, . 60 . ^ - 3 ^
^1000-550

^1000-750

^f4-'*

5 71,66666667

Son aquellos valores de la distribucin que la dividen en

40

diez intervalos iguales.

* Percentilest

Dividen a la distribucin en cien partes iguales, cada una

de las cuales contiene al 1% de la poblacin.

2-3.- MEDIDAS DE DISPERSIN.

Con las medidas de dispersin tratamos de estudiar hasta qu
punto, para una determinada distribucin de frecuencias, las
medidas de posicin central estudiadas son representativas como
sntesis de toda la informacin.
Para medir la representatividad de estas medidas tendremos
que

cuantificar

la

separacin

entre

los

valores

de

la

distribucin y estas medidas. A esta cuantificacin, es decir,

a la mayor o menor separacin de los valores respecto a otro que
se pretende que sea su sntesis, se le llama Dispersin o
Variabilidad.
Podemos distinguir dos tipos de medidas de dispersin:
2.3.-1) Medidas de Dispersin Absolutast Aquellas que no permiten
establecer comparaciones entre distribuciones heterogneas.
2.3.-2) Medidas de Dispersin Relativas Aquellas que s permiten
establecer estas comparaciones. Habitualmente son adimencionales.
2-3.1.- MEDIDAS DE DISPERSIN ABSOLUTAS
Entre ellas distinguimos las siguientes:
-Recorrido o Rango.
-Recorrido intercuartlico.
-Media de las Desviaciones a un Promedio.
-Varianaa.
-Desviacin Tpica o Standard.
41

-Cuasivarianza.
Veamos cada una de ellast
^Recorrido o Rangr^.
Es la diferencia entre el mayor y el menor valor posible de
la distribucin de una variable. Distinguimos dos casos:
-Variable Discreta: El recorrido vendr dado por la siguiente
expresin:
Re . x,-X,
-Variable Continua: El recorrido se obtiene a travs de la
siguiente expresin:
Re e^-eg

Esta medida tiene el inconveniente de que viene determinada slo

por dos valores de la variable, siendo por ello, muy sensible a
la fluctuacin de estos valores extremos.

Xi

20

25

30

ni

Re - 30-5 - 25

* i^^^^ryldQ Ifttarcuartllico
Se define como la diferencia entre el tercer y el primer
cuartil. Es decir,
Ri 03/4-01/4
Como se puede observar esta medida nos indica la dispersin
que

presenta

el

50%

de

los
42

individuos

centrales

de

la

distribucin.
* Media d e l a s Di?yvisaciones a un PrQmad^9 8
Analticamente,
k

(x^-p) f , siendo

^ "^

Si analizamos

p un promedio

cualquiera.

esta expresin, vemos que al realizar el

sumatorio tendremos desviaciones positivas y negativas que se

compensarn y ello har que la medida as definida tienda a cero.
Por lo tanto, no estaramos cuantifloando la dispersin.
Para

solucionar

este

problema,

podemos

considerar

los

valores absolutos de las desviaciones o elevarlas al cuadrado.

Dentro

de

esta

primera

solucin

(valores

absolutos),

tenemos t

A) naavlacin media respecto a la media aritmtica

Dx ' \xrx\fi

Una desviacin grande indica una gran dispersin en la

distribucin.

B) nftypacin padia reffpacto a la medianat

Je

En el caso de obtener un D. grande, la mediana no ser

representativa.

43

ES junto a la desviacin tpica la medida de dispersin mAs

utilizada. Es una medida que entra dentro de la segunda solucin
(elevarla al cuadrado). Se define como la media de los cuadrados
de las desviaciones de los valores de la variable a la media
aritmtica.
si mj

si - {XrX)^f,
1-1

En general, cuanto ms dispersas sean las observaciones,

mayores sern las desviaciones respecto a la media, y mayor por
tanto, el valor numrico de la variania.
Propiedades de la Varianza.
l.-La varianza nunca puede ser negativa.
si i O

2.-Si sumamos a todos los valores de la variable una constante

9, la varianza no varia.
Demostracin

Sabemos que si

A"Jr^-e-7'J?*e

.|;(x,-x)'f, - s i
Poz canto,

S']t si

3.-Al multiplicar los valores de una distribucin de frecuencias

44

por una constante 8, la varianza queda multiplicada

por el

cuadrado de la constante.
Demostracin:

Sea ahora

X' * B-X ^ X' ' x*Q

(5,
_

Je

* Desviacin Tpica o gtflP'ilart'

Se define como la raiz cuadrada, con signo positivo, de la
varianza. Es decir,
n

5x - *\/5;
Al ser la raz cuadrada de la varianza, vendr expresada en
las mismas unidades de medida que la distribucin de la variable.
Ello nos permitir realizar una interpretacinns clara de la
dispersin.
Es una medida de dispersin absoluta que no nos permite
comparar dos distribuciones salvo en el caso de que las medias
de ambas y las unidades en que vienen expresadas sean iguales.

* Cuaaivarlanzat
Se define como:
Es fcil obtener una relacin entre la cuasivarianza y la
varianza. Para ello basta multiplicar y dividir por Nt
45

^-'t'^--'^*lrt
5x - r^

^i N

Por tanto,
5;^ - 5-Esta medida se interpreta de forma similar a la varianza.
Realmente cuando N tiende a infinitla cuasivariania tiende a la
varianza. Sin embargo cuando N es pequea estas dos medidas son
distintas,

jugando en este caso la cuasivarianza un papel

importante en la estadistica inferencial.

2-3.2.- MEDIDAS DE DISPERSIN RELATIVAS
El objetivo de este tipo de medidas es permitimos comparar
la dispersin de distribuciones distintas, posibilitando asi,
resolver el inconveniente que presentan las medidas de dispersin
absoluta. Dentro de ellas nos vanos a centrar en el estudio del
coeficiente de variacin de Pearson.
* f-ff^fUt*"^^* ^* variacin de PeartQXi
Se define como la relacin por cociente entre la desviacin
tiplea y la media aritmtica. Es decir,

cv -5 fos da la dispersin
X

46

por unidad de media.

da Paarsont
Venta jast
l.-Es adimensional, no va a estar influido por la unidad de
medida.
2.-Podemos realizar comparaciones entre dos distribuciones aunque
las medias y las unidades sean distintas.

Inconvenientes t
l.-Si la media es igual a cero, pierde su sentido estadstico.
2.-No es invariante ante cambios de la variable. Es decir,

X'

a
CV * CV"
nemogtraciont
k

X' ' V f^Xi'

jT

' T fj
^

- ^

- -2
a

5.-.J|:AU/-F,.J|;..,^-?.'
' . a-^
5 ' ?a 5
-'
a

5x
e '

CV' - Z^
X

~T

XXQ

AXg

- = -^^ * CV

En cuanto a la interpretacin, debwnoi saber que cuanto

mayor sea el coeficiente de variacin, mayor ser la desviacin
tpica y por tanto, mayor ser la dispersin. Es decir, la media
sintetizar peor la informacin cuanto mayor sea el coeficiente
de variacin.
47

2-3.3.- V a r i a b l e

tipleada.

una v a r i a b l e estadstica

se dice tipleada o estandarizada

si su m e d i a es cero y su varianza uno.

C u a l q u i e r v a r i a b l e estadstica puede tipificarse a travs
d e la s i g u i e n t e

expresin:

z ^ : ^
En efecto
z - -.jc - JL . o
Sn

5.

5; - -L . S . 1
La tipificacin en estadstica ss utiliza para comparar
variables, tanto variables diferentes como grupos de la misma
variable.
t-A.-MOMENTOS.
Sea X una variable estadstica con media x y sean r y b, tal
que r pertenece a los nmeros naturales y b pertenece a los
reales.
LLanarenos" Momento de orden r respecto a un punto b"
(origen arbitrario) a la siguiente expresin:

r.

Dentro de
momentos

los momentos

respecto

al origen

cabe distinguir dos tipos t los

o

no centrados

centrados o respecto a la media aritmtica.

48

los momentos

* MQm?f^<? n<? centrarlo de orden i-.^u^

^^ respecto al

origen)

Dando diferentes

valores

a r, obtenemos

distintos

momentos como-.

5 i r - o - ttg - J^ f^Xi^ - 1
k
k

Si r - 1 - Oi - j ; f,x, - X

Si r - 2 - a, . f ,x,

^Momento centrado de orden r:

Se define como aquel momento de orden r con respecto a la
media aritmtica. Es decir,

Dando diferentes

valores

a r, obtenemos discintos

momentos como-,

S i r - 0 - / n o - / i iXi^" 1
n

Si r - 2 -flij- F f^ (x-5)' -si

Relacin ^nt^* ^* 'o"*'^^Q centrados v no centradog
Sea el momento centrado de orden rt

m, -gf,(x,-X)'
Recordando ahora la expresin del desarrollo del binomio de
Newton t
49

(a^
Desarrollando su expresin:

'r " t.tAxr^'

(,

i 1

r^

Casos Particularest
l.-El momento centrado de ord^n uno vale cero.
r*l m^

l'-'"~'\)h-''

a.
'1 - a,
*i o

2.-El momento centrado de orden dos (la varianza) resulta:

2 U 2 ./2\,2 . ^ ^ . ^ 2

Por tanto, el momento centrado de orden dos (la varianza)

puede

ser expresado

como la diferencia entre el momento no

centrado de orden dos y el momento no centrado de orden uno al

cuadrado.
3.-El momento centrado de orden tres quedar como siguet
4.-El momento centrado de orden cuadro resultas
* Clculo Pr^y^i^T" ^* ^ Momentos I
Se realiza en varias fasesi
50

r-3 - / n , .

(-i):aHl]a,.,'

;-o

1 J '

3*

-4a+o} - a4-4aia3*6oOj-3a
1) En primer lugar, realizamos un cambio de v a r i a b l e d e l t i p o :

a
2) Realizamos el clculo de los momentos no centrados

3) Clculo de los momentos centrados de X't m,' a travs de la

relacin entre los momentos centrados y no centrados.
4) Clculo de m, (momentos centrados de X)t

a Til

Por tanto, in, a'nig'

TEOREMA
El momento

centrado de orden cuatro es mayor o igual a la

desviacin tpica elevada a la cuarta. Es decir,

51

m^ s i

Demostracin;
m^ - a4-4a3a.-eajai-Bo}
donde ,

4 = x ^ f ^

2
1*1

Jt

jr

a " | ) ^^^'
1 E

fiX,

Sustituywndot
E ^i^i-*E iX**6E fiX*?-3? - 4

52

Comparando ambas expresiones se comprueba que el momento centrado

de orden cuatro es mayor o igual que la desviacin tpica elevada
a la cuarta.

3-5.-MEDIDAS DE FORMA; ASIMETRA Y CURTQSIfi.

3-5.1.-Medidas de Asimetra
Las medidas de asimetra van dirigidas a la elaboracin de
una

medida

que

permita

establecer

el grado de

simetra

{o

distribucin

de

asimetra) que presenta la distribucin.

Vamos

representar

frecuencias. Si

trazamos

grficamente
una

una

linea perpendicular

al eje de

abcisas por la media aritmtica, tomando esta perpendicular como

eje de asimetra/ se nos pueden presentar varios casost
A)

Distribucin

simtricai

Diremos

que

una distribucin

es

simtrica cuando existe el mismo nmero de valores a ambos lados

de dicho eje, equidistantes de la media dos a dos y tales que
cada par de valores equidistantes a la media tengan la misma
frecuencia.

Q
S I M T R I C A

S I M T R I C A

Esto es, una distribucin es simtrica con respecto a la

media aritmtica si al "doblar- la distribucin por la media, las
53

do8 partes de la grfica diferencial se superponen.

B) D3tribUC6n Asimtr^.. ^ Darrh^^,

una distribucin es asimtrica a derechas cuando tiene mayor

nmero de valores a la derecha que a la izquierda del eje de
asimetra (media aritmtica).

1]

m
ASIMTRICA A DERECHAS

ASIMTRICA A DERECHAS

C) Distribucin Asimtrica a TTnu^y^f^^.

Ser aquella distribucin que tiene un mayor nmero de
valores a la izquierda que a la derecha del eje de asimetra.

ffl
U

d
ASIMTRICA A IZQUIERDAS

ASIMTRICA A IZQUIERDAS

En definitiva, si una distribucin es simtrica, existir

54

el mismo nmero de valores a la derecha que a la izquierda de la

media, y por tanto, el mismo nmero de desviaciones con signo
positivo que con signo negativo, siendo la suma de desviaciones
positivas igual a la suma de las negativas.
Una vez visto lo que se entiende por distribucin simtrica,
vamos a pasar al estudio de la medida de simetra ms conocida

* Coeficiente de Asimetra de Fi^^i^r.

Es un ndice que se basa en la idea de media, realizando una
comparacin entre las distancias de las observaciones que estn
a un lado y a otro de la media aritmtica.
Se define de la siguiente format

, fl
donde,

m, 'momento centrado de orden 3.

Sx desviacin

tpica

al cubo.

5i Yi O {/Hj-O) La distribucin

es

5i Yi > O (in3>0) La distribucin

simtrica,

es asimtrica

o sesgada hacia la derecha.

Si Yi < O (mj<0) La distribucin

es asimtrica

o sesgada hacia la

izquierda.

3-5.2. -Medida cft ^ountamiento o Curtoais:

Estas

medidas

tratan

estudiar

la

mayor

menor

concentracin de frecuencias alrededor de la ndia aritmtica.

Esta mayor o menor concentracin dar lugar a una distribucin
ms o menos apuntada.
55

Como coeficiente de Curtosis

expresin:

dcr.de

se utiliza

la siguiente

n^ = nomnco centrado de orden 4.

si ' desviacin

zpica

elevada a la enarca.

Segn el valor que tome este coeficiente, la distribucin

puede ser:

Dada

*esocrtica(normal)

Si

Ya * o

Lepcoczcica

^ Si

Y2 > o

Platicrcica

Si

Ya < o

la

siguiente

distribucin

de sueldos

entre los

empleados de una empresa (salarios mensuales en miles de ptas):

nt

[ei.ut)

100-120

10
30

120-150

40

150-200

15

200-300

80-100

100

vamos a calcular los coeficientes de asimetra y curtosis

56

Solucin:
Ci

C.f,

c.^f.
810

1 o:u

90

0,10

lie

0,30

135

0,40

33
54

175

0,15

26,25

3630
7290
4593,75

250

0,05

12,50

3125

S:-134,75

c/..

72900
399300
984150

803906,25
781250

-19448,75 1 3041506,25

6561000 1
43923000
132860250
140683590
195312500
519340340 |

Un coeicint d* asimetra que podemos calcular es el

coeficiente de asimetra de Fisher que viene dado por la
siguiente expresin:

El momento centrado de orden tres lo podemos calcular a

travs de los momentos no centrados, es decir,
fflj a3-3,Oi*2ai

donde ,

o, - Tx\^
x?

; , - x^f, ; e^ - J? E ^ X ^
* *

I^

m, - 3041506,25-3(19448,75) (134,75)*2(134,75)^
OT, - 72812,16
Y la. desviacin

tpica

elevada al cubo, si.

coma ei valor:

5i - (vOJTTrTST?)' 46396.366
Por tanto, el coeficiente de asimetra nos quedar cono
siguet
V . '^2812,16 . 1,5693505 > O Aaioicrica
^1
46396,366

57

Positiva.

Parft determinar el coeficiente de curtosis necesitamos

calcular antes el momento centrado de orden cuatro, ya que este
coeficiente viene dado por la siguiente expresin:

El momento centrado de orden cuatro lo calculamos a travs

de su relacin con los momentos no centrados, es decir,

donde ,

a^ = J^ x^f^ 519340340 ; a, Vxjf^ = 3041506,25

n
^ x j f i - 19448,75 ;

n
a^ - X^f^ ? 1 3 4 , 7 5

m^ 5 1 9 3 4 0 3 4 0 - 4 ( 3 0 4 1 5 0 6 , 2 5 ) ( 1 3 4 , 7 5 ) >
* 6 ( 1 9 4 4 8 , 7 5) ( 1 3 4 , 7 5 ) ' - 3 ( 1 3 4 , 7 5 ) *
m, 9 7 2 8 5 7 9 , 5

Por tanto, el coeicint d* Curtosis toma 1 sigulents

valor:
. V.

^'

9728579,5^

2 2,8354023 > O -

LepCocztica.

(;121,1975)*

3-6 . -rr>i;rxrTENTES PE CONCENTRACIN.

Las medidas d concentracin tienen por objeto poner de

manifiesto el mayor o menor grado d* igualdad sn ! reparto del
total de los valores de la variable. Por ello se dice que son
indicadores del grado de equidistribucin de la variable.
Para

estudiar

la

concentracin

vamos

suponer

una

distribucin de rentas con n rentistas. Podremos encontrarnos con

58

dos situaciones extremas t

1.-Concentracin

mxima: cuando slo un rentista de los n

rentistas precibe el total de la renta y los dems nada. Es

decir,
Xi Xj - Xj . . . x.i o para x^ * o

2.-Concentracin mnima o equidistribucin: cuando todos los n

rentistas perciben la misma cantidad. Es decir,
Xi Xj . . . . X

A la hora de analizar la concentracin se definen dos tipos

de medidas, una analtica, el ndice de Gini,y otra grfica, que
es la cuirva de Lorenz. En ambos casos para llevar a cabo su
clculo es necesrio su ordenacin de menor a mayor.

Sea (Xi, ni), una distribucin de frecuencias cuya variable

hace referencia a una variable monetaria.
El indica de Gini vendr dado por la siguiente expresin:
ii-i

^.-^^hrt
donde.
Obsrvese

Pi-^'IOO'que

l*i-nc^t'

pt lo q"

<7i-^*l00
B

o da es la proporcin de

individuos que han recibido una cantidad igual o inferior a x^.

59

Por otro lado qi. nos da la proporcin de dinero total repartido

entre loa N^ individuos. En consecuencia, el numerador de la
expresin del ndice de Gini nos da la diferencia que existe
entre lo que se ha repartido hasta la modalidad i-sima y la
proporcin de individuos entre los que se ha repartido.
Veamos

el

valor que

tomarla

este

ndice en

las dos

situaciones extremas:
A)Caso de mxima equidad.
B)Ca80 de mnima equidad.

A) Caso de mxima equidad.

ni

1/N*100

X/NX*100

2/N*lOO

2X

2X/NX*100

3/N*100

3X

3X/NX*100

Ni

Pi-Ni/N*10
0

qi"ui/n,*io
0

Xi

N1

XtXli

N/N*100

\i

NX

Donde/

1*1

^e^
c'
e-i

Pi -^100 ; q^ - -^100
VI

1*11

Y 1 ndice de Gini tomar el siguiente valor:

60

NX/NX*100

 (Pi-.)
I^ =

n--.

>V-I

EP:

=o
100

Por lo canco, en el caso de mxima equidad,

mnima ccncencracin,
el ndice de Gini es nulo.
B) Caso de mnima equidad.

Nt

ni

Xl

Xiflt

Pi

Ui

qi

1/N*100

2/N*100

3/N*100

N/N*100

X 1 X/X*100

Es docirr nos quedarla la siguisnt* tabla:

Xi

nt
N-1

Ni

2L

N-1

N-l/N*100

Xin

i^

N/N*100

JiL

iu
100

Y en este caso, el ndice de Gini quedarla como siguet

Pi

Por lo tanto, podemos decir que el ndice de Gini slo

tomar velores en el intervalo [0,11
la (0.1]

61

*CURVA DE LQRENg.

La curva de Lorenz no es ms que una representacin grifica

en la cual, en uno de los ejes tenemos los valores de pj. y en el
otro eje los valores de qi-

Consiste, por tanto, en ir representando los puntos (Pi^qi)'

ordenados segn el orden creciente de x, que al unirlos entre si,
nos determinan una curva poligonal llamada Curva de Loreni.
La

curva

que

nos

indicar

la mxima

equidad, minima

concentracin, coincidir con la diagonal OB ya que en ella

Pi-qi. En este caso, todos los rentistas percibirn la misma
cantidad.
El caso ms desfavorable, mxima concentracin, estaria
formado por los lados OA y AB del cuadrado.

62

Ejemplo I
Calclese el ndice de Gini de la siguiente distribucin:
[e--:/'.)

0 a 4

4 a 6

6 a 8

12

8 a 10

10

10 a 14
14 a 16

11
17

16 a 20

20

20 a 24

15

24 a 30

10

30 a 40

10

Solucint
Ci

Ni

CiHi

Pi

Ui

qi

(Pi-qt)

2.65486

0.31545

2.33940

25

7.07964

31

1.62986

5.44978

20

84

17.69911

6.04626

11.65284

30

90

26.54867

10.77812

15.77054

12

41

132

36.28318

115
205
337

17.71819

18.56499

15

58

255

51.32743

592

31.12513

20.20230

18

78

360

69.02654

952

50.05257

18.97397

22

93

330

82.30088

1282

67.40273

14.89815

27

103

270

91.15044

1552

81.59831

9.55212

35

113

350

100.00000

1902

100.00000

0.00000

Por tanto, el indic d Gini tomar el siguiente valort

n-l

'"''''
n-l

. 117.4040
384.07075

63

0.3056835

PROBLmtxa nei. TEMA a.

1.-Representar
frecuencias:

grficamente

las siguientes distribuciones de

A.-

n,

12

10

6
2

'

40

B.-

1 0**-'"5**0

100

50 -100

250

100 - 200

400

200 - 400

200

400 - 800

50

1000

III

SOLUCIN:
DISTRIBUCIN A:
Hi

1
2
3
4
5
6

2
8
12
10
6
2
40

f.
0.05
0.2
0.3
0.25
0.15
0.05

Ni

2
10
22
32
38
40

0.05
0.25
0.55
0.8
0.95
1

/T,

''
OJO-

i:

0.25-

10^

0.20-

S -

0.15-

6-

0.lo-

cos 1

_
Diaframa de barras

_
j

^.

F,

V,

l.OO-

40--

0.75-

30--

0,50-

20

0.25-

10--

-f,

Diairama acumulttivo
de frcoiencias

X
1

3 4

5 6

DISTRIBUCIN B:

n*
50
100
200
400

0-50
- 100
- 200
- 400
- 800

i/**

fi

100
250
400
200
50

0.1
0.25
. 0.4
0.2
0.05

1000

2
5
4
1
0.125

Ni

100
350
750
950
1000

0.1
0.35
0.75
0.95
1

.,
Hisiograma
0.050

5.

0.040

0.030

3-

0,020-

O.OIO-

O SO ICO :oo

400

SCO

X,

.V,
1.00 -

1000-

0.90"

900-

0.80 -

800-

O.-O"

-00-

0.60

600-

1 Polgono uumulativo
{
de frecuenaas
i

/
0.50 -

500-

0.40 "

400-

0.30

300-

0.20

;oo-

O.IO"

100-

O 50 100 200

400

800

2.-Dada la siguiente tabla estadstica:

Horas
estudio/dia

Nfi de

aluanes
15
20

E
Hllense las medias aritmtica, armnica y geomtrica,

SOLUCIN:
a)MEDIA A R I T M T I C A :

j?-iHi
l*5f2*15-*-3*2048*52.y
5+15*20*8*2

b)MEDIA ARMNICA:
N

SlS*20-*-8--2

E ir
_

50
2.318
21,566

IA

c)MEDIA GEOMTRICA:

= - V ^ X,

Xj

5
15
20
8
2

1
2
3
4
5

-XJn.lnx,

ln(x,)

Xi

n,ln(x,)

0
0.693147
1.098612
1.386294
1.609437

50

0
10.39720
21.97224
11.09035
3.218875
46.67868

2.543582

3.-R*alizado un control de calidad n una nuastra alaatorla da

200 tubos fluorascantas da un datarninado tipo, para dataminar
su duracin an horas da funcionanianto an condicionas prefijadas,
se obtuvieron los siguientes resultados:
1
1

Duraol6a

'de tubos

0-720

720-1440

1440-2160

2160-2880

32

2880-3600

56

3600-4320

51

4320-5040

34

5040-5760

5760-6480

6480-7200

Desestimado del total de la muestra el diex por ciento de

los tubos con menor duracin y el cinco por ciento de aquellos
que presentan duracin mxima, deterainense los valores mnimo
y m&xlmo de la duracin de los tubos restantes de la muestra.

SOLUCIN:
Para dttsstimar el io% da los tubos da duracin manor hamoa
da calcular al primar dacil,D,.

ilk

,-.-|"i-^..-.i

Establaciando las fracuancias acxmuladas corraspondiantas

se tiene:

DuraeiB

[0-720)

0.005

0.005

720-1440)

0.02

0.025

14

0.045

0.07

^1440-2160)
r2160-2880)

32

46

0.16

0.23

[2880-3600)

56

102

0.28

0.51

[3600-4320)

51

153

0.255

0.765

[4320-5040)

34

187

0.17

0.935

^5040-5760)

195

0.975

[5760-6480)

198
200

0.04
0.015

[6480-7200]

0.99

0.01

200

El primr decil (0,o)Pertenece al intervalo [2160,2880) y por

tanto:
^,2160^^^^:^^^. 16* [0.1-0 .07] 2295

Al prescindir del 5% de la muestra con duracin yo^^'

preciii ^determinar ! p.rcentil 95,P aatar en el intevalo
[5040;5760) y reaulta:

P.,5040 5760-5040 .[0.95-0.935] -5310

"
0.04

En consttcuencia, ! 85% d los tubos rsstantss tisnsn una

duracin comprendida sntrs 2295 y 5310 horas.

4.- Una smprssa inmobiliaria, ofrscs apartamentos n rgimsn de

alquiler, en la Costa del Sol, cuyos precios mensuales y nmero
de ellos de cada tipo son los que se dan a continuacin:

Alquiler

na de apart. |

De 70000 a 100000

21

De 100000 a 110000

27

De 110000 a 130000

34

De 130000 a 150000

14

De 150000 a 180000

De 180000 a 200000

"

1 De 200000 a 210000
Obtener
el
frecuentemente.

precio

de

10

alquiler

SOLUCIN:

El al<iuilr ms frecuente es la moda:

MO, i i f i l 2 f i i i
Z,*Zi

Z^^fJ^-f^.jA^.X

rj-fi/i-fi.i/ai.i

1
que

se

paga

ms

N,
30000
10000
20000
20000
30000
20000
10000

85000
105000
120000
140000
165000
190000
205000

21
48
82
96
104
115
125

21
27
34
14
8
11
10

f,/a,

0.168
0.216
0.272
0.112
0.064
0.088
0.08

0.000005
0.000021
0.000013
0.000005
0.000002
0.000004
0.000008

125

La moda s encuentra en el intervalo de f^/a, 0.000021

es decir: [100000; 110000)
Z, 0.000021-0.000005-0.000016
Z-, 0.000021-0.000013*0.000008
0.000016*100000fO.000008*110000 -103333^3
0.000016*0.000008

5.- Con los datos anteriores, calcular el alquiler medio por

apartamento y el precio que se sita en la mitad de la oferta.

Ci

N*

30000
10000
20000
20000
30000
20000
10000

85000
105000
120000
140000
165000
190000
205000

21
27
34
14
8
11
10

21
48
82
96
104
115
125

t<

F.

C,fi

0.168
0.216
0.272
0.112
0.064
0.088
0.08

0.168
0.384
0.656
0.768
0.832
0.92
1

14280
22680
32640
15680
10560
16720
16400

125

Por tanto, el alquiler medio ser:

Je

X-j; Cif^-128960

128960

y el precio que se sita en la mitad de la oferta ser la

mediana:

La Mediana pertenece al intervalo [110000;130000] por lo

que:
Me110000> ^ [4-0.384] 118529.41
0.27 2 2

6.-Con los datos del ejercicio anterior, calcular la desviacin

tpica y el coeficiente de variacin.
SOLUCIN:
5*y(Xi-x)*fi

Ci

85000
105000
120000
140000
165000
190000
205000

n,
21
27
34
14
8
11
10

f.
0.168
0.216
0.272
0.112
0.064
0.088
0.08

(c,-xmed)^
1932481600
574081600
80281600
121881600
1298881600
3725881600
5782081600

(c.-xmed)' f,
324656908.8
124001625.6
21836595.2
13650739.2
83128422.4
327877580.8
462566528
1357718400

125

S-*-yi5577diOO-36847'23
CV'.l.iliil.0.2857
7
128960

7..Hallar el ndice de concentracin <!; P\^*,^^*" c"?s*??uxV?a

provincia, segn los datos de la siguiente tabla y construir
curva de Lorenz.

NB d habitaatas

ProvlBcies

De 50000 a 200000

De 200000 a 400000

De 400000 a 500000

10

De 500000 a 700000

De 700000 a 1000000

De 1000000 a 2000000

De 2000000 a 5000000

SOLUCIN:

k-l

ie-i

E
EP.

Ci

125000
300000
450000
600000
850000
1500000
3500000

"i

8
9
10
8
6
8
3

Ni

Ec n

c,n,

Pi

8 1000000
17 2700000
27 4500000
35 4800000
41 5100000
49 12000000
52 10500000

1000000
3700000
8200000
13000000
18100000
30100000
40600000

15.38
32.69
51.92
67.31
78.85
94.23

52

40600000

340.38

I g . 157^87 .0/4638
340'38

(concentracin inedia)
10

q.
2.46
9.11
20.20
32.02
44.58
74.14

p,-q.
12.92
23.58
31.73
35.29
34.26
20.09
157.87

CDRVX DE LOREMZt

100

P,

8.-Dada la siguiente distribucin de sueldos entre los empleados

de una empresa (salarios mensuales en miles de ptas):
^^^*^
,..-,

80-100

10

100-120

30

120-150

40

150-200

15

200-300

Calcular el coeficiente de asimetra de Fisher.

SOLUCIN:
k

E (x,-3c)>f,
Yi'

c,

Hi

f.

90
110
135
175
250

10
30
40
15
5

0.1
0.3
0.4
0.15
0.05

9
33
54
26. 25
12. 5

100

134. 75

c,f,

(c,-med)'

(c,-raed)'f,

2002.56
612.56
0.06
1620.06
13282.56

200.26
183.77
0.03
243.01
664.13
1291.19

11

(c.-wd)^

(c,-md) 'f,

-89614.67

-8961.47

65207.52
1530815.33

9781.13
76540.77

S - 35 il

72812.16

72812^16,^.
46396'37

por tanto, la distribucin es asimtrica posit

9 . - Con l o s d a t o s a n t e r i o r e s ,

iva.

calcular la c u r t o s i s .

SOLUCIN:
Je

Ci
90
110
135
175
250

nj

f,

Cifi

10
30
40
15
5

0.1
0.3
0.4
0.15
0.05

100

9
33
54
26.25
12.5

401025.66
112569.84
0.00
393690.38
8821323.33

134.75 9728609.207

SS*4-

12

(c,-med)*f,

3 5.93
1666590.37

9728609-207.3,,
1666590'37

34>0

por tanto, la distribucin es leptocrtica.

10.-Sean dos distribuciones simtricas de las que conocemos:

Distribucin A

DiatribuoiB B

Me- 15

Mo-20

S' 3 6

S*-36

Determinar cul de las dos distribuciones presenta una mayor

variabilidad.

SOLUCIN:
Al ser distribuciones simtricas, sus tres medidas de tendencia
central, media aritmtica, mediana y moda, coinciden. Por tanto:
x,20
Para comparar la variabilidad de ambas distribuciones no podemos
relegarnos a la simple comparacin de las varianzas, puesto que
las distribuciones pueden venir en unidades diferentes, y adems
debemos relacionar la variabilidad con su correspondiente
promedio. Utilizaremos los coeficientes de variacin:
S'* 6

CV' X,

15

y._Lo.
Xg
20

CV'

Por t a n t o ,
relativa

la

distribucin

B presenta una menor dispersin

13

TEMAS

TEBIA T^X

PgSCRIPCIOW BIVAfflftiq.^

Hasta ahora hemos estudiado la distribucin de frecuencias de una

sola variable. Pero para una poblacin dada se pueden estudiar
Simultneamente dos o mis caractersticas diferentes. Nos
centraremos ahora en el estudio conjunto de dos variables, que
denominaremos descripcin bi-variante.
La descripcin bivariante es de uso muy frecuente por los
economistas. Por ejemplo, nos puede interesar estudiar el salario
percibido segn la antigedad de los trabajadores, o los gastos
familiares segn el n de hijos, o las ventas de una empresa
segn el nmero de puntos de distribucin, etc
Ciertamente podriamos estudiar ambos aspectos por separado, tal
como hicimos en el tema li. Pero del estudio conjunto de ambas
variables se pueden obtener nuevas y provechosas ventajas, como
veremos en este tema.
Una distribucin conjunta de dos caracteres cuantitativos o
variables viene dada por pares de valores con sus frecuencias
correspondientes, resultando manejable y expresiva su disposicin
en una tabla de doble entrada denominada tabla de correlacin.
Supongamos, por ejemplo, que la variable X representa renta en
cientos de miles de pesetas y que la variable Y representa gastos
realizados en viajes? en miles de ptas. La tabla de correlacin
de la distribucin conjunta de ambas variables puede sen
y.^'*">s^

10

15

30

una distribucin conjunta de dos caracteres cualitativos o

atributos viene dada por pares de modalidades con sus respectivas
frecuencias. En este caso, la tabla de doble entrada que la
representa recibe el nombre de tabla de contingencia. Tengamos,
por ejemplo, la siguiente clasificacin de electores segn la
clase social a la que pertenecen y los candidatos elegidos en las
ltimas elecciones.
"

10

Media

Alta

Baja

Tambin podramos trabajar con distribuciones mixtas, en las

cuales una caracterstica es cuantitativa y otra cualitativa,
como la clasificacin de los habitantes de un pas segn edad y
sexo.
Para facilitar la exposicin, desarrollaremos el tema suponiendo
que trabajamos con variables discretas, pero el estudiante deber
ejercitar los conocimientos adquiridos hasta ahora para los
diversos tipos de variables y atributos.

ITT.l.-

NOTACIN Y TABIITArinM

Sea una distribucin caracterizada por dos variable Z e Y, que

tienen respectivamente k y p modalidades, de manera que
X, (i - 12,
Llamaremos
individuos
variable X
modalidades

,k)

yj ( j 1,2,

p)

frecuencia absoluta conjunta (nij) al nmero de

que tienen simultneamente la modalidad i de la
y la modalidad j de la variable Y; es decir, las
Xj. e yj.

Representemos en una tabla de correlacin las posible frecuencias

absolutas conjuntas de esta distribucin.

y:

y:

Yi

y.

n..

X.

ni:

n:2

"13

r^ip

X2

"21

"22

"23

"2p

"2.

X3

nsi

"32

"33

"3p

"3.

Xk

Hki

"kZ

"w

"kp

"k.

n.i

n.i

n.a

".3

n.p

'-|

Asi, la frecuencia absoluta conjunta n32 representa el nmero de

individuos que presentan la modalidad 3 de la variable X (x^) y
conjuntamente la modalidad 2 de la variable Y

(y).

Llamaremos frecuencia absoluta total de Xi (ni.) al nmero total

de individuos que presentan la modalidad i de la variable X.
Esta frecuencia absoluta total de Xi (ni.) puede hallarse sumando
las frecuencias absolutas conjuntas de la modalidad i de la
variable X para cada una de la p modalidades de Y.

La frecuencia absoluta total de Xi (ni.) viene representada en la

ltima columna de la tabla de correlacin.
Llamamos frecuencia absoluta total de yj (n.j) al nmero total de
individuos que presentan la modalidad j de la variable Y.

Anlogamente,

La frecuencia absoluta total de yj (n.j) viene representada en la

ltima fila de la tabla de correlacin.
Como puede observarse en la tabla de correlacin
P

le

j-i

1-1

lo que nos indica que el nmero de observaciones (N) sobre la

poblacin es el mismo tanto si estudiamos una sola variable,
cualquiera de ellas, como si las estudiamos conjuntamente.
A partir de aqu los conceptos y la notacin son de muy fcil
comprensin.
Llamamos frecuencia relativa conjunta (fij) a la proporcin de
individuos que presentan conjuntamente la modalidad i de X y la
modalidad j de Y.

Llamamos frecuencia relativa total de x (fi.) a la proporcin de

individuos que presentan la modalidad i de la variable X.

Anlogamente llamamos frecuencia relativa total de yj (f.j) a la

proporcin de individuos que presentan la modalidad j de la
variable Y.

f .= -

Sin entrar en su demostracin analitica, veamos algunos teoremas

que se derivan de lo que hasta ahora llevamos visto.
*

J'

^.rt ^u
i-l

S^'"
p

S^-^-^
EJERCICIO
Se sugiere realizar el siguiente ejercicio de comprobacin para
comprender el significado de lo visto hasta ahora.
Supongamos quo queremos estudiar un colectivo de profesionales
estadounidenses segn su edad y los ingresos brutos en dlares
USA. Disponemos de la siguiente infonnacint de las personas de
25 aos, 15 ingresan 500 $ y 12 ingresan 600 ; de las personas
de 40 aos, 8 ingresan 700$ y 12 ingresan 600$ ; de las personas
de 35 aos, 18 ingresan 500$ y 7 ingresan 700$ ; y, finalmente,
de las personas de 30 aos 3 ingresan 700$, 11 ingresan 500 y 14
ingresan 600$.

Se pide:
a.- construir la tabla de correlacin
b.- hallar las frecuencias relativas y absolutas totales para
cada una de las modalidades de cada variable.
c. - comprobar que se cumplen todos los teoremas antes enunciados.

111.2.-

DISTRIBUCIONES MARGIMALES Y mi^ICIQliADAJ;

DISTRIBUriQMES MARGINALES

En realidad las distribuciones bivariantes pueden ser estudiadas

aisladamente para cada una de las variables. Puede que nos
interese, a partir de una distribucin bivariante estudiar por
separado cada variable. En ese caso estamos hablando de
distribuciones unidimensionales marginales. Segn la variable de
que se trate, estudiaremos la distribucin marginal de X o la
distribucin marginal de Y.
La distribucin marginal de X ser aquella que tenga como
modalidades las modalidades de X y como frecuencia absoluta, las
frecuencias absolutas totales de X. Es decir, tenemos que hallar
cuntas veces se repite cada valor de x^ con independencia de que
aparezca conjuntamente o no con algn valor de la variable Y.
La distribucin marginal de X ser
Xi
Xi

X2
XK

Hi.
^i

nz.

siendo,como sabemos, nj.. * N

"fe-

llamamos en este caso frecuencias marginales de Z a las

frecuencias absolutas totales de X.

Anlogamente, la distribucin marginal do T ser

y;

n.j

- -
yi
72

...
n.i
n.2

siendo, como sabemos E n < N

<

y?

y llamamos en este caso frecuencias marginales de T a las

frecuencias absolutas totales de Y.
Cuando estudiamos distribuciones marginales podemos obtener todas
las medidas ya estudiadas para distribuciones univariantes. Asi,
utilizando la notacin de las distribuciones bivariantes,
llamaremos:
* media de la marginal de Z:

* media de la marginal de T:
p

, p

y-^/.>yH^'>.::y
* varianza de la marginal de Zt
Je

variansa de la marginal de Tt

DISTRIBUCIOMES (;9^tCI0llADAS
Las distribuciones bivariantes pueden ser estudiadas de otra
manera. Por ejemplo, puede interesarnos conocer la distribucin
de X condicionada a una determinada modalidad j de la variable
y, lo cual denotamos como (X/yj). En este caso estamos estudiando
una distribucin unidimensional en la que las modalidades son las
de X y las frecuencias absolutas son las frecuencias absolutas
conjuntas de Xj. e yj.

Es decir, (X/yj) tiene la siguiente distribucin

Xi.

nij

fi

riij/n.j

Xi
x:

nij
"zj

fi

fz^

nij/n.j
nzj/n.j

XK

nitj

fn^ nvij/n.j

donde figura, adems, la frecuencia relativa de xj. condicionada

a yj.

cuntas posibles distribuciones condicionadas de Xi existen?.

Tantas como modalidades de Y, es decir, p.
Anlogamente podramos obtener k distribuciones de la variable
Y condicionadas a una modalidad de X (Y/xOr cuyas frecuencias
relativas serian
f/ - nij/ni.

Algunos de los teoremas que pueden obtener de lo que llevamos

visto de las distribuciones condicionadas son
f,j - i. f/ - -i ^'

ftj - f.j fi^

Hemos dicho que la distribucin condicionada es una distribucin

univariante. Por tanto podemos hallar todas las medidas conocidas
ya de temas anteriores. Usando la notacin de la distribucin
condicionada:
* media de x^ condicionada a yjt

^ 1
E ^/^i
* media de y condicionada a x^:
p

Vi't ^^'yj
* varianza de x^ condicionada a yj:
k

sUx)''f(xrXj)
I
1-1

* varianza de y condicionada a x^:

s(y)'f;^Uyryi^

En la siguiente tabla de correlacin se representan los ingresos

en miles de pesetas mensuales (X) de las familias, asi como el
nmero de miembros que aportan regularmente algn tipo de ingreso
(Y).

"-^T^^-X_^
50-70
70 - 100
100 - 150
150 - 250

1
20
10
5
1

5
15
4

8
2

Se pide
a.- hallar las distribuciones marginales de X e Y
b.- hallar (X/yi). Calcular medias y varianzas.
c - hallar (Y/x5o-7o)' Calcular medias y varianzas.
d.- comprobar que se cumplen los teoremas enunciados para las
distribuciones condicionadas.

ni.3.- lA INDEPENDENCIA ESTAnTSTtrA

III.3.1.- Definicin
Dada una distribucin bidimensional (X,Y), decimos que ambas
variables son independientes entre si si se verifica que
fij - ft. f.j

i,i

es decir, cuando la frecuencia relativa conjunta es igual al

producto de las frecuencias relativas marginales en todos los
casos. Esta es la que llemiaremos condicin de independencia.
En

caso

contrario

ambas

variables

son

estadsticamente

dependientes.
En una distribucin bivariante de variables estadsticamente
independientes se verifica,adems, que las frecuencias relativas
condicionadas son iguales a sus correspondientes frecuencias
relativas marginales. Es decir

fi/7- ^-

Sin embargo, para comprobar en la prctica la independencia

estadistica de dos variables resulta ms til y cmodo aplicar
la condicin de independencia a partir de una tabla de

correlacin que comprobar si las distribuciones condicionadas de

una variable coincide con la marginal.
La condicin de independencia es una relacin siatrica, de
manera que si "X es independiente de Y" se verifica que "Y es
independiente de X", por lo que la independencia entre variables
es un concepto reciproco.

HI.3,2.- Incorrelacin en variable etaditicas

La dependencia estadstica entre variables admite grados, ya que
puede darse un tipo de asociacin ms o menos fuerte entre ambas.
El estudio y cuantificacin del grado de dependencia entre
variables constituye una parte de gran inters en el anlisis
estadstico. En esta parte del programa definiremos algunas
medidas que cuantifican el grado de dependencia, y que adquirirn
ms adelante mayor interst la covarianza y el coeficiente de
correlacin lineal simple.

111.3.2.1,-- La covarianga
Las comparaciones sobre las influencias de las variables no
suelen plantearse en trminos absolutos, pues si se produce un
cambio de dimensionalidad en las unidades de las variables, ste
puede distorsionar el verdadero grado de asociacin existente
entre ellas. Por eso, a la hora de construir una medida adecuada
debemos considerar en primer lugar los valores normalisados
respecto a sus medias; esto es, en vez de considerar los valores
originales de las variables, considermoslos centrado respecto
a su media; as, las desviaciones positivas y negativas nos darn
una visin ms inmediata respecto al crecimiento o no de esas
variables.

11

Si consideramos ahora el producto de esas desviaciones

(x^-x)

(y,-y)

un signo positivo del mismo indica que ambos valores se sitan

por debajo o por encima de la media, mientras que un signo
negativo indica que se produce un cambio de sentido y que
mientras uno aumenta y se sita por encima de la media, el otro
disminuye y lo hace por debajo.
Este producto nos permite hacer comparaciones para cada par de
valores de la distribucin. Sin embargo, lo que pretendemos es
construir una medida que facilite un valor nico para el conjunto
de todos los datos. Por este motivo lo que podemos hacer es
promediar por sus correspondientes frecuencias los distintos
saldos que vamos obteniendo. La medida resultante la llamamos
covarianza y la denotamos S,^.

Mediante algunas operaciones, desarollando la frmula anterior,

podemos llegar a la expresin

t E ^iV^ri,,

T r x,n,,

f y,n,,

que expresa la covarianza como la media de los productos menos

el producto de las medias.
La covarianza es una medida de variacin conjunta de dos
variables que indica slo la relacin lineal y que puede adoptar
signos positivos (dependencia lineal directa) o negativos
(dependencia lineal inversa).
Fijmonos en la Figura 1. Representa el diagrama de dispersin
conjunta de dos variables (X,Y). Dibujemos ahora los valores

medios de cada variable y

representemos el punto (x,y).
Hagamos ahora un cambio de
origen pasando del punto o al
O'; este cambio vendr dado
por

Por tanto, los nuevos ejes serAn

ahora x' e y' como se muestra en la Figura 2, en la que hemos
puesto, adems, un nmero identificativo a cada cuadrante.
Y

Fijmonos que todos

los
puntos
del
cuadrante
I
son
positivos tanto en la
ordenada como en la
abscisa, por lo que la
sumatoria de (Xi-x) *
(Yj-y) ser positiva.

II

III

* *

>*

IV
X

Tambin ser positiva en el cuadrante III, ya que las

desviaciones de los valores de las variables respecto a sus
medias adoptan valores negativos y la sumatoria de los productos
de valores negativos, da como resultado un nmero positivo.
No ocurre sin embargo, lo mismo en los cuadrantes II y IV, en
los que mientras que las diferencias de una de las variables
respecto a su media adopta valores positivos, las de la otra
adopta valores negativos.
Fijmonos ahora que tal como hemos representado el diagrama de
dispersin, que refleja una relacin montona creciente, la suma
de los valores positivos obtenidos del producto de las
desviaciones respecto a las medias en los cuadrantes I y III es

11

mayor a las correspondientes valores negativos de los cuadrante

II y IV, por lo que la covarianza, tal como la hemos definido al
inicio de este apartado, adoptar un valor positivo.
Por tanto, si las variables tienen una relacin positiva,
entonces el valor de la covarianza es mayor que cero, siendo ms
fuerte la relacin cuanto mayor valor adopta la covarianza. El
estudiante deber deducir, siguiendo el anterior procedimiento,
el valor negativo de la covarianza si las variables tienen
relacin negativa (montona decreciente).
De igual forma deber deducir que si dos variables son
independientes, no habr ningn tipo de relacin entre ellas y
por tanto su covarianza debe reflejar la ausencia de relacin y
adoptar un valor cero.
Hay que hacer notar que el reciproco no siempre es cierto; es
decir, el hecho de que la covarianza sea nula no implica
necesariamente que las variables sean independientes.
La covarianza tiene dos importantes propiedades: que no varia
ante cambios de origen y que est acotada. Detengmonos un
momento en la acotacin de la covariansat la covarianza no podr
ser inferior al producto negativo de las desviaciones tipleas de
las variables, ni superior a su producto positivo, lo que
expresamos de la siguiente manera

Por tanto, si Sxy tiende a adoptar un valor igual a S^Sy, entonces

la relacin entre las variables ser positiva y fuerte; si tiende
a adoptar un valor igual a -S,S,, entonces la relacin ser
negativa y fuerte; si tiende a adoptar un valor cercano a cero,
la relacin ser dbil, positiva o negativa segn se trate; y si,
finalmente, tiende a adoptar un valor cero, la relacin tiende
a ser nula.
Estas propiedades de la covarianza presentan, sin embargo dos

li

importantes inconvenientes: vara ante cambios de escala y se

trata de una medida absoluta y, por tanto, no permite comparar
el grado de dependencia lineal de distribuciones que vienen dadas
en unidades diferentes. Adems, la acotacin no cuenta con
limites fijos; sabemos que la covarianza se encuentra situada en
algn lugar entre el valor del producto positivo de las
desviaciones tipleas y el de su producto negativo, pero estos
lmites son distintos para cada distribucin, impidiendo la
comparacin entre distribuciones.
Sera pues interesante disponer de otra medida que subsane esos
inconvenientes, cual es el coeficiente de correlacin lineal
simple.

111.3.2.2.- El coaficiante da corralaciftn lineal siaole

Pretendemos
encontrar
un
estadstico
que
subsane los
inconvenientes encontrados para la covarianza y, por tanto, que:
1.- Nos

informe de

la existencia o no de relacin entre

variables.
2.- Nos informe del tipo de relacin que existe entre ambas.
3.- Que sea invariante ante cambios de la variable.
4.- Que tenga los mismos extremos fijos para todas las
distribuciones, de manera que sea posible la comparacin.
5.- Que sea independiente de las unidades de medida.
El estadstico que cumple estas caractersticas es el coeficiente
de correlacin lineal simple, que definimos como

En realidad, el coeficiente de correlacin lineal simple no es

ms que la covarianza tipificada, y adopta valores extremos

iguales para todas las distribuciones, al estar acotado entre -1

y 1. Veamos cmo.
Sabemos que

si dividimos ahora la anterior expresin por SxSy

S^y

S^y

S^y

de donde
-lirsl
Por tanto
* si la relacin lineal es positiva perfecta, entonces
Sxy"SxSy y

r"l

* si la relacin lineal es negativa perfecta, entonces

SxySxSy y r 1
* si la relacin lineal es nula, entonces Sxy0 y r0
* cuanto ms cerca de cero se site r, ms dbil ser
la relacin lineal, directa o inversa segn el caso.
* cuanto ms cerca de 1 -1 se site r, ms intensa
ser la relacin, directa o inversa, segn el caso.
Tngase en cuenta que el coeficiente de correlacin slo nos
indica la relacin lineal existente entre las variables, por lo
que si adopta un valor cero podremos concluir que no existe
relacin lineal pero puede existir otra distinta de la lineal.

EJERCICIO

En la tabla adjunta disponemos de los datos de la Renta Bruta

Disponible por persona en miles de ptas. para los aos 1986 y
1991, desglosado por Comunidades Autnomas y obtenidos de la
Contabilidad Regional de Espaa
Andaluca
Aragn
Asturias
Baleares
Canarias
Cantabria
Cast.-Len
Cast.-Mancha
Catalua
C.Valenciana
Extremadura
Galicia
Madrid
Murcia
Navarra
P. Vasco
Rioja
Ceuta-Melilla

1986
476,51
696,42
639,73
757,57
607,43
662,20
592,46
507,65
661,85
602,32
416,45
515,21
675,85
555.90
706,20
740,86
601,33
293,00

1991
763,83
1.132,08
1.021,82
1.256,43
896,93
1.036,60
928,88
820,12
1.152,37
986,71
726,73
842,79
1.130,94
897,50
1.302,40
1.205,19
959,00
423,00

Se pide:
a.- Hallar el coeficiente de correlacin lineal entre las rentas
de los dos aos citados.
b.- Cree Vd., a la vista del resultado obtenido, que hay algn
otro tipo de relacin distinta de la lineal entre las variables
consideradas?
c - Dado que de 1986 a
inflacin y suponiendo
trminos relativos, en
afecta esa inflacin al

1991 ha habido en Espaa un proceso de

que este proceso haya sido igual, en
todas las Comunidades Autnomas, cmo
coeficiente de correlacin?.

d.- Suponiendo el caso de que la poltica econmica regional

aplicada desde 1986 hubiera conducido al resultado utpico de que
la renta por persona en 1991 fuera exactamente igual en todas las
Comunidades Autnomas, cunto valdra el coeficiente de
correlacin?.

12

SOLUCIN:
a.- Se calculan los siguientes valores
5;x. = 10.708,95;j;y.=17.483,3l;x^6.611.98I;y^l7.774,052;
5;x..y.=10.826.205;5 = ' L1L-(LJ.)
\

5.= ' ^^^-{^-)

\

=115,66;
N

=209,84;S ._^-i_!i.il = 23.591,6

'^

Z_ 0.9720
S 5

Por ser positivo, el valor de r obtenido indica que la

correlacin entre las dos variables es directa o positiva, es
decir, a mayor valor de la Renta Disponible en 1986 corresponde
mayor valor en 1991. Por ser, adems, prximo a 1, indica que la
correlacin es prcticamente perfecta, es decir, ambas variables
estn
sincronizadas
casi al mximo. Esto permite la
interpretacin econmica de que la ordenacin de Comunidades
Autnomas por su renta es prcticamente idntica en 1986 y en
1991; esto es, en este periodo de tiempo no hubo cambios
significativos en la estructura geogrfica o espacial de la Renta
Disponible por persona.
b.- El coeficiente r implica una relacin lineal entre las
variables. Cuando r vale cero o prximo a cero indica que no
existe covariacin lineal, pero puede existir de otro tipo. En
cambio cuando r vale uno o prximo a uno indica que la
covariacin es precisamente lineal y tanto ms perfecta cuanto
ms se aproxime a uno. En nuestro caso r0,9720, por lo que la
relacin es ciertamente lineal y casi perfecta y hemos de
concluir que no hay otro tipo de relacin distinta de la lineal.
c - En realidad sabemos que el proceso inflacionista no ha sido
Igual en todas las Comunidades en el perodo considerado, pero
en nuestro caso suponemos que la tasa de inflacin ha sido
idntica. En ese caso, calcular el coeficiente de correlacin
entre ambas variables expresadas en pesetas corrientes o en
pesetas constantes de un ao dado conduce al mismo resultado. La
operacin de deflacionar equivale a multiplicar una o las dos
variables, segn a que ao correspondan las pesetas constantes,
por una constante. Es decir, hay que proceder a un cambio de
escala, y el coeficiente de correlacin es invariante a los
p S f tato^ l"%upuesto de que la tasa de inflacin haya sido
iSSntca 'en todas"^ las Comunidades
el -*\/,^ " " " " ^
coeficiente de inflacin no viene afectado por la inflacin.

d.- En el caso de que la poltica econmica hubiera dado como

resultado que la Renta Disponible por persona fuera igual en
todas las Comunidades en 1991, el coeficiente de correlacin
hubiera tomado un valor indeterminado (r0/0). El estudiante debe
llegar sencillamente a esta conclusin sin ms que aplicar la
frmula del coeficiente a la nueva situacin.
Tngase en cuenta que ste es un caso muy particular del
coeficiente de correlacin, cuyo valor sabemos que est
comprendido entre -1 y i. Tericamente debemos admitir la
posibilidad de indeterminacin del coeficiente aunque en la
prctica es muy improbable que se de.

III.3.3. Independencia en atributo. Coeficiente de TSCHPROW.

Hasta ahora hemos estudiado la relacin lineal entre dos
caracteres cuantitativos o variables; es decir, hemos estudiado
la Estadstica de variables, que incluye diferentes tcnicas para
analizar la informacin disponible acerca de un determinado
fenmeno colectivo cuyos sucesos vienen expresados en trminos
cuantitativos o numricos (rentas, salarios, precios, etc...).
Vamos a dedicar la ltima parte de este tema a estudiar
brevemente la relacin existente entre atributos, es decir,
cualidades o caractersticas no medibles del fenmeno estudiado
(color, nacionalidad,...) o a un orden que pueda establecerse
entre ellos (1^^ 29,....), lo que da lugar a la denominada
Estadstica de atributos.
Debemos recordar que los atributos pueden venirnos presentados
bien en escala ordinal, o bien en escala cardinal. Debemos
recordar tambin que en el caso de los atributos no tiene sentido
el empleo de promedios, tales como la media aritmtica o
geomtrica, y que cuando las obseirvaciones nos vienen dadas en
escala nominal slo la moda poda utilizarse como medida resumen,
y si nos vienen dadas en escala ordinal podra determinarse,
adems del valor modal, tambin la mediana.
En la introduccin de este tema hemos hecho referencia a la tabla
de contingencias. Pues bien, al igual que en el caso de
variables, a partir de una tabla de contingencia podemos

11

determinar si dos atributos son o no independientes. Una vez

comprobado que dos atributos son dependientes, podemos
cuantificar el grado de asociacin o dependencia existente entre
ellos a travs de diversas medidas de asociacin. Una de ellas
es el coeficiente de TSCHUPROH.

Condicin de indenendenciff.
Se dice que dos atributos son independientes cuando entre ellos
no existe ningn tipo de influencia mutua.
Supongamos dos atributos, A y B, con h y k categoras o
modalidades respectivamente. Se dice que esos dos atributos son
estadsticamente independientes si se cumple la condicin de
independencia, expresada en trminos de

Coeficiente de TSCHUPROW
Antes de abordar el coeficiente de Tschuprow, y para
comprenderlo, debemos hacer una breve referencia a otros
coeficientes de contingencia sobre los que aquel se fundamenta.
Pearson elabor un coeficiente que compara la distribucin
observada con la que se habra obtenido en el supuesto de que las
variables fuesen independientes. En ese supuesto, la frecuencia
terica que correspondera en el caso de que ambos atributos
fuesen independientes la denotamos n\
n'tj - ni.*.j / N

y e l coeficiente elaborado por Pearson adopta la expresin:

ZS

X^'J^J^IILM-^IJ}!
^

1 j - i

Este coeficiente mide, en trminos relativos, cunto dista la

distribucin conjunta de los atributos de la situacin de
independencia; por tanto, cuanto mayor sea el valor del
coeficiente, mayor ser la asociacin entre los atributos.
Es frecuente utilizar tambin la siguiente expresin derivada del
coeficiente de Pearson, que nos acerca a la formulacin de
Tschuprow
^

Ambos coeficientes no podrn ser nunca negativos/ ya que las

frecuencias sern positivas o cero. Si los atributos fuesen
independientes, los coeficientes serian cero, puesto que las
frecuencias tericas coincidiran con las observadas.
A partir de aqu, T8chuproi# propuso un nuevo coeficiente, que se
expresa como
M

y/(h')(k-l)
que vara entre O y Ir de manera que cuando existe una carencia
absoluta de asociacin entre los atributos (cuando estos son
independientes), entonces todos los n^j sern iguales a sus
respectivos n ij y T^ valdr cero. Y cuando los atributos muestren
una total asociacin entre s, el coeficiente de Tschuprow valdr
1.

21

EJERCICins

TtTMa -.

1) En una empresa de lOO empleados encontramos la siguiente

distribucin de salarios iXi) mensuales, en 10" pesetas, y aos
de antigedad:
x,/x;

Y,
2

Y.
4"

Y:
6

Y:
3

X, / 150

X, / 250

20

15

X: / 3 50

18

X. / 450

CALCULAR:
1.- Las frecuencias relativas.
2.- Las distribuciones marginales con sus corresponcientes
medidas de posicin (media, mediana y moda) y de dispersin.
3.- (X,/Y;) y (Y,/XO
4.- Si existe independencia entre X e Y.
5.- Covarianza entre X e Y y comentar el resultado.
SOLUCIN

1.Y,
2

Yj

'

X. / 150

0.07

0.05

0.05

0.03

X, / 250

0.01

0.20

0.15

0.04

X, / 350

0.01

0.09

0.02

X, / 450

0.01

0.18
0.07

0.01

0.01

X,/Y,

'^'

2.- Distribuciones Marginales

A) Distribucin Marginal de X,
n,

f,

X,*f.

(X,-Xmd)-*f.

/ 15 0

20

0.2

30

3380

0.2

250

40

0.4

100

360

0.6

X: / 3 5 0

30

0.3

105

1470

0.9

X. / 450

10

0.1

45

2890

100

280

8100

X.
X

X.

1 SUMAS

F.

Medidas de posicin:
- Media de X = 280, el salario medio es de 280000 pts. mensuales.
- Mediana de X = 250, el 50% de los empleados tiene un salario
de 250000 pts. mensuales.
- Moda de X 250, el salario ms frecuente en esta empresa es
de 250000 pts. mensuales.
M'B^i^^-'^ ^g dispersin:
- Varianza de X 8100.
- Desviacin tpica de X:
Ox / " ySTM 90
la desviacin tpica de los salarios es de 90000 pts.
- Coeficiente de Variacin:
CV^ = -^

.Y

90 0.45

280

cada X, se desvia de la media, por trmino medio, un 45%.

Distribucin Marginal de Y,

Yr

Hr

fr

Y f

Y, / 2

10

0.1

0.2

0.784

0.1

Y, / 4

50

0.5

0.32

0.6

Y. ,, 6

30

0.3

1.3

0.432

0.5

Y, / 8

10

0.1

0.8

1.024

SUMAS

100

4.8

2.56

(Y,-Ymd)-*f , F,

Medidas fj ppsicin:
Media de Y = 4.8, la antigedad media es de 4.8 aos.
Mediana de Y = 4, el 50% de los empleados tiene una antigedad
te 4 aos.
Moda de Y a 4, la antigedad ms frecuente en esta en^resa es
ie 4 aos.
^'"liif I'' riic;persin:
Varianza de Y = 2.56
Desviacin tpica de Y:

a y - /o^ 72.56 1.6

a desviacin tpica de la antigedad es de 1.6 aos.
Coeficiente de Variacin:

CV^
=Y-^4.8
- 4 4 - 0.33
y
:ada Y, se desvia de la media, por trmino medio, un 33%
3.- Distribuciones condicionadas
' !X,/Y.,) Distribucin de los salarios de los empleados que
isnen 6 aos de antigedad:

(X./Y:)

n.-

150

p?

0.167

250

15

0.5

350

0.3

450

0.033

SUMAS

30

3) (Y,/7.0 = Distribucin de la antigedad de los empleados que

cobran 250000 pesetas:

(Y./X,)

n/

t-

0.025

20

0.5

15

0.375

0.1

SUMAS

40

}.

4.- Principio de independencia;

f,, f, * f,, como f 0.07, f,

0.2 y f

0.1; las

variables X e Y no son independientes.

Clculo de la Covarianza;
JL P

' ' x y - E E (XrX)(YrY)f:r

'0.0

1 r - l

En este caso podemos observar cmo se cumple el teorema que

dice que si dos variables estadsticas

son indipendiente su

covarianza es cero, pero el recproco no es cierto, es decir que

si la covarianza

es cero, las variables no tienen que ser,

forzosamente independientes.

2) Dada la siguiente distribucin bidimensional donde X, es

el n- de empleados de una empresa e \\ es el coste de produccin.
Estudiar si existe relacin entre estas dos variables y cmo es.
X, / Y.
~

10

20-

30

3
4

10

40
2

1
I

SOLUCIN
En primer lugar tendramos que determinar si las variables
son independientes .f.i = fi f|: fii = 0.1, f, = 0.267 y f, = 0.367;
0.267 0.367 =. 0.098, luego las variables X e Y no son
independientes.
Para estudiar cmo es esta relacin calculamos el
coeficiente de correlacin lineal: r
r =

Oj^^Oy

3.89
= 0.18
1.9*11.3

Entre X e Y existe una relacin positiva y dbil.

3) Al estudiar los ingresos de 70 familias (Y,) y los
miembros familiares que aportan ingresos Xj, se obtiene la
siguiente distribucin bidimensional:
X. / Y,

5 - 7

7 - 10

10 - 15

15 -" 20

20

10

5
15

1
4

2
3

CALCULAR
1.- Las frecuencias absolutas y relativas de cada variable.
2.- Las distribuciones marginales. Qu variable presenta
mayor dispersin?

3.- Media y varianza de Z x,, Y,) .

4.- {X,/Y;) y (Y,/X;) y la moda de ambas distribuciones.
5.- Si X e Y son independientes y si no lo son, cuantificar
su relacin de forma adecuada.
SOLUCIN
1. e

X./Y,

5-7

7-10

10-15

15-20

n.

20

10

36

0.5

15

24

0.3

8
28
0.4

2
7

10
70

0.2
1

0.1

2
3
n.

20

15

f,

0.3

0.2

2.- Distribuciones Marginales:

A) Distribucin Marginal de Xj

X = 1.61;

X.

^i

36

f.
0.5

24

0.3

10

0.2

0.51;

a^ 0.71;

CVj, 0.44

B) Distribucin Marginal de Y,, calculamos las marcas de clase

para hallar los estadsticos de posicin y dispersin.

Y - 10.3;

Y.

^,

6
8.5
12.5

?9
1?
39

17.5

f.
0.3
0.2
0.4
0.1

oI 13.2;

o,. 3.6;

comparando

Como

se

puede

apreciar

Variacin

de

ambas

distribuciones,

la

CV.^ 0.35

el
que

Coeficiente
presenta

de

menor

dispersin es Y. si hubiramos tomado,

desviacin tpica hubiera resultado la X ) .

errneamente,

la

3.- Como se trata de una distribucin bidimensional:

(X, r) = (1.61,10.3) ;

0.51
O-

a^^

=i

V a,^ 13. 2 i

A) (X,/YJ :

La moda en esta distribucin es: X . 2, lo ms frecuente es

que haya dos personas que aportan ingresos en las familias que
tienen entre lOOOOO y 150000 pts. mensuales.

B) (Yyx,)
Y./X,

n.^

[5-7)

f.^
0

[7-10)

5/24

[10-15)

15
4

4/24

1 [15-201

Como en este caso se trata de una distribucin continua,

para calcular la moda tendremos que conocer la densidad de
*>-scuencia

de cada intervalo

yx.

a-

IL

JL/a^

5/24

0.07

15-7)

7-10)
.llQ-1^}
^15-201

15

5/24

0a?4

4/24

0.034

El intervalo modal es.- tiO-15) y la moda ser:

Donde: e - ic
= < f,/a,

- y ^ . - -124 - 0.07 . 0.054

-"-' - 0.034 . 0.03

A) Independencia
'" - 1^1 * f,:

, 20/70

^-3=_no existe i-^epen^encia,'x'e "v e / ; ; / V ' ^ ^ - -^ra medir adecuadamente esta r.i
'''^^"nadas.
-1 eficiente de correlaciSn lineal , "
" " " " ' "^^ " " i " r
^ ^

o : ^

"" -a .aa.e ,,^^^^ ^^.^^^^ ^^^^^

Modo de calcular la covarianza. n

" " "^^^^^ ^ " d e l punto

!,

-0.61

1
1

12.S
17.5

-0.61
-0.61

^2.5

3-

J-f
^2.5

;
12.5
-..-17^5

-0.39
1^

-KU.

-1-!
2.2

i-

\1-?

-^^
7-1
1:39
J-2
1.39
Z'2
' .22......__ 7:2

1.39

f-2

iX,.yn.^, fy ^.^^^ ^^^

?-'^
^16

:?;SI
-O.i
0.1
0.16
?-35
2i29
ai

1.69'

TEMA 4

TM IV. REGRESIN Y CORRELACIN LINEAL SIMPLE

I. INTRODUCCIN

II. REGRESIN
11.1 Relaciones de Regresin
11.2 Diversos criterios para realizar un ajuste.
11.3 Regresin lineal simple por MCO.
II.3.a Obtencin de la estimacin de a y b.
II. 3. b Propiedades de las estimaciones por MCO
11.4 Elasticidad

III. CORRELACIN
111.1 Regresin versus correlacin
111.2 Medidas para el estudio de la correlacin
111.2.1
111.2.2
III.2.3a

Covarianza
Varianza residual
Coeficiente de Determinacin
General
III. 2.3b Coeficiente de Correlacin y
Determinacin Lineal

TM IV. REGRESIN Y CORRELACIN LINEAL SIMPLE.

I.

INTRODUCCIN.

En el captulo anterior hemos introducido variables que

hacen referencia a ms de un carcter, es decir, hemos estudiado
las variables bidimensionales (haciendo referencia a dos
caracteres), o en general n-dimensionales. Aparece entonces el
concepto de relacin o dependencia entre dos o ms variables.
Podemos hablar de dependencia estadstica o dependencia
funcional.
a. Dependencia funcional: Si tomamos dos variables X e Y que
representan a dos caracteres cuantitativos de una poblacin,
decimos que la variable Y depende funcionalmente de X cuando
existe una funcin f tal que Y = f(X) para todo X. Por tanto,
para cada valor de X obtenemos un valor de Y.
b. Dependencia estadstica: Hace referencia a los casos en
los cuales existe una relacin entre dos variables, pero no
existe una funcin f a travs de la cul podemos expresar dicha
relacin. E j : Las variables Y=ingresos de las empresas, X=tamao
de la plantilla, m^antienen una dependencia estadstica positiva
( a mayor plantilla, mayor suele ser el volumen de ingresos de
la empresa), pero por supuesto, no existe una funcin que obtenga
para cada valor de X el valor exacto de Y.
Hasta ahora hemos examinado el concepto de dependencia
estadstica entre dos variables, establecindose el criterio para
determinar si existe o no tal dependencia. Sin embargo, al
investigador que est analizando la relacin entre diferentes
variables no le es suficiente con llegar a la conclusin de que
existe tal dependencia entre las mismas.
El anlisis de la dependencia estadstica se puede enfocar
desde dos puntos de vista:
a. El estudio del grado de dependencia existente entre las
variables, que ser el contenido de la Teora de la Correlacin.
b. La determinacin de aquella estructura de dependencia que
mejor exprese el tipo de relacin de la variable dependiente (Y)
con las dems, siendo ste el fin de la Regresin.
Es importante sealar-que la aplicacin de estas tcnicas
estadsticas exige un anlisis terico previo de la relacin
entre las variables objeto de estudio. Si no se procede as, esta
aplicacin nos puede conducir a resultados completamente
absurdos.

II.

REGRESIN.

La teora de la Regresin tiene

por objeto poner de
manifiesto, dada una determinada informacin, la estructura de
dependencia que mejor explique el comportamiento de una variable
Y (variable dependiente,endgena o explicada) a travs de todo
un conjunto de variables X (variables independientes, exgenas
o explicativas). Es decir, una vez supuesta una determinada forma
de relacin entre Y y X, la teora de la Regresin busca la forma
de la misma que mejor se ajuste al conjunto de datos disponibles.
Ejemplo: Supongamos que tenemos datos de cien empresas
pertenecientes a la industria del automvil. Disponemos de datos
de cada empresa de las siguientes variables: Beneficios, ns de
trabajadores por empresa, cuota de mercado (ventas de la
empresa/total de ventas de la industria), gastos en I&D.
Estamos interesados en conocer qu variables influyen en los
beneficios de las empresas. Esta ser por tanto la variable
dependiente.
Desde el punto de vista terico tiene sentido pensar que el
nmero de trabajadores de una empresa, la cuota de mercado y los
gastos en I&D influyen positivamente en los beneficios. Estas
sern por tanto las variables explicativas de nuestro modelo:
De este modo, expresaremos nuestra variable dependiente como
una funcin de las variables explicativas anteriormente
mencionadas.
Beneficios' = f( cuota de mercado; I&D; n^ de trabajadores)
Si ahora suponemos que la relacin entre las variables
explicativas y la dependiente es lineal, podremos expresar la
relacin anterior de la siguiente forma:
BfcioSj = a + b*cuota de mercado + c*I&Di + d*na de trabajadores,La Teora de la Regresin busca los valores de a, b, c y d
que hacen que la relacin anterior se ajuste lo mejor posible a
los datos disponibles.
En este curso abordaremos el caso ms simple: estudiaremos
la Teora de la Regresin en el caso de una variable dependiente
(Y) y una sola variable explicativa (X). Y = f(X).

II.1 Relaciones de regresin:

Las relaciones de regresin pueden ser de mltiples formas.
Las ms utilizadas son:
a. Relacin lineal: Y = a + b*X (ste es el caso en el que
nos vamos a centrar).
b. Relacin logartmica: y = a + b*ln(X)
c. Relacin exponencial: y = a * e''*"
d. Relacin potencial: y = a*X''
e. Relacin polinmica: y = a + b*X + c* X^ + d*X^

;/

Ilustr. 1 R,exponencial
Ilustr. 2 R.logartmica

Ilustr. 3 R. potencial

Ilustr. 4 R. polinmica

Una forma de determinar cul puede ser la relacin de

regresin entre un par de variables (X,Y) es a travs del
diagrama de dispersin(o grfico de puntos). Para ello se compara
la forma que tiene la nube de puntos con las formas de las
distintas relaciones de regresin.

* Regresin Lineal Simple:

Dada una variable explicativa X, y una variable dependiente
Y, suponiendo que existe entre ellas una relacin lineal, la
relacin vendr dada por: Y = a + b*X.
Ejemplo: Supongamos que
ahora queremos
estudiar la
relacin entre los beneficios
de
las
empresas
de
una
industria y la cuota de mercado
de cada empresa. Tenemos diez
empresas y los datos son los
siguientes:
Beneficios Cuota de mercado
100
150
170
300
160
200
260
500
340
460

50
70
80
180
70
110
140
200
180
200

Representando grficamente estos datos en un grfico de

puntos, observamos que suponer una relacin lineal entre ambas
variables es coherente.
La regresin busca aquellos valores de a y b que hagan que
la recta Y = a + b*X se ajuste lo ms posible a la nube de
puntos. Con los datos anteriores, la regresin lineal simple nos
da los siguientes valores de a y b { en el siguiente apartado
estudiaremos cmo se obtienen los valores de los estimadores):
a = -13,4694
b = 2,16773
Por tanto, representando en
el mismo grfico de
dispersin la recta
estimada por regresin
lineal
Y
=
-13,4694
+
2,16773*X,
vemos que es sta la que
mejor se ajusta entre todas
las posibles relaciones
lineales para estos datos.

No siempre una relacin lineal es la ms adecuada. En el

siguiente caso veremos que los datos se aproximaran mejor a una
relacin potencial:

Fijmonos en que la
relacin lineal no es la ms
apropiada para estos datos.
En este caso, una
funcin de la forma:
y = a*X'' se ajusta mejor a
la nube de puntos que una
funcin lineal.

II.2 Diversos criterios para realizar un ajuste.

Una vez especificado un modelo, existen diversos criterios
para estimar los parmetros que mejor se ajusten a la nube de
puntos: - Mtodo de los Mnimos Cuadrados ordinarios.
- Mxima Verosimilitud.
Nosotros vamos a estudiar el caso ms sencillo:
Estimaremos la regresin lineal simple por el mtodo de
mnimos cuadrados ordinarios.Es decir, la funcin a estimar es
lineal y en ella interviene una sola variable exgena.
Cuando en la relacin interviene ms de una variable
explicativa o exgena, entonces la regresin se denomina
mltiple.

II.3 Regresin lineal simple por MCO.

500

Supongamos que queremos estimar

la siguiente relacin
lineal simple. Y-, = a + b*X, por el mtodo de mnimos cuadrados
ordinarios, (siendo Yj el beneficio y Xj es la cuota de mercado de
cada empresa i ) .
Para cada valor de la cuota de mercado Xj se pueden
considerar dos valores del beneficio:
- el beneficio realmente observado para cada empresa: Y;
- el beneficio estimado, que viene dado por la recta de
regresin: Yj.
La diferencia entre el valor observado y el ajustado es el
error o residuo: e:.
Una vez que la ecuacin se ha estimado:

a + bXi

r = y^+e^=a+b*Ar+e_

e =
^1

-
'I

'I

Lo que buscamos en el ajuste por mnimos cuadrados

ordinarios de una regresin lineal simple es aquella recta
estimada que arroje unos errores entre la variable observada Y;
y la estimada Y; ms pequeos.
Este criterio tratar de minimizar los errores de ajuste.

Los errores estn elevados al cuadrado para que no se

compensen los residuos positivos con los negativos.
II.3.a Obtencin de la estimacin de a y b.
Vamos a minimizar la anterior expresin:

* Condiciones de mnimo:
(i) dS/da

dS/da

= O;

= -2 jy.^^

(ii)

( Y-a-b*X)

E!",, ( Yr^-b*x,)

dS/db

=O

= O

= o

^. - E". ^ - ^*E:., ^.- = o

a = 1/W( X^^, 5^, - * C ^.) (^)

(ii)

dS/db = -2 5^^, ( y,.-a-jb*X,.) *X, = O

Al sistema formado por las ecuaciones (I) y (II) se le

denomina sistema de ecuaciones normales de regresin.

Sustituyendo el valor de a obtenemos:

"
E
=

Y.*x.-1 *y" Y.*y" X.

-

i:.,^?-B1 <E:., x.y

r2

Ejercicio:

Comprueba

igualmente a la expresin

que

el

estimador

de

equivale

~^

De esta forma obtenemos los estimadores de los parmetros

a y b.
Si trabajramos con notacin agrupada, las expresiones
anteriores tomaran la forma:
^ = i/w( 5]*^, /3,*y, - j*J^^, /7,*x, ) (j)

* n,*y,*x.-- *y*., ni*Y*y*.,

r
b =
^L

E.,"'"^-^ ^i:.,''."<.y

n*x
(II)

donde n^ es la frecuencia absoluta del par (Xj, YJ y k es el

nmero de pares distintos (clases) que tiene la distribucin
bidimensional (X, Y). .

II.3.b Propiedades de las estimaciones por mnimos

cuadrados:
A partir del sistema de ecuaciones obtenido al minimizar
52i,i i

y de la ecuacin

^i = ^i "^ i

pueden deducirse

las siguientes propiedades de las estimaciones obtenidas por

mnimos cuadrados:
a. La suma de los residuos es cero:

b. La recta ajustada pasa por el punto

{X;Y)
, que se
denomina centro de gravedad.
c. L suma de los productos de los valores correspondientes
del residuo y de la variable exgena es O, es decir:

d. La suma de los productos de los valores correspondientes

Y^ es cero, es decir:

del residuo y de

r" e.y, = o
Ejercicio: Demostrar las anteriores propiedades.
EJEMPLO.
Consideremos el caso inicial. Una vez especificado el modelo
de regresin lineal simple Y= a + b*X, donde Yj = beneficios de
la empresa i, y X; = cuota de mercado de la empresa i,
calcularemos los valores de los estimadores a y b :
Yi
100
150
170
300
160
200
260
500
340
460

Xi
50
70
80
180
70
110
140
200
180
200

Xi*Y
5000
10500
13600
54000
11200
22000
36400
lOOOO
61200
92000

2640 1280 405900

Xi"2
2500
4900
6400
32400
4900
12100
19600
40000
32400
40000
195200

Aplicando las frmulas- obtenidas para el clculo de los

9

estimadores:

b =

E"

Y.*X-1 *T" Y*y"

E.,^.-;^ (E:., ^i)

a = i/w( Y:^^ 7, - b*Y:^^ X,)

(j)

b= [405900-1/10(2640*1280]/[1952-1/10*12802] = 2,16773
a= l/10*(2640-2,16773*1280) = -13,4694
El programa LOTUS 1,2,3 tiene una funcin que permite
realizar la estimacin de un modelo de regresin lineal (simple
y mltiple) directamente. Comprobaremos que el resultado es el
mismo que el obtenido operando manualmente.
Regresin realizada por el programa LOTUS:
Salida de Regresin:
Constante
-13.4694 = a
Err Std de Y Est
46.74096
R al Cuadrado
0.893971
N2 de Observaciones 10
Grados de Libertad
8
Coeficiente(s) X
Err Std de Coef.

2.16773
0.263943

= b

II.4 ELASTICIDAD.
Sean dos variables estadsticas X e Y. Definiremos la
elasticidad de la variable Y respecto a la variable X, y la
denotaremos por E/ .

"

dX

La elasticidad de Y con respecto a X mide la variacin

porcentual que sufre la variable Y cuando la variable X se
incrementa en un 1%.
Clculo de las elasticidades en funcin de la relacin que
guardan entre s las variables X e Y.
a. Para el caso lineal: Y = a + b*X
dy/djc = b
^^ ^ ^* a*b*x
como se puede observar, es una elasticidad
variable en funcin de X. El clculo de las
elasticidades
en
el
caso
de
otras
relaciones funcionales es anlogo.
10

III. CORRELACIN.
111.1 REGRESIN VERSS CORRELACIN.
Hasta ahora,con la teora de la regresin se parta de unos
datos que eran utilizados para definir una relacin funcional
entre las variables. Por tanto, se supona que haba una relacin
entre las variables en estudio, y la regresin buscaba la
relacin que mejor explicara el comportamiento de una variable
en funcin de otras.
Por tanto, la regresin, una vez decidido el tipo de
relacin que mantienen las variables, nos da la mejor forma
funcional, lo cual no implica que sea buena. Si decidimos que la
relacin es la lineal, nos dar la recta que mejor se ajusta a
la nube de puntos, pero esta recta, que es la mejor posible,
puede no ser suficientemente buena.
El estudio de la correlacin comprende:
1. Saber si existe alguna relacin entre la variable
explicada y la explicativa.
2. Si existe, saber en qu grado estn relacionadas.
111.2 MEDIDAS PARA EL ESTUDIO DE LA CORRELACIN:
1. La covarianza
2. La varianza residual
3. 3a. Coeficiente de determinacin general o
Bondad del Ajuste
3b. Coeficientes de correlacin y
determinacin lineal simple.
III.2.1 COVARIANZA.
La covarianza se define, en notacin no agrupada y con un
solo subndice de la siguiente forma:

= 1 5 ^ X.*Y,-^*y!'.

X,*T''. Y,

La covarianza nos da la dispersin de las dos variables con

respecto a sus medias.
El signo de la covarianza indica el sentido de la variacin
conjunta de ambas variables consideradas. Por tanto, si la
covarianza es positiva, las dos variables (en promedio) varan
en el mismo sentido, y si es negativa, en sentido opuesto.
Supongamos que partimos del diagrama de dispersin
representado en el grfico adjunto.
Se ha realizado una traslacin de los ejes originales (X, Y)
con origen en o al origen o'situados sobre los valores medios de
11

las variables originales, obteniendo los nuevos ejes (X',Y').

La traslacin viene dada por:

^=X^-X

pudiendo expresar la covarianza como

5^= T^" c.^-O--

denotamos por I, II, III y IV los nuevos cuadrantes referidos al

origen o'.
Todos los puntos del cuadrante I son positivos, tanto en la
ordenada como en la abscisa, por lo tanto su producto ser
positivo. Tambin sern positivos los productos de las
componentes del cuadrante III al ser, tanto las ordenadas como
las abscisas, negativas. Por el contrario, los productos
correspondientes a los cuadrantes II y IV tienen el signo
negativo.
La nube de puntos expuesta en la siguiente grfica
corresponde a una tendencia montona creciente. Es decir, al irse
incrementando X, Y tiende a crecer. En este caso, se dice que X
e Y mantienen una relacin positiva.

M -

II

n '

'3 -.
0

-i

9
'

^
S

liiir
,
=

0^

s
3

a
!

1
1

0
3
Z

Teorema: Si X e Y tienen una relacin positiva> entonces S,y

es mayor que cero. Cuanto mayor sea la relacin positiva, la
covarianza tender a tomar valores mayores.
Tengamos en cuenta que la covarianza puede expresarse como:

correspondiendo el primer sumando a puntos de los cuadrantes I

y III, y el segundo sumando a puntos de los cuadrante II y IV.
Si la relacin es positiva habr ms puntos en los
cuadrantes I y III que en el II y IV.
Teorema: Si X e Y tienen una relacin negativa, entonces su
covarianza ser menor qwue cero. Cuanto mayor sea la relacin
12

negativa, ms se alejar su covarianza de cero por la izquierda.

En el siguiente grfico se muestra el diagrama de dispersin
de dos variables entre las que no hay relacin lineal. En este
caso la covarianza tendr valor cero.
Teorema: Si la relacin
existente entre x e y tiende a
ser nula, su covarianza tiende
a tomar el valor cero.

,..

-.

m
a

' .

. *'

Teorema: La covarianza est acotada: - S,*Sy<S,<S,*Sy

Por lo tanto:
si S^ -> S;,*Sy => la relacin entre x e y es positiva ;
fuerte. La relacin es ptima,
si S^-> -S,*Sy => la relacin entre x e y es negativa
y fuerte. La relacin es ptima,
si S^->0=> la relacin entre X e Y tiende a ser nula.
Una primera medida para determinar si existe correlacin o
no, y en qu grado, puede ser la covarianza. Sin embargo, la
covarianza tiene dos problemas importantes para esta finalidad:
a. No tiene unos lmites iguales para todas las
distribuciones. Est acotada pero sus limites dependen de las
desviacioenes tpicas de las variables y por tanto varan con las
mismas.
b. La covarianza es variable ante cambios de variable.
Buscaremos un estadstico ms apropiado que rena las
siguientes caractersticas:
a. Dar informacin sobre la existencia o no de la una
relacin entre las variables.
b. Expresar si la relacin es positiva o negativa.
c. Deber ser invariante ante cambios de variable.
d. Deber tomar valores entre unos extremos fijos.

13

III.2.2 LA VARIANZA RESIDUAL.

La varianza residual es la varianza de la variable residuo.
ES decir,

s,; = l*'l^

(e,-e)'

Si tenemos en cuenta que al aplicar MCO lo que hacemos es

minimizar

"^"ITin

con respecto a y estimada,

^^^-^^^

podemos escribir

a>>

r,.. (vry^i)-o

e=0

es decir, la media de los errores mnimo cuadrticos ordinarios

es cero.
La varianza residual servira en principio como medida
de la dependencia entre las variables:
- si la varianza es grande, los residuos, por trmino medio,
sern grandes, los puntos estarn alejados de la funcin y, por
tanto, la dependencia ser pequea.
- anlogamente, si la varianza residual es pequea, la
dependencia ser grande. ( Por tratarse de una varianza, est
acotada inferiormente, 0<Sji^<Sy^) .
Sin embargo, la varianza residual tiene problemas de
interpretacin , ya que est afectado por unidades de medida, es
variante ante cambios de variable y no tiene lmites fijos para
todas las variables. Por ello, definiremos un nuevo estadstico
que no presente los problemas anteriores: el coeficiente de
determinacin y correlacin general.

14

III.2.3a SIGNIFICADO GENERAL DEL COEFICIENTE

DE DETERMINACIN.
El coeficiente de determinacin expresa la proporcin de la
varianza total de Y que aparece explicada por la regresin, es
decir, la razn entre la varianza explicada y la varianza total.
siendo:

s^

la varianza de y explicada mediante el ajuste

que hayamos efectuado

Sy^ es la varianza total de la y observada

* Comprobaremos a continuacin que :
La Varianza total de Y = Varianza explicada de Y por la
regresin + Varianza no explicada (o residual).
Sabiendo lo anterior, el coeficiente de determinacin puede
2 - 1 _

R^ = 1 -

tambin expresarse como:

^e,
)y

siendo

S^^

la varianza residual despus de que se haya

realizado el ajuste correspondiente.

* Demostracin de que
^y~^e^*^9
Ya hemos visto que una vez realizado un ajuste mediante
regresin de una variable endgena Y con una o ms explicativas
X, se verifica que

'^i

- '^i '^ ^i

Si expresamos las variables en desviaciones con respecto a

sus medias se establece que:
siendo

y^ =

9*S

y^ = Y^-Y

si denominamos y*
propiedades

de

a la media de y ,

por una de las

las estimaciones por minimos cuadrados, se

15

verifica que

= y

, es decir, la media de la variable

estimada coincide con la media de la variable observada.

Elevando al cuadrado ambos miembros de la expresin anterior
y sumando para n tenemos:

pero,

^/.^^^^r-EU '^s-er-r^., ^i-r^l, -r"

en virtud de las propiedades de las estimaciones por MCO,
Por tanto, se verifica que

dividiendo ambos miembros por ni.

T^2

/>2

-2

Por tanto:
Sy=S^'^*S:
Teniendo esto en cuenta, el coeficiente de determinacin
puede expresarse por cualquiera de las siguientes expresiones:
c2

g 2

* Propiedades del coeficiente de determinacin general

o Bondad del Ajuste: R^
1. 0< R^< 1
Teniendo en cuenta que S^^< Sy^ podemos escribir:
R2 = 1- s.iVSy^ > 1 - SyVs/ =1-1=0 ===> R2>O
Por otro lado, despejando la varianza residual,
tendremos: S^j^ =Sy^(l-R^) .
Como Sjj^>0, Sy^>0, tendremos que necesariamente
1-R^>0====> R^<1
2. Si R^ tiende a 1,1a bondad del ajuste es ptima.
Cuando la lnea ajustada pasa por todos los puntos
observados, todos los residuos sern nulos, y por tanto,
16

Sj=0, en este caso, R^=1, que ser el mximo valor que

pueda tomar.
3. Si R^ tiende a O, la bondad del ajuste es mala.
Si la varianza explicada por la regresin es nula,
entonces suceder que sj = s/, con lo que R^=0, que ser
el mnimo valor que puede tomar el coeficiente de
determinacin.
4. Este coeficiente es vlido para ajustes lineales y no
lineales.
III.2.3b COEFICIENTE DE CORRELACIN Y DETERMINACIN LINEAL
Cuando la regresin efectuada es lineal simple de Y sobre
X, obtendremos el coeficiente de determinacin lineal simple
sustituyendo el valor concreto de la varianza explicada en la
frmula general

S^=S^ia+b*X^)

Nota: recuerda que

=b^*S^ (x^)

en el caso de la regresin lineal

simple.
Sustituyendo el valor de la varianza explicada para el caso de
la regresin lineal simple, obtenemos el coeficiente de
determinacin lineal.
Q2

Q2

Oy

*^x

Q2

qf2 Q 2
X y

El c o e f i c i e n t e de correlacin l i n e a l vendr dado por:

S^*Sy

17

* Propiedades del coeficiente de correlacin lineal: r

1. Dado que 0< r^< 1, por tanto, -1< r < 1.
2. Sabiendo que S,;^ = Sy^(l-r^), interpretemos de igual forma
los diferentes valores de este coeficiente:
(a) r=l===>S,i^= 0. Todos los valores tericos coinciden
con los observados, es decir, los puntos de la nube
estn en la funcin y, por tanto, la dependencia es
funcional. Se dice que existe correlacin
perfectamente positiva, es decir, ambas variables
varan en el mismo sentido.
(b) r=-l===> sj=0.
La dependencia tambin sera
funcional, pero aqu las variables varan en sentidos
opuestos. Se dice, entonces, que la correlacin es
perfecta negativa.
(c) r=0===> Sj = Sy^. No se consigue ninguna explicacin
de la variable Y relacionndola con la X, luego no
estn asociadas. La correlacin es nula.
(d) -l<r<0, la correlacin sera negativa, siendo ms
intensa cuanto ms prxima est r a -1.
(e) 0<r<l, correlacin positiva, indicndonos para
valores prximos a 1 un mayor grado de interrelacin.
OBSERVACIN:
recordemos
que
si
dos
variables
son
estadsticamente independientes, su covarianza es nula. La
condicin de independencia estadstica es: n|j/N = n^/N * nj/N
Sabiendo esto, si X e Y son estadsticamente independientes.
es decir, X
estarn
tambin
O
==> r=0,
xy
incorrelacionadas linealmente.
Pero el recproco no es cierto. La correlacin lineal puede
ser nula r = 0==> S^ = O , pero la covarianza puede anularse sin
que necesariamente se cumpla la condicin de independencia.
Fijmonos en el valor del coeficiente de correlacin en cada
uno de los siguientes casos:

Ilustr. 10 r=0; X e Y
independientes

Ilustr. 11 r=0; X e Y
dependientes

18

Ilustr. 12 r=l

Ilustr. 13 0<r<l

Ilustr. 14 r=-l

19

discoron/se'coS'a.XaT"'"" '"*" ""^ variables puede

Solucin:

-L i-

os'

2. Un psiclogo afirma, en base a los datos originales, que a

medida que el nio crece menores son las respuestas inadecuadas
que da en el transcurso de una situacin experimental
Nmero de respuestas
inadecuadas
Edad
2
3
4
4
5
5
6
7
7
9
9
10
11
11
12

11
12
10
13
11
9
10
7
12
8
7
3
6
5
5

Se pide:
a) Determinar la validez de esta conclusin
b) Un nio de diez aos participa en el experimento, cul es el
nmero de respuestas inadecuadas que se puede predecir para l,
si entendemos que existe una relacin lineal entre ambas
variables?.
Solucin:
a) Esta validez se obtendr en funcin del valor del
coeficiente de correlacin. Para lo cual hemos de hallar la
covarianza entre ambas variables.

CjU(\y)r G,,-Q,,Cto, r 5'je-l.-f'j;r-^'

^/ "

- _ _ _ _ _ _ _ . ^

(\t

aAO

f^

<CJY>'

(\J

iS

13

l"5
\^^li2i-'--f-5
^5

V5
^29

SZ''^

Q Q , . - - ^ ^ - -

-123:1

^ ,

^< t^^^ <i c c a t e de .^.r^c.;. ..,

Cr^rcu

'

^c^c<

C^

(^_s

^^-

3. Se ha estudiado las calificaciones de cien alumnos en dos

asignaturas: Matemticas y Contabilidad, obtenindose los
siguientes datos:
X = 110
7=2.5
a^ = 10
0^ = 0.5
Adems sabemos que el coeficiente de correlacin entre ambas
variables es 0.85. Con esta informacin podemos decir gue
aquellos alumnos que obtienen mayor calificacin en matemticas
son aquellos que obtienen mayor calificacin en Contabilidad?.
Solucin;
La pregunta la podemos realizar de la siguiente manera: A
medida que aumenta los valores de X aumenta lo valores de Y?. La
respuesta a esta pregunta como sabemos depende del signo el
coeficiente de correlacin o lo que es lo mismo para el caso de
una relacin lineal depende del signo de la pendiente de la recta
de regresin entre ambas variables. Por tanto podemos concluir
que efectivamente los alumnos con mayor calificacin en
Matemticas suelen ser los mismo con mayor calificacin en
Contabilidad.

,_^ - , 7
"--xajjies
es
igual a cuadrado del coeficiente
de
entre
ambS
vlril^L^
de correlacin
correlacin entre
ambas variables.'

Solucin:

rex ce O^^Wu, :^M^ ^(

^tl>oJz^

. /
r

V - v. + ' -

(^-x,

(L

(3;

'- V

A
^ ^^

"T^A^AAC^CLU?/

'

tr

-'^^'

:^

^)

^' - /

,0^^

i^

r-'^

U^ -

C*^;

S. Demostrar con i
entre a . | | i ^ ^ . - ^ a varUn.a^^ e r o V l ^ - - \ \ " v \ r l l . |
regresin lineal

Solucin:

'-)

'

'

^ l

-)'

=>^
^ - -

l't-\

'^MTM.

ui<:

/ eo/)u..cceii CY }

* C^luj cf t . ;

(r..=iF
f-t;^^y'-^)

= ~L'
J^ ' '^C>.x'30 -

>'-"T7>'^>53rG2'75

- '^-lcw.ci (e

&3'5S3aCJ. 627

v^^c>'/v

/I

X"' "^'^^^^S2t/23^>),

H^i'UlS -^$?

iv.^vAj

M.C ijA. ucjua

r^-xj^k^Cj^

ce

^ ^

e u L^ ^ r o r t ^ .

Gi/e.;

\ A W S 4 - ^ . l/CccOtij, G^ y .

t^^cLoe^

^^^

Solucin:

r= - ^
d^^^^r-y^^''^^/
C')
7

' Demostrar- nr,,

i punto u .^1:^"%

7;.,tr^"^- -^^".o
3)
" " ^ismpre pasa por

o.

'^Ci:^j; "2

8. Entre dos variables Y o v

^
(Y=a+bX) que, despus 'de efectuado^^l? """^ relacin lineal
cuadrados, da el si^iiente resultado
^^""^""^ P^ mnimos
a =28503.2

J = -5407.7

R^ = Q , gj

u U l i ' i Y r ^cml uni^dad e T o 1 a r ^ l l > . r P^^^^^s p e r o s e d e c i d e

: f rer.TPr"'=^"-^"^--cioT^^^^^^^^
para
el resultado del ajuste?.
"*-Les. ^ c u a l s e r a , en t a l c a s o .

"W^

aos variables X
^=8

p,,,
21

^
S. = 2

Hallar la
3 y con y =r "acin de i^
""' A, as como oi
'^ "ecta <

entre si, 3^
^K

sabe que

J .6

''^'- ajuste.

f - O'f

/v

c'^v

^^ au:ru^ .^.. ^ .
-l^^^^p
r - - cr. c^zi.

^^^^^^od.u,..

parejas ae aatos. Int\p%\\%r^inVs?l\To^"Lt?

3
4
5

si,.i/tes

4
3
2

Solucin:

2o r q
^i^U
5o - [L; 4 cc^u.
/I

= 1 ' X

ce c A i ^

Ufijil^

lo que i n d i c a , por ser R2=I, que e l modelo

?aS 'v\rtL\"on:s\T^y^'%^''
de un modo l i n e a l ,
d a L J i '
1%^' ^^^ todava, que los
datos e s t n en l n e a r e c t a , como pueden
r e p r e s e n t a n grficamente.

C4MA3^ur 9^W5

es perfecto o sea
abs^olutamen'te^t^das
pares de valores de
comprobarse s i se
my^toarse
s i se

11. Hallar la varianza residual, para el caso de ajuste lineal

mnimo-cuadrtico, con los datos siguientes. La variable Y es la
dependiente.
_X
-2
O
2

Y
4
3
3

Solucin:
Primero hay que ajustar la recta para obtener los valores
de la y estimada:
X^

Yest

X*Y

e^

-2
0
2

4
3
3

4
0
4

-8
0
6

23/6
10/3
17/6

1/6
-2/6
1/6

1/36
4/36
1/36

10

-2

10

1/6

<^A,-^o ; ^y,r|cv -^ ^

a:-

^'z ? ^ ^^'-^^ - 1

->

VQ

1.

/V'

_{0

S c S i 1 ? ^ ^ ^ - - S ^ f^ T

^-=^^" por e . - , ,

""

1 orign V i"^""^^ y P^ra el / o ^^^^^J^io par f f 5""^ ^^ la

para ello los

Solucin;

OrtAuxu,.

7?
A^ - n
^%^

A/ -- tl2
= ^^S'2

^ ,^':^2.'/

^ri

,..-:.:>

/ .

>-r

y ) ^ 1 (^'- L v;. ^^

t
Modelo ordinario
yes t.
13.57041
13.57041
14.49733
14.49733
14.49733
15.42424
15.42424
16.35116
16.35116
17.27807
17.27807
17.27807
18.20499
18.20499
18.20499
19.13191
19.13191
20.05882
20.05882
20.98574

e
-1.57041
0.42959
-2.49733
-0.49733
1.502674
-0.42424
1.575758
-0.35116
1.648841
-0.27807
0.721925
1.721925
-1.20499
-0.20499
0.795009
-1.13191 ,
0.868093
-1.05882
0.941176
-0.98574

Modelo con a0
e*

y est

e^

2.466188
0.184548
6.236638
0.247333
2.258029
0.179982
2.483012
0.123312
2.718678
0.077326
0.521176
2.965026
1.452004
0.042021
0.632039
1.281214
0.753585
1.121107
0.885813
0.971683

9.415744
9.415744
11.29889
11.29889
11.29889
13.18204
13.18204
15.06519
15.06519
16.94834
16.94834
16.94834
18.83149
18.83149
18.83149
20.71464
20.71464
22.59779
22.59779
24.48093

2.584256
4.584256
0.701107
2.701107
4.701107
1.817958
3.817958
0.934809
2.934809
0.051661
1.051661
2.051661
-1.83149
-0.83149
0.168512
-2.71464
-0.71464
-3.59779
-1.59779
-4.48093

6.678378
21.0154
0.491551
7.295979
22.10041
3.304972
14.5768
0.873869
8.613106
0.002669
1.10599
4.209311
3.354349
0.691373
0.028396
7.369255
0.510706
12.94406
2.55292
20.07878

27.60071

137.7983

TEMA 5

TEMA 5

NDICE:
5.1. CONCEPTO DE SERIE TEMPORAL Y DEFINICIN DE SUS
COMPONENTES.
5.2. DETERMINACIN DE LA TENDENCIA.
A.- MTODO DE LAS MEDIAS MVILES.
B.- MTODO ANALTICO DE LOS MNIMOS CUADRADOS.
C - MTODO DE LAS DIFERENCIAS.5.3. DETERMINACIN DE LAS VARIACIONES ESTACIONALES.
A.- MTODO DE LAS MEDIAS MVILES.
B.- MTODO DE LAS DIFERENCIAS.
5.4. TASAS DE VARIACIN.

5.1. CONCEPTO DE SERIE TEMPORAL V DEFINICIN nP =

correspondientes a un fen6eno, ordenados e e T u ^ " '^ '"='

una sene temporal las venta<. H .
tiempo. As ser
los aos 1979 a 1984, cuyas cifraT " ' " " " '^'^ "^^ ^^""^^
uyas cifras aparecen el cuadro 5.1.

Meses

Ventas mensuales en mili

Cuadro 5.1

Para la representacin grfica de las series temporales se

utilizan los ejes cartesianos. En el eje de abscisas se
representa el tiempo (t) y en el eje de ordenadas se representan
los valores de la magnitud observada (Yt) con lo que se obtienen
una serie de puntos (t, Y^) que al unirlos nos permiten obtener
unas primeras conclusiones de la evolucin histrica de la serie.
La representacin grfica de la. serie de ventas que hemos
utilizado como ejemplo aparece en la figura 5.1

220

60

Figura 5.1
Desde el punto de vista clsico una serie est formada por
cuatro componentes:
a. Component tandencial o tendencia (T); Es una componente de
la serie que refleja su evolucin a largo plazo. En nuestro
ejemplo la tendencia se obtendra teniendo en cuenta la evolucin
de las ventas a lo largo de todo el periodo de seis aos. Esta
componente puede ser de naturaleza estacionaria
( se
representarla por una recta paralela al eje de abscisas) , de
naturaleza lineal (creciente o decreciente), de naturaleza
parablica, de naturaleza exponencial, etc.
b. Componente cclica (C) ; Es una componente de la serie que
recoge las oscilaciones peridicas de amplitud superior a un ao
y se deben principalmente a la alternancia de etapas de
prosperidad y depresin en la actividad econmica. Cuanto mayor
sea el perodo de un ciclo, mayor ha de ser el nmero de
observaciones de la variable para que aquel sea reconocible.

c. Compcnent estacional (E); Es una componente de la serie que

recoge las oscilaciones que se producen en perodos iguales o
inferiores a un ao y que se repiten de forma regular n los
diferentes aos.
Si se considera el ao como periodo marco o de repeticin
pueden observarse las fluctuaciones de la magnitud a lo largo de
sus meses o de sus trimestres, cuatrimestres, etc. El origen de
las variaciones estacionales (componente estacional) puede estar
en
factores
fsico-naturales como son las estaciones
climatolgicas o en factores culturales o de tradicin: fiestas
navideas, vacaciones, horarios comerciales, etc. Por ejemplo,
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 invierno.
d. Componenf residual (R): Es una componente de la serie
temporal que recoge las fluctuaciones errticas que se dan por
la
ocurrencia
de
fenmenos
imprevisibles
(un pedido
extraordinario en una empresa, una huelga, una catstrofe) .

componentes
tericas

tiempo

Una vez que hemos definido los componentes que forman la

serie temporal cabe preguntarse de qu forma se combinan dichos
componentes para que den como resultado los distintos valores de
la serie temporal que observamos. En el estudio clsico de las
series temporales se han manejado dos hiptesis de trabajo:
1. Esquema aditivo
Los valores observados de cualquier serie temporal son el
resultado de la suma de sus cuatro componentes:

2.

Esquema multiplicativo

Los valores observados de cualquier serie temporal son el

resultado de la multiplicacin de los cuatro componentes:
Y^=T^*C^*E^*R^

Esta ltima expresin admite una variante, conocida como

modelo mixto, que se utiliza en el supuesto de que la componente
residual sea independiente de las dems. En el modelo mixto cada
uno de los valores observados de la serie temporal se obtiene
como la suma del componente residual al producto de los otros
tres componentes:

Para determinar el modelo o esquema que se debe utilizar en

cada caso, tendremos que efectuar un anlisis previo de la serie.
Para ello podemos utilizar tanto mtodos grficos como
analticos, basados en el comportamiento de el componente
estacional.
En este curso slo estudiaremos el mtodo grfico que
consiste en:
1. Calcular las medias y desviaciones tpicas de cada ao.
2. Representar estos estadstico en unos ejes de coordenadas
(media, desviacin tpica)
3. Si la nube de puntos es creciente: esquema multiplicativo y

i' ..-^J

^*A

,VV

en caso contrario: aditivo.

desviacin
tpica

desviacin
tpica

media

media

5.2. DETERMINACIN DE LA TENDENCIA.

De los mltiples mtodos que se han ideado para tratar de
aislar la tendencia de los dems componentes vamos a tratar los
ms sencillos y conocidos.
A. Mtodo de las medias mviles.
Es un mtodo de naturaleza mecnica que consiste en
sustituir la serie temporal observada por una serie suavizada que
se obtiene por el clculo reiterado de valores medios de la serie
original u observada. Su aplicacin consiste en lo siguiente:
1. Partimos de la serie temporal observada Yt
2. Se obtienen sucesivas medias aritmticas para cada Yt ^on un
nmero de observaciones, fijadas de antemano, anteriores y
posteriores a ese Yf El nmero de observaciones, p, que se
utiliza para obtener las medias aritmticas suele coincidir con
los perodos inferiores al ao que contiene la serie ( por
ejemplo p es igual a 3 si los valores de la serie son
cuatrimestrales, igual a 4 si son trimestrales, igual a 2 si son
semestrales, etc.)
Si el nmero de observaciones (p) utilizado es impar la
media Y obtenida coincide con el perodo t y entonces se dice

que la media est centrada.

La s e r i e de inedias obtenidas ser:

Y,.,-h:l:ii:Ii

Y p.3 = -12

Y p.5 =

Pll

Pj

si el nmero de observaciones (p) es par la Yt no coincide con el

coincide con el perodo t y entonces se dice que la media est
descentrada. En este caso tenemos que volver a calcular una nueva
media aritmtica Yt utilizando los Yt con lo que se obtiene una
nueva serie de medias mviles centradas con los perodos de
tiempo.
Yp,^

71*^2*---^^^p

Y p.3 -

y,*Y*...*Y^,
Y p.5

Las medias obtenidas no estn centradas puesto que los subndices

(p+l)/2, (p+3)/2, (p+5)/2,... no son nmeros enteros, puesto que
hemos elegido como valor de p un nmero par, y por tanto no
conciden con los subndices de la serie original. Para centrales
creamos una nueva serie como:

yp.2

-r

-r

i'p.s+yp.s
Yp.<.

Y p.5 *Y p7
yp.6=.

Ahora la serie que tenemos si estar centrada porque los

subndices (p+2)/2, (p+4)/2, (p+6)/2, ... ya son nmeros enteros.
3. La serie formada por Yt o por Yt, segn sea par o impar el
nmero de observaciones utilizadas, nos indica la lnea de
tendencia.
Ejemplo.
Las ventas trimestrales de una fbrica de calzado expresadas
en millones de pesetas para los aos 1992, 1993 y 1994 son las
siguientes:

1992

1993

1994

l.*"^ trimestre

150

155

160

2. trimestre

165

170

180

3.^'^ trimestre

125

135

140

4 . trimestre

170

165

180

Obtener las series de tendencia por el mtodo de las medias

mviles empleando tres y cuatro observaciones.

SOLUCIN:
1.- Empleando 3 observaci
^^
iones:
h ' ^^M-Ul , IJO^lS + 125

50

y, ' ^iJLLLh ^ m ^ 155 * no

^

--165

3
;, - ^ *y->-*-y.
3

^ 170 + 135 -t- 165

3
156.S

y,-i:L!iy..l35+l65+i60

_ 165 -H 1(50 -^ 180

3
168.3

>, - ^-''^y^o'-y'3

, 160 > 180 + 140

3
^-160

y,, ^ ^ i ^ - i l - l Z j i

2.-

lU

;, - y**y*-^y.^
3

180+140+180

Empleando c u a t r o ^ o s e r ; ; ; ; ^ ; ; ; ; 7 ' ^ ' ^

v.j.

--^^^L_2lI^,150+_l65j^25jM70^
y i . + r.
2

"

^"153,125

". '"'i '*'y>* 157.5 + i56.:5

:
"
;
-156.375

V. j + v-, j 157.5 + 160

' ^ '' .
^
-158.75
'
'
.
i", 5 + r-,,
160+161.25
.1-, ,

;
160.625
y,

''"

= >'' ^ .^t "^ >* * > ' i o . 135 + 165 + 1 6 0 + 180

4
'
4
' '^
y,*y,-^y,o*yxt
^[

i65 + i60 + i80 + i40 , ^ , , ,

:r-j
-161,25

' "^ *'io " >'ii -^ >'ij

>',o.> = '
1
'

160+180+140+180
i
" '65

y,.j =

B. Mtodo analtico de los mnimos cuadrados.

Este mtodo tiene la ventaja, en comparacin con el de las
medias mviles, de que expresa la tendencia a travs de una
funcin matemtica que relaciona la magnitud que se est
estudiando con el tiempo t que acta como variable independiente.
El ajuste se realiza por el mtodo de los mnimos cuadrados que
ya se ha visto en el tema dedicado a regresin. Es conveniente
realizar una representacin grfica de la serie temporal para
decidir qu tipo de funcin se ajusta mejor a la nube de puntos
(lineal, parablica, etc.) aunque en este epgrafe "slo
estudiaremos el caso lineal, que por otra parte es el que mejor
se ajusta a los fenmenos econmicos.
La ecuacin que se estima por mnimos cuadrados ordinarios
es:

donde: Yt* son los valores observados de la serie temporal

t: es la variable tiempo (que tomar valores 1,2,3,4, .
1980, 1981, 1982,.... dependiendo de cada caso particular)
Las ecuaciones normales son:

C-l

C-1

e-l(tc)^
1=1

"

C-l

cuando las observaciones se refieren a perodos inferiores

al ao (meses, trimestres, cuatrimestres, etc.) antes de realizar
el ajuste conviene calcular las medias anuales para eliminar la
componente estacional que puede distorsionar los resultados de
dicho ajuste y realizar el mismo con las medias calculadas.

Ejemplo;
Utilizando los datos d la serie temporal que aparece en el
cuadro siguiente, obtener la tendencia lineal ajustando la
correspondiente recta por el mtodo de mnimos cuadrados. En la
funcin estimada hacer una prediccin de las ventas medias para
el ao 1997.

1992

1993

1994

1.'" trimestre

150

155

160

2 ." trimestre ,

165

170

180

3.*"" trimestre

125

135

140

4." trimestre

170

165

180

medias
152.5
156.25
165

tiempo
1992
1993
1994

Salida de Regresin:
Constante
-12298.3
Err Std de Y Est
2.041241
R al cuadrado
0.949367
N2 de Observaciones 3
Grados de Libertad
1
6.25
Coeficiente(s) X
1.443376
Err Std de Coef.
P r e d i c c i n para
Yl995 =

1995:
170.4167

* 4 = 681.66

C. Mtodo de las diferencias.

Los mtodos vistos anteriormente nos permiten aislar la
tendencia de la serie temporal, sin embargo este otro mtodo
tiene como objetivo eliminarla. Para aplicarlo tenemos que seguir
los siguientes pasos:

10

1. se construye una nueva serie a partir de la original c

orno:

2. Representamos grficamente la serie Z, y observamos si oscila

siempre alrededor de un valor, eso significa que hemos quitado
la tendencia de la serie original y acaba el proceso, si z, crece
o decrece

significa que an no hemos eliminado

la componente

tendencial y tendremos que pasar al paso siguiente.

3. Creamos una nueva serie como:

Si al graficar esta nueva serie se observa que ya no presenta

tendencia se ha terminado el proceso, en caso contrario se
diferenciarla W hasta conseguir el objetivo.
Ejemplo:
Eliminar la tendencia de la siguiente serie temporal:

AOS

Vi

yi*i-yi

1980

34

___

1981

45

11

1982

52

1983

63

11

1984

11

14

1985

79

1986

81

1987

85

1988

90

1989

103

13

1990

107

11

Representamos grficamente los datos y vemos como hemos quitado

la tendencia haciendo unas primeras diferencias, y si 1Q
hubisemos quitado aplicaramos otras diferencias.

rio origlnai

Sr[ s(n tanoencla

5.3. DETERMINACIN DE LAS VARIACIONES ESTACIONALES

Cuando se defini esta componente se estableci que eran
oscilaciones de la magnitud en estudio en perodos de repeticin
de un ao (cuatrimestres, trimestres y meses) o inferiores (por
ejemplo, el periodo de repeticin puede ser el mes y sus
componentes las semanas, etc..)- Cuando se pretende en los
fenmenos econmicos analizar su evolucin real hay que eliminar
la componente estacional ya que sus fluctuaciones pueden
distorsionarla.
Este
proceso
recibe
el
nombre
de
desestacionalizacin de la serie observada. Por ejemplo, si se
observan las ventas trimestrales del supermercado del ejemplo 1
vemos que en 1990 al pasar del tercer trimestre al cuarto
aumentan en 30 millones. Qu ha ocurrido?, se debe este
aumento a la eficacia publicitaria y del personal de la empresa
o a que en el cuarto trimestre estn las fiestas de Navidad y el
consumo familiar aumenta?. Est claro que si se observa la serie
el segundo y cuarto trimestres son estacionalmente altos y el
primero y el tercero son estacionalmente bajos. Luego si se
quiere analizar la evolucin real de las ventas del supermercado
hay que desestacionalizar la serie, con lo que se podrn comparar
los distintos trimestres.
MTODOS PARA LA DETERMINACIN DE LAS VARIACIONES ESTACIONALES;
A.- Mtodo de las medias mviles.
B.- Mtodo de las diferencias.
A. Mtodo de laa medias mviles.
Este mtodo aisla la componente estacional mediante la
eliminacin sucesiva de las dems componentes. En la aplicacin
del mtodo se siguen los siguientes pasos:
la.- Se determina la tendencia por el mtodo de las medias
mviles. La tendencia as calculada, incluye tambin a la
componente cclica (T x. C) para la hiptesis multiplicativa
(T + C) para la aditiva.
2 3.-

Se

elimina

la

componente

tendencial

cclica

dividiendo la serie original por la tendencia calculada en el

paso anterior si la hiptesis es multiplicativa
la hiptesis es aditiva.
12

restndola si

HIPTESIS MULTIPLICATIVA:
Ye _ TxCxExR
TxC
TxC

ExR

HIPTESIS ADITIVA:

y^- (r+c) =r+c+E+i?- (T^c) =E^R

Como se puede observar, cuando se ha eliminado la componente

mixta tendencia-ciclo sigue quedando la componente residual.
32.- Con objeto de eliminar la componente residual de la
serie original se calculan las medias aritmticas a nivel de cada
estacin. Si las observaciones son mensuales tendremos 12 medias:
Mi, M2,..,Mii, M12 (en general Mr); donde Mi ser la media
aritmtica de los valores correspondientes a todos los meses de
enero,M2 la media aritmtica de los valores correspondientes a
todos los meses de febrero. Estas medias nos representan de forma
aislada la importancia de la componente estacional.
4 0.- Obtencin de la componente estacional.
Se calcula la media aritmtica anual MA de las medias
estacionales Mi, Mj, M3, . . .
A;.- Si el esquema que sigue la serie es multiplicativo la
componente estacional se calcula mediante la obtencin de los
siguientes ndices, conocidos como "ndices de variacin
estacional":
J =-i X 100,
^

MA

I2 = -:TT
^ MA

^ 100; etc.

Habr tantos ndices como estaciones o medias estacionales

tengan las observaciones y nos indicarn la importancia de la
variacin estacional al pasar de un perodo a otro. Si un ndice
expresado en tantos por ciento nos da 80 quiere decir que por el
mero hecho de ser esa estacin, la magnitud en estudio es un 20%
ms baja de su tendencia media. Una vez obtenidos los ndices de
variacin estacional puede desestacionalizarse la serie observada
13

dividiendo cada valor de la correspondiente estacin por su

ndice correspondiente expresado en tantos por uno.
La suma de los ndices de variacin estacional para esta
hiptesis ser siempre igual al na de ndices 6 estaciones. Para
datos mensuales la suma sera 12, para datos trimestrales 4, etc.
Para desestacionalizar la serie, dividiremos cada uno de los
valores de la serie original por la componente estacional
correspondiente.
B.- Si el esquema que sigue la serie es aditivo la
componente estacional se calcula restando a cada media estacional
(Mi, Ma,...) la media anual MA:
Ei= Mi - MA
Ea= Mz - MA . . .; etc
Bajo esta hiptesis, la suma de las componentes estacionales
es igual a cero.
Para desestacionalizar la serie, restaremos a cada uno de
los valores de la serie original, la componente estacional
correspondiente.
EJEMPLO:
De la serie de ventas trimestrales del ejemplo anterior
obtener los ndices de variacin estacional por el mtodo de las
medias mviles y desestacionalizar con dichos ndices la serie
observada.
Solucin:
Las
medias
mviles
centradas
utilizando
las
cuatro
o b s e r v a c i o n e s , y t , son l a s ya c a l c u l a d a s a n t e r i o r m e n t e y s o n :

1994

156.25
156,875
156,875
58,75

14

160.6:
163.125

Esta serie nos representa las variaciones de los copoentes

a largo plazo T x C. Dividiendo la serie observada y, por v
tenemos:
^*

2.0

125/153.125
170/154,375

4,

155/156,25
170/156,875
135/156,875
165/158,75

160/160.625
180/163.125

Realizando las sucesivas divisiones queda:

Aos
Trimestres

"~~~-

2."
3.=
4.

1992

1993

1994
0.9970
1.1035

0,8163
1,1012

0.9921
1,0837
0.8606
1,0400

Esta serie recoge de forma aislada la componente estacional

pero todava unida a la accidental que no ha sido eliminada. En
definitiva es un ndice expresado en tantos por uno en el que la
base de comparacin es la tendencia y el ciclo representados por
las medias mviles centradas en los perodos de tiempo. Estos
ndices brutos ya nos arrojan mucha informacin sobre la
componente estacional. Puede observarse que los trimestres
primero y tercero son estacionalmente bajos al ser los ndices
menores que uno y los trimestres segundo y cuarto son altos.
Estas variaciones presentan regularidad ya que se mantienen en
los distintos aos.
15

Las v a r i a c i o n e s r e s i d u a l e s l a s e l i m i n a m o s o b t e n i e n d o
medias a r i t m t i c a s de l o s c u a t r o t r i m e s t r e s :

las

3f, = - 0 . 1 i 2 1 l 0 , l i Z 0 =0.9945

^ ^ . 1 . 0 8 3 7 ^ . 1 . 1 0 3 5 , ^ Q33^

^^, 0.8163^0.8606 , 0 3 3 3 3

1.1012.1.0400,,^0,0g

A partir de las anteriores medias calculamos la media

aritmtica anual que ser la base para obtener los ndices de
variacin estacional:
4
_ 0.9946.1.09 36.0.83 85.1.07 06 _Q ^g^^

Tomando como base de comparacin esta media anual obtenemos

los verdaderos ndices de variacin estacional expresados en
tantos por uno:

j = A = l^iM=0.9953
^ MA 0.9993

-^,1.0936,,_033,
2 MA 0.9993
J=J:=_185=O.8391 ^
^ MA 0.9993

j=J^=1^012=i.0714
* MA

0.9993

Expresados en tantos por 100 sern:

II = 99.53

l2 = 109.44

Ij = 83.91

U = 107.14
16

El I, significa que en los primeros trimestres las ventas

realizadas

prcticamente

estacionales

ya

que

el

no

estn

ndice

sujetas

las

es prcticamente

variaciones

la unidad

en

tantos por uno lO en tantos por ciento; slo descienden un

insignificante

0.47%. El Ij significa que por el hecho de ser

segundos trimestres, con independencia de la poltica comercial

que

siga

la empresa,

las ventas aumentan

en un 9.44%.

El i

significa que en los terceros trimestres la estacionalidad afecta

de forma significativa a las ventas ya que bajan un 16.09%. Por
ltimo, observando el U

vemos que la estacionalidad en dicho

trimestre es alcista, empujando a las ventas en un 7.14%.

Por ltimo vamos a desestacionalizar la serie. Como estamos
dentro de la hiptesis multiplicativa para eliminar la influencia
estacional en las ventas las dividimos en cada estacin por su
correspondiente

ndice

de

variacin

estacional

expresado

en

tantos por uno:

^~--^.^^^
Aos
Trimestres
"^~-~^^,__^^

") 0

3."
4,"

1992

1993

1994

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
1400.8391
180/1.0714

Efectuando las divisiones queda la siguiente serie de ventas

desestacionalizada:

1992

1993

1994

150.71
150,77
148,97
158,67

155,73
155.34
160.89
154.00

160.76
164.50
166.85
168.00

17

La anterior serie representa las ventas de la empresa

prescindiendo de las oscilaciones estacionales pudindose
comparar los datos de los distintos perodos. Se llega- a la
conclusin de que existe una tendencia real alcista con pequeas
oscilaciones motivadas por causas accidentales.
B. Mtodo de las diferencias estacionales.
El objetivo de este mtodo es eliminar la componente
estacional. Para ello se realiuza de la misma forma que en el
caso de la tendencia por el mismo mtodo pero teniendo en cuenta
que la diferencia depender de si trabajamos con con meses,
trimestres, semanas, e t c . . En este caso trabajaremos con meses
(r = 12), con lo que se crear una nueva serie:
Zt = Yt - yt-12
Ejemplo: si t = 2
22 = yz - Yz-iz
es decir, diferencia entre febrero de un ao y febrero del ao
anterior y as sucesivamente con lo que se pierden los 12 1*'^^
datos.
En general, el mtodo sera:
Zt = yt - Yt-r

5.6. TASAS DE VARIACIN.

Para analizar el comportamiento de una variable nos podemos
quedar con su tendencia, pero una forma ms exacta es a travs
de las tasas de variacin (que no son ms que la expresin de las
variaciones en tantos por ciento tantos por uno) .
TASA DE VARIACIN EN EL PERIODO t
En tantos por uno:

'

Yc-i

Vt-i

donde yt ser por ejemplo febrero del ao 1996

yt-i ser enero del ao 1996
18

Esta tasa puede expresarse en tantos por ciento y es

adimensional por lo que permite hacer comparaciones entre
diferentes series.
El incoveniente que presenta esta tasa de variacin es que
si la serie presenta estacionalidad, el valor de la tasa no es
real al no contemplar las diferencias inherentes a cada estacin
debidas al componente mencionado. Por ejemplo, si la tasa de
variacin entre primavera y verano nos da un crecimiento del 45%
eso no implica que el crecimiento real de la serie en dicho
perodo sea del 45% ya que habr que considerar la variacin que
se produce en la serie por el cambio de estacin y que viene dada
por la componente estacional de verano.
En estos casos se calcula la tasa de variacin con respecto
al mismo perodo del ao anterior:
j,m^3V2ll100

ya que recoge dos perodos de tiempo con la misma estacionalidad

y por tanto al restar se compensan.
El inconveniente que tiene el clculo de las tasas de
variacin de esta manera es que si existe estacionalidad es
incorrecta la tasa de variacin ya que la estacionalidad no es
la misma para todos los perodos (meses, trimestres,...) y por
tanto en t existir una componente estacional distinta que en t-1
influenciando las tasas. En estos casos, se calcula la tasa de
variacin anual,que ser:

Yc-r

donde yt ser por ejemplo (para r= 12 meses): enero de 1996

yt-i ser enero de 1995
con lo cual , al ser los mismos meses, la componente estacional
ser la misma.

19

TEMA 6

TEMA

VI

NMEROS N D I C E

N D I C E

VI.1.- INTRODUCCIN, CONCEPTO Y CLASIFICACIN.

VI.2.- NMEROS NDICES SIMPLES. DEFINICIN Y PROPIEDADES.
VI.3.- NMEROS NDICES COMPLEJOS.
VI.3.1.- NMEROS NDICES COMPLEJOS SIN PONDERAR.
VI.3.2.- NMEROS NDICES COMPLEJOS PONDERADOS.
VI.3.2.1.- N D I C E D E L A S P E Y R E S .
VI.3.2.2.- N D I C E D E P A A S C H E .
VI.3.2.3.- N D I C E D E F I S H E R .
VI.4.- ELABORACIN DE UN NUMERO NDICE: EL IPC EN ESPAA.
VI.5.- CAMBIO DE BASE Y ENLACE DE SERIES TEMPORALES.
VI.6.- EL PROBLEMA DE LA DEFLACIN DE SERIES TEMPORALES.
VI.7.- PARTICIPACIN Y REPERCUSIN.

V I . 1 . -INTRODUCCIN.

r o N C E P T O Y CLASTFTCArTOM

Generalmente las magnitudes socioeconmicas varan en el

espacio y/ en el tiempo y normalmente surge la necesidad de
hacer comparaciones en funcin del tiempo y/ el espacio, tanto
por separado como por grupos o conjunto de las mismas. Con el fin
de poder realizar estas comparaciones es necesario elaborar
series de indicadores

econmicos,

siendo los NMEROS NDICE uno

de ellos.
En sntesis podemos decir que los nmeros ndice constituyen
una tcnica para analizar y comparar un conjunto de datos en
distintos momentos del tiempo y/6 del espacio.
Los nmeros ndice pueden tener distinta naturaleza:
A) NATURALEZA ESTADSTICA, cuando se obtienen sin tener en cuenta
las posibles relaciones funcionales de las magnitudes en estudio,
B)

NATURALEZA

relacin

FUNCIONAL, cuando se obtienen

suponiendo

una

funcional entre los valores de las variables y su

entorno.
Mediante

los

nmeros

ndice

se

pretende

estudiar

las

variaciones de un fenmeno complejo por medio de una expresin

que permita comparar dos o ms situaciones distintas en el tiempo
y/ el espacio.
El desarrollo terico de los nmeros ndice obedeci al
inters

por

repercusin

conocer
en

el

las

nivel

variaciones
de

vida,

de

es

los

precios

decir,

en

el

su

poder

adquisitivo del dinero; pero, actualmente, su campo de aplicacin

sobrepasa

ampliamente

este

objetivo,

puesto

que

se

pueden

utilizar para analizar las variaciones de cualquier actividad

humana

fenmeno

natural

suceptible

de

ser

cuantificado

estadsticamente. En el campo econmico son de gran utilidad para

medir variaciones de precios, salarios, produccin, empleo,
cotizaciones de bolsa, etc.
En sntesis, diremos que un nmero ndice nos informa, por
medio

de

sus

experimentado

modificaciones,
una

magnitud

sobre

(la cual

los
no

cambios
puede

que

ha

ser medida

directamente) en distintos momentos del tiempo o en distintos

lugares.
Atendiendo a la naturaleza estadstica, podemos establecer
la siguiente clasificacin de los nmeros ndice:

SIMPLES
NMEROS

SIN PONDERAR

NDICE

ARITMTICA
MEDIA SIMPLE GEOMTRICA
ARMNICA
MEDIA AGREGATIVA SIMPLE

COMPLEJOS
PONDERADOS

LASPEYRES
PAASCHE
EDGEWORTH
FISHER

VI.2.-NMEROS NDICES SIMPLES. DEFINICIN Y PROPIEDADES

Miden las variaciones de una magnitud simple, expresando,

nicamente, una relacin porcentual o unitaria entre el valor de
dicha magnitud en dos momentos o-lugares distintos que se quieren
comparar; para ello se toma como punto de referencia el valor de
la magnitud en un determinado momento o lugar, peyiodo base, y

<?..#*
tu

se miden los cambios ocurridos, respecto al periodo base, en

otros momentos o lugares.
Dada una serie temporal de una magnitud H, {H,}, los nmeros
ndice se obtienen dividiendo cada uno de los valores de la
variable en cada momento por el valor que tom la variable en el
instante de referencia (periodo base).
Definimos el ndice de la magnitud H y lo denotamos por l^.g:

fo

siendo: H, el valor de la variable en el momento t.

HQ el valor de la variable en el momento 0.
El ndice as definido nos da el tanto por uno en que se ha
modificado la magnitud H desde el periodo O al periodo t. Por
ejemplo, si
^c/o (H) = ^
"o

=1.5

quiere decir que por cada unidad de la variable H que exista en

el instante O (periodo base), en el instante t existen 1.5
unidades.
Normalmente se define el ndice en trminos porcentuales:

en este caso obtenemos el tanto ;>or ciento.

Realmente, lo que hacemos al hallar el nmero ndice es un
cambio de variable, pasamos de la magnitud H a la magnitud I(H)
y por tanto todos los estadsticos que definamos para H, estarn
definidos para I(H) y viceversa.
3

La variacin porcentual que presenta la magnitud H desde el

instante O, al actual (t), la denominamos incremento del ndice
y lo expresamos:
AJ,/o(/f) = ^^ ~ "' * 100 = . 100 - 100 =
= I,/Q(H)

100

si AIyo (H) = 20 significa que la magnitud H, desde el instante

O al t, se ha incrementado en un 20%.

PROPIEDADES DE LOS NMEROS NDICES:

la.-Existencia; todo nmero ndice ha de existii, ha de tener un
valor finito distinto de cero.

2a.-Identidad: Si se hacen coincidir el periodo base y el actual,

el nmero ndice debe ser igual a la unidad. Esta propiedad debe
cumplirse siempre necesariamente, ya que los nmeros ndice miden
variaciones

de una magnitud

entre dos periodos de tiempo

distintos (O y t) si hacemos coincidir stos , el nmero ndice

resultante no debe reflejar ningn cambio.

3 a.-Proporcionalidad:

Si en el periodo

actual

todas las

magnitudes sufre una variacin proporcional, el nmero ndice

quedar afectado por dicha variacin.
Si

H', = H,^

kH, = {l*k)H,

- 4 = -ZT^ =

"o

77

= (l^-f) ^ t

4.-Homogeneidad; Un nmero ndice no debe venir afectado por un

cambio en la unidad de medida.
4

5^. I B : , . . ^ : Si denotados po. x. un .n.ice del pe.iodo

t, referido al periodo base, t = o- al in.
"'"''
entre s- i
,i
intercambiar los periodos
lo., el nuevo ndice debe ser tal queJo/, = ^

^ -r./Q-Xo/.

Demostracin;

Entonces:

Ik = ^
^0

6 a.-Circular
A) Consideramos tres instantes del tiempo (O, t, t)
B) Tomamos la magnitud H que toma valores desde el instante t =

La propiedad circular nos dice que:

1,0 (H) * I,;,(H) * Io/,.(H) = 1
Demostracin:

H,,

Hf.

Hf.'

HQ

Como aplicacin de las dos propiedades anteriores se obtiene

la propiedad circular modificada:

Demostracin

Luego:

^ * S- = __ = j ,, =
"o

"c

"o

^
IQ/E'

8 a.-Encadenamiento
A) Consideramos tres instantes del tiempo (O, t', t) los cuales
verifican la relacin: O < t' < t.
B) Tomamos la magnitud H, desde el instante t = 0,l,...t'.,.t
hasta t = T.
Se cumple: I^QH)

= Iy,.i(H) * I,.,/,.^ (H) . . . I,/o(H)

Demostracin:

I,/oiH)

H.
'c
^t-1

H.

* ^-i.
^C-2

* _
^C-3

. . . i
^O

E
^ o

9a.-Producto
Sea una magnitud compleja R que se obtiene como producto de dos
magnitudes simples F y K. R toma valores desde
t = O, 1, ..., T
R = F X K;

{R}

t = O, 1, ..., T

Se verifica que It/o(R) = It/o(F) * It/o(K)

Demostracin;
Ic/o^R)

t/o (F)

I,,AK)

c/o

10 a.-Cociente
Si tenemos una magnitud compleja R que se obtiene como cociente
entre dos magnitudes simples F y K, se verifica:
I./o(R) = I,/o(F) / I^o(K)
Demostracin:
r,,R)

= J^ = Z ^ = ^c^oiF)
R.
FJK,
I^^^iK)

Ejemplo 1.- Con los datos de la tabla 1:

(1) Hallar los ndices simples respecto al perodo base.
(2) Comprobar

que se cumple

la propiedad

circular y la de

encadenamiento.
(3) Interpretar alguno de los ndices.

TABLA

Ht

SOLUCIN:(1)
TABLA 2

I.o(H)

H,

(1)

Io,o(H) = 4 / 4

= 1

I,,o{H)

= 5/4 =

1.25

Iro(H)

= 7/4 =

1.75

l3/o(H)

= 8 / 4 = 2

l4/o(H)

= 6/4 =

l5/o(H)

= 9/4 = 2.25

1.5

(2-A) Propiedad circular.:

I^o(H) * I..(H) * Io/,.(H) = 1
Si t = 4

t' = 5, sera:
l4/0(H) * l5/4lH) * Io/5(H) = 1

l4/o(H) = 6/4
l5/4(H) = 9/6
Io,5(H) = 4/9

1*1.1 = 1
4

(2-B): Propiedad de encadenamiento.

I.o(H) = I.,.i(H) * I..,/..2(H) * ... * I,/o(H);
para t = 5:
I5/0 = I5/4 * hn

9/4
(3):

Si

= 9/6

l5,o(H) = 2 . 2 5 ,

* I3/2 * I2/1 *

* 6 / 8 * 8/7

^uo-

* 7 / 5 * 5/4 = 2 . 2 5

s u p o n e q u e l a m a g n i t u d H ha aumentado

2.2 5 por unidad e n t r e e l periodo O y el

5.

el

VI. 3 . -NMEROS INDTrF.g COMPLEJOS

se referieren a varias magnitudes a la vez (magnitudes

complejas) y analizan sus variaciones en el espacio y/ el
tiempo.
Supongamos que una empresa tiene tres productos A, B y C;
cada uno de los cuales tiene su correspondiente precio (p^, Pg y
Pe) .

Si

nos

interesara

la

evolucin

de

cada

precio

individualmente, hallaramos los ndices simples de P^, PB Y P /

pero si lo que queremos analizar es la evolucin del precio
general de la empresa, tendremos que tener en cuenta la evolucin
conjunta de todos ellos. Esto lo podemos hacer de dos formas:
(A) Suponiendo que cada producto tiene la misma, importancia
relativa dentro de la empresa, en este caso calcularamos los
NDICES COMPLEJOS SIN PONDERAR.

(B) Suponiendo que cada producto tiene distinta importancia

relativa

dentro

de

la

empresa. Calcularamos

los NDICES

COMPLEJOS PONDERADOS.

VI.3.1.-NMEROS NDICES COMPLEJOS SIN PONDERAR

Sea una magnitud compleja H, formada por K magnitudes

simples:
H =

{H', H^,...,H''},

si queremos analizar la evolucin de H, lo

tendremos que hacer en funcin de la evolucin de las K

magnitudes simples que la forman.
I(H) = f[I(H')], es decir, el ndice de H se obtiene en funcin
de los ndices de H'.
I(H) se puede calcular de distintas formas:

-Por medio de la MEDIA SIMPLE de los ndices.

-Por la MEDIA AGREGATIVA SIMPLE.

NDICES

DE LA MEDIA SIMPLE:

1.-ndice de la inedia aritmtica simple

Es una media aritmtica de los ndices simples.

2.-ndice de la media geomtrica: En este caso se utiliza

la media geomtrica de los ndices simples (H') para calcular el
ndice complejo I^Q (H)
rji

Je

r,/o(^) =

3.-ndice de la media armnica: El promedio que utilizamos,

en este caso, es la media armnica de los ndices simples (H')
Tt/o^H) =

11

K
/if

Ejemplo 2.- Una empresa fabrica el producto H cuyos componentes

son H', H^ y H^, suponiendo que todos los componentes tienen la
misma importancia relativa en H. Calcular I^o(H) e interpretar los
resultados segn la tabla 3:

10

TABLA 3
.t

H'

H^

2
1

H' 1

SOLUCIN:
Para calcular I^oCH) :
10.-Calculamos los ndices simples (Tabla 4) con respecto al
instante t=0, CI;/o(H*)]: Ii/oH^) = 2 / 1 = 2
TABLA 4

H'

H^

H^

4/2=2

2/1=2

2/3=0.7

5/2=2.5

1/1=1

1/3=0.3

7/2=3.5

3/1=3

1/3=0.3

9/2=4.5

4/1=4

4/3=1.3

I.,.fHh

IwnH^)

I.,nfHM
1

20 .-Calculamos el ndice complejo (Tabla 5)

I^o(H) = 1/K S^i, I^o(H') :
l4,o(H) = 1/3 Ti. l4/o(H') = 1 / 3 (4.5 + 4 + 1.3) = 3.3

TABLA 5

H'

H^

H^

4/2=2

2/1=2

2/3=0.7

1/3(2+2+0.7)=1.6

5/2=2.5

1/1=1

1/3=0.3

1/3(2.5+1+0.3)=!.3

7/2=3.5

3/1=3

1/3=0.3

1/3(3.5+3+0.3)=2.3

9/2=4.5

4/1=4

4/3=1.3

1/3(4.5+4+1.3)=3.3

I,/o(H')

I,/o(H^)

1.0 (H')

11

I,/o(H)
1/3(1+1+1)=1

Interpretacin:
-unidades

por

La

cada

magnitud
unidad

H,

en

que tenia

el

momento

en el

1,

instante

tiene

i.e

O; en

el

momento 2, tiene 1.3 con respecto 0; etc.

Una
relacin

vez

calculados

al

periodo

los

inicial

ndices para

cada

podemos, calcular

instante
el

t en

incremento

porcentual que ha tenido la magnitud H desde el instante O al

periodo actual: Incremento del ndice

M./oiH)

= J,/o * 100 - 100 = ^ ^ ^

* 100

AI,/o(H) = Ii,o(H) * 100 - 100 = 160 - 100 = 60%

Al2/o(H) = l2/o(H) * 100 - 100 = 130 - 100 = 30%
Al3,o(H) = l3/o(H) * 100 - 100 = 230 - 100 = 130%
Al4,o(H) = l4,o(H) * 100 - 100 = 330 - 100 = 230%

NDICES D E LA MEDIA AGREGATIVA

SIMPLE: Considera la relacin

entre las sumas de los dos distintos valores en los dos periodos:

Estos indicas tienen todos las mismas limitaciones, destacando:

1)

Heterogeneidad

de

las unidades de medida, motivo que

nos

impide hacer comparaciones entre distintos ndices.

2) Dan la misma importancia relativa a cada componente simple
(H') de la magnitud compleja H.

12

Por estos motivos no se ha generalizado su uso, emplendose,

en la mayora de los casos, los ndices complejos ponderados, los
cuales no presentan estos problemas.

VI. 3 . 2 . -NMEROS NDICES COMPr.E.TQS PONDKRAnns

Su objetivo es solucionar los problemas planteados por los

ndices complejos sin ponderar. Los ndices complejos ponderados
tienen en cuenta
magnitudes

la importancia relativa de las distintas

simples que lo componen: w. Se ha de cumplir la

condicin de que:

para todo t, siendo k, el nmero de magnitudes simples que forman

la magnitud compleja.
Qu importancia tieno la ponderacin?: Supongamos que
queremos saber si los

precios de consumo en Espaa se han

modificado, para ello tendramos que:

13 Determinar los elementos (magnitudes) que componen el consumo
habitual de una familia,
2 2 Averiguar los precios de esos elementos,
3 2 Conocer la importancia relativa (W|) de cada elemento en el
consumo habitual de.la familia.
Es evidente que todas las familias consumen alimentos, vestido,
vivienda y energa/ pero tambin es evidente que la importancia
de cada uno de estos elementos en el consumo habitual de una
familia es muy distinta. Si diramos la misma importancia a todos
13

ellos (ndice complejo sin ponderar) obtendramos un ndice de

Precios de Consumo que poco tiene que ver con la realidad.

ndices de PRECIOS. CANTinAD Y

VAT.OP-

Antes de entrar de lleno en el problema de la ponderacin

es conveniente

analizar

los conceptos de VALOR,

PRECIO Y

CANTIDAD.
Debido al problema de la homogenizacin, en economa se
maneja el valor de los bienes, el cual se obtiene mediante el
producto: precio x cantidad.
V = P *Q
Si queremos obtener el valor de un producto.en distintos
perodos, tendramos:
perodo O

Vg = PQ * Qg

perodo 1

V, = P, * Q,

perodo 2

V2 = Pj * Q2
(1)

perodo t

Vj = Pt * Q,

Siendo Vg ... V, la serie de valores en los distintos periodos.

Las variaciones en V| vienen originadas tanto por variaciones en
los precios (Pj) como en las cantidades (Qj) .
Si dejamos fija la cantidad (suponemos que en todos los
perodos se produce o se consume lo mismo), la serie de valores
obtenida ser:

14

perodo O ,

Vg = Pg * Q

perodo 1

v, = p, * Q

perodo 2

Vj = p, * Q
(2)

perodo t

V^ = P^ * Q

Vg, V, ..., V, sera la serie de valores cuyas variaciones son

debidas, exclusivamente, a cambios en los precios.
Si dejamos fijo el precio

(suponemos que en todos los

perodos el precio es constante), la serie de valores obtenida

ser:
perodo O

Vg = P * QQ

perodo 1

V, = P * Q,

perodo 2

Vj = P * Qj
(3)

perodo t

Vj = P * Q,

Vg, V| . . . , Vt sera la serie de valores cuyas variaciones son

debidas, exclusivamente, a cambios en las cantidades.
Si

en

la

serie

de

valores

(2)

calculamos

un

ndice

obtendramos un ndice de precios:

k

E
E p^ Q'
e/o

i =l

E^o Q'
i'l

si calculamos el ndice en (3) obtendramos un ndice de

cantidad:

15

E
^' oi
i =l

ot/0

E^fco'

Al calcular el ndice en (1), obtenemos un ndice de valor;

t ^c 0
y.;o

E ^o' o

i-1

Es decir: I(V) = I(P) * I(Q)

Podemos observar que el ndice de precios (P) est ponderado
por la cantidad, mientras que el ndice de cantidad (Q) , est
ponderado por el precio, pero ninguna de estas ponderaciones est
referida a un periodo concreto. Segn el periodo a que est
referida la ponderacin tenemos los ndices de LASPEYRES, PAASCHE
y FISHER (que son los que veremos en este curso) :
-ndice de LASPEYRES, la ponderacin se refiere al ao base (W'Q) :
k

i'

i-l

16

HQ

-ndice de PAASCHE, la ponderacin se refiere al ao actual (W,) :

wi

A
iTl

IrjAH')

-ndice de FISHER:

VI.3.2.1.-NDICES D E LASPEYRES:

De forma general, llamamos ndice sinttico de Laspeyres de

la magnitud compleja (H) (formada por k magnitudes simples) en
el instante t, con respecto al instante 0:
k

L,/Q(^)

= T^^o

Ic/0^^'^

-=l'2

k;

t=0

Y lo definimos como el sumatorio de la importancia relativa de

la magnitud simple i, en el instante O, (W'Q) , multiplicada por
el ndice de la magnitud simple i en el instante t con respecto
al instante O [I^Q (H') ] :

^c/o(/) = E^o

Ic/o(^') =

i=l

Sustituyendo W'Q por su valor:

- = 1

v^

2JPo*<7o

17

En economa las aplicacin es de nmeros indi

ce se concretan
en analizar las evoluciones de precios , cantidades, si apii
a este fin el indica d T .
^PUcamos
de Laspeyres, estamos estudiando las
variaciones de orecio^ ^
^.
precios o cantidades tomando como periodo da
ponderacin el ao base.
f
ao de
Sutituyendo:

precios:

i-i
P

^./o(H')

cantidad:

<7o

El ndice de Laspeyres de

precios ser;

E ^0

P) =
i
0

i-i

'

Po'

- *

J,/oAP^) =

p - p

Po'

El ndice de Laspeyres de cantidades ser:

^t/o(?) = W lt/o(0') =
1=1

ip

Po QQ

'^0

t Pd'

1"1

18

go-^

VI.3.2.2.-NDICES D E PAASrwB

Llamamos ndice sinttico de Paasche de la magnitud compleja

H

(formada por k

magnitudes simples), en el instante t con

respecto al instante 0: P,^ (H) , a la siguiente expresin:

'c/o'^)

w'
i^l

-Z'r/o^')

El ndice de Paasche P^Q (H) lo obtenemos como inverso del

cociente entre el sumatorio de las importancias relativas de la
magnitud

simple

i en el instante t

(w/) y el ndice de la

magnitud simple i en el instante t respecto al instante O

lvo

(H')]:

E w:^

i-i

w,t

La diferencia fundamental entre los ndices de Laspeyres y

Paasche estriba en las ponderaciones, mientras que en Laspeyres,
w' se refiere al periodo base (WQ') , en Paasche se refiere al
periodo actual (w,') . Esto hace que su clculo sea ms difcil
puesto que en cada instante del tiempo hay que calcular w,':
i

Pz 1c
i-1

19

Luego Pt,.o(H) ser;

EP^'?^
^.f.(M')

Este ndice es aconsejable utilizarlo en el caso de que se

sepa que la importancia relativa de las magnitudes cambiaron a
lo largo del tiempo.
Aplicando el ndice de Paasche al estudio de las variaciones de
precios y cantidades, tendremos que sustituir:

precios:

El

-Z"t/o(^') {
Uf.

cantidad:

El ndice de Paasche de precios ser;

Pt<7t

t:p<j^ .i

tp^^^

Po

IE po^

11 = -LL^
k

E^^i
i =i

PcQc

20

El ndice de Paasche de cantidades ser:

= y^ i2i

Si = a
. Z^PtQo
i'

VI.3.2.3.-NDICES DE FISHER

Dada una magnitud compleja H, compuesta por k magnitudes simples,

se define el ndice de Fisher de la magnitud H y se denota por
F^Q (H) , como la raz cuadrada del producto del ndice de Paasche
por el ndice de Laspeyres:

El

ndice de Fisher para precios vendr dado por la

siguiente expresin:
^L,,,iP')*P,/,(P')

F,/o(P') =

Y para cantidades, tendremos la expresin;

Fc/o(C') =

^lL,/o^O')*P,/o(0')

21

EJ..PXO 3.- con X. inforaci6 ae 1. tabla 6 sobr. p.ecios

.

cantiaa.es

ven.iaas

,.n . U e s

.e pesetas, Ce

.ete^.na.os

artculos.
calcular (para 1989, con resoecto .^
^
irespecto al ano base, 1987)
(1).-Los ndices de precio y cantidad de Laspeyres.
(2).-Los ndices de precio y cantidad de Paasche.
(3).-Los ndices de precio y cantidad de Fisher.
SOLUCIN:
(1) Utilizando la tabla 7, tenemos:
A.-ndice de precio de Laspeyres:
TABLA 6

A O S
BIENES

1987

1988

50

150

60

Judias

150

430

Aceite

180
1000

Pan

Pescado

1989
P

140

75

135

180

450

200

460

300

200

310

220

325

250

1150

270

1300

300

TABLA 7
BIENES

P87 Q87

P87 Q89

P89 Q87

P89 Q89

PAN

7 500

6750

11250

10125

JUDIAS

64500

69000

86000

92000

ACEITE

54000

58500

66000

71500

PESCADO

250000

300000

325000

390000

SUMAS

376000

434250

488250

563625

22

P89

s,/s.(P)

B.-ndice

=^
fi

Qai'

^i

* 100 = 1 8 2 5 0
376000

^
19.85%

de c a n t i d a d de Laspeyres;

QS9

.3,/.(^)

= ^ ^ . 1 0 0

= llil|.X00

= 115.4S%

i'i

(2) Segn la tabla 7:

A.-ndice de precio de Paasche;

?89 ^89

Ps9/S7P)

= ^f^f'

* 100 = H i m 100 = 1 2 9 . 7 9 %
434250

^ ^789 p87
=l

B.-ndice

de c a n t i d a d de Paasche:

P89/87(?) = -T^^
^'^^
A i

* 100 = ^^lllll,
* 100 = 1 1 5 . 4 4 %
488250

^ 9'87 p 8 9

(3) De (1) y (2) obtenemos:

A.-ndice de precio de Fisher;
F,,,,,iP)

= ^L,,,,,(P)

* Pa9/37<^) = 7129.85% * 129.79% = 129.82%

23

B.-ndice de cantidad de Fisher:

^39/ai.^O) = ^i^s^/sjiQ)

* ^39/37(0 = ^ilb.49% . 115.44% = 115.46%

VI. 4. -ELABORACIN DE tlN NUMERO NDICE: EL IPC FN ESPAA

Al elaborar un nmero ndice complejo hay que tener en cuenta:

1)Seleccin de variables
El ndice es una sntesis del grupo o conjunto de variables
a que se va a referir (consumo, produccin, etc.),por tanto hay
que elegir los artculos o conceptos ms relevantes dentro del
grupo, los cuales debern estar perfectamente especificados con
el fin de evitar ambigedades.
2)Seleccin de los lugares y tiempos de observacin
Una vez definidos los artculos que forman el grupo de
variables, hay que obtener los valores numricos correspondientes
a precios y/o cantidades de los artculos seleccionados. Estas
observaciones deben ser recogidas siempre en los mismos lugares,
tambin deber especificarse el momento o intervalo de tiempo en
el que se recoge el dato.
Tanto los lugares como los tiempos de observacin deben ser
seleccionados en funcin de la importancia del concepto dentro
del grupo, frecuencia o significacin.
3) Seleccin de la base
Dado

que

el

tiempo

es

el

trmino

de

referencia

comparacin, debe elegirse un tiempo o poca normal. Por ejemplo,

para

un

ndice

de

precios

no

debe

elegirse

una

poca

especialmente inflacionista (ao 1992) y para uno de produccin

24

agrcola nunca se elegir un ao de cosecha excepcionalmente

buena o mala.
4) Seleccin de frmulas de ponderacin
Las distintas frmulas tienen una estrecha vinculacin con
las ponderaciones y stas con la disponibilidad de datos y el
coste de elaboracin del ndice. El ndice ms costoso es el de
Fisher,

seguido del de Paasche, y el ms barato es el de

Laspeyres, puesto que slo necesita las ponderaciones del ao

base.
5) Representatividad del ndice
Existen dos puntos de vista:
a) El nmero de variables seleccionadas implica mayor o menor
cobertura.
b)

Considerando

el

ndice

como

un

promedio,

ser

ms

representativo el que sea menos disperso.

EL N D I C E D E P R E C I O S DE CONSUMO EN ESPAA: IPC

El Indica da Precios de Cons\uno (IPC) , antes llamado ndice
del Coste da la Vida, es un ndice de precios, que en Espaa
elabora el Instituto Nacional de Estadstica (INE) utilizando la
frmula de Laspeyres y referido a los bienes y servicios que
definen un cierto nivel de vida, sto implica determinar en
primer lugar a qu nivel de vida nos referimos y dado que ste
viene determinado por la renta, para elaborar el IPC hay que
definir los niveles de renta de la poblacin que es objeto del
estudio, es decir, determinar el estrato da referencia, que
normalmente cubrir del 80 al 90% de la poblacin total.
En

segundo

lugar

es necesario determinar qu bienes y

25

servicios son los consumidos por el estrato de referencia, este

conjunto de bienes y servicios constituir la cesta de la compra
interviniendo en ella los bienes y servicios de consumo ms
frecuente y comunes.
Para su eleccin se parte de la Encuesta de Presupuestos
Familiares

(EPF)

la

cual

se elabora

investigando, mediante

muestreo, una fraccin representativa de la poblacin a la que

se interroga sobre todos los gastos efectuados por la familia.
La investigacin cubre un lapso de tiempo entre 6 y 12 meses con
objeto de evitar los periodos de gastos anormales.
Una vez establecida

la cesta de la compra se valora a

precios del periodo actual y posteriormente se relaciona esta

valoracin con la correspondiente al periodo base para obtener
as la evolucin del ndice.
En Espaa se elabor el primer ndice del Coste de la Vida
tomando como ao base 193 Posteriormente se fue cambiando la
base (1958, 1968, 1976, 1983 y 1992).
En 1977 se cambia la denominacin del ndice pasando a ser ndice
de Precios de Consumo (IPC). En la EPF que sirvi de base para
el ndice de 1976, realizada en 1973-74 el estrato de referencia
eran los hogares pluripersonales con una renta anual comprendida
entre 81000 y 720000 pts., estaban representados el 71.5% de los
hogares y el 81.5% del gasto. Inclua 378 parcelas de consumo.
En 1980-81 se realiza otra EPF con el mismo estrato de
referencia que en 1973-74, sin embargo en esta ltima la renta
familar est comprendida entre 322575 y 2000000 de pts.; la
cobertura es del 79% de los hogares, el 86.1% de las personas y
el 85.4% del gasto, incluyendo 428 parcelas de consumo. Esta
26

encuesta se utiliz para elaborar el IPC con base 1983 que estuvo
en vigor hasta diciembre de 1992.
Desde el l de abril de 1990 al 31 de marzo de I99i se
realiza una nueva EPF que sirve para elaborae un nuevo IPC con
base 1992 en el cual el estrato de referencia incluye a toda la
poblacin que reside en viviendas familiares y se considera como
gasto de consumo "el flujo monetario que destina el hogar y cada
uno de sus miembros al pago de bienes y servicios. . . . con destino
al propio hogar o para ser transferidos gratuitamente a otros
hogares o instituciones" (EPF 1990/91). Para seleccionar los
bienes y servicios que constituyen la casta da la compra del IPC
1992, los 911 grupos de gasto en que se clasifica la EPF se han
agregado en 437 parcelas de consumo que incorporan 471 artculos
que

son

los

que

se

utilizan

para

calcular

el

ndice

correspondiente a sus respectivas parcelas. Las 437 parcelas de

consumo se clasifican en 8 grupos de gasto, (tabla 13) que son
los mismos que en el IPC de base 1983.
TABLA 8
GRUPOS

Na DE PARCELAS

Alimentos, bebidas y tabaco

171

Vestido y calzado

56

Vivienda

24

Menaje

56

Servicios mdicos y sanitarios

18

Transporte y comunicaciones

26

Esparcimiento, enseanza y cultura

40

Otros bienes y servicios

37

27

Dentro de cada parcela se seleccionan uno o ms artculos

para representar a todos los que la integran, siendo los precios
de estos artculos seleccionados, los artculos mustrales, los
que se utilizan para calcular el ndice de cada parcela y con los
precios de las 428 parcelas de consumo se obtienen los siguiente
ndices oficiales:
Los ndices de los 8 grupos de gasto.
El ndice general para el total nacional.
El ndice general para el total nacional urbano.
El ndice general para el total nacional no urbano.
El ndice general para capitales.
El ndice general para comunidades autnomas.

Ponderaciones
En el clculo del IPC los precios de los distintos artculos
estn ponderados segn la importancia que el consumo del artculo
correspondiente tiene en el estrato de referencia. El INE obtiene
una estructura de ponderaciones distinta para cada uno de los
conjuntos

primarios

y por agregacin de stos

llega a las

estructuras de los diferentes niveles de clculo del ndice.

(Para los 8 grupos de gasto):

28

TABLA 9
GRUPOS (IPC base 1992)

PONDERACIN EN%

Alimentos, bebidas y tabaco

29.4

Vestido y calzado

11.5

Vivienda

10.3

Menaje

6.7

Servicios mdicos y sanitarios

3.1

Transporte y comunicaciones

16.5

Esparcimiento,enseanza y cultura

7.3

Otros bienes y servicios

15.3

La evolucin de las ponderaciones desde 1976 hasta 1992 ha

sido la siguiente:
TABLA 10
GRUPOS

1976

1983

1992

40.5

33.0

29.4

2.-Vestido y calzado

8.2

8.7

11.5

3.-Vivienda

14.0

18.6

10.3 .

4.-Menaje

7.8

7.4

6.7

5.-Servicios mdicos y
sanitarios

3.4

2.4

3.1

6.-Transporte y
comunicaciones

9.7

14.4

16.5

7.-Esparcimiento,enseanza y
cultura

6.9

7.0

7.3

8.-Otros bienes y servicios

9.5

8.5

15.3

100

100

100

1.-Alimentos, bebidas y
tabaco

Como

se

ponderaciones

puede
del

IPC

observar
intentan

en

la

recoger

anterior

tabla,

los cambios

que

las
se

producen en los hbitos de consumo de la poblacin lo cual queda

patente si nos fijamos en el grupo 1, que ha bajado el 11.1%

29

desde 1976, y los grupos 6 y 8, que han subido un 6.8% y un 5.8%

respectivamente desde 1976.
Mtodo de clculo; Como hemos dicho, se utiliza el ndice de
precios de Laspeyres:

^Uo^P)

= ^f

* 100;

(1)

tp,' g

La cantidad para el artculo i (qo') se ha obtenido en cada

conjunto primario aplicando la frmula qo" = CgVpo', siendo CQ' la
cantidad, en pesetas, gastada durante el ao de la encuesta, en
el articulo i.
La frmula (1) tambin puede sxpresarse:
k

^t/0 = E "^ol/o * 10 0
i-1

Donde 1/ es el ndice simple del artculo i y WQ' su ponderacin:

r

_ -Pe .

i -

-Poo

ipQ

i-i

Las ponderaciones permanecen fijas, generalmente, durante

todo el periodo de vigencia del ndice.
La recogida de precios se realiza siempre en el mismo
establecimiento, a intervalos regulares de tiempo y sin tener en
cuenta precios especiales por ofertas.

30

VI. 5. CAMBIO DE BA.qF V ENLACE DF SERIES TEMPQRAr.F.cj

En el transcurso del tiempo tienen lugar cambios en los

elementos que componen un nmero ndice, cambia la produccin,
los hbitos de consumo, desaparecen productos de consumo habitual
al mismo tiempo que aparecen otros nuevos, etc. Es decir, al cabo
de cierto tiempo el conjunto de variables seleccionadas puede que
haya dejado de ser representativo. En cuanto a las ponderaciones
(si se eligieron los datos del ao base) es posible que no se
ajusten a la estructura del consumo actual.
Cuando sto sucede hay que iniciar de nuevo el proceso:
renovar el ndice con una nueva base.
Al modificar la base de un sistema de nmeros ndice se
produce, generalmente, una ruptura en la continuidad de las
series, que desde un punto de vista terico no admite solucin
cuando el cambio de base realizado introduce modificaciones tanto
en la cobertura y clasificacin de los artculos como en sus
ponderaciones. No obstante, como se necesitan series continuadas
que permitan realizar predicciones y estudios sobre la evolucin
histrica de los nmeros ndice, todos los pases al realizar un
cambio de base buscan un procedimiento que permita enlazar las
series con el menor deterioro posible del rigor cientfico.
El procedimiento de enlace generalmente aceptado es buscar
un coeficiente de enlace por el cual se multiplican los ndices
de la base antigua para hacerlos congruentes con la nueva base.
De esta forma se prolongan hacia

atrs

los ndices con la nueva

base. Si lo que se desea es prolongar hacia

delante

los ndices

de bases anteriores se usar el coeficiente como divisor de los

31

ndices correspondientes a la nueva base.

En la prctica el enlace de series de nmeros ndice se
realiza:
1) ndices simples
Para realizar el cambio de base nos apoyamos en la propiedad
circular modificada:
I>/o(H) * I,,,(H) = I,,,o (H)
Si tenemos un ndice en el periodo t referido al periodo O y
queremos ese mismo ndice referido a t", estamos realizando un
cambio de base del periodo O al periodo t', es decir, tenemos que
calcular I^,,. (que lo obtendremos de la expresin anterior) :

2) ndices complejos, aunque no cumplen la propiedad circular,

actuamos como si lo hicieran y aplicamos el mismo procedimiento
que en los ndices simples, lo que hacemos es multiplicar el
ndice dado I^Q por el ndice del ao t=0 con base en el nuevo
periodo (t'):
I,/o(H) * Io/f(H) = I. (H)
Donde t: es el ao del cual queremos calcular el ndice en una
nueva base (t') .
0: es el periodo base antiguo.
t': nuevo periodo base.
Esta propiedad nos dice que el ndice del ao t en base t' (I,/,) ,
es

igual

al

ndice de ese mismo ao en la base t=0

(I,/o) /

multiplicado por el ndice del ao base en base t do/,), donde

32

Es decir:

^-"" = 4

El ndice del ao t en la nueva base t' (I^,.(H)) es igual al

cociente entre el ndice del ao t en base o (I^Q (H) ) y el ndice
del ao t' en base O (1^..Q (H) ) .

Ejemplo 5.-Dada la serie del ndice de Precios de Consumo

(IPC) de los aos 1988-1992 con base 1983 = lOO y la misma serie
referida a los aos 1992-1994 con base 1992 = 100 (tabla 9) .
Calcular la serie homognea de IPC de los aos 1988-1994 con base
1992.
SOLUCIN (tabla 10) :
I^/^AIPC)

^^ '.^A"",'. * 100

:,y^iipc)

Donde t: ao que queremos calcular.

t": nuevo ao base (92)
0: ao base antiguo (83)
I , (IPC)
^88/92 ^-^^-'

= -^88/83 (-^^^^
1,2/33 ( I P C )

^ 100

Es posible que nos interese hacer el procedimiento contrario, es

decir, pasar de base 92 a base 83, en este caso tendramos:

33

100
Donde t: a

no q^e queremos calcular,

f: nuevo ao base (83)

0: ao base inicial (92)
-^93/83 (-TPC) = ^i/fL_lJk/83(-Z"^C)
100

TABLA 11

TABLA 12

34

yi-S.

-EL PROBLEMA DE lA DEFLACIN DE SFRTES TEMPORAr.Pg

En economa existe la necesidad de comparar el valor (precio

por cantidad) de las magnitudes econmicas a lo largo del tiempo.
Cuando esa valoracin ha sido hecha siempre a los precios del
mismo periodo base (precios constantes) podemos realizar la
comparacin directamente. En cambio, si la valoracin ha sido
hecha en cada periodo al precio correspondiente al mismo (precios
corrientes) no podemos realizar la comparacin directamente
porque la serie no es homognea. En este caso tenemos que
expresar la serie en precios constantes (referidos al mismo
periodo base).
Para pasar de una serie en precios corrientes a otra en
precios constantes tenemos que dividir la primera por un ndice
de precios y sto es lo que se conoce como DEFLACIN de una
serie. Al ndice de precios elegido para realizar el proceso se
le

llama

DEFLACTOR.

Normalmente, el ndice utilizado para

deflactar es el IPC.
Cuando tenemos los valores de una magnitud a precios
corrientes y a precios constantes (valor de la magnitud en el ao
base) podemos obtener un ndice de precios de dicha magnitud el
cual se conoce como el deflactor implcito y es igual al cociente
entre la magnitud a precios corrientes y a precios constantes
multiplicado por cien.
P^S corr anca ^ ^QQ = deflaccoz
"^"conscanca

35

implcito

del PIB

Ejemplo

6.-El

valor del PIB

(producto interior bruto a

precios de mercado) a precios corrientes en el ao 1994 fue de

64673 (miles de millones) , en el mismo ao el PiB alcanz un
valor de 40511.6 (miles de millones) a precios constantes. El
deflactor del PIB en el ao 1994 es:
^^^^3 -100=159.64
40511.6

Ejemplo

7.-Con

los

siguientes

datos

(tabla

ii)

sobre

cantidades gastadas en lotera en una ciudad en los aos que se

especifican

el

IPC

de

esos

aos.

Expresar

las

citadas

cantidades en pesetas constantes de 1985.

TABLA 13
AOS CANTIDAD EN(PTS. CORRIENTES)

IPC BASE 1983

85

1841250

120.,0

86

2345168

130-,5

87

2654896

137,,4

88

2972154

144,. 0

89

3281562

153 . 3

90

3456917

164 . 1

SOLUCIN (tabla 14):

En primer lugar tenemos que pasar el ndice de precios de base
83 a base 85:
Tpr
= -^^^g^/" * 100 = ^^' * 100 = 100
-'^<-85/85
JPC85/83
120.0

36

IPCss^ss

= ^

100 = i | 2 ^

-''^^35/93

. 100 = 1 0 8 . 7 :

120,0

TABLA 14
ANOS IPC BASE 1985

CANTIDAD (PTS.CONSTANTFS HE 1985^

85

100

1841250 = (1841250/100)*100

86

108.75

2156476 = (2345168/108.75)*100

87

114.58

2317000 = (2654896/114.58)*100

88

120.00

2476795 = (2972154/120.00)*100

89

128.17

2560386 = (3281562/128.17)*100

90

136.75

2527910 = (2356917/136.75)*100

VI.7.-PARTICIPACIN Y REPERCUSIN

Como ya hemos visto, el ndice de una magnitud compleja H,

[I(H')], formada por k magnitudes simples se construye a travs
de los ndices de las magnitudes simples; por lo tanto si el
ndice de la magnitud simple H' cambia, como consecuencia de
ello, se va aproducir un cambio en [I(H')]. La cuanta de ese
cambio va a depender de la importancia relativa

(w') que el

ndice de la magnitud simple tenga en el ndice complejo.

Si tomamos como ejemplo el ndice de precios.construido con
la frmula de Laspeyres tendremos:

Si suponemos que la magnitud i aumenta su precio en Ap/,

como

consecuencia

de ello, en el ndice de precios de esa

37

^e/o

i =l

= ^r^
k

*100

=l

magnitud i se va a producir un aumento (Al') que repercutir en

el ndice general, pero esta repercusin (R,) va a depender de la
importancia relativa que la magnitud i tenga en el ndice
general:

Esta repercusin la podemos expresar en relacin al ndice

general, obteniendo entonces la repercusin porcentual: R, %

Por otro lado, el aumento en p' va a producir un incremento

en el ndice general, es decir, cada magnitud simple tiene una
participacin en las variaciones del ndice general, la cual va
a depender, tambin, de la ponderacin de cada ndice simple y
la expresamos como:
P. = -Ri^ * i o o

Cumplindose que:

38

i-1

Ejemplo 8.-El IPC de 1990 con base 1983 fue 164.1. El precio
de un artculo i en esa fecha era de 70 pts y en el ao base 50
pts, sila ponderacin de ese artculo es del 0.5%. Calcular:
l.-La repercusin, en porcentaje, del precio del artculo i entre
el ao base y el ao 1990.
2.-La participacin que ha tenido este artculo en el incremento

del IPC entre 1983 y 1990.

3.-Si en momento t=1990 el precio de este producto subiera 5 pts,

j
i

cul sera el aumento que se producira en el IPC?

SOLUCIN:

|
I

i
I

1.- 1^^0/83 =164.1

-^90/83 (^') = ^

MiH^)

* 100 = li * 100 = 140%

= 140 - 100 = 40%

R = AJ(tf^) * w^ ^ 40 * 0.5 ^ Q2
'^

100

=l

39

}
I

^-^epercusin en porcentaje:
= -2
2. - A J P C ,

R.^ = _ _ _ j ^

0/33 = 1 6 4 . 1 - 1 0 0 = 6 4 . 1

p. = i
' ' A r f e - 1 " ^ . 100 = 0 . 3 1

^i

; ; : : : : : : " ^ " " ^ " ^

loo =0-05

^^ ^^ ~

Por i o rariCo AJPC = 0 . 0 5

40

^ ^ - ^ . .

EJERCICIO 1 ;
Dados los precios y cantidades de tres artculos A

B y c

desde 1936 a 19,0; calcular los ndices de precios y cantidades

de Laspeyres, Paasche y risKer para cada ao to.ando co^o ao
base 1986. Renovar los ndices de Paasche t c a n d o como afto base
1988.
Aos

Artculo A

PRECIO

Articulo B
Arricuio B

Artculo C

CANTIDAD

PRECIO

CANTIDAD

PRECIO

CANTIDAD

100

32

105

40

200

35

105

35

100

45

210

1988

41

112

43

110

47

215

1989

45

120

45

115

50

220

1990

56

125

50

123

55

225

1986
1987

30

A) ndices de Laspeyres:

PRECIOS

CANTIDAD

1986

100

100

1987

112.6393

102.7159

1988

125.4526

107.7994

1989

133.8788

111.9777

1990

152.1588

116.1978

41

B) ndices de Paasche:

PRECIOS

CANTIDAD

1986

100

100

1987

112.7119

102.7821

125.4974

107.8379

1989

134.1729

112.2237

1990

152.9726

116.8192

1988

C) ndices de Fisher:

fKlUSlOS

CANTIDAD

1986

100

100

1987

112.6756

1988

125.475

107.8187

1989

134.0258

112.1006

1990

152.5651

116.5081

, 102.749

D) ndice .de Paasche renovado:

1988=100

1986=100

1988=100

1986=100

1986

79.68292

100

92.73177

100

1987

89.8121

112.7119

95.31163

102.7821

1988

100

125.4974

100

107.8379

1989

106.9129

134.1729

104.067

112.2237

1990

121.893

152.9726

108.3285

116.8192

42

EJERCICIO 2:
Conocidos los costes de una empresa durante los aos 1985 a 1990
y el IPC con base 1983 en el mismo periodo, se pide calcular los
ndices

de

coste

con

base

1985

en

trminos

corrientes

constantes.

COSTES

IPC(1983=100)

1985

5542135

120

1986

6723086

130.5

1987

6985756

137.4

1988

7035211

144

1989

7681276

153.8

1990

8125679

164.1

ANOS

SOLUCIN;
AOS IPCgj

IPCs

COSTES

1^85 (CORR)

1,85 (CTE)

1985

120

100.00

5542135

100.00

100.00

1986

130.5

108.75

6723086

121.31

111.55 (1)

1987

137.4

114.50

6985756

126.05

110.09

1988

144

120.00

7035211

126.94

105.78

1989

153.8

128.17

7681276

138.60

108.14

1990

164.1

136.75

8125679

146.62

107.21

(1)
A)

IPQ,,g5 = IPC86/83 /

IPC, = ( 1 3 0 . 5 / 1 2 0 ) *100 = 1 0 8 . 7 5

B) 186/85 COSTES (CORR) = (COSTES^JCOSTES,,) * 1 0 0 =

(6723086/5542135)*100
C) 1,6/85 COSTES(CTE)

121.31

= (Ija/ssCOSTES (CORR)/IPCgs/js) * 100 =

(121.31/108.75)*100

111.55
43

EJERCICIO 3:
Se dispone de la siguiente informacin estadstica sobre el IPC
con base 1983 =100:

GRUPOS

Wi

Alimentos, bebidas y tabaco

-12.91/83

33.03

181.1

8.7

188.4

Vivienda

18.6

170.6

Menaje y servicios del hogar

7.4

167.3

Servicios mdicos y
conservacin de la salud

2.4

178.2

Transportes y comunicaciones

14.4

166.5

Esparcimiento deporte y
cultura

6.96

171.0

Otros gastos

8.5

205.3

Vestido y calzado

Calcular:
l.-El ndice general de precios de consumo correspondiente a
diciembre de 1991.
2.-La repercusin y participacin de cada grupo en la variacin
del ndice general en diciembre de 1991 respecto al ao base.

SOLUCIN

E i^^o
1--

IPC,2. 91

i'

( 1 8 1 . 1 * 3 3 . 0 3 + 1 8 8 . 4 * 8 . 7 + 1 7 0 . 6 * 1 8 . 6 + 1 6 7 . 3 * 7 . 4 + 178.2
* 2 . 4 + 1 6 6 . 5 * 1 4 . 4 + 1 7 1 . 0 * 6 . 9 6 + 2 0 5 . 3 * 8 . 5 ) / 1 0 0 = 177.92

44

2-A) La repercusin de cada grupo

sera;

^i
i'l

^ _ A I ^ ^ (181.1-100)33.03 _ 26 7^70,
f
i
loo
-26.787%
'O

i-i

Rj = 7 . 7 2 6 %
R3 = 13.110%
R4 = 4 . 9 8 7 %
R5 = 1 . 8 6 9 %
R = 9 . 5 6 3 %
R7 = 4 . 9 4 2 %
Rg = 8 . 9 7 2 %

La suma de l a s repercusiones de todos los grupos ha de ser igual

a la v a r i a c i n del ndice general:

AI
12.91 = 177.92 - 100 = 77.92
3

J^Ri

= 11 .92

i'l

2-B)

La p a r t i c i p a c i n de cada grupo en la variacin del

general

es:

45

ndice

"
P, =

MPC

(25.787/77.92)

P2 =

9.92%

P3 =

16.82%

P4 =

100

= 34.38

6.4%

P5 = 2 . 4 %
P =

12.27%

P7 =

6.34%

Pg = 1 1 . 5 %

Se tiene que verificar que:

s

= 100

EP

34.38 + 9.92 + 16.82 + 6.4 + 2.4 + 12.27 + 6.34 + 11.5 = 100

EJERCICIO 4;
El siguiente cuadro muestra las ponderaciones de los 8 grupos de
gasto del IPC (base 1992=100)

GRUPOS

PONDERACIN EN%

Alimentos, bebidas y tabaco

29.4

Vestido y calzado

11.5

Vivienda

10.3

Menaje

6.7

Servicios mdicos y sanitarios

3.1

Transporte y comunicaciones

16.5

Esparcimiento,enseanza y
cultura

7.3

Otros bienes y servicios

15.3

46

calcular el IPC general en el periodo t suponiendo que cada

grupo tiene las siguientes variaciones: 5%, 7%, 10%, 12%, 6%, 9%,
14% y 8%, respectivamente; del periodo O al t.

SOLUCIN:

TPC

i,V/2
= -^'^

tw^\
=l

I'

GRUPOS

W'o

29.4

105

30.87

11.5

107

12.31

10.3

110

11.33

6.7

112

7.50

3.1

106

3.29

16.5

109

17.99

7.3

114

8.32

15.3

108

16.52

VPo*l'

IPC,/32 = 1 0 8 . 1 3

-Lli

= 12
100

i'l

47

= 108.13

Grupo

ndice /85

Alimentos
Vestidos
Vivienda
Menaje
S. mdicos
Transportes
Esparcimiento
Otros

130,2
128,0
120,1
130,0
121,7
119,3
125,4
135,2

Ponderacin

33,03
8,74
18,57
7,41
2,39
14,38
6,96
8,52

ndice /86

136,9
134,1
122,1
131,5
123,8
121,3
129,6
137,9

100

I85*wi

I86*wi

4300,506
1118,72
2230,257
963,3
290,863
1715,534
872,784
1151,904

4521,807
1172,034
2267,397
974,415
295,882
1744,294
902,016
1174,908

126,4387

130,5275

4,08885

Determnese las repercusiones de cada uno de los grupos en la variacin sufrida

por el ndice general el 1986
186-185

Alimentos
Vestidos
Vivienda
Menaje
S mdicos
Transportes
Esparcimiento
Otros

6,7
6,1
2
1,5
2,1
2
4,2
2,7

Suma repercusiones

wi

33,03
8,74
18,57
7,41
2,39
14,38
6,96
8,52

Ri

Ri(%)
Participacin
Ri/lg85*100 R/Sum(R)

2,2130
0,5331
0,3714
0,1112
0,0502
0,2876
0,2923
0,2300

1,750263
0,421659
0,293739
0,087908
0,039695
0,227462
0,231195
0,181938

4,08885

3,23386

54,12 ms afectado
13,04
9,08
2,72
1,23 menos afectados
7,03
7,15
5,63

TEMA 7

%'

60

Tema VII : Intrcxiuccin a l a P r o b a b i l i d a d

I. Conceptos fundamentales.
II. Definiciones de probabilidad.
III. Probabilidad condicional.
IV. Sucesos independientes,
V. Teorema de la probabilidad Total.
VI. Teorema de Bayes.
VII. Ejercicios resueltos.

I.

Conceptos fundcunentales.

- Fenmenos deterministas.- Son aquellos que al realizar un

experimento siempre se sabe a priori el resultado del mismo. Por
ejemplo, si soltamos el bolgrafo sabemos de antemano que se
caer al suelo.
- Fenmenos aleatorios o estocasticos.- Son aquellos que al
realizar un experimento no se sabe con seguridad el resultado a
priori del mismo. Por ejemplo, en las previsiones climatolgicas
de los telediarios, a veces, nos pronostican lluvia para maana
y luego no llueve.
Cuando en un experimento intervienen fenmenos estocasticos
se les denominan experimentos aleatorios. Estos se caracterizan
por:

18) Se saben cuales pueden ser los posibles

resultados

del

experimento.
Por ejemplo, maana puede llover, salir el sol,
estar nublado, etc.... Al tirar una moneda al aire puede salir
cara o cruz.

22) Es imposible
de realizarlo.

saber el resultado

del experimento

antes

Por ejemplo, al lanzar una moneda al aire no sabr

si sale cara o cruz hasta que la moneda caiga.

3s) Con las mismas condiciones

pueden

ser diferentes.

iniciales,

los

resultados

La misma persona lanzando al aire la misma

moneda obtendr una veces caras y otras cruces.

Como ejemplos de experimentos aleatorios tenemos;
a) En el lanzamiento de un dado, conocemos los posibles
resultados {1,2,3,4,5,6>, pero no sabemos cual saldr hasta
despus de que lo lancemos.

b) El tiempo de vida de una bombilla, no sabemos cundo se

fundir.
c) La demanda de helados para la semana que viene. Si la
prxima semana hace fro, es posible que caiga su demanda.

- Espacio muestral asociado a un experimento aleatorio (W).Es el conjunto de posibles resultados de un experimento
aleatorio. Por ejemplo, al tirar un dado al aire los posibles
resultados son las seis caras del dado: W={1, 2, 3, 4, 5, 6}.
Los tipos

de espacios mustrales son:

a) Finito, cuando contiene un nmero finito de resultados.

Por ejemplo, el dado solo tiene seis caras.
b) Infinito numerable: El espacio muestral tiene infinitos
resultados, y estos se pueden ordenar numricamente. Por ejemplo,
todos los subconjuntos posibles que se puedan formar con los
nmeros naturales.
c) Infinito: Formado por los infinitos resultados que hay
en un intervalo.

- Sucesos o eventos.- Dado un experimento aleatorio,

llamaremos suceso a cada uno de los posibles resultados que se
puedan dar en el experimento. Por ejemplo, al lanzar una moneda
al aire hay dos sucesos posibles: cara (C) o cruz (X).
II.
Definiciones de probabilidad.- En general, la
probabilidad de un suceso, P(A): es una medida de la creencia de
que en el experimento resultar el suceso (A).

Para darle sentido a este concepto, supongamos que lanzamos

muchas veces (N=1.000) una moneda al aire, el suceso (C) "salir
cara" ha salido n=700 veces, entonces se considera la
probabilidad del suceso P(C) como:

P(C) = Jl = -I0- = 0'7

N

(1)

1.000

Esta interpretacin prctica del significado de la

probabilidad: casos favorables (n) entre los casos posibles (N),
la interpretacin ms utilizada por los no especialistas, es la
definicin clsica (de Laplace) de probabilidad, solo intenta
explicar la frecuencia de los distintos resultados; por eso,
tambin se le llama concepto de frecuencia relativa de la
probabilidad.
Adems, la probabilidad de un suceso debe cumplir ciertas
propiedades derivadas del concepto de frecuencia relativa de la
probabilidad:
18) Si un suceso (A) es imposible, entonces la probabilidad
de que ocurra es cero: P{A) = 0. Por ejemplo, al lanzar un dado
que salga el nmero 7.

29) Si un suceso (B) seguro que ocurre, entonces su

probabilidad es uno: P(B) = 1. Por ejemplo, la probabilidad de
obtener alguno de los siguientes resultados al tirar un dado al
aire P(W) = {1, 2, 3, 4, 5, 6} es uno, ya que estamos recogiendo
todos los resultados posibles.
32) Los posibles valores de la probabilidad de un suceso
P(A), se distribuyen entre el cero y la unidad. Un valor ms
prximo a uno indica una mayor probabilidad de ocurrencia para
el suceso A.
La consideracin de la probabilidad de un suceso en trminos
4

C]

m
w^^^
\vf ?

de frecuencia relativa es intuitivamente aceptable pero no

proporciona una manera formal para determinar la probabilidad de
un suceso.

- Definicin axiomtica de probabilidad.Para evitar polmicas tericas acerca de la probabilidad,

en la dcada de los aos treinta, se formul la siguiente
definicin axiomtica de la probabilidad:
Sea W un espacio muestral, y sea E una aplicacin del
algebra de conjuntos sobre W. Una funcin de probabilidad es una
aplicacin:
P: E = R

2)

que cumple los siguientes axiomas:

1^) V A e E ; P(A) 0.

(3)

2) P(W) = 1
3^) Para cualquier

sucesin

A {n=l, ...,) c

donde los sucesos son excluyen tes dos a dos (A^ f) Aj = 0 ) ,

se cumple:

Teorema 1: La probabilidad del suceso imposible es igual a cero.

4)
P(0) = 0
* '
Teorema 2: Sean dos sucesos A y B cualesquiera, cuya interseccin
es diferente de cero, la probabilidad de la unin ser:
P(A\JB)

= P M ) ^ P{B)

-PAHB)

^^^

---

;.

;^"-^=*^--.--~w

" "

"

'

'

'

'

''

^-^TT-'.-'-"'""

Teorema 3:
Cuando A <= en B entonces

P(A) i P(B)

III.
Probabilidad condicional.Sean dos sucesos A y B, llamaremos probabilidad condicional a la
siguiente expresin:

PiA/B)

=I l A ^ .

con

P(B) > O

(7)

que se interpreta como la probabilidad

de que ocurra el suceso
A dado que ha ocurrido el suceso B. La raya inclinada en la
expresin P{A/B) se lee "dado que" y los sucesos que aparecen a
la derecha de dicha raya son los que ya ocurrieron. Por ejemplo,
realizamos el experimento aleatorio de lanzar un dado al aire y
se pide hallar la probabilidad del suceso A "salir el 1"
condicionado a que ocurra el suceso B "impar". El espacio
muestral de este experimento esta formado por las seis caras del
dado W = {1, 2, 3, 4, 5, 6}, la probabilidad de que ocurra el
suceso A y B es:
PAO

B)

= ^

(8)

la probabilidad de que sea impar, es decir, que ocurra B es:

P'(B) = (casos favorables / casos posibles) = 3/6

Por lo tanto, la probabilidad condicional ser:

^^^^^^

PB)

3/6

'V.r"

IV.
Sucesos independientes.- Se dice que dos sucesos A y B
son independientes si el hecho de que ocurra uno no influye sobre
la ocurrencia del otro:

PU/B)

= ^^tPj^

= ^(^) ' con

P(fl) > o

(10)

P\.B)

Despejando, nos resulta que la probabilidad de la interseccin

de dos sucesos independientes coincide con el producto de sus
probabilidades:
P{A n S) = P(A)

* P{B)

(11)

V. Teorema de la Probabilidad Total.- Sea una coleccin

de sucesos W = {Ai} = {Ai, A2, ..., A^} que cumplen las siguientes
condiciones:
19) Cualquiera de los sucesos pueden ocurrir: P{Ai) > 0.
29) El espacio muestral asociado al experimento aleatorio
viene dado por la unin de todos los sucesos:

39) Los sucesos son mutuamente excluyentes:

A^ n Aj. = 0 ; Vi=j

(1^)

Sea otro suceso B, que puede ocurrir solo si se dan

determinadas causas (Ai). La probabilidad de que el suceso B
ocurra se debe a las suma de los productos de las probabilidades
de que ocurran las causas por las probabilidades del suceso B
condicionado a las causas:
P(B)

= S?.iP(A_) *P{B/Ai)

"m

^ -

, ,, tP^^y^r?ff -eJr este teorema partamos de la figura

1 guenter
"
.-..-- ^ , ~ - i \
.^-^yura
sigu

podemos poner B en funcin de las intersecciones de A^ y B, la

probabilidad de que ocurra P(B)/Coincide con-la probabilidad de
las sumas d las interseccidr
-ones;
P(B) > P[ {A,nBVl{A,riB)^.

(15)

. . + (A/) ]

Si utilizamos la ecuacin de
probabilidad condicional y
despejamos las probabilidades de las intersecci
ones tenemos:

^ '^ ^

PA.)

'

^ ^ ^(^i) > O ' ^=1

(16)

despejando:

PBP^A^)

= P(B/A^)

(17)

* PA.)

sustituyendo la ecuacin (17) en la (15) se obtiene la expresin

del Teorema de la Probabilidad total:

P(B)

= P[(A,/B)P(A,)

- P(A,/B)P(A,)

^. . . ^ p(A,/B)

P{A^) ]

(^^)

VI. Teorema de Bayes.- Nos permite cb'n'cer'la probabilidad

de c[ue habiendo ocurrido ei'';fuct^r:B y conocida -su probabilidad
P(B),,1a causa que lo haya producido sea Ai- Su expresin es:

P,.,/B, =

11SM^P^

(19)

donde P(B) es la probabilidad total. Es corriente llamar, a las

distintas probabilidades que aparecen en la formula de Bayes, de
la siguiente forma: P(Ai) probabilidad a priori, P(Ai/B)
probabilidad a posteriori, P ( B / A ) verosimilitud. Tambin, se
puede observar como el teorema de Bayes acta inversamente a como
lo hace el teorema de la probabilidad total, ya que en este
ltimo se conocen las probabilidades de las causas P{Ai) y, a
partir de stas se calcula la probabilidad de que ocurra B, P(B).
Mientras que en el teorema de Bayes a partir de la probabilidad
de que ocurra B, P{B), deducimos la probabilidad de la causa que
lo ha producido P(Ai/B).

VII.

Ejercicios resueltos:

18) Una casa vendedora de ropa mediante pedidos por correo,

distribuye dos lneas de productos, una.cara y otra barata. Una
encuesta de 1.000 pedidos produjo las frecuencias de los pedidos
por lneas de productos y sexo, como aparece en la tabla
siguiente;
Lneas de productos
1
2
Total
Mujer

132

147

279

Hombre

516

205

721

Total

648

352

1.000

Supngase que se selecciona un consumidor entre los 1.000.

a) Calcular la probabilidad del suceso A: "el consumidor es

hombre"
b) Hallar la probabilidad del suceso B- "El n . H H
de producto l (caro)".
^
eso B . El pedido es lnea

, ^. e) Demostrar que
independientes.
''"^

S.^

,---f

..

s
on,

no

son, sucesos

-^

' "'"

* "^

^Ha,.f) Utilizando las Drobahii i^=.^

anteriores, demostrar ^ ' ^ ^ S ^ & m ^ r ? "
'V

'

. ^:

f1

los apartados

api-, i*^ >

. Soluciones:

a) Ya que 721 de los 1.000'pedido eran . de consumidores

masculinos, la probabilidad P(A) d.-^l^gr un pedido de un
consumidor masculino es;
P(A) = 721/1000 = 0,721
b) P(B) = 648/1000 = 0,648
c) De los 1.000 pedidos, 516 eran de consumidores masculinos
que =;pedan de la lnea de productos 1. Por lo tanto:

7uns)' =~-^^= o:5T6^^-

'

1000

d) La- probabilidad de que un pedido sea de lnea de

productos 1 (B), dado que el pedido fue hecho por un hombre (A),
es:
p^B/A)

- X i ^ .^ ^
- 0,716
PA
0, 7^ 1

e) Para determinar si A y B son independientes, hay que

10

comparar P(B) con PB/A). Puesto que PB)=0,648 no,es igual a

PB/A)r=0,716, A*y'iB son sucesos dependientes.
f) En los apartados a), c) y d) se tiene que:
,:
P{A) = 0,721;

PATB)

= 0,516; P{B/A) = 0,716

Por lo tanto,
PADB)

= PA)

P(B/A)

= (-2L) ( i ) = o,5i6
1000 721

2S) Una compaa encontr que el 85% de las personas

seleccionadas para su programa de entrenamiento de vendedores,
terminaron el curso. De estos, solamente el 60% se convirtieron
en vendedores productivos. Si un nuevo aspirante ingresa al
curso, cul es la probabilidad de que llegue a ser un vendedor
productivo?
Solucin:
Sean los sucesos. A: "un aspirante a vendedor termina el
curso"
B; "el aspirante se convierte en un
vendedor productivo"
de la informacin dada, tenemos
P(A) = 0,85;
PB/A) = 0,60
Por lo tanto, la productividad de que un aspirante termine
el curso y se convierta en un vendedor productivo, es:
P{A n B) = PlA) * P(B/A) = 0,85) * (0,60) = 0,51

32) Un analista de una empresa manufacturera estima que la

probabilidad de que una empresa competidora tenga planes para
comenzar a fabricar un nuevo producto en los prximos tres aos
es de 0,30 y de O,70 la de que la empresa no tenga tales planes.
Si la empresa de la competencia si tiene esos planes,
definitivamente se construir una nueva instalacin fabril capaz
de producir el nuevo producto. Si la empresa no tiene esos
11

a) Ilustre el eierrir-ir, ^^
t
" "" diagrama de rbol

- '^--

-^

b) Cul es la probabilidad de que 1^ ,

producir el nuevb Produt^=^uponiendo^e 1 " " " " ^ ^ ^ ^ - i ^ i c l o
las nuevas instalaciojes?.^
competencia
montar
Solucin:'
- --^-^*^
. -.... "-.---i^^,
Sean los sucesos, E: "producir oi
proaucir el nuevo producto"
^ .^: :.. >..;/.WT
. ., i ; """%^4"s^^acione^-.;.,,^
a)
'''''

-.'

K^'-.s' .-

H-''

O^^B^ty^
'

- . V j;fft.

^^C?

^f^\

<

"

Planteadas anteriormente . n l U f u '^ l^l

"^ = " ' ' - ^ por la causa -que la ce..
Probabilidad de que sea
viene dada por:
- " P " - o r a onte nuevas instalaciones.

sustituyendo por'sus despectivos valores tenemos:

P(E/F) =

(0/30) * (1)
(0,30) * (1) ^ (u,70) * (0,60)" " '^2

12

^.SJ:<r~

D^s

P;)

<A

<naJ\wBAjAS.

P/ioSABlUDAD

~~

~ "

*- ^-2s,-A'^^^-^^*^--"~'"*'^^^^Ci^^^*^-'" --" -V V ' '^T^j.u^"*'

CARCAJIA

mre

^iij^B

SrtCrtV^ 1 CAR

2.2.

- 'A

2.

Z V Y ' T

- 1 <>) i . 2, 3 ^

^ 2- ^

A 2. ^Ti:

i^'-*/-^)

^'^'+)'

Z 2.'

J"*"'^'*)

)^/-^i^y

-j

)+.+,y

j-^.c^cf

f^

^^

3 URI^/AS.

a^otAs RAAS
-^ OCAS ROJAS

- a!
- C ;

y
y

^CA/I)

fp

V93

^c f

- ^'^6

5T

a.^
*^*^<^s

. . .

* . CALO; <A^

PCA"^

P^J

^.2-,3y
6

.)

PCA)=

PC8) -

f(o

y
^Pcz)+p(i^

i-^:^^

""---

:^^^-::^r.^.V-v^.^,;.^:

HSPoh4lEt^^S

"be

' ' * * " '.^.-

^Z'.

.'^-^r^

'-'-

''

3 URKAS.

;i BOCAS AOJAS
^ 'Bous ROJAS

BUWCA .

3 'ftLAWUtf.

se sr<.ecccoNn UMC^ UUNA M . AAR. y 5 c

eyrtiA OMA BOIA . fS u BOCA es RAIA ^

-PA/R)

f(A/fO 5

P^A^. y^ft/A^
pA}.P(o^* P(e:).f(iv

^/? ' 3/#

( ^ ^ j ^ J ^ y#>/&-?/^
z Jtt-

^ tf'4

i93

L\

r
SfcU.

CARA

VOV O- "feoBte

i 'C-t) = 1

PC-h) =

? c O = ; ?Ci)
3

Qv/t CA >

-3

PA)

^<^6)

6 "

M..

6f

-^

CAR.TX ^

^(l>) r i

Af^lCA

v,^/A

BAftAiA

OoU&iv/t^

. i - - ^ 4 --4 -L^ i .

A L MA'NOr

\j(y/P OBsj^

T>e

Hi^z

'(ic)

ic)

) ^MC APAttCA VJM\ %oCA LAIVCA A<. SACl

l'A/V SoCA ^ o t A -De UMA vJU/A O A ^ <U/

A l*SAU.6. UNTO
CoKJ'OlCjuoVAtto
3 . " ^^ n A f A R *

= \ i , 2 , 3 , W, y , 6 \

?CA/6) =

fie; r

tf

14 i

?C A/ie)

^v

MMCA fbCO

t4

34

3f

v^

'D(Sn4v>iO(ZcS UNO J T OflCACA ^MCN

ti

<2oo

^M^CA

C) ;CvAt

Vez

V U .

1eNmft.A

dot

c>,x z

fY2oBABTL.T>A,>

y\MtMAT\CAS

.\t^%.

T,e <^we
auiM^CA,?

oy

^L

rn.^

MA^i^AS

A,,At^.Ai

AR-ncwcO , HAU^R.

LA

aN ex, Aft-ncuto
B - { Aten CAICO

t-V >AA<*ivNA

i^o^oew

RloS^fllLlOAi

sex "fccpccn/oso.

'^ef^cntose ^

A, a

^ C . %(t. 7A/7%

i^S

A^O^S

3
Vo

Jo

V Dos K / n i A S

y,

'

,LA^/'o

\A

1,2,3
?AAV\C

. Se SA8C
T_

PA<fcEViA ^AAc^Alu
"oe AR-ncutps osJS cA

OMJC LA

"DOBLE

"DvJoavT CU ^^^.f^vo Kv/(i*fto "De ARTICULO*.

s e TA9 ,PoR. OPWlA TART^y CLsiE gX. Z^
"OC

Cor

AATVCA^COS F A ^ ^ V C ^ O O S

POR L A r

2,

"fec^crooso ^ MAJEwi-neA b/t

^
M*?. "Oe eos PA0A.CA0OS fbR CA TSWc*
^ A A SO/ T>f*icroc5oS . se 7 l ^ .'
?A*.NEAAS

)> 6wAL

6S

S LA 'PllOA%TU'bA^ 1> ? r t o K .

.scelo BI {VfimxAJto 'OC%cMt\ .

. SOCx^o A l : \ ART. -T>fcn>Qb BitwCl'ieMV ^
. foefs^ Ax: ^ fc

tt

f ( A ) 4 f ( A i > f(A|)
S PCAii ^ i

c
-Si

M^ A

1
?C Al) * A .
T(A) ?
>^.

'''H^-''>(^-HUi-o^^>o,.,
I

n2)
- i/v-

>/x

Ses

'^

T ei

rz. 4y Z ; ' ^^ ^'^ '*^ -' <<^

fv\AS

P(<^.J8) s

A.tTD

Tie

l't

^^ *

) Ptay^T
^AI^TB/A;)^

PCAoTTcITt

VoW) -f^'v. 00 y;

y/

r 'i

TEMAS

TEMA, I. Variable aleatoria xini-dimensional

I.I.- Variable aleatoria. Clasificacin
I.2.- Caracterizacin de una variable aleatoria
1.2.1.- Funcin de distribucin
I.2.2.- Variable
cuanta.

aleatoria

discreta:

Funcin

de

1.2.3.- Variable
densidad.

aleatoria

continua:

Fiincin

de

TEMA 1.- VARIABLE ALEATORIA UN-DIMENSIONAL

I.1.-Variable aleatoria. Clasificacin.

Recordemos
que
para
establecer
la
definicin
de
probabilidad, construiamos lo que denominamos una estructura
estocastica, del tipo (W,B,P), donde:
W :
B :

P :

Conjunto de sucesos Si
Familia de sucesos.que cumplen una serie de
propiedades, clase aditiva y completa,Clase
aditiva o boreliana.
Funcin medida de valores entre Oyl.

Pues bien,esa estructura estocastica, asi definida, conformaba

un espacio probabilistico asociado a un experimento aleatorio,
donde es factible medir el grado de ocurrencia de un suceso
cualquiera.
En este contexto, es posible establecer una correspondencia entre
el conjunto de sucesos de un fenmeno aleatorio cualquiera (
espacio muestral W) y el conjunto de nmeros reales R,
permitindonos realizar operaciones matemticas de cualquier
tipo.
La correspondencia podemos expresarla de la siguiente forma:
X

: W

A esta transformacin asi definida

ALEATORIA o VARIANTE

se le denomina VARIABLE

A travs de la funcin VARIABLE ALEATORIA, pasamos de un

espacio probabilistico:
{ W, 3, P } a otro

{ R,

B,

F' )

Es importante sealar que esta funcin d origen a la estadistica

matemtica, permitindonos operar con cualquier tipo de sucesos,
aunque estos sean cualitativos.
Ejemplo:

El experimento consiste en lanzar una moneda dos veces.

El espacio muestral es: W={(c,c), (c,+),, ( + ,c), ( + ,+)}.
- Definimos una variable

"n de caras que salen

al lanzar una moneda al
aire dos veces"

Podrn salir O caras, 1 cara 2 caras.

2
1
(+ O 1
( + , + ) _ . _ - 0

(c
(c,+ )

El conjunto de nmeros reales sera:

B'= { O, 1, 2 }

Tal como dijimos, a la funcin que permite pasar de los

resultados del experimento aleatorio, al conjunto {0,1,2} se le
denomina VARIABLE ALEATORIA.
Llegado a este punto, puede decirse Los sucesos del espacio
muestral se presentan con unas determinadas probabilidades que
la funcin VARIABLE ALEATORIA mantiene.
Cabe hablar por tanto de probabilidades correspondientes a los
diferentes valores de la variable aleatoria, a las que
denominaremos PROBABILIDADES INDUCIDAS, que sern las mismas que
las PROBABILIDADES ASOCIADAS, a los valores de la variable
aleatoria o variante.
.La variable aleatoria no es otra cosa que una funcin numrica
de los sucesos elementales en que se concreta el fenmeno.
Ejemplo :
En base a los resultados del ejemplo anterior, tenemos
Ai

X(Ai)

P(Ai)

P' [X(Ai)]

(c,c)

1/4

P' (2) = 1/4

(c,+)

1/4

( + ,c)

1/4

( + ,+)

1/4

P'(1) = 1/2
P' (0) = 1/4

-^g

1.2.- CARACTERIZACIN DE UNA VARIABLE ALEATORIA:

Las variables aleatorias, al igual que las estadsticas
puden clasificarse en:
DISCRETAS, si es el caso de que todos y cada uno de los
valores que puede tomar la variable es finito o infinito
numerable.
Ejemplo:
X =

"n de caras al lanzar una moneda al aire", solo se

pueden tomar los valores {0,l}.

CONTINUAS, cuando el conjunto de todos los valores que puede

tomar la variable es infinito.
Ejemplo:
X = "peso de los alumnos de 2 de empresariales".
Bajo otro punto de vista la variable
caracterizada a travs de dos funciones:

aleatoria

queda

La funcin de distribucin y La funcin de Cuanta, que definimos

a continuacin:

I.2.1.-Funcin de distribucin:
Sea X una variable aleatoria definida sobre el espacio { R,
B', P'} asociado al espacio probabilstico { W, B, P }, llamamos
FUNCIN DE DISTRIBUCIN de la variable aleatoria X a la funcin:
F(x) : E
X 6 R
como

> F{x)

^ P[X^x]

= P[-o < X ^x]

consecuencia:

P{X > X) = 1 - P[X

x]

= 1 - F(x)

Tal que a cada X e R se le hace corresponder un F(x) que por

definicin es igual a la probabilidad de que la variable tome un
valor menor o igual que el valor observado.

Ejeitplo . En base a los resultados del ejercicio anterior podemos

definir su funcin de distribucin, de la siguiente forma:
O
1/4

si
si

X (O
O X <1

3/4
1

si
si

1 ^ X <2
X ^2

F(x)
grficamente sera;

Grfica de la funcin de distribucin

F(x)
1
3/4
1/4

PROPIEDADES,

2.-

La funcin de distribucin est comprendida entre

O y 1 , por ser estos los limites posibles de la
probabilidad. Es decir ; O F{x) ^ 1
Si dos valores cualesquiera se diferencian en la forma
indicada;

3.

entonces F(Xi)

<

F {^ ) , ya que

no exista cantidad
puede que en el intervalo x^-Xz
alguna de probabilidad.
El limite de la funcin de distribucin es la unidad,
por ser este el mximo valor de la probabilidad:

Lim

F(x) = 1

4. El
menor valor de la funcin de distribucin es O, por ser este el
menor valor de la probabilidad:
Lim

5.-

F{x)

- O

Sean a,be R y a < b; entonces, por la propia definicin de

la funcin de distribucin:
Pa < X ^ b) = F(b) - F(a) .
6. - Basndonos en la definicin de la funcin de
distribucin, puede establecerse, que para cualquier
valor X, de R:
P(X > X) = 1 - F(x)
7.-

Para variables aleatorias discretas, Se cumple:

f (X) = Y.Pi

= Pi + Pa + + Px

i=l

I.2.2.- Variables aleatorias discretas: Funcin de cuanta.

(Llamada tambin Funcin de densidad discreta).
Llamamos funcin de cuanta de la variable aleatoria X, y la
denotamos por f (x) , a la funcin que nos permite calcular los
distintos valores de la probabilidad. Se define como una
correspondencia entre el conjunto de nmeros reales, resultado
de los sucesos discretos, y el de nmeros reales comprendidos
entre O y 1, es decir los ,valores de sus respectivas
probabilidades:
f: R
>R
P(X=Xi)

para

i = l....n.

f(x) =
O

si Xi ?* X

V i= 1. . . .n.

"S^A

PROPIEDADES:
1. - Segn la definicin de la funcin de cuanta puede
establecerse que:
n

Ylf(x) = 1
1=1

Ya
que
la
cantidad de probabilidad total acumulada es la unidad
2.- Puede establecerse una relacin entre las funciones de
distribucin y de cuanta, segn lo que sigue:

r=l

para

r = 1, 2,.., r

Ejemplo;

Del conjunto de nmeros {1,2,3,4,5,6} se elige un grupo de tres

nmeros y se obtiene la suma de dichos nmeros, no importando el
orden. El espacio muestral ser W = {123, 124, 125, 126, 134,
135, 136, 145, 146, 156, 234, 235, 236, 245, 246, 256, 345, 346,
356, 456}. Definimos la variable aleatoria X = "suma de los
dgitos de cada nmero" que genera los nmeros X ={ 15, 14, 13,
12, 11, 10, 9, 8, 7, 6 } como nicos valores de la variable
aleatoria X:"Suma de los nmeros elegidos".
X(123)=6
X{124)=7
X(125)=X(134)=8
X(135)=X(234)=X(126)=9
X(145)=X(136)=X(235)=10
X(146)=X(236)=X(245)=11
X(156)=X(246)=X(354)=12
X(256)=X(346)=13
X(356)=14
X(456)=15

10
La funcin de cuanta puede ser expresada en la tabla:
X

10

11

12

13

14

f (x)

1/20

1/20

2/20

3/20

3/20

3/20

3/20

2/20

1/20

15

1/20

La grfica correspondiente , ser;

f(x)

3/20

1/20

La funcin
siguientes:

de

7 8 9

10 11 12 13 14

distribucin

vendr

dada

por

los

valores

10

11

12

13

14

15

F(x)

1/20

2/20

4/20

7/20

10/20

13/20

16/20

18/20

19/20

La grfica correspondiente, ser:

11

F(x)
1
19/20
18/20
17/20
13/20

10/20

7/20

4/20

2/20
1/20

1
i

1
1
1

' 1 1'
1 1

6 7 8 9 10 11 12 13 14 15

1.2.3.-

Variable aleatoria continua. Funcin de densidad.

Decimos que una variable aleatoria X es continua, si existe

una funcin :
f: R
> R
que verifica:

1"-^

12
F{x) =f''f{x)dx;

V X eR

funcin

de

distribucin.

consecuentemente,se cumple:
f(x)

F(x)

dx

decimos que f (x) es funcin de densidad de una variable

aleatoria continua.

13
PROPIEDADES.

1.- La cantidad total de probabilidad es la unidad, por

tanto:
ff{x)dx

[''f{K)dx

= 1

= F(x) - F(-oo) = F{x)

[''f{K)dx

F(x) = P(X<x) =

2.- Por la definicin de funcin de distribucin y segn lo

anterior:
P{a<Xb)

= F{b)

- Fia)

= Pf(x)dx

Adems por ser F(x) continua:

-

P(X=x) = O
P(X<x) = P(Xx) = F(x)

;x<) = P{a<X^b)

= P{a^X<b)

'"f{x)dx
*' a

P(X2:x) = P{X>x) = 1 - F(x)

l-

14
Ejemplo.
Tenemos la siguiente funcin
f(x)
definida

entre

= Kx'

O y 1,

ambos

inclusive.

Se pide determinar K para que sea funcin de densidad. Obtener

la funcin de distribucin.
Para que sea funcin de densidad:
kx^dx

Jo

lt,^2^
f^kx^dx
Jo

=1

_
i,^ T 1 - ^
= r[k]
3
3
3

por lo

tanto

K =3

La funcin de densidad ser:

,, ,

La . funcin
siguiente:

f 3x^
LO

de distribucin

si O < X 1
resto

la determinamos

pSx^dx = [x^]^ = X
JO

-3

cumple

que

F(x) =
dx

f{x)

de la forma

;."-!

15

Por lo tanto la funcin de distribucin ser:

F(x) =

O
x^

SI

si
si

x<0
0

xl
X>1

PROBLEMAS CAPITULO I

1.- Sea una variable aleatoria

distribucin de probabilidad:
P(x=a)= 1/10
- Se
a)
b)
c)
d)

discreta

( a= 2,3,4,

que

tiene

como

11)

pide:
Funcin de distribucin.
P(x 7)
P(x=5)
P(3=x=8)

Soluciones:
a) F(x)= P(x=x)=

P(x=a) = (x-l)/10

b) P(x 7)=P(x=8)+P{x=9)+P(x=10)+P(x=ll)=4/10=l-P(x=7)=l-F{7)
1-(7-l)/lO = 4/10
c) P(x=5)=F(5)=(5-l)/lO=4/lO
d) P(3=x=8)=F(8)-F(3)= (8-l)/l0 -(3-l)/l0 = 5/10

s\

2.- En un hospital se comprob que el peso en Kg. de los nios

al nacer era una variable aleatoria cuya funcin de densidad es:
f(x)=

K*x

para

2=x=4

Se pide:
a) Hallar K para que f(x), sea funcin de densidad
b) Hallar la funcin de distribucin F(x).
Soluciones:
a)

1 =

b)

F(x)=

f(x)dx =

Kxdx= KxV2

f{x)dx =

= K( 1 6 / 2 - 4 / 2 ) = 6K

x / 6 dx = 1/6 x V 2

(x='-4)/l2

K=l/6

m'-3. - La variable aleatoria x=numero de centimetros a que un dardo

queda del centro al ser tirado por una persona, se observ que
tena por funcin de densidad:
f(x)=

para

0=x=lO

Se pide:
- Hallar K, para que f (x) sea funcin de densidad. Representarla
- Hallar la funcin de distribucin. Representarla.
- Hallar P(x=l).
- Probabilidad de acertar en la diana.

4.- Dada la funcin: f (x) = -x*+2x^+x^-2x. Determinar en que

intervalos es funcin de densidad.
Es realmente una funcin de densidad?
5.- Sea X una variable aleatoria continua con funcin de
densidad:
X
para
0=x=l
f(x)=
2-x
para
l=x=2
O
para otros valores
Calcular:
- Su funcin de distribucin.
- Representar f(x) y F{X).
5.- Dada la funcin de distribucin:
F{x)= (x-a)/{b-a)
Se pide:
- Representarla.
- Representar la funcin de densidad.
6.- Si la funcin de densidad, de un fenmeno cualquiera es:

f (x) =

0
mx
-m(x-4)
0

para
para
para
para

(-oo=x=0)
(0 x=2)
(2=x=4)
(X 4)

- Calcular m para que f(x) sea funcin de densidad.

7.- Sea la siguiente funcin:
f (x) = K(x^+x) definida entre O y 1
- Determinar K para que sea funcin de densidad.

- Hallar la funcin de distribucin,

- Representar ambas funciones.

TI
%^

TEMA

Preguntas de test:

1.-

La funcin:
f(x)= 2+x , a partir de que valor de x, puede
ser una funcin de densidad.
a)
b)
c)
d)

2.-

d)

Lo mismo que una variable estadstica.

Una variable aleatoria cuantitativa.
Una variable aleatoria cualitativa con probabilidad
asociada.
Una variable aleatoria cuantitativa con medida de
la
ocurrencia.

La integral de la funcin de densidad,

La derivada de la funcin de densidad.
La sumatoria de los valores de la probabilidad.
La integral de la funcin de cuanta.

En una distribucin de probabilidad continua, P(x=a)=

a)
b)
c)
d)

5.-

valor 0.
una funcin de densidad.
valor 2.
valor -2.

En una distribucin de probabilidad de variante continua,

la funcin de distribucin es:
a)
b)
c)
d)

4.-

del
ser
del
del

Una variable aleatoria es:

a)
b)
c)

3.-

A partir
No puede
A partir
A partir

A la unidad.
Mayor que O.7
A cero.
Entre O y l.

Cuanto ha de valer
valida entre 1 y 3,

a)

La unidad

b)

1/80

1/3

d)

1/20

K , para que la funcin f (x) =K*x^ ,

sea una funcin de densidad:

'&.a

^rq
6.-

Si la expresin de una funcin de densidad es: f{x)=7x+4,

cual seria la expresin de la funcin de distribucin:
a)
b)
c)
d)

8.-

Que es una funcin de cuanta?

a)
b)
c)
d)

9.-

7xV3 +4
7xV2 +4x
7
11

Una forma de distribucin de frecuencia.

La probabilidad de un modelo.
La expresin que nos permite representar grficamente
la distribucin de probabilidad.
La probabilidad de un intervalo.

La funcin de distribucin de una variable discreta,es:

a)
b)
c)
d)

10.- La
a)
b)
c)
d)

Siempre continua.
Siempre no descendente.
Siempre constante.
Uniforme.
F(-5),es:
Siempre
Siempre
Depende
Depende

negativa.
superior a la unidad.
si la variable es discreta o continua.
del campo de variacin de la variable.

TEMA 9

f..

/*

TEMA II:

II.1.-

VARIABLES ALEATORIAS

Variable
II.1.1.-

Introduccin

II.1.2.-

Definicin

II.1.3.II.2.-

aleatoria

BI-DIMENSIONALES.

bi-dimensional.

Clasificacin

Clasificacin

Caracterizacin
bidimensional
II.2.1.Funcin de

de

una

variable

aleatoria

distribucin

II.2.2.-

Variable
cuanta.

aleatoria

discreta:

Funcin

de

II.2.3.-

Variable
densidad.

aleatoria

continua:

Funcin

de

II.3.-

Distribuciones

marginales.

II.4.-

Distribuciones

condicionadas.

II.5.-

Dependencia e independencia

estadstica.

II.1

VARIABLE ALEATORIA BIDIMENSIONAL. CLASIFICACIN.

II.1.1.- INTRODUCCIN
A veces, la informacin sobre el experimento aleatorio
que
se resume en el espacio de probabilidad
construido
con una
variable aleatoria
es insuficiente
para el estudio de algunos
sucesos de inters
que se relacionan
con varias
cantidades
numricas.
Por ejemplo: si queremos estudiar
la relacin
existente
entre la temperatura y la cantidad de agua de lluvia obtenida en
un determinado da del ao, vemos que el suceso "un da extrado
al azar dio como resultado una temperatura de 35 grados y una
cantidad de lluvia obtenida de O litros"
no puede
expresarse
mediante un subconjunto de R.
En este
caso es necesario
considerar
dos
variables
aleatorias,
una para la temperatura y otra para la cantidad de
lluvia, que generarn un espacio de probabilidad
en R^.
Por ello vemos que, en ocasiones,
es preciso
espacios con ms de una dimensin (en general R") .

recurrir a

II.1.2.- DEFINICIN
Para expresar correctamente ciertos sucesos relacionados con
experimentos
aleatorios
como subconjuntos
de los nmeros
reales, es necesario recurrir a aplicaciones
que transformen los
resultados de un espacio muestral w en puntos del espacio R", es
decir,
es necesario
utilizar
variables
aleatorias
con n
componentes,
que
tambin
pueden
denominarse
"vectores
aleatorios".
Vamos a centrarnos,
los vectores aleatorios
Definicin

en primer lugar,
bidimensionales.

para simplificar,

en

formal:

Si X e Y son variables
aleatorias
en R sobre el par {OJ,6},
entonces Z=(X,Y) es una variable aleatoria en R^ sobre el par
{w,6} vector aleatorio
bidimensional.
Es decir, sea (u,6) un espacio probabilizable
y sean X e Y
dos variables aleatorias
tales que:

X: U

- R

A e (j - X(A)

entonces

Y:

e R
Z-.--(.Xr

(A,C)
II.1.3.-

OJ

-^

C e cj ^ Y(C)
:

OJ -^

e R

R^

e U ^ Z(A,C) = [X(A) ,Y(C)]

e R'

CLASIFICACIN

Al igual
que para las
para las bidimensionales
A.-Variables

variables
tenemos

aleatorias

aleatorias
unidimensionales,
tambin que distinguir
entre:

bidimensionales

discretas:

(X, Y) es una variable

aleatoria
bidimensional
discreta
si los valores
posibles
de (X,Y)
son
finitos
o infinitos
numerables.
Es decir,
los valores
posibles
de (X, Y) se
pueden
representar
como
(Xj_,Yj),
i=l,2,
. . . ,k
j=l,2,
. . . ,p
B.-Variables

aleatorias

bidimensionales

(X, Y) es una variable,

aleatoria
continua
si puede tomar todos los
de un par de valores
dado.

continuas:
bidimensional
valores
posibles

dentro

Nota: un tercer
caso sera
una variable
aleatoria
bidimensional
compuesta
por una variable
aleatoria
discreta
y otra continua,
sin embargo no lo
trataremos
como caso aparte,
al ser fcilmente
deducible
a partir
de
los casos A y B.
II. 2.-

CARACTERIZACIN
BIDIMENSIONAL.

DE

UNA

VARIABLE

ALEATORIA

Supongamos que queremos estudiar un experimento

aleatorio
mediante un vector aleatorio bidimensional
Z=(X,Y).
Si lo que pretendemos es estudiar
las probabilidades
de los
sucesos en funcin de slo una de las variables
aleatorias:
(por ejemplo X > a a < Y b), nos bastara con conocer las
funciones de distribucin
de las variables aleatorias
X e Y de
la forma ya vista en el tema
anterior.
Pero si lo que pretendemos es tener en cuenta la
interaccin
entre las dos componentes del vector aleatorio;
es decir,
entre
X e Y, ser necesario disponer de una funcin conjunta de ambas
variables
aleatorias.

II.2.1.-

FUNCIN DE DISTRIBUCIN
II.2.1.1.-

DEFINICIN

Dada una variable

funcin
de distribucin
en R^ que toma valores

aleatoria
bidimensional
(X, Y),
denominamos
de dicha variable
a la funcin
definida
en R
siguiente:

F(x,y)=P(X
Grficamente

sta

s X ,Y y)
funcin

representa:

(x,y)

-,
<-

iiiiiiiiiiiiiiir '^ wixtfi

i l ' l ' > ^ 4 ' 4 ' 4 ' 4 ' 4 ' 4 X

la probabilidad

de la regin

II.2.1.2.Entre

otras,

A.

PROPIEDADES
podemos

l.-Para
cualquier
(x,y)
6 R^ ;
2 . -F (x,y)
-Si x^
-Si y^
-Si x^
Yi

<
<
<
<

es
X2
y2
X2
2

destacar:
punto
(x,y)
tal
O s F(x,y)
s I

montona
/entonces
/entonces
/entonces

creciente,
F(x^,y)
F(x,yJ
F(x^,yx)

que:

es
decir:
s F(x2,y)
(Para todo y e R)
s F(x,y2)
(Para todo x e R)
s F(X2,y2)

3. -El

Lim F(x,y)=

X-*oo

y-x

4.-El

Lim

F(x,y)=

X--oo
y--00

11.2. 2.-

VARIABLE ALEATORIA DISCRETA:

FUNCIN DE CUANTA.

Sean X, Y dos variables

aleatorias
se define
la funcin
de
probabilidad
conjunta
o funcin
de cuanta
conjunta
como una
aplicacin
de R^ en R tal que
a cada uno de los
resultados
posibles
(x,y)
e R^ se le asocia
un nmero p^^
siendo:
p,,= P(X = x,;Y
Es

= y,.;

decir:
Pij'(x,y)

R'
^ R
e R' -* Pij= P(X = x^/Y

= yj)

e R

Propiedades:
l.-La
suma de todas
es igual
al.

las

probabilidades
k

del

espacio

muestral

2=1 J=l

2.-Toda

es

probabilidad

es mayor o igual
p^jiO
^ix^.y^)

cero.

decir:
Pij=P{X = x^iY

A partir
de esta
de doble entrada
toma la variable

= yj)iO

funcin
de probabilidad
obtenemos
una
formada por todos los pares de valores
junto
con su probabilidad
asociada:

tabla
que

Yp

p(x,)

Pl3

Plp

P(x^)

P22

P23

P2P

p(xj

Pll

P32

P33

P^P

p(x,)

^k

Pkl

Pk2

Pk3

Pkp

Pi^k)

p(yi)

p(yi)

P(y2)

piYs)

X \ Y

Yi

Y2

Pll

Pl2

^2

P2X

^3

^1

B.-Funcin

Yi

de distribucin

P(Yp)

conjunta:

Es una aplicacin
de R^ en R tal que a cada elemento
(x,y)
e R^ se le hace corresponder
una F(x,y)
que es la suma de los
valores que toma la funcin de probabilidad
en los puntos
(x,y)
que verifiquen
que:X ^ X

, Y ^

F(x,y)=P(
Es

decir:

F (x, y) : R^
(x,'y) e R'

Esta expresin
probabilidad

II.2.3.-

X s x ; Y s y )
-* R
^ F(x,y)=

puede obtenerse
conjunta:

P(X s x ; Y <. y ) e R

a travs

de la funcin

de

VARIABLE ALEATORIA CONTINUA: FUNCIN DE DENSIDAD

Es una aplicacin
de R^ en R tal que a cada elemento
e R^ se le hace corresponder
una F(x,y) que es:

(x,y)

F(x,y)=

rf{x,y)dxdy

P
J -00 J -OO

donde f{x,y)

es la funcin

Es decir:

F(x,y)
(x,y)

de densidad

: R^
R^

de probabilidad

-^ R .
-^ F(x,y)

conjunta

e R

Propiedades:
La
satisface:
1.-

funcin
F(x,y)

de

distribucin

2 O

(Para

2.. -La probabilidad

es igual
a 1:

todo

(x,y)

de la funcin
OO

F(x,y)
e R^)

en todo el espacio

muestral

/*00

f{x,y)dxdy=l

B.-Funcin de densidad
Se define
como:

donde f(x,y)
de distribucin

conjunta

de probabilidades

f (x, y) : R^

-^ R

(x,y)

-^ f(x,y)

e R^

e R

es la derivada
con respecto
; es
decir:
d'F{x,y)
dxdy

conjuntas:

a x e y de la

funcin

_^,
)
^^""'^^

EJEMPLO 1:
Supongamos
el experimento
reemplazamiento
de una urna
verdes.
Definimos
las variables

consistente
que contiene
aleatorias

en tomar
3 bolas
discretas

2 bolas
con
azules
y 2
siguientes:

* X=i
O
I I

si

la primera

bola
"

extrada

es

azul.
verde.

* Y=i
I

si

la

bola
"

extrada

es

azul.
verde.

O
1

segunda

Calcular:
1. - La distribucin
2.- Funcin
de

de probabilidad
distribucin.

de la variable

(X, Y) .

RESOLUCIN:
1. - El espacio
6J= { (A,A) (A,V)
(X,Y)
(X, Y)
(X,Y)
(X, Y)
Por

(A,A)
(A,V)
(V,A)
(V,V)

=
=
=
=

mues'tral
del experimento
(V,A) (V,V) }
[(
[(
[(
[(

X(A,A)
X(A,V)
X(V,A)
X(V,V)

Y(A,A)]
Y(A,V)]
Y(V,A)]
Y(V,V)]

=
=
=
=

(0,0)
(0,1)
(1,0)
(1,1)

tanto.
P(
P(
P(
P(

X=0;
X=0;
X=l;
X=l;

Distribucin
Y \ X

Y=0)=
Y=l)=
Y=0)=
Y=l)=

P(A,A)
P(A,V)
P(V,A)
P(V,V)

de

probabilidad:

=
(3/5)*(3/5)=9/25
=
(3/5)*(2/5)=6/25
=
(2/5)*(3/5)=6/25
= (2/5)*
(2/5)=4/25

p(y,)

0-

9/25

6/25

15/25

6/25

4/25

10/25

15/25

10/25

Funcin

de

p(xj

2.-

distribucin:

0
y < 0
X

9/25
F(x,y)

<

0 s X < 1
0 s y < i

I s

2 s y

es.

EJEMPLO 2:
Sea (X,Y) una variable
funcin
de
densidad:
f(x,y)

Ix+y
I n

la

funcin

de

hallar

aleatoria

bidimensional

0 < x < l ; 0 < y < l

restantes
valores
distribucin.

RESOLUCIN:

F{x,y)=f''

f^ f{x,y)djcdy=f''

^ ix+y)

J -00 J -00

=f "
Jo

de

F(x) =

dxdy-

JQ

[Ux*y)dy]dx=[''[xy+^]^
Jo
Jo
Jo

Funcin

JQ

dx=

distribucin.

(x'y)/2

+(y^x)/2

-x
-y

sO
sO

O
O

< x < 1
< y < 1

- I
- I

s X
s y

continua

con

EJEMPLO 3:
Sea (X, Y) una variable
funcin
de
densidad:
f(x,y)=

aleatoria

Il/3(4yx+2)
'O

comprobar

bi dimensional

que f(x,y)

O s x s

restantes

continua

I; O s y s

con

valores

es una funcin

de

densidad.

RESOLUCIN
Para que una funcin

sea
/
-oo

Por

funcin

de densidad

f{x,y)dxdy=l

J oo

tanto:
r

r f[x,y)dxdy=^

J -a

J -oo

f^^

{4yx+2)

^ r [iZ!.2y]J dx=iri2x
3 Jo

dxdy=

JO JO 3

3Jo

. 2)dx-

debe

cumplir:

II.3.-

DISTRIBUCIONES MARGINALES

A partir
bidimensional,
caractersticas

de una distribucin
de una determinada
puede
interesarnos
estudiar
cada una
que la componen por
separado.

Es decir,
(X,Y) conocer
separado.

conociendo
la distribucin
conjunta
las distribuciones
unidimensionales

II. 3.1.-

VARIABLES ALEATORIAS

Pl3

Plp

p(x,)

P22

P23-

P2P

p(x,)

P31

P32

P33

P3P

p(x,)

Pkl

Pk2

Pk3

Pkp

P(^J

p(y2)

P(y3)

Pll

P12

^2

P21

^3

^k

p(yi)

PROBABILIDADES
1.-

discreta,con

P(X:)

p(yj)

bidimensional

Yp

Yi

Xi

de la
variable
de X e Y por

DISCRETAS

Sea (X,Y) una variable

aleatoria
distribucin
de
probabilidad:
X

variable
de
las

73

P(yp)

MARGINALES.
De

X:
i=l,2,

P(^^=EPJ

2.-De

. . . ,k

Y:
p(yj^=I^Pij

j=i,2,...,p

i'l

11

DISTRIBUCIN
X

MARGINAL DE X
p(xj

X,

P(Xi)

X2

9(^2)

Xv

P(Xi)

x,

p (x)
E = I

Por tanto
la distribucin
marginal
de X no es ms que
una
distribucin
cuyas
modalidades
son las modalidades
de X y
cuyas
probabilidades
son las probabilidades
totales
de X.
DISTRIBUCIN

MARGINAL DE Y
p(yj)

Vi

p(yi)

y2

p (72)

Yj

PiYj)

y.

p (Yp)
L = 1

La distribucin
marginal
de Y, anlogamente,
ser
aquella
distribucin
cuyas
modalidades
son las modalidades
de Y y
cuyas
probabilidades
son las probabilidades
totales
de Y.
De igual
forma,cuando
la variable
aleatoria
bidimensional
es
continua,podemos
obtener
sus distribuciones
marginales,
con
la
diferencia
de que,
en este
caso,
las
modalidades
de
ambas
distribuciones
sern
tambin,
obviamente,
de tipo
continuo.

12

FUNCIONES DE DISTRIBUCIN
1.-

MARGINALES

(VAR. ALEAT.

DISCRETAS)

De X:
F, (x) =P(X x;Y < oc) = J^p

(x.)

KiSX

2. - De Y:
F2 (y) =P(X < oo;Y y)=J^p

FUNCIONES DE DENSIDAD MARGINALES

1.-

(y.)

(VAR. ALEAT.

CONTINUAS)

De X:

fjx} = fj(x,y)dy
2.-

De Y:

f,(y)=ff(x,y)dx

FUNCIONES

DE DISTRIBUCIN
1.-

MARGINALES

(VAR. ALEAT.

De X:

F,(x) = r f f(x,y)dxdy=rf,(x)dx
J 00 J co

2.-

J 00

De Y:

^2(y^=' rf(x,y)dxdy= rf2(y)dy

13

CONTINUAS)

II.4.-

DISTRIBUCIONES

CONDICIONADAS

.VARIABLES ALEATORIAS
Sea
(X, Y)
distribucin

DISCRETAS

una variablealeatoria
bidimensional
de probabilidad
p^^- (i= 1,2, . . .,k)

(j=l, 2, . . . ,p)

y con distribuciones

discreta

con

marginales:

p ^yj^

La probabilidad
ser:

condicionada
P (x^/vj)

=EPij

i'l

del

condicionada
P (yj/x^)

del

De las anteriores
expresiones
siguientes
tablas:
p(x,/yj)

X-

p(Xi/yj)

X,

p(x./y.)

valor

de Y=y^

Y=yj al_ valor

de X=x^

_ p^j
p(y^)
valor

=P (Y=yj/X=x^) ^

P(X=x^;Y=yj)
P(X=x^)

X=x^ al

=P (X=x^/Y=yj)

P(X=X^;Y=yj)
P(Y=yj)La probabilidad
ser:

valor

pxjy,)
L = 1

14

_ p^j
p(x^)
podemos

obtener

las

p(x,/y,)=l
1=1

P(yj/Xi)

y.

p(yi/^i)

py^/x,)

^2

p(yj/xj

Yp

p(yp/Xi)
E

= 1

1j;;p(y/x,)=i
3=1

FUNCIONES

DE DISTRIBUCIN

CONDICIONADAS

1. - De X:

F(x/y)=J^p(x,/yj)

2.-

De Y:

F(y/x)=^p(y/x,)
Yi^y

15

(VAR. ALEAT.

DISCRETAS)

FUNCIONES DE DENSIDAD
1.-

De

CONDICIONADAS

(VAR.

ALEAT.

CONTINUAS)

X:

fU/y)=l(^=ll^

De

2 (y)

dy

f_j (x)

Y:

FUNCIONES DE DISTRIBUCIN
1.-

dx

De

(VAR.

ALEAT.CONTINUAS)

X:
F(x/y)

2 . - De

CONDICIONADAS

=P(X x/Y

= y)

=L2iyL
F^iy)

=P (Y ^ y/X

= X)

= 4 r ^

Y:
F (y/x)

F^ (X)

Con las distribuciones

marginales
y condicionadas
se
trabaja
de
idntica
forma
que'
con
las
variables
aleatorias
unidimensionales,
ya que, de hecho,
son
unidimensionales.

16

EJEMPLO

5:

Con los datos del ejemplo 1, calcular las

marginales y la distribucin
de X; condicionada a
RESOLUCIN
1.-DISTRIBUCIN

MARGINAL

DE

P(X=x,)=p(x,)

15/25

10/25
E =

2.-DISTRIBUCIN
Y

25/25=1

MARGINAL DE Y:
P(Y=y^)=p(y^)

15/25

10/25
L -

3 . -DISTRIBUCIN

X:

25/25=1

DE x^ CONDICIONADA A y^ = l
P(X=0/Y=1)

= P(^=0;y=l)
P(Y=1)

p (x=i/Y=i) =I2LllXzll
P(Y=1)

P(^i/yi)

6/10

4/10
E =

10/10=1
17

=AZ25_ .^/,,
10/25

=A^
10/25

=4/1 o

distribuciones
y=l.

EJEMPLO 6:

Con los

datos

l.-Las
2.-Las
3.-Las
4.-Las

del

ejemplo

funciones
funciones
funciones
funciones

de
de
de
de

hallar:

densidad
distribucin
densidad
distribucin

marginales.
marginales.
condicionadas.
condicionadas.

RESOLUCIN
1.-FUNCIONES
A.-De

DE DENSIDAD MARGINALES

X:
f, {x) = f (X, y) dy= / (x+y) dy= [xy+^ ] I =x+l
'-"'
Jo
2
2

B.-De

Y:
^2 (y)=

f (^'y}dx=
J -oo

t (x+y)dx= [^

+yx] =

JQ

.1 .y
2

2.-FUNCIONES
A.-De X:

DE DISTRIBUCIN MARGINALES
F,(x) = r
J

r f (x, y) dxdy=rf,

oo J JO

(x) dx

J oo

.2;=J;x.^Jdx-f^^^x;f-|.|
B. -De Y:'
. (Y) = lfjY)dY=r(^-}:)dY-[^i^-^]^o=^-^

3. -FUNCIONES DE DENSIDAD CONDICIONADASA.-De X condicionada

a y:

f (x/y) = ^ ^ - 4 ^
2 ^

18

B.-De

Y condicionada

a x:

4.-FUNCIONES
A.-De

DE DISTRIBUCIN CONDICIONADAS

X condicionada

a y:

F ix/y:) = E(x,Y) _

.rzi

B.-De Y condicionada

X^y^ ^ if^X
2
2 _ x^+yx
I+Z

a x:

s'y: ^ z^x
2
2
x^ + x
2
2

E/.>^<^.

_ xiT+iT^
x+I

EJEMPLO 7:

Consideremos
el experimento
consistente
en lanzar una moneda
dos veces.
Calcular
las funciones
de distribucin
marginales
con si derando :
X=(n total
de caras obtenidas
en los 2
lanzamientos}
Y=(n de caras obtenidas
en el I*""
lanzamiento}
RESOLUCIN
El 'espacio
muestral
del experimento
{(c,c)
(c,+)
(+,c)
(+,+)}
(X,Y)
(X,Y)
(X,Y)
(X, Y)

[c,c]
[c,+]
[^,c]
[+,+]

=[
X(c,c)
= [ X(c, +)
= [ X( + ,c)
= [ X(+,+)

X \ Y
1/4

1/4
-

piYi)

Y ice)
] = (2,1)
Y(c,+)
]=(1,1)
Y( + ,C) ] = (1,0)
Y( + ,+) ] = (0,0)

2/4

ser:

p(xj

1/4

1/4

2/4

1/4

1/4

2/4

19

DISTRIBUCIN

MARGINAL DE X
X

p(Xi)

1/4

1/2

1/4
E

DISTRIBUCIN

MARGINAL DE Y
Y

p(y^)

1/2

1/2
L = 1

FUNCIONES
1. - De

2 . - De

DE DISTRIBUCIN

MARGINALES

X:
X < O

F, (x) =0

0 ^ X < 1

F, (x) =1/4

1 s, X < 2

F, (x) =3/4

(1/4 + 1/2)

X 2 2

F, (x) =1

(3/4

+1/4)

y < O

F,(y)=0

O <. y < 1

F, (y) =1/2

y 2 1

F, (y) =1

(1/2

+1/2)

Y:

20

II.5.-

DEPENDENCIA E

INDEPENDENCIA ESTADSTICA

Sea (X, Y) una variable

aleatoria
F(x,y),
siendo
Fjx)
y F-^iy) las
marginales
de X e Y, respectivamente,
variables
aleatorias
independientes

con funcin
de
funciones
de
decimos
que
si y slo
si:

E (X, y) =F, (X) *F^ (y)

o

V (x, y) eR'

tambin:
1.-Variables
aleatorias
discretas:
i i =P (X=x,;Y=y^) =p (X,) *Q (y^)
V (x,,y^)
2.-Variables

aleatorias

continuas:

f (2C, y) =f, (X) *f, (y)

Por otra

parte,

si

dos variables

*. - p(x^/yj)

p(xj

p(yj)

aleatorias

*. - f
*. -

(x/y)
(y/x)

V (x, y) eR'

son independientes,

*' - P(yj/Xi)

Para variables

Para

distribucin
distribucin
X e Y son

se

cumple:

continuas:
=
=

f,(x)
f^y)

(x/y) =
(y/x) =

F,(x)
F,(y)

ambas:
* . -F
*. - F

EJEMPLO

8:

Dada la siguiente
distribucin
de probabilidad
de la
variable aleatoria
bidimensional
(X,Y), estudiar la
existencia
de dependencia o no entre dichas
variables.
X/Y

4/12

2/12

1/12

. 1/12

10

1/12

3/12

21

RESOLUCIN
DISTRIBUCIN MARGINAL DE X
X

p(Xi)

(1)

6/12

(2)

2/12

(3)

10

4/12
E = 1

(1)
(2)
(3)

P(2,l)
+ P(2,2)=
4/12 + 2/12=
6/12
P(8,l)
+ P(8,2)=
1/12 + 1/12 = 2/12
P(10,l)+
P(10,2)=
1/12 + 3/12=
4/12

DISTRIBUCIN MARGINAL DE Y

p(y,)

(1)

6/12

(2)

6/12
E = 1

(1)P(2,1)
(2)P(2,2)

+ P(8,l)
+ P(8,2)

+ P(10,l)
=4/12
+ P(10,2)=2/12

+ 1/12
+ 1/12

+ 1/12=
+ 3/12=

6/12
6/12

CONDICIN DE INDEPENDENCIA:
P (K=x, ;Y=Y:^) =P (X=Xi) *P (Y=^)

Vi, j

que es lo mismo que decir:

2i^=2(Xi)*B(Y)

Las variables

/ 1

X e Y no son

36

36

_1

independientes.
22

EJEMPLO 9:

A partir

de la

siguiente

funcin

4xy
f(x,y)=

de

densidad:

0 < x < i ; 0 < y < l

restantes

valores

hallar
todas las funciones
marginales
y condicionadas
la posible
dependencia
entre
las variables
X e Y.
RESOLUCIN
1.-Funciones
A. -De X:

de densidad

marginales:

1(2^)=

(x,y:)dy:=

4xYdy=

= [fl]i=2x
B.-De

Y:
f2(y)= f f(x,y)dx=

2.-Funciones
A.-De X:

de distribucin
F, (x) =fj,

B.-De

t4xydx=^^]'o=2y
Jo

J -a

marginales.
^^2
(x)dx=2xdx=[^]''o=x

Y:

F, (y) =.ff, (y)

3.-Funciones
de densidad
A.-De X condicionada

dy=f^2ydy=[^]^o=y
condicionadas:

a y:

f(x/y)=(l^=^=2x
B.-De

Y condicionada

a x:

23

estudiar

4.-Funciones

de distribucin

condicionadas:
,2

Jo

Jo

A.-De X condicionada

Jo

Jo

12xy'dx=[i^S!l]-=x^y2
2

a y:

F(x/y)=K(^=^=x^
B.-De Y condicionada

a x:

F(x/y)=lliXL=^=W
- - ^-

E, (y)

X'

CONDICIN DE INDEPENDENCIA:
f (X, y) =f, (X) *f, (y)
2x

por tanto,

* 2y

las variables

V (X, y) eR^

4xy

X e Y son

24

independientes.

TEMA II.

EJERCICIOS PROPUESTOS

1.Sea (X,Y) una variable

funcin
de
densidad:
f(x,y)=>

aleatoria

Ix+y

bidimensional

continua

O < X < 1 ; o < y < 1

para el resto
de
valores

Se pideconstruir:
a)
Las funciones
de densidad
marginales
y condicionadas
y de Y.
b)
Las funciones
de distribucin
marginales
y condicionadas
X y de Y.
c)
Calcular
P(X<0.2 , Y<0.6)
2.Sea (X,Y) una variable
funcin
de
densidad:
f(x,y)=
Se
a)
b)
c)
d)

aleatoria

Il/3(4yx+2)

bidimensional

continua

de X
de

con

O s x s 1; O s y s 1

'O
restantes
valores
pide:
Calcular
las
funciones
de
densidad
condicionadas
de X y de Y.
Calcular
las
funciones
de
distribucin
condicionadas
de X y de Y.
Comprobar la independencia
entre ambas
Calcular
P(X<0.1 , Y<0.7)

3.Sea (X,Y) una variable

funcin
de
densidad:

con

aleatoria

marginales
marginales

y
y

variables.

bidimensional

Ix/2
O < y < 4 ; O < x < 1
'O
resto
de
valores
la funcin
de distribucin
conjunta,
y las
y distribucin
marginales
de X y de Y.

continua

con

funciones

de

f(x,y)=
Calcular
densidad

4.Dada la
siguiente
distribucin
de probabilidad
de
variable
aleatoria
bidimensional
(X,Y),
construir
distribuciones
marginales
de
X y
de
Y,
as
como
distribuciones
condicionadas
de X/y=2 y de Y/x=8.
X /

4/12

2/12

1/12

1/12

10

1/12

3/12

5. - Sean X e Y variables
aleatorias
funcin de densidad
conjunta:
f(x,y)
y

a)
b)

la
las
las

continuas
con la
siguiente
= k'X-( x + y ) para 0<x<l

0<y<l

Calclese
el valor
de k y
marginales
de X y de Y.
Calcular
P(X<0.5 ,
Y<0.5).

las - funciones

de

densidad.

Tema II - Variables aleatorias bidlmensionales

1.Sea (X,Y) una variable

funcin de densidad:
f(x,y)=

Ix+y
' O

aleatoria

bidimensional continua con

0 < x < l ; 0 < y < l

para el reato de valorea

Se pide
construir:
a)
Las funciones de densidad marginales y condicionadas de X
y de Y.
b)
Las funciones de distribucin marginales y condicionadas de
X y de Y.
c)
Calcular P(X<0.2 , Y<0.6)

a.j)

I i

X-h ^

^l^x

hh
/

7^,^'/,^7'- 4i

^^^cUccJvi^c/^ y

^Vz + ^^V,
-^/^

-^ ^(x^^.^;

^^O.Q)

'/2 X

F(o.2^o.G)-_

^^^ 0^^ ^
2

O.^'o,2 _

Vfi^l

Tema II - Variables aleatorias bidimensionales

2.Sea (X,Y) una variable

funcin de densidad:
f(x,y)=

Se
a)
b)
c)
d)

aleatoria

Il/3(4yx+2)

bidimensional
O s x s 1;

'O
reatantes
valores
pide:
Calcular
las
funciones
de
densidad
condicionadas
de X y de Y.
Calcular
las
funciones
de distribucin
condicionadas
de X y de Y.
Comprobar la independencia
entre ambas
Calcular P(X<0.1 , Y<0.7)

continua

con

O s y s l

marginales
marginales

y
y

variables.

'o

a.2) juuuO^\JuJiI) ck Y
OO

-:fzlj) --jj M;a^ .-J 1- -/^-- fl

-i

L !

"^

-7 x

-h h X

'^"i^y^'^^^dW^'3^ (Xn2l-(^)

-/^/.7

y-^J
^y

ur^cLu^c^c^ Jj/^

a a
f

y;

'>

.^d

l'(x^oA^
r

Y^^^) ^

2. I co.^/(^o.'(J^

F(0A - 0.^) ^
0.^)(:0.1)

- 0,0^ ? 3

^-i +2.1I -- fP#.^.

Z7ui X
-^Z -hKM_J
^1^4^
<

Tema II - Variables aleatorias bidimensionales

3.Sea (X,Y) una variable

funcin
de
densidad:

aleatoria

bidimensional

continua

con

f(x,y)=>

Ix/2
O< y < 4 ; O< x < 1
'O
resto de valores
Calcular la funcin de distribucin conjunta, y las funciones de
densidad y distribucin marginales de X y de Y.

Rx^J-J

j^c>ci^)cU u -

/ /

J^cUcU^r

Tema II - Variables aleatorias bidimensionales

i.
. siguiente
distribucin
de probabilidad
de la
variable
aleatoria
bidimensional
(X,Y)
construir
i.
yv de
Y, construir
as
distribuciones
marginales
de
X
d
las
las
como
distribuciones
condicionadas de X/y=2 y de Y/x=8.
'

ii

X / Y

4/12

2/12

1/12

1/12

10

1/12

3/12

ij ^'^tU'^iMyCCrneJ

UUk^tuJ^JL^

J,

P-l

/^

iO

^//2 ^//Z y i 2

a.z) R'j
Y

-2

T^

-/

f)2

h.2)

e
?
'/iz

lo
M2.

2
)2

A.

12

Tema II - Variables aleatorias bidimensionales

5.- Sean X e Y variables

aleatorias
funcin de densidad conjunta:
f(x,y)
y 0<y<l
a)

Calclese
marginales

b)

Calcular

el valor de k y
de X y de Y.
P(X<0.5

continuas con la
siguiente
= k-x-( x + y ) para 0<x<l
las

funciones

.^) hJ^uh-r d uJ^d k:.

/~ 3 ~ 'O

3 ^

ciS

k: - /12

\d^= j^ U^)(^'^^^^^\^^d^
-

Cx^u^ i-

densidad,

Y<Q.S)
oc

de

^ ICJ X^^^
:2^

11 T v ^ V ^i
^ lf-lj<%'^

-^o

)C-y ^ ^ l/^y ^2

l l

^ ^ . . (xv,,.?

<?

Problemas d e v.a. bidimensionales.

1.- Se quiere estudiar la relacin que existe entre el nmero de
p l a n t a s d e unas consturcciones (variable X; valores p o s i b l e s : 5
10' y 15) y el tipo de accidentes que se produjeron durante l
o b r a (variable Y; valores posibles: 1,2, y 3 ) . Conocemos las
siguientes probabilidades:
P ( 5 , 1) = 2 5 %
P(10,1)= 15%
P(10,2)= 5%
P(15,2)= 20%
P(15,3)= 25%
P(5,2) =P(5,3)=P(10,3)= 0.
Calcular las siguientes probabilidades:
a) P{x>5 ;y<.2)
Jo)
P(xlO;yl)
c)
Pix=10;y^3)

Calcular las probabilidades marginales de X.

Calcular las probabilidades de Y condicionadas a X <= 10.
2.- Se sabe que la funcin de distribucin conjunta de X e Y es
en un determinado intervalo:

FiX-x;Y-y)-^4^^
7 X

y que la de X, para el mismo intervalo, es de

F{X=x) =21x-7

Cul ser la funcin de distribucin de Y si X e Y son

independientes?

3.- Con la siguiente funcin de densidad:

3x^+y
fix.y)

4 ix+y)
O

0<x<0''5
0<y<0'7 5
' 0'5<x<l
si
,0^7 5<y<l
Resto

si

Hallar todas las funciones marginales y condicionadas y

estudiar la posible dependencia entre X e Y.
4.- Dada la variable aleatoria (X^, X2) cuya distribucin de
probabilidad conjunta viene definida por la funcin de
distribucin conjunta:
F(x,y) = 1 - l/(l+x) - l/{l+y) + l/(l+x+y) para 0<=x ; 0<=y
F(x,y) = O

para el resto

Determinar:
- La probabilidad del suceso (X^ < 2 ; Xj < 1)
- La distribucin de probabilidad marginal de ambas variables
aleatorias.
- Si ambas variables son o no independientes.
5.- Dada la variable aleatoria (X^, Xj) cuya distribucin de
probabilidad conjunta viene definida por la funcin de densidad
conjunta:

fix,

y) =xye

fix.y)

=0

para
paia

0x ; O^y
el

resto

Determinar:
- La probabilidad del suceso (Xi < 3, Xj < 1)
- La 'distribucin de probabilidad marginal de ambas variables
aleatorias.
- Estudiar si ambas variables aleatorias son o no independientes.

TEMA II: VARIABLES BIDIMENSIONALES

PREGUNTAS TIPO TEST
1.-Una variable aleatoria bidimensional puede estar formada por:
a)
exclusivamente dos variables discretas
b)
exclusivamente dos variables continuas
+
c)
la combinacin de variables discretas y continuas
d)
ninguna de las anteriores
2. - En una variable aleatoria bidimensional:
a)
El nmero de valores de X es siempre igual al de valores de Y
b)
El nmero de valores de X es siempre mayor que el de Y
c)
El nmero de valores de X es siempre menor que el de Y
+
d)
El nmero de valores de X puede ser igual, menor o mayor que el de valores
de Y.
3.- Una de las caractersticas de la Funcin de Distribucin de las variables aleatorias
bidimensionales es:
+
a)
Para cualquier punto (x,y), la funcin de distribucin est comprendida entre
Oyl.
b)
Es una funcin montona decreciente
c)
Su lmite por la derecha es O
d)
Ninguna de las anteriores
4. - En una variable aleatoria bidimensional, la distribucin marginal de X es:
+
a)
una distribucin unidimensional de las modalidades de la variable X.
b)
una distribucin unidimensional de las probabilidades de la variable X para
cada valor de la variable Y.
c)
una distribucin de las modalidades de la variable Y con respecto a los
valores de X.
d)
ninguna de las anteriores.
5.- Se dice que X e Y son variables aleatorias independientes si se cumple que :
+

a)

F{x,y)=F^{x)

*F^{y)

b)

F{x,y)=F^{x)+F^(y)

c)

f{x/y)

d)

p{y^/x^)

=f.^{y)
=p^(x^}

\f{x,y)e^'^
V(x,y)e3l2

en variable
en variable

continua
discreta

6.- Una variable aleatoria bidimensional continua tiene la siguiente funcin de densidad
conjunta f(x,y) = 4xy para valores de X (0,1) y valores de Y (0,1) tiene la siguiente funcin
de densidad marginal de X:

a)
b)
c)
d)

f (x) = 4-y
f(x)=5-x
f(x)=2-x
ninguna de las anteriores

7.- Una variable aleatoria continua tiene la siguinete funcin de densidad conjunta f(x,y) =
k(2y + 3x^) para X e Y comprendidos entre (0.1), y por tanto tiene la siguiente funcin de
densidad marginal de Y:

a)
b)
c)
d)

f (y) = k-2y
f(y)=k:x'
f (y) = X + y
ninguna de las anteriores

8.- La funcin de distribucin marginal de X, en una variable aleatoria discreta, se define

como:

a)

F^ (y) =P(X^x; Y<y) =". piVi^)

b)

F^ (x) =P{Xx; r<oo) =J^

p{x^)

c)

f^ (x) =P{Xx; Y<y) =^

pix^)

d)

ninguna de las anteriores

XiiX

9.- La funcin de densidad de X condicionada a la variable Y se define como:

a)
b)
+

c)
d)

El cociente entre la funcin de densidad conjunta y la funcin de densidad

marginal de X.
El cociente entre la funcin de densidad marginal de Y y la funcin de
densidad marginal de X.
El cociente entre la funcin de densidad conjunta y la funcin de densidad
marginal de Y.
El cociente entre la funcin de densidad marginal de X y la funcin de
densidad marginal de Y.

10.- La funcin de distribucin de Y condicionada a la variable X se define como: +

a)
b)
c)
d)

El cociente entre la funcin de distribucin conjunta y la funcin de

distribucin marginal de X.
El cociente entre la funcin de distribucin marginal de Y y la funcin de
distribucin marginal de X.
El cociente entre la funcin de distribucin conjunta y la funcin de
distribucin marginal de Y.
El cociente entre la funcin de distribucin marginal de X y la funcin de
distribucin marginal de Y.

10 preguntas tipo test.

Variables aleatorias bidimensionales.
1.- Un espacio en probabilidad en R^ vendr generado por:
a) Una aplicacin de tres variables que pertenecen, cada una de
ellas, al conjunto de los nmeros reales.
b) Por tres sucesos que no son susceptibles de medi-se
conjuntamente.
c)
Por
tres
variables
aleatorias
que queremos
estudiar
conj untamente.
d) No existe un espacio de probabilidad en R^.
2 .- Cuando los valores de dos variables aleatorias pertenecen a
un intervalo cerrado:
a) Si
decir
b) Se
c) Se
d) Es

la interseccin entre ambas es el conjunto vaco quiere

que no existe variable aleatoria bidimensional.
trata de una variable aleatoria bidimensional discretra
trata de una variable aleatoria bidimensional continua.
una variable aleatoria bidimensional continua o discreta.

3.- La funcin de distribucin

bidimensional se caracteriza por:

de

una

variable

aleatoria

a) Ser montona decreciente.

b) Por ser la funcin de distribucin de , la distribucin
condicionada de una variable al valor de otra.
c) Nos da la probabilidad acumulada conjunta para valores de
ambas variables.
d) Ninguna' de las anteriores.
4 . - Para que la funcin de cuanta conjunta de cero para un par
de valores ha- de ocurrir que:
a) Sea una combinacin de valores improbable en la prctica.
b) La variable aleatoria condicionada tome el valor cero.
c) Que alguna de las dos variables aleatorias tenga asignada
probabilidad cero para ese valor.
d) Ninguna de las anteriores.
5 . - La funcin de distribucin conjunta de una variable aleatoria
discreta se calcula por medio de una integral doble debido a que:
a) Es la forma lgica de hacerlo.
b) Con una integral simple no se recogera la variacin de la
probabilidad de las dos variables aleatorias.
c) La afirmacin es falsa.
d) Ninguna d,e las anteriores.

6.- La segunda derivada de la funcin de distribucin resoecto

de dos variavles aleatorias es:
a) Una lata de calcular.
b) La funcin de densidad en una variable aleatoria bidimensional
discreta.
c) La funcin de densidad en una variable aleatoria bidimensional
continua.
d) La elasticidad-renta de la funcin de distribucin.
7.- La diferencia que existe entre una distribucin marginal de
la variable aleatoria X y la distribucin de la variable
aleatoria X es que:
a)
b)
c)
d)

El nombre es ms. largo.

No existe diferencia en los resultados.
Es lo mismo, slo que el marco de estudio es diferente.
Todas las anteriores son ciertas.

8 . - La suma de todos los valores de una distribucin condicionada

de una variable aleatoria X a un valor de otra variable aleatoria
Y da:
a) La suma de las probabilidades conjuntas.
b) Infinito si la calculo como una integral y uno si lo hago
sumando.
c) En el caso de variables aleatorias discretas, la parte que le
corresponde de la probabilidad total de la tabla de doble
entrada.
d) Ninguna de las anteriores.
9 . - Que dos variables aleatorias son independientes quiere decir
que:
a) Que estn de acuerdo con el espritu individualista que rige
hoy en da.
b) Que los sucesos medidos por cada uno de ellas pertenecen a
estados de la naturaleza diferentes.
c) Que los valores que toma una de ellas no influyen para nada
en los valores de la otra variable.
d) Que cada una de ellas se mueve en un espacio euclideo
autogenerado.

10 . - La
condicin
de que
independientes se verifica si:

dos

variables

a) Encuentro un par de valores donde:

P:,. = P(x,)-P(y^.)

b) ENcuentro un par de valores donde:

P(x7y.) =P(x)

c) Que ocurre que:

F{x/y)=F^{x)

d) Todas las anteriores.

aleatorias

son

TEMA 10

NDICE DEL TEMA 3

3.1.
3.2.
3.3.
3.4.
3.5.

El operador esperanza matemtica.Propiedades.

Los momentos de una variable aleatoria.
La funcin generatriz y la funcin caracterstica.
La variable aleatoria tipificada.
Teorema de Tchebycheff.

TEMA 3

CARACTERSTICAS DE UNA VARIABLE ALEATORIA

3.1. EL OPERADOR ESPERANZA MATEMTICA.PROPIEDADES.

Para

variables

aleatorias,

los

trminos

"valor

esperado", "media", "valor medio" o "esperanza" tienen el mismo

significado. Para entender este concepto basta con imaginar
un cuerpo suspendido de una varilla; la esperanza no es ms
que aquel valor de la distribucin que correspondera al
punto en el que la varilla quedara equilibrada; es decir,
su "centro de gravedad".
Cuando se habla de "valor medio" de una distribucin
de

variables

aleatorias

se

suele

utilizar

el

trmino

de

"esperanza" debido al carcter de aleatoriedad que encierra.

DEFINICIN;
Dada una variable aleatoria X y una funcin g de dicha
variable

aleatoria, se define

la esperanza matemtica

representa por E[g(X)] la expresin:

y se

A.-Discretas:

E[g{X) ] =53 g{x,)p(x,)

= gix^) P(X=x^)

B.-Continuas:
EgiX)]

=f'^g(x)f{x}dx

PROPIEDADES DE LA ESPERANZA MATEMTICA:

1.- Dada una variable aleatoria X, siendo g, (X) y gjX) dos

funciones de X tales que existen sus esperanzas matemticas
E[gi(X)] y E[g2(X)], entonces tambin existe la esperanza de la
suma de ambas funciones y vale:Eg^iX)

^g^iX)] =E[g^{X)]

^Eig^iX)]

2.- Si X e Y son independientes, se verifica:

E[g(X)*g(Y)]= E[g(X)] * E[g(Y)]

3.-Sea K una constante, su esperanza matemtica es la propia

constante:
E[K]=K

4.- Dada una variable aleatoria X siendo g(X) una funcin de X

y K una constante, se verifica:
E[K*giX)]=K*E[g(X)]

5.- Dada una variable aleatoria X

siendo g(X) una funcin de X

y K una constante, se verifica:

E[K*g{X)

] =K*E[g(X) ]

CASOS CONCRETOS;
CASO

1: Sea g(X)=X/ definimos su esperanza matemtica y la

denotamos por E[X]=|:

A.Discretas;

B.Continuas:

-EX]= xfix) dx

EJEMPLO 1;
Dada la variable aleatoria X y su distribucin de probabilidad,
hallar la esperanza matemtica:

10

12

3/12

1/12

1/12

2/12

1/12

3/12

1/12

Xi
p(>i)

RESOLUCIN;
E[X]

=J2P^^^^"

_L*l+2* + 4 * + 6 * + 8 * + 1 0 * + 1 2 * = = 5 . 9
12
12
12
12
12
12
12 12

EJEMPLO 2;
Dada una variable aleatoria continua cuya funcin de densidad
viene dada por:

f(x) =

X < O

1/2X

O < X < 2

X > 2

Calcular la esperanza matemtica,

RESOLUCIN;

\i=E[X]

^rxf{x)dx=(\*{^)dx-J -m

JQ

_8
6

CASO 2:VARIANZA DE UNA VARIABLE ALEATORIA.PROPIEDADES.

La varianza es otro caso concreto dentro de la esperanza,
donde:
g(X)=[X-E(X)]^
Llamaremos varianza de una variable aleatoria X y la
denotaremos por o^, a la esperanza de la funcin:
giX)

=[X-E{X}]^=[X-VL]^

A.-Discretas:

='p(x,)xj-[E{X)]^.

B.-Continuas:

=j'jc^{x)db<-[E(X)]^

En ambos casos (A y B), definimos la desviacin tpica como

la raz cuadrada positiva de la varianza:
A.-Discretas;
o = + v ^ = W 2 ^ (x,-n)2p(j,.)

B'. -Continuas:
o = +/^=+. j ' {x-\i)^f{x)

dx

PROPIEDADES DE LA VAAIANZA:
1.- Sea X una variable aleatoria y K una constante;

2.-

Sea K una constante;

a^{K) =0

3.- Si X e Y son variables aleatorias independientes:

4.- Si X e Y son variables aleatorias independientes;

EJEMPLO 3
calcular la a^ de la siguiente distribucin:

0.25

0.50

0.25
2 = 1

RESOLUCIN:

Xi

P(X,)

XiP(Xi)

Xi-E(X)

[Xi-E(X)]^

0.25

0.25

-1

0.25

0.50

0.25

0.75

0.25

[x-E{X)]-'p(Xi)

0.50

a^=0.50

EJEMPLO 4;
Dada la variable aleatoria X con funcin de densidad;

O
f (x) =

calcular la varianza.

X < o

1/10

o < X < 10

X > 10

RESOLUCIN;

J -09

3 . 2 . L O S MOMENTOS DE UNA VARIABLE ALEATORIA.

3 . 2 . 1 . V A R I A B L E S ALEATORIAS DISCRETAS:

Definimos

el

momento de orden r con r e s p e c t o a b y lo

denotamos p o r :

A . - Momentos no c e n t r a d o s o r e s p e c t o a l origen (b=0).

a^=E[xn

=Y^p{x^)x
i

r=0

a,=[X]=p(x^)x=p(x,)=l
i

r =l

a^=E[X]=Yp{Xi)Xi
i

r=2

a,=E[X']='^piXi)x

B.- Momentos centrados o respecto a la esperanza matemtica

(b=E(X)).

r =0

mQ=E[X-E(X)] =

=Ypix^)

[x^-EiX)]'

i,
i

m^=E[X-E{X)]^ =

r=l
i

=Y,p{x^)

XrE(X)Y,Px^)

=E{X) -EiX) =0
r=2

m2=E[X-E(X)]^ =

=Y.pU^)

[x^-E{X)]^ =

^Y^pix^)

[xj-2E(X)x^^EiX)^]

= a2-2o^^o=a2-a^

3.2.2.- VARIABLES ALEATORIAS CONTINUAS:

Definimos el momento de orden r con respecto a b y lo
denotamos por:
M^.^i,=E[X-b]'

A.- Momentos no centrados o respecto al origen (b=0).

a^=EX''] =f''j<f(x)

dx=f'f{x)

a^=E[X] =j'

xf{x)dx

a^^EiX^] =r

x^f{x)dx

cbc=l

J -00

B.- Momentos

centrados o respecto a la esperanza matemtica,

(b=E(X)).
m^=E[X-E{X) ]'
/7?o

-E[X-E{X) ] = r [x-E(X) ] f(x)

dx=l

J -oo

^=E[X-E{X) ] =[" [x-EiX) ] fix) dx=

J -os

= r xfix)

dx-E(X)

J -oa

r fix) cbc=
J -D

-E(X) -E(X) =0
^ 2,=E[X-E{X)

=r
-(' x^ fix)

dx-lEiX)

] 2=1' [x-E(X) ] ^fix) dx=

[x^-2E{X)x*E{X)^]f{x)dx=
j ' xfix)

dx^E{X)^j'J{x)

dx--

EJEMPLO

5;

Dada la s i g u i e n t e distribucin de probabilidad:

X|

p(Xi)

1/6

1/6

1/6

1/6

1/6

1/6

Calcular los momentos respecto al origen de orden 1 y 2 y

el central de orden 2.
RESOLUCIN;
X,
p(Xj)
X|P(Xi)
Xj^p(X) ,

1/6

1/6

1/6

1/6

1/6

1/6

1/6

2/6

3/6

4/6

5/6

6/6

1/6

4/6

9/6

16/6

25/6

36/6

a,=j:pU,)x|44*...*f=f =15.11

/n2=02-01 = 15.16-(3. 5) 2=2. 91

EJEMPLO 6;
Dada la siguiente variable aleatoria X con su funcin de
densidad:
1/2
f(x) =

O < X < 2

restantes valores

Calcular los momentos no centrados de orden 1 y 2 y el momento

centrado de orden 2.

10

RESOLUCIN;
J-<>

Jo

= [^]o^ = l

a^ = rx^fix)

dx=r^x^dx=

J -m

J O

_ r X ^ 1 2_ 8

^ 6

6 3

3.3. LA FUNCIN GENERATRIZ Y LA FUNCIN CARACTERSTICA.

Aparte de la funcin de cuanta y de la funcin de densidad,
una

variable

aleatoria

se

puede

analizar

por

su

funcin

generatriz y por su funcin caracterstica.

El conocimiento de un fenmeno aleatorio requiere el estudio
de su funcin de distribucin de probabilidad de la respectiva
variable. A veces, el tratamiento de la funcin de distribucin
no

es

sencillo,

denominaremos

pudiendo

sin

embargo,

conocerse

la

que

funcin caracterstica, cuyo papel es de gran

importancia, y que nos permitir conocer la distribucin del

fenmeno.
Definimos como funcin caracterstica de una variable | y la
denotamos por ^ ( t ) , siendo t un parmetro, cuya funcin de
distribucin fuese F(x)
\\f{t) =Eie^^^)

siendo

i la unidad

11

imaginaria

(/^)

- Funcin generatriz:
Una forma de determinar la funcin caracterstica ha sido la
de definir la llamada funcin generatriz ^(0) tal que:
Gid) = ^(e^^)

siendo 9 un parmetro y teniendo en cuenta que existe si y solo

si leexl < 1. En tal caso la funcin generatriz coincide con la
funcin caracterstica para e=it, por lo que en ocasiones, se
habla de funcin generatriz o funcin caracterstica de parmetro
9 haciendo referencia a lo mismo.
La funcin generatriz de momentos es:
A.- Variables aleatorias discretas:

-os

B. - Variables aleatorias continuas;

G{d)=re^''f{x)dx
J -00

Por qu se denomina a esta funcin "generatriz de momentos"?

Vamos a ver las derivadas con respecto a 9, para 9=0:

Por lo que;

dQ

12

Suponiendo

que podemos

intercambiar

las operaciones de

diferenciacin para encontrar el valor esperado:

C3U

por lo que;
G'^' (0)=E[Xe]

=EU]=a^

anlogamente:
G'2) (6) =JLE[e^^]

=E[-^e^^]

=E[^Xe^'']=E[X^e^'']
do

Por tanto:
G<2)

(0}=E[X^e'']=E[X^]=a2

De anloga forma demostramos:

Por tanto, las derivadas sucesivas de G(6) para 6=0,

generan los momentos de X. Por esta razn se le denomina "Funcin
generatriz de momentos de X".
Vamos a ver ahora cmo se generan los momentos centrados en base
a la Funcin generatriz. Lo nico que cambia es que, en este caso
consideramos, en vez de la variable X, la diferencia de dicha
variable a su esperanza matemtica, la cual denotamos por f. Es
decir:
13

G(d) ='[e0^->"]

Esto se puede expresar como:

momento respecto

Por

tanto,

conociendo

la

al

Funcin

origen

generatriz

de

momentos,

simplemente multiplicando la misma por e"" obtenemos la funcin

generadora de los momentos centrados.

EJEMPLO 7;
Obtener

la

funcin

generatriz

de

momentos

del

experimento

consistente en lanzar un dado cbico corriente 2 veces, siendo

X el nmero de veces que sale impar. Calcular en base a dicha
funcin los momentos de orden 0,1 y 2 con respecto al origen y
centrados.
RESOLUCIN;
llamando:(p="sale nmero par";i="sale nmero impar")
P{p)=l/2

P(i)=l/2

P(X=0)=P(p n p)=l/2 *l/2=l/4

P(X=l)=P(p n )+P(i n p)=l/2 *l/2+ 1/2 * 1/2 =2/4 =1/2

P(X=2)=P( n i)=l/2 *l/2=l/4

Funcin generatriz:
G(e)=Ee^n=^*^e^*^e'^

14

a, =
l.1.1=1
4 2 4
a,=G<i'{e)=-l:[e9^] =
CIO

=2le^.le'^
=2 l.l=l
4
4

de

Funcin g e n e r a t r i z de momentos c e n t r a d o s ;

\i=l

n^ =e-^[l*le^.le^^]

4 2

=le-'.l^le'2 4

=1.1.1=1
4

=-le-9.1e9 = - l ^ l = 0
4
4
4 4

^2 = 4 - T e - 4 e ] = l e - * l e =
d9
4
4
4
4

=1.1=1
4

15

3.4. LA VARIABLE ALEATORIA TIPIFICADA.

Sea X una variable aleatoria con media ju y desviacin tpica a
llamaremos variable aleatoria tipificada de X a la variable Z
definida como:

o
TEOREMA:
"La media de la variable tipificada Z es igual a cero"
Demostracin:

a
.E[X]-\x_E[X]-E[n]
E[a]
~

a
-H-U
~ a

TEOREMA:
"La varianza de la variable tipificada Z es igual a uno"
Demostracin:

o
o2

a2

EJEMPLO 8;
Dada la siguiente funcin de densidad de la variable aleatoria
continua X:
2/9 X

X e (0,3)

f (x) =
O

restantes valores

Calcular la variable tipificada de X.

16

RESOLUCIN:

A.-Clculo de /i: .
J-"

9J0

Jo

3 9

B.-Clculo de a;

ol=E[X-E{X)]'=E[X-2]'=l'jX-2)2f(x)dx=
=r
Jo

(x-2)2*^xdx=-^Ux^+4-4X)xdx=
9J0

=l/^x^*4x-4x2)dx=|[4lJ^4[^]^4[4^J
y"' o

O;^ =+/|=+/075 =0 . 71

C - X tipificada:

l.-Si

x=0; Z= ^'^ =-2.82

0.71

17

2.-Si x=3; Z= 3-2 = 1.41

0.71
x=o*z+|ji = 0 .712+2

Por tanto:
2/9[0.71*z+2]

z e (-2.82,1.41)

f(z) =
O

restantes valores

3. 5.TEOREMA DE TCHEBYCHEFF.
Sea X una variable aleatoria con esperanza y varianza finitas,
entonces:
vt > O = p(|;!r-^| ta) i --

expresin que es equivalente a:

V /: > O

si

hacemos

tomar

- p{\x-y.\-io

a k el valor

ta y que nos dice que la

probabilidad de que la diferencia, en valor absoluto, entre el

valor que toma una variable y su valor esperado sea mayor o igual
que un cierto valor K es menor o igual que el cociente entre la
varianza de la variable y el cuadrado del valor de K.

Demostracin:
Para una variable aleatoria X, continua, tenemos:
18

J OD

si dividimos esta integral en la suma de 3:

1. -Desde

2 .-Desde

3 .-Desde

- hasta

\i-ta

hasta

\i-ta

\i + ta

n + to hasta >

tenemos:

a^=P'"'{x-\i)H{x)dx+
^f^*"'{x-\i)^fix)dx^
+r
'

H*ta

ix-\i)^f{x)dx

Como lo que necesitamos para la demostracin es que haya una

desigualdad del tipo mayor o igual reemplazamos las integrales
1 y 3 por cantidades ms pequeas.
En la primera de las integrales, si t > O entonces:

x^-ta

y esto implica que:

x-\i-ta

19

si multiplicamos por (-1) la anterior expresin:

-(x-^l)>to

y si elevamos al cuadrado en ambos miembros:

(x-|i)2> c^a^

En la tercera integral:
x>\i-t-ta

lo que implica que:

x-\ita

y por tanto:

y sustituyendo dicho valor en las integrales tenemos;

u*ta

ix-[i)^f{x)dx*

+ /"

Pero si

t^a^f{x)dx

la a^ es mayor o igual que la suma de 3 trminos

positivos, tambin ser mayor o igual que la suma del primero y

el

tercero,

expresando

por

lo qu, eliminando

la

segunda

integral y

la primera y tercera en trminos de probabilidad

20

llegamos a:

que es lo mismo que decir:

=> P(\x-[i\ta)

expresin que como decamos, es equivalente a:

2

P{\X-\i\K)

(para
EJEMPLO

i,-J

k=ta)

9;

En una sucursal de la hamburgueserla " Me Pato s.A." se estima

que,

por

trmino

medio,

los

fines de

semana

los

clientes

solicitan unas 500 hamburguesas del tipo "Big Pato" con una
desviacin

tpica

de

35. Mr Gilito, dueo de

la sucursal,

pretende conocer la probabilidad de que, en un fin de semana, los

clientes le soliciten por lo menos 550 hamburguesas del tipo
mencionado.
A.- Qu le aconsejara usted hacer, sabiendo que no se conoce
la distribucin de probabilidad de la demanda de hamburguesas?

RESOLUCIN
La respuesta adecuada sera la de que no es posible conocer esa
probabilidad,

pero

lo

que

s
21

es

posible

es

obtener

la

p r o b a b i l i d a d mxima de que eso o c u r r i e r a .

E(X)=500

CTx=35
P(A'>550) = P ( A : - 5 0 0 5 0 ) iP(\X-500\50)
K^

502

2500

B.- El seor Gilito, satisfecho con su respuesta, le pregunta

Cuntos panes de bombn deber comprar para el fin de semana
para poder satisfacer a los clientes con una probabilidad de al
menos el 75%?

RESOLUCIN:
Lo que nos piden es:
P(A's500+iO 2:0.7 5
P(;s:^500+iO =P(X-5QO<,IO P{X-500<K)

>

>P{|A'-500|<JO ^ 1 -

Por t a n t o , habr que buscar e l v a l o r de K que cumpla;

o*1225
1 - = 0 . 7 5 = 1 - J i = 0 . 7 5
K7 0

Deber comprar, como mnimo, 570 panes para obtener el 75% de

probabilidad de satisfacer a sus clientes.

22

PROBLEMAS TEMA 3

1.- Dada la siguiente distribucin de probabilidad de la variable

"nmero de libros comprados por un alumno universitario en el
primer ao de carrera" (X) :

Xj

p(xi)

0.40

0.30

0.21

0.05

0.02

0.01

0.01

Se pide:
1.- Cul es la media de libros que compra un alumno en su primer
curso de carrera?
2.- Varianza y desviacin tpica.
3.- Momento centrado de orden 3 a travs de los momentos respecto
al origen.
4.- La variable Y=1000X representa el importe gastado en libros
por un alumno universitario de primer ao. En base a ello,
calcular la media, varianza y desviacin tpica de la nueva
distribucin de probabilidad.

RESOLUCIN;
1.- ESPERANZA MATEMTICA
EiX) =53XiP(x_)
i"i

=0*0.04+1*0.3+2*0.21+3*0.05+4*0.02+
+ 5*0 . 01+6 *0.01 = 1.06

2.- VARIANZA
a^=E[X-E{X) ] =j;p(x^) [x^-E(X) ]
i

X,

P(.Xi)

Xi

P(Xi)Xi

0.4

0.3

0.3

0.21

0.84

0.05

0.45

0.02

16

0.32

5'

0.01

25

0.25

0,01

36

0.36

2.52

o2=2.52-(l.06)2=1.3964

DESVIACIN TPICA:
o=+Va^=+yi.3964=1.18
3.- MOMENTO CENTRADO DE ORDEN 3
m,=E[X-EiX)]^=J2P'^^i^

^XrE(X)]'

[xj-3xEiX)*3{E{X))'xr(E(X))']

=5^p(x,.)
i

=53 p (x^) x,^-3:(^) 53 P (^i) ^i "

i

^3{E{X))''p(Xi)XrY,

iE{x))'p{x^) =

=a3-3a^a2+3ai-ai=a3-3aia2+2ai

a^=E{X)

=1.06

02=53 XiP(x) ~2- ^2

Xi

x,

P(Xi)

Xi'p(Xi)

0.4

0.3

0.3

0.21

1.68

27

0.05

1.35

64

0.02

1.28

125

0.01

1.25

216

0.01

2.16

8.02

03=53 ^iP(j<^i) =8-02

m3=8.02 - 3*1.06*2.52 + 2(1,06)

= 2.39

4.-DISTRIBUCIN Y

p(yj)

1000

2000

3000

4000

5000

6000

0.3

0.21

0.05

0.02

0.01

0.01

0.4

MEDIA DE Y
Y=1000 * X ; E[Y] = E[1000*X] = 1000 E[X]=1000 * 1.06 = 1060

.- VARIANZA DE Y

<^y=CFiooo.x= (1000) ^*cr^=

=1000000*1.3964=1396400

- DESVIACIN T P I C A DE Y

o y= -t-y/f = + v / 1 3 9 6 4 0 0 = l l 8 1 . 6 9

2.-

Dada l a s i g u i e n t e

funcin

de

densidad:

2X/3

1 < X < 2

f(x) =
restantes valores
Se pide:
A.- Media de la distribucin.
B.- Varianza y desviacin tpica,
RESOLUCIN;
A.- MEDIA

'{X) ==f/

xf{x)dK=

=/:'-'*=/:*"'

2x^2_ 16 _ 2_ 14

B.- VARIANZA Y DESVIACIN TPICA

al^r

_r

2X^.2

x^f(x)dx-[E{X)]^

196 _= j32
i - _ . - ^ ^196
1 2 . =0 . 0 8 0 2 5
81
12 12
81

O;f=+/o|=V0. 08025 =0.2833

3.-A

partir del experimento consistente en lanzar un dado y

una.moneda al aire, siendo X ="nmero obtenido en el dado" e

Y="l si sale cara en la moneda; O si sale cruz".
Se pide:
A.- Hallar las distribuciones de probabilidad.
B.- Media.
C-

Varianza y desviacin tpica para:

a) X
b) X+Y
c) X*Y

RESOLUCIN;
A. a. P(Xi)

XiP(Xi)

x,^

Xi^p(Xj)

1/6

1/6

1/6

1/6

2/6

4/6

1/6

3/6

9/6

1/6

4/6

16

16/6

1/6

5/6

25

25/6

1/6

6/6

36

36/6

21/6

Xi

91/6

B.a. -

JT

C. a. -

a;f=+y2T92=i.7
A.b.Para la distribucin de X+Y tenemos:
(llamando C=cara

y R=cru2)
(1,C)
(i.R),
(2,C)
(2,R),
(3,C)
(3,R),
(4,C),
(4,R),
(5,C),
(5,R),
(6,C),
(6,R)

ESPACIO
MUESTRAL =

X+Y
X+Y
X+Y
X+Y
X+Y
X+Y
X+Y
X+Y
X+Y
X+Y
X+Y
X+Y

=
=
=
=
=
=
=
=
=
=
=
^

1+1=
1+0=
2+1=
2+0=
3 + 1=
3+0=
4 + 1=
4+0=
5+1=
5+0=
6+1=
6+0=

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

Por tanto, la distribucin ser;

X+Y

(X+Y)p,-

Pi

(X+Y)^

(X+Y)^Pi

1/12

1/12

1/12

2/12

4/12

8/12

2/12

6/12

18/12

2/12

8/12

16

32/12

2/12

10/12

25

50/12

2/12

12/12

36

72/12

1/12

7/12

49

49/12

48/12

140/12

B.b.48
EiX^Y) =T {X^Y)p{x,) =-^=4
V
^ 12

C.b.-

= E Pi (Xi*yj)^-[E{X^Y)

] 2 = i l - [4] 2=7 . 6

12

i.j

a = +^/7 .6=2.7
A.c.-Procediendo de forma anloga al punto A.b anterior;

X*Y

(X*Y)Pi

Pi

(X*Y)^

(X*Y)^Pi

6/12

1/12

1/12

1/12

1/12

2/12

4/12

1/12

3/12

9/12

1/12

4/12

16

16/12

1/12

5/12

25

25/12

1/12

6/12

36

36/12

. 1

21/12

91/12

B.c. E( X*Y)=Y,

ix^Y)p,

= 21 ^=1.75

Ce. a^=E[iX*Y)^]'[E{X*Y)]^
= Y,p^{x^*yj)'-[E{X*Y)]^

=
^-[1.7S.]^=4.52

,3

0=^^4.52=2.12

4.-La demanda de un cierto tipo de baadores durante los das de

verano de unos grandes almacenes es una variable aleatoria de la
que se conoce la media de ventas diarias (130 unidades) y su

desviacin tpica , que es de 3. Estamos interesados en conocer

el nmero de baadores que deberamos tener en stock a fin de que
pudisemos atender la demanda con una probabilidad de al menos
el 75% de los clientes. Obtener ese stock mnimo.
RESOLUCIN;
Por Tchebycheff;
P[\X-\i\iK]

P[x<,130+K] =P[x-120iK]

21-^=0.75

iP[\x-130\iK]

l - - ^ = 0 . 7 5 == l - 0 . 7 5 = - i - =* K=^ - - K=6
K^
K^
N 0.25

|A--130|^6

La variable "demanda diaria de baadores en los meses de verano

en unos grandes almacenes" tiene una probabilidad del 75% de
tomar valores en el intervalo (124,136). Por tanto, teniendo 136
baadores en stock tenemos una probabilidad de al menos el 75%
de satisfacer la demanda.

PREGUNTAS TIPO TEST TEMA 3

1.- La esperanza matemtica de una variable aleatoria continua
es:

C. -f'jU)

fix) dx

^~ril

(5(x^){x))dx

J7

2.- Decir cul de estas expresiones es falsa:

"Sean cuales sean las funciones g(X) y g(Y) se verificaA.- E[g(X) * g(Y)] = E[g(X)] * E[g(Y)]
B.- E[ K * g(X)] = K * E[g(X)]
C - E[ K + g(y)] = K + E[g(Y)]
D.- E[ K] = K
3.- Decir cul de estas expresiones es falsa:
"Sean cuales sean las variables X y Y se verifica;
A.B.CD.-

a^
a^
a^
a^

(k) =
(Jc*X)
(k+X)
(X+Y)

O
= kVx
= a^x
= a^x + a^y

4.- La diferencia entre momentos centrados y no centrados est

en:
A.- Unos usan sumatorios y otros integrales.
B.- Ninguna de las respuestas.
C - Que es distinto el punto respecto al que se calculan las
diferencias entre los valores de la variable y dicho punto.
D.- Que el orden r al que se elevan es diferente en uno y
otro.
5.- La funcin generatriz y la funcin caracterstica coinciden
si:
A.- En ningn caso
B.- Si e = i'
C - Si e = it
D.- Si 9 = i+t
6.- El teorema de Tchebycheff se utiliza:
A.- Slo para variables discretas.
B,- Siempre que s quiera calcular una probabilidad en
variables continuas.
C - Cuando se desconoce la distribucin de probabilidad de
la variable pero se conoce su media y desviacin tpica.
D.- Ninguna de las respuestas.

7.- Una variable tipificada es:

A.- Una variable de inedia cero.
B.- Una variable expresada como distancia a su media y en
trminos de desviacin tpica.
C - Una variable de desviacin tpica igual a 1.
D.- Todas las respuestas son correctas.
8.- Si una variable X tiene ju = 4 y c r = 0.81, sus valores
tipificados para x, = 2 y Xj = 6 sern:
A.-z, = 0 y 2 2 = l.
B.- z, = -4.44 y Zj = 1.55.
C - Z, = 6.66 y Zj = 11.11
D . - Ninguna de l a s r e s p u e s t a s .
9 . - S X , = 3
X2 = 4
Xj = 8

P(X|)
pXj)
PXj)

= 0 . 4
=0.3
= 0 . 3

e l momento no c e n t r a d o de orden 3 s e r :
A.B.-

192.5
183.6

C - Ninguna de las respuestas.

D.- 195.2
10.- La esperanza matemtica de una variable X con funcin de
densidad:
3xV7
1 < X < 2
f(
o
otro caso

-E

A.B.CD.-

E(X)= 0.
E(X)= 45/28.
E(X)= 3/7.
Ninguno de los valores.

PREGUNTAS TIPO TEST

TEMA ni : CARACTERSTICAS DE LAS VARUBLES ALEATORIAS

El operador esperanza matemtica para una variable aleatoria continua se define

como:

a) E[gix)]=fgix)Jix)dx
-w

b) E\gix)]=fgix)dx
o

c) Elgix)]=fj{x)dx
-oo

d) E\g{x)\= g{x)IAx)dx

2.-

El operador esperanza matemtica para una variable aleatoria discreta se define

como:
a) E[gix)]=J2gix.)P(X=x)
i

b) E[g(x)]=Y,g(x)
c) Elgix)]='jix)dx
d) E[g(x)]=Y,gix.)-p(,x)

3.- Una de las propiedades de la esperanza matemtica es:

a)
b)
c)

La esperanza matemtica de una constante es siempre igual a 1.

La esperanza de una suma de funciones es igual a la suma de las
esperanzas de dichas funciones.
La esperanza matemtica de una suma de funciones es igual al producto de

d)

las esperanzas de dichas funciones

La esperanza de una constante es siempre igual a 0.

4.- Una de las propiedades de la esperanza matemtica es:

a)

E[ k + g(x)] = kE[g(x)]

b)

E[ k - g(x)] = k - E[g(x)]

c)

E[ k + g(x)] = E[g(x)]

d)

ninguna de las anteriores

5.- Una variable aleatoria X tiene la siguiente distribucin de probabilidad,

Xi

p(Xi)

3/10

6/10

1/10

por lo tanto su esperanza matemtica es:

a)
b)

1.9
2

c)

0.6

d)

10/10=1

6.- Se define la varianza de una variable aleatoria X a la esperanza de la funcin g(x)

siendo sta:
a ) g ( x ) = [X + E(X)^]
b)g(x)= [X-E(X)^]
c)g(x)= [X^-E(X)]

d)g(x)= [X^-E(X)^].

7.- Una de las propiedades de la varianza de una variable aleatoria es:

a)
b)
c)
d)

La varianza de una constante es siempre igual a 1.

La varianza de una constante es siempre igual a dicha constante.
La varianza de una constante es siempre igual a 0.
ninguna de las anteriores

8.-

Una variable aleatoria X tiene la siguiente funcin de densidad

fix) = l/l2

0:c^l2 y fix)=0 el resto de valores

por lo tanto su esperanza matemtica ser:

a) 12
b)

1.25

O 5
d) 6
9.-

Una variable aleatoria X tiene la siguiente funcin de densidad

fix) = l/2 0 ^ J : 1 2 y Ax)=0 el resto de valores
por lo tanto su varianza ser:
a)
b)
c)
d)

15.6'
48.5
12
ninguna de las anteriores

10.- El teorema de Tchebycheff nos permite:

a)
b)
c)
d)

Calcular valores exactos de probabilidad en una intervalo de variable

aleatoria.
Delimitar valores de probabilidad en un intervalo de la variable aleatoria
centrada en su valor medio.
Calcular probabilidades condicionadas a un valor de variable especfico.
ninguna de las anteriores

LOTUS

UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA

EDIHCIO DE CIENCIAS ECONMICAS Y EMPRESARIALES

in

NDICE DE CONTENIDO
INTRODUCCIN AL S.O. MS-DOS

EL ORDENADOR EN EL AULA

1
^

LA UNIDAD CENTRAL
EL TECLADO
MONITOR
LA IMPRESORA NEC PINWRITER P2+
PUESTA EN MARCHA
COMO APAGAR EL EQUIPO

1
i
3
. 8
9
12
13

NOMBRE DE UNIDAD

14

LA UNIDAD PREDETERMINADA YEL SMBOLO MS-DOS - 15

COMANDOS TILES PARA EMPEZAR

15

FORMAT
15
FORMATEO DE DIFERENTES TIPOS DE DISCOS - 17
COMO DAR NOMBRE ALOS ARCHIVOS
18
DIR

1 8
PATH Y PATHNAME
19
CARACTERES COMODN

20

COMO UTILIZAR LOS DIRECTORIOS

20

PARA CREAR UN DIRECTORIO

20

PARA CAMBIAR DE DIRECTORIO DE TRABAJO - 21

EL COMANDO TYPE

21

EL COMANDO COPY

22

EL COMANDO DISKCOPY

23

EL COMANDO PRINT

25

II

UMESIDAD DE U S PALMAS DE GRAN CANAHA

Edificio de Ciencias Econmicas y Empresariales

Aula de Informtica

GUIA DE USUARIO MS-DOS PARA EL AULA DE

INFORMTICA
Realizado por:
MERCEDES MATHIAS GUTIRREZ
JOS MANUEL LAUCERICA DNIZ
Oficial del Aula de Informtica
Edificio de Ciencias Econmicas y Empresariales
Universidad de Las Palmas de Gran Canaria
Compuesto e impreso en: AULA. DE INFORMTICA CC. EE. EE. Saulo Toron, 4 Tafira

Guia de MS-DOS para el Aula de Informtica

Pag. -1-

INTRQDUCCION AL SISTEMA OPERATIVO MS-DQS

El equipo, entendido como el conjunto de circuitos, placas, cables,
caja etc., no es nada en si mismo, no puede hacer nada. El Sistema
Operativo es el programa que enlaza al usuario con la mquina,
desligndole de sta y aprovechando al mximo sus recursos. Podemos
definir el SISTEMA OPERATIVO como un conjunto de programas que
realizan una doble misin:
1 - Gestionar los recursos del ordenador (procesador, memoria,
discos y entrada-salida, bsicamente)
2 - Gestionar la ejecucin de los programas del usuario.
Uno de los S.O. ms conocido es el MS-DOS. Por medio de sus rdenes
podremos crear ficheros donde almacenar informacin, borrarlos,
modificar sus nombres, visualizarlos, .preparar disquetes para
utilizarlos en el ordenador etc.
EL ORDENADOR EM EL AUIA
LA UNIDAD CENTRAL
Es el corazn del ordenador. En
UNIDAD
ella se encuentra la placa base,
CENTRAL
los controladores de video y de
discos, las unidades de discos,
la fuente de alimentacin, etc.
Dentro de la unidad y sin acceso
desde fuera, est situado un
disco duro de gran capacidad de
almacenamiento
de datos, la
memoria central y todos los
elementos bsicos que hacen que el ordenador funcione como tal,

Guia de MS-DOS para el Aula de Informtica

pag, -2-

En la unidad central se encuentran:

1.- Llave bloqueo de teclado. La llave tiene dos posiciones. En
. una de ellas el teclado queda bloqueado impidiendo que algn
usuario no autorizado pueda trabajar en el ordenador.
2.- Display indicador velocidad reloj procesador. EN el dispiay
se presenta la velocidad del reloj del procesador en Mega
Herzios.
3.- Botn de Reset. Pulsando este botn se produce un rearranque
del sistema equivalente a apagar y encender.
4.- Botn velocidad procesador (Turbo). Slo es operativo en los
modelos XT. En los AT el cambio de velocidad se hace con ayuda
de una utilidad software.
5.- Indicador luminoso de encendido. Este piloto de color verde
indica que el ordenador est encendido.
6.- Indicador luminoso de acceso al disco duro. Este piloto de
color rojo se enciende cuando se accede al disco duro.
7.- Interruptor de encendido. Interruptor general de RED.
8.- Unidad de disco flexible de 5 1/4. Es la unidad A.
9.- Unidad de disco flexible de 3 1/2. Es la unidad B.
A la unidad central estn conectados el teclado y la pantalla. La
impresora est conectada en paralelo por medio de un switch que
permite a dos ordenadores alternarse en el uso de una sola impresora.

[g>

Gua de MS-DOS para el Aula de Informtica

Pag. -3-

En la parte trasera del ordenador podemos ver:

1.- Salida de tensin Red. Para alimentacin del monitor de vidio
conmutada con el interruptor principal.
2.- Entrada de tensin de Red. En este conector se enchufar el
cable de alimentacin del sistema.
3.- Conmutador cambio de tensin 110-230 voltios.
4.- Conector del teclado.
5.- Ventilador.
6.- Cartulas de placas de expansin. Con controlador de video
conectado.
7.- Conector de la impresora.
EL TECLADO
Est conectado a la unidad central por medio de un cable en espiral
para dar mayor holgura de movimientos y evitar golpes o caldas. A
veces, al encender el ordenador se visualiza un mensaje en la pantalla
advirtiendo la ausencia de teclado. Normalmente se debe a algn
desajuste del conector que se soluciona haciendo una leve presin
sobre l para conseguir un mejor contacto. Puede deberse tambin a la
presin involuntaria de alguna tecla antes de finalizar el ordenador
un test especifico del teclado.

Gua de MS-DOS para el Aula de Informtica

pag. - 4 .

El teclado est- dividido en cuatro bloques:

Teclado

TECLADO ALFANUMRICO
ESPECIAL

alf anumrico.

Racha

Izquierda.

E,e

- ESC. T e c l a Escape
cuya f u n c i n depende

aioo^^
Fi*t^''S

de cada a p l i c a c i n .

TAS.

Tecla

de

"^

='^'

M control

Control

'^'

**

IZQUIERDA

DERECHA

Tabulacin.
- Bloq. Mays. Con cada pulsacin se invierte la funcin
indicando el estado el piloto verde: encendido, letras
maysculas, apagado, letras minsculas.
Flecha arriba f (Mays). Al pulsar esta tecla
simultneamente con otra se obtiene la letra mayscula o el
signo representado en la parte superior de la tecla.
- Control. Esta tecla se utiliza simultneamente con
otra(s) dependiendo de cada aplicacin.
- Alt. Esta tecla se utiliza simultneamente con otra(s)
dependiendo de cada aplicacin.
- Teclado alfanumrico. Derecha.
- Flecha izquierda <- . Borra el carcter anterior.
- Tecla Intro, Enter o Return. Finaliza la linea o da por
terminada una entrada de datos.

>

Guia de MS-DOS para el Aula de Informtica

Pag. -5-

- Flecha arriba t (Mays). Al pulsar esta tecla

simultneamente con otra se obtiene la letra mayscula o el
signo representado en la parte superior de la tecla.
- Control. Esta tecla se suele utilizar simultneamente con
otra(s) dependiendo de cada aplicacin.
- Alt Gr. Algunas teclas tienen un smbolo en el lado
frontal.
Para
obtener
este
smbolo
debe
pulsar
simultneamente dicha tecla y la Alt Gr.
Algunas combinaciones de la tecla Control tienen especial
importancia:
CONTROL C

Abortar la ejecucin de un programa,

CONTROL S :

Detener la salida por pantalla,

CONTROL P
Pulsando

Salida
simultnea
por
impresora,
de nuevo se desactiva la funcin.

CONTROL ALT SUPR :

Iniciacin del ordenador. Este modo se

llama en caliente.

CONTROL ALT -

Baja la velocidad del procesador.

CONTROL ALT +

Sube la velocidad del procesador,

cE>

Guia de MS-DOS para el Aula de Informtica

Pag. -6-

- Teclado numrico,
- Bloq. Nm, En este
teclado
11
teclas
tienen dos smbolos
representados.
La
tecla
Bloq.
Nm.
s i r v e
p a r a
seleccionar
los
nmeros (indicado por
el
piloto
verde

TECLADO NUMRICO

encendido) o los cursores y funciones de edicin (indicado

por el piloto verde apagado).
- Tecla Intro, Enter o Return. Finaliza la linea o da por
terminada una entrada de datos.
- Teclado de Funciones de Edicin.
TECLADO DE FUNCIONES DE EDICIN
Este teclado est destinado
especialmente . a funciones
relacionadas
con
los
editores de texto, lo que
no
implica
que
otras
aplicaciones hagan uso de
ellas
de
forma
muy
diferente.

Inicio "'

- Insert. Cambia el modo de edicin de insertar texto o

sobreescribir.
- Inicio. Mueve el cursor al principio de la linea, la
pgina o el texto, dependiendo de cada editor.
- RePg. Mueve el cursor a la pgina anterior.
- Supr. Borra el carcter.

"^'iiiSi^

Gula de MS-DOS para el Aula de Informtica

Pag,

- Fin. Mueve el cursor al final de la linea, la pgina o el

texto dependiendo de cada editor.
- AvPg. Mueve el cursor a la pgina siguiente.
Teclado de cursores,

TECLADO DE CURSORES

Los
cursores
(arriba,
abajo, izquierda y derecha)
sirven para mover el cursor
de la pantalla en una
posicin por pulsacin de
una tecla. Estas teclas
estn
repetidas
en
el
teclado numrico cuando la
funcin Bloq. Nm. no est
activada (indicador luminoso apagado)

antba

arriba

- Teclado de funciones.
En la parte superior del
teclado se encuentran 12
teclas de la Fl a la F12.
Estas teclas tienen una
funcin determinada por la
aplicacin que se est
utilizando. Por ej. : Fl
TECLADO DE FUNCIONES Y OTRAS TECLAS
desde el sistema repite la
ltima
linea
tecleada
carcter a carcter, F3 la repite completa.

Gua de MS-DOS para el Aula de Informtica

Pag. -8-

- Otras teclas.
En la parte superior del teclado y a la derecha de las teclas de
funcin hay tres teclas que tienen funciones especiales.
- Impr pant. Al pulsar esta tecla se produce un volcado de
la pantalla a la impresora.
- Bloq. Despl. Al pulsar esta tecla se activa-desactiva la
funcin de bloqueo de desplazamiento, funcin dependiente
de la aplicacin.
- Pausa. Al pulsar esta tecla se detiene la salida por
pantalla. Pulse cualquier tecla para que continu.
- Teclas Pseudo ASCII.
El teclado no tiene todos los caracteres, smbolos y caracteres
grficos. Para obtener alguno de stos teclee la combinacin ALT
(o ALT Gr) Nmero, donde Nmero es el nmero decimal entre el O
y el 255, que representa al carcter segn el cdigo ASCII.
Asi como en la mquina de escribir los nmeros O y 1 se sustituyen con
las letras O mayscula y 1 minscula, en el ordenador no debe hacerse
pues podra acarrear graves consecuencias.
EL MONITOR
Al monitor le llega tensin a
travs de la unidad central, por
tanto, a no ser que desactivemos
su botn
de
encendido, al
encender
la
unidad
central
inmediatamente se encender el
piloto
verde
indicador
de
encendido del monitor.

AULA
DE
INFORMTICA

M10

/T=^\
CONTOAST

LUZ
PILOTO

INTEHRUPTOH

MONITOR BSICO
^

Gua de MS-DOS para el Aula de Informtica

?ag

_g.

Bajo la pantalla se encuentran dos mandos que controlan el brillo

el contraste de la misma.
En la parte trasera de los monitores del Aula de la 2a planta se
encuentra un interruptor que activa el modo inverso.
Los monitores del aula que se utiliza para clases son monocromos y
permiten la visualizacin de grficos y texto. En el aula de la 33
planta son de color.

LA IMPRESORA NEC PINWRITER P2+

Se enciende con el interruptor situado en uno de los lados. Puede
utilizar hojas sueltas o papel continuo. Antes de imprimir, es
necesario asegurarse de que est seleccionada para el ordenador del
que se desea obtener la informacin.
Para mover el papel dentro de la impresora puede girar el rodillo para
hacerlo manualmente, o pulsar la teclas LOAD o FEED para el modo
automtico.
La impresora debe utilizarse con la tapa superior colocada para evitar
accidentes y suciedad en el mecanismo.
Pulsando el botn PITCH MODE es posible seleccionar diversas
densidades y calidad de impresin. Normalmente la impresora se
controla a travs de los mismos programas que utilizan los alumnos,
pero debe tenerse en cuenta que se puede imprimir con una densidad de:
10, 12, 15, 17 y 20 caracteres por pulgada, con letra proporcionada
o a ms velocidad y menor calidad. Al encenderla, por defecto queda
seleccionado 10 c.x.p. en alta calidad.

Gula de MS-DOS para el Aula de Informtica

Pag. -10-

Para cargarla con hojas sueltas:

- Con la impresora encendida y seleccionada...
- Se coloca la palanca de seleccin en folio (posicin superior)
- Se sita la flecha que seala la situacin del rodillo en
posicin de bloqueo, (no es necesario que el rodillo se mueva
para arrastrar el folio)
- Se abre la compuerta delantera (en caso de que no lo estuviera)
- Se introduce un folio hasta que la luz parpadeante de SELECT
se apague
- Se pulsa LOAD y el papel se introduce hasta situarse en la
primera linea de impresin encendindose el piloto de SELECT.
- Imprimir.

Para
cargarla
continuo:

con

LAS IMPRESORAS
SON HERRAMIEhfTAS
MUY TILES

papel
i;

Con
la
apagada...

f^

impresora

Se
levanta
la tapa
posterior color arena hacia
delante.

CONSULTA
LAS DUDAS

- Se coloca la palanca de seleccin en papel continuo (posicin

inferior)

Gua de MS-DOS para el Aula de Informtica

p^g

_-^-__

- Se sita la flecha que seala la situacin del rodillo en

posicin de movimiento (el rodillo debe moverse para arrastrar
el papel)
- Se levanta la tapa delantera que protege el mecanismo de
impresin.
- Se introduce el papel por la parte posterior de la impresora,
entre el fondo y el primer canal.
- Cuando el papel aparece bajo la linea de impresin se coloca
la palanca de seleccin de papel en folio y se arrastra unos cms
manualmente haciendo girar el rodillo.
- Se levanta la tapa posterior transparente para poder separar
las aletas negras que presionan sobre los pivotes del rodillo.

- Se vuelve a colocar la palanca de seleccin de papel en

continuo para aflojar la presin y poder mover libremente los
extremos del papel hacia la posicin en que coincidan los pivotes
del rodillo con los agujeros.
- Para cuadrar los pivotes con los agujeros tal vez sea necesario
ajustar la distancia horizontal entre ellos. Eso se consigue
fcilmente por medio de cada una de las palancas verdes que
mueven el juego de pivotes del mismo lado al presionar sobre
ellos. Es preferible ajustar siempre el lado derecho.
- Una vez bien colocados los agujeros en los pivotes y antes de
bajar las aletas negras, debemos mover el papel hasta conseguir
rebasar el tope negro situado inmediatamente despus para
asegurarnos de que el papel no girar de nuevo sobre si mismo.

[SJ

Gua de MS-DOS para el Aula de Informtica

pag. -12-

- Colocar la tapa posterior transparente sobre las aletas.

- Hace salir el papel entre la tapa transparente y la tapa
posterior color arena.
- Colocar la cubierta delantera y encender la impresora con lo
que la luz de SELECT permanecer encendida.
- Imprimir.
PUESTA EN MARCHA
Al poner en marcha el ordenador pulsando el interruptor de encendido
se realizan bsicamente los siguientes pasos:
1 - Iniciacin interna de los circuitos y dispositivos que
componen el sistema.
2 - Prueba de diferentes elementos del equipo y ejecucin del
programa SETUP de configuracin de parmetros del sistema.
3 - Carga del Sistema Operativo desde un soporte de disco, bien
sea un disco flexible o el disco duro. (Carga en fri)
4 - Ejecucin de varios programas que componen la interfaz con
el usuario y que permiten a ste intercambiar informacin con el
ordenador.
Los ordenadores del aula ejecutan en este punto un programa detector
de virus. Cuando observen en la pantalla un mensaje en ingls que
avise de la presencia de uno de ellos, comuniquenlo al oficial del
aula que podr eliminarlo en la mayora de los casos.

Guia de MS-DOS para el Aula de Informtica

Pag, -13

Tambin pueden pedir a los oficiales del aula que sus disquetes pasen
por el mismo tipo de test antes de utilizarlos.
La carga del sistema operativo se hace desde un dispositivo de disco
realizando una bsqueda desde la unidad A en adelante. Si se introduce
un disquete en la unidad A que contenga el sistema operativo la carga
se har desde sta. En caso contrario la bsqueda llegar al disco
duro (unidad C) desde donde se har la carga del sistema. (Se supone
que el disco duro contiene el sistema).
Si una vez que el sistema est en marcha se produjera alguna
circunstancia que obligase a una operacin de apagar y encender de
nuevo, se puede hacer pulsando el botn de reset.
Una tercera posibilidad de volver a cargar el sistema es la carga en
caliente pulsando simultneamente las teclas CONTROL ALT SUPR.

COMO APAGAR EL EQUIPO

No se debe apagar el equipo en cualquier momento pues puede perder
datos o .daar el sistema.
Forma correcta de proceder:
1 - Asegurarse de que los discos -estn inactivos y el sistema
esperando algn comando.
2 - Quitar los disquetes (al menos abrir las puertas) de las
unidades de disco pequeas.
3 - Apagar el ordenador pulsando el interruptor principal.
4 - Apagar los dispositivos conectados (impresora)

[E]

Gua de MS-DOS para el Aula de Informtica

?ag. -14-

WOMBRE DE UNIDAD
Un nombre de unidad completo est compuesto de una letra de la unidad
y dos puntos (: ) . Cuando se va a utilizar un comando, en ocasiones se
tiene que escribir el nombre de la unidad delante del nombre del
archivo.
En los ordenadores del aula tenemos tres unidades de disco:
A: Unidad de disco de 5 s para DD o HD
B: Unidad de disco de 3 h para DD oDD
C: Unidad de disco duro de 20, 40 90 MB

DlaUCTTC DC > 1/t

DISQUETTE DE 5 1/4

Gua de MS-DOS para el Aula de Informtica

Pag. -15-

lA UNIDAD PREDETERMINADA Y EL SMBOLO DE MS-DQ<^

Si no se especifica un nombre de unidad al escribir un nombre de
archivo, MS-DOS lo busca automticamente en el disco de la unidad
predeterminada. La unidad de disco predeterinada es aquella en donde
MS-DOS busca primero cuando se escribe un comand. MS-DOS presenta un
smbolo para hacer saber que est preparado para recibir comandos.
Este smbolo est compuesto de la letra de la unidad de disco
predeterminada seguida del signo mayor que (>). El cursor, un
rectngulo pequeo que parpadea o un subrayado intermitente, se
encuentra a continuacin del signo, e indica el lugar que va a ocupar
el prximo carcter que se escriba.

COMANDOS TILES PARA EMPEZAR

FORMAT
Antes de que los discos nuevos puedan ser utilizados para almacenar
informacin, deber darles formato. Lo consigue mediante el comando
format, un programa especial que esturctura un disco con el fin de que
MS-DOS pueda buscar informacin contenida en l. Tambin comprueba si
el disco tiene partes defectuosas.
Se trata de un comando externo, por tanto si deseamos utilizar este
comando debemos poder acceder a l desde alguna unidad de disco, de
otra forma es imposible ejecutarlo.
Crea el DIRECTORIO y las tablas de asignacin de ARCHIVOS en el disco.
Dicho comando tambin asigna a cada disco un nmero nico de serie del
volumen.

Gua de MS-DOS para el Aula de Informtica

?ag. -16-

Al dar formato se destruye toda la informacin que existia previamente

en el disco.
Se deber precisar la unidad en la que se desea dar formato a un
disco. Por, el- tipo de unidad el combando format asigna un formato
predeterminado.
Opciones tiles del comando format:
Opcin

Funcin

/4

Da formato a un disco de DD de 5 ^ de 360k, en una

unidad de disco de alta capacidad. Algunas unidades de
disco no sern capaces de leer los discos formateados
as. Cuando tengan problemas por esta causa trabajen
en el aula con discos formateados en su ordenador y
nunca al revs.

/s

Copia los archivos del sistema operativo listados en

el archivo formats.tbl, desde el disco ubicado en la
unidad predeterminada al disco que recientemente se ha
dado formato. Este ltimo deber de tener un tamao de
1.2 megabytes o mayor; de lo contrario, el comando
format le indica que inserte un disco de sistema
operativo en aquella (o en la unidad A: cuando la
unidad predeterminada es la unidad C:).

/v

Especifica la etiqueta de volumen a ser utilizada. Una

etiqueta de volumen identifica el disco y puede tener
una longitud de 11 caracteres (las tabulaciones no
estn permitidas). Si no se incluye la opcin /v o se
incluye si. proporcionar una etiqueta de volumen, se
le indica que introduzca la etiqueta una vez que el
proceso de formato haya concluido.

>

Gua de MS-DOS para el Aula de Informtica

f:-amao

Pag. -17-

Delimita el tamao del disco flexible al cual se va a

dar formato. Tamao puede ser alguno de los expuestos
en la tabla siguiente:
Tipo
5 h,
5 h,
5 h,
3 H,
3 H,
5 k,
3 h,

de disco
le, 160K
le, 180K
DD, 320K
DD, 360K
DD, 720K
DD, 1.2M
DD, 1.44M

Especificaciones de Tamao
160KB
180KB
320KB
360KB
720KB
1.2MB
1.44MB

FORMATEO DE DIFERENTES TIPOS DE DISCO EN EL AULA:

- Disco de 5 ^ de HD : FORMAT A:
- Disco de 5 % de DD : FORMAT A:/4
- Disco de 3 ij de DD : FORMAT B:/T:80 /N:9
- Disco de 3 ij de HD : FORMAT B:
Para proteger un disco
borrar accidentalmente,
una etiqueta que oculte
de 3 ? abrir la pestaa

que contiene
lo ms seguro
la ranura del
situada en la

informacin y. que no deseemos

en los discos de 5 ^s es pegar
borde del disco. En los discos
parte inferior del disco.

Gua de MS-DOS para el Aula de Infoxnntica

?ag.

COMO DAR NOMBRE A L05 ARCHIVOS

Es posible tener problemas para encontrar un nombre que identifique
perfectamente el contenido de un disco. Pueden combinarse letras,
nmeros y smbolos (algunas aplicaciones no permiten el uso de todos
los smbolos, en caso de duda utilizar slo nmeros). No utilizar
smbolos matemticos ni espacios. Es indiferente el uso de maysculas
o minsculas, el MS-DOS las convierte todas a maysculas. Tambin
puede utilizarse la extensin para clarificar ms el contenido de un
archivo. El mximo de caracteres permitido es de 8 para el nombre y
3 oara la extensin.
Ejemplos
PRESUPUE.89
VENTAS.MES
JUNI089
FINANZAS.DOC
BALANCE.DIC

DIR
Se trata de un comando interno, lo que quiere decir que no necesita
estar localizado en un disco para poder acceder a l.
Su funcin consiste en proporcionar la lista de los ficheros de un
directorio.
El comando dir, sin ms, da una lista de todos los registros en el
directorio de trabajo de la unidad de disco predeterminada. Lista
tambin la etiqueta y el nmero de seie del volumen de la unidad de
disco.

Ei

Guia de MS-DOS para el Aula de Informtica

pag

.-g,

Al incluir elnombre de la unidad (por ejemplo B:) junto con el comando,

dir, se listan todas las entradas en el directorio predeterminado de
la unidad de disco especificada.
El comando dir admite las siguientes opciones:
Opcin

Propsito

/P

Selecciona el modo pgina, ocasionando que la

presentacin del directorio se detenga cuando la
pantalla
est
completa.
Para
continuar
el
desplazamiento de la pantalla, presione cualquier
tecla.

/w

Selecciona el despliegue a lo ancho de pantalla,

presentando slo los nombres y extensiones de los
archivos sin ninguna informacin adicional. La opcin
de despliegue a lo ancho de pantalla presenta hasta
cinco archivos por linea.

El comando dir proporciona la lista de los archivos con sus tamaos

respectivos en bytes, asi cono la fecha en que por ltima vez fueron
modificados.
PATH Y PATHMAME
El MS-DOS trabaja con directorios estructurados en rbol. En este tipo
de estructura se dispone de un directorio principal, o directorio
raiz, que se ramifica en varios subdirectorios, cada uno de lo cuales
puede, a su vez, tener ms subdirectorios dependiendo de l. Para
desplazarse desde la raz a un subdirectorio o al subdirectorio de un
subdirectorio, se utiliza una ruta (path) que.se incluye en el comando
en forma de nombre de ruta o via de acceso (pathname).
Ejemplo: dir a:\renta\89

Guia de MS-DOS para el Aula de Informtica

Pag. -20-

CARACTERES COMQDIM
En MS-DOS se pueden utilizar ciertos caracteres
significado especial. Estos caracteres son: * y ?

que

tienen

un

El * se utiliza para sustituir a un nmero indeterminado de caracteres

y el ? sustituye a un carcter cada vez que se representa (pueden
ponerse varios seguidos).

COMO UTILIZAR DIRECTORIOS

El primer nivel dentro de un directorio de niveles mltiples es el
directorio R A Z , el cual se crea automticamente cuando se da formato
a un disco. En el interior del mismo se pueden crear directorios y
subdirectorios adicionales.
El directorio en que uno se encuentra se denomina directorio de
trabajo. Las ordenes que se ejecuten sin especificar lo contrario,
slo afectarn a dicho directorio.

PARA CREAR UN DIRECTORIO

Cuando interese crear un nuevo directorio para organizar mejor
el trabajo, para tener copias, para que varias personas no
mezclen sus ficheros etc. deberemos utilizar el comando MKDIR.
Por ejemplo, para crear un nuevo directorio denominado usuario
escribiremos:
MKDIR USUARIO
Una

(o abreviado: MD USUARIO)

vez ejecutado

el comando, existir un nuevo directorio

llamado USUARIO

^Si
Gua de MS-DOS para el Aula de Informtica

pag

-21-

PARA CAMBIAR DE DIRECTORIO DE TRABAJO

Simplemente .se escribir el comando CHDIR seguido de una ruta de
acceso. Por ejemplo para ir del directorio principal al
directorio USUARIO escribiremos:
CHDIR USUARIO

(o CD USUARIO)

(o CD \USUARIO)

Para volver al directorio principal utilizaramos:

CHDIR..

(o CD^.) (o CD \)

La barra invertida (\) representa al directorio principal, por

tanto, cuando MS-DOS encuentra este smbolo comienza la bsqueda
en dicho directorio. Eso hace posible pasar por cualquier ruta
para ir de un directorio a otro.

EL COMANDO TYPE
Cuando se desea que MS-DOS muestre en la pantalla un archivo que
contiene texto se utiliza el comando type. Para mostrar el archivo
deseado se debe especificar su nombre completo y su extensin, no
siendo vlidos en este caso los caracteres comodn. Ej.: Type
SALARI0S.DOC
Se puede especificar la unidad de disco antes del nombre del fichero
y si es demasiado largo tambin la opcin more (para visualizar por
pginas).
Tambin es posible direccionar la salida a la impresora. Ej.: Type
SALARIOS . DOOprn

&

Gua de MS-DOS para el Aula de Informtica

pag

-2 2-

EL COMANDO COPY
Se u-iliza el comando copy cuando se necesita copiar uno o
archivos, ya sea en el mismo disco o desde un disco a otro.
ejemplo si se necesita una copia de un archivo llamado VENTAS.DOC
se conserva en la unidad A y se desea copiarlo y cambiar su nombre
el de MENSUAL.INF se darn los siguientes pasos:
1.- Asegurarse de que el archivo ventas.doc est en la unidad A y
sta es la predeterminada.

ms
Por
que
oor
cue

2.- Escribir: COPY VENTAS.DOC MENSUAL.INF

3.- Presionar la tecla RETORNO
No puede darse el mismo nombre del archivo original a la nueva copia
dentro de la misma unidad. Sin embargo, se puede copiar un archivo de
un disco a otro y conservar el mismo nombre. As, para copiar un
archivo en el disco de la unidad A al disco de la unidad B, se utiliza
el siguiente comando:
COPY A:VENTAS.DOC B:VENTAS.DOC
Si la unidad de disco predeterminada fuera la A no sera necesario
especificar el origen del archivo en el comando. Tampoco sera
necesario especificar el nombre del fichero en la unidad de destino
cuando va a duplicarse. Los siguientes comandos produciran el mismo
resultado:
COPY A:VENTAS.DOC B:VENTAS.DOC
COPY VENTAS.DOC B:VENTAS.DOC
COPY VENTAS.DOC B:

gl

Gua de MS-DOS para el Aula de Informtica

pag. -23

EL COMANDO DISKCOPY
Con frecuencia se necesita hacer copias de discos enteros en lugar de
archivos individuales. Puede realizarse esta operacin sencillamente
con el comando diskcopy. Para utilizar el comando diskcopy es
necesario tener:
El sistema operativo MS-DOS
Un disco que se desee copiar
Un disco en blanco donde grabar la copia
Para copiar el contenido de un disco de la unidad A a la unidad 3, se
debe utilizar:
DISKCOPY A: B:
Slo se podr copiar la informacin a discos con soportes comparables.
Dicho de otro modo, slo podr copiarse informacin de un disco
flexible de 5 1/4 a otro de igual dimensin. Tampoco podr copiarse
de uno de 3 1/2 a otro de 5 1/4.
No es posible utilizar el comando diskcopy para copiar el contenido
de un disco flexible a un disco duro o viceversa. Para ello, se deben
utilizar los comandos copy o xcopy.
El proceso a seguir para copiar un disco flexible en el aula con un
ordenador de dos disqueteras diferentes seria:
1. - Se supone que el usuario est en el directorio del MS-DOS o
que el ordenador tiene definida una bsqueda de ruta apropiada.
(PATH)
2.- DISKCOPY A: A:

(y presionar RETURN)

Bl

..==5%

Gua de MS-DOS para el Aula de Informtica

?ag, -2 4-

3.- Aparecer en pantalla:

Inserte disco FUENTE en la unidad A:
Presione una tecla cuando est listo...
4.- Despus de colocar el original con una etiqueta de proteccin
en la disquetera se pulsar una tecla.
5.- Transcurridos unos segundos el ordenador mandar el siguiente
mensaje:
Inserte disco DESTINO en la unidad A:
Presione una tecla cuando est listo...
6.- Sacaremos el original de la disquetera y en su lugar
colocaremos el disco de copia, por supuesto sin etiqueta de
proteccin.
7.- Este proceso se puede repetir ms de una vez. Se seguir
siempre la pauta que marque el ordenador.
8.- Una vez que el disco haya sido copiado, MS-DOS preguntar si
se desea copiar otro disco:
Desea copiar otro disco (S/N) ?
9.- Presionar N para salir de DISKCOPY
NOTA: Para copiar usando la unidad B el proceso sera el mismo. Slo
se sustituira la letra A por la B.

Guia de MS-DOS para el Aula de Informtica

pag. -2 5-

EL COMANDO PRINT
Es posible imprimir archivos con el comando print. Para hacerlo ser
necesario lo siguiente:
1.- Que el comando PRINT se encuentre accesible
2.- Que el archivo que se desea imprimir est perfectamente
localizado.
3.- Que la impresora est encendida, tenga papel y est en linea
con el ordenador.
4.- Por ej. para imprimir un archivo llamado CLIENT.TEL que se
encuentre en la unidad B, seria necesario.:
1.- Tener en pantalla el prompt del S.O.
2.- Teclear PRINT B:CLIENT.TEL

3.- Cuando el MS-DOS pregunte por el nombre del dispositivo

de impresin introducir: LPTl

[^

Intniccm bicafpm dmn(j0 delLotv 12^ n

ndice:
r Referencias generales del programa.
1.1 Arranque del programa.
1.2 Salida del programa.
1.3 Visin general de una hoja de clculo.
1.4 Rango de datos.
V Utilizacin de la hoja de clculo.
2.1 introduccin de nmeros y textos.
2.2 Introduccin de frmulas. Funciones disponibles.
2.3 Definicin de la hoja de trabajo. El men Hoja.
lA Opciones sobre un rango de celdas. El men Rango.
2.5 Copiado de celdas. El men Copiar.
2.6 Movimientos de celdas. El men Mover.
2.7 Otras operaciones con datos. El men Datos.
2.8 Utilizaciones deficheros.Los mens Ficheros e Imprimir.
2.9 Funcin de impresin. El men Imprimir.
2.10 Realizacin de grficos. El men Grfico.

Insmjcciooes bisica pan el minejo del Lona 123 venin 2

P*i^ "*'

-nrCCrT;

i->
En la esquina superior izquierda se encuentra la denpmnada^dUu^ciikde.G^ y
consiste en la letra y el n r t ^ i ^ e laisdtj^a^^^^
y
modificaciones que, se hayan hecho a las espeifieackiri^^^
edd'GOtf rsf4^j^
generales de la hoja de t"bajo.
' ^j^-^ i; > ;^ J ''-'^T - V t ^ ' i K ^ i i ^ ^ ^ ^
Debajo de la direccin de celda se encuentra el lugar designado para el men, este no
aparecer hasta que no lo activemos. La forma de activarlos es pulsando la tecla <>, Hay dos
formas de utilizar cada una de las opciones, que nos ofrece el men;
a) Movemos por cada una de las opciones delineriMiantejos^^
vez
situados en la opcin deseada plisanislfatcl^:^^?^
--^
b) Pulsar la tecla correspondiente a l primerrlef dtl^^^
Para salir de cada una d'^ls opciones de|niddvla#opci^^
opcin hay que pulsar la teicla de es9ap^v<Iscs>7;GOT;#6^^^
a
la opcin anterior. ; '^fi . '^'^-' -^''rr'fti^'rs^ "4
,'T
r^s-i

1.4 Rango de datos.,''

Para facilitar el uso de la hoja de clculo al usurio^^se creo el concepto de rango de
datos, que no es ms que.el uso a la vez de un conjunto de celdas. Este concepto tiene una
serie de caractersticas ique hay que tener en cuenta a la;hora de trabajar con un rango d
datos:
. '>'.. -. ...
-v ".....- I ::'"..'----y:rr>'
a) Debe tratarse d iicbiynt<decl^:iSr^|.i^i'^*-^^^^
b) Deben ser celdas contiguas. ^> ^ :'-' - * '_-[
-K^I. :: '"^"^ ^-^h' '""
c) La agrupacin debe terter frma-rTOtangar. -, - -'4k\ '"' 4 ' . r
El rango viene especificado por la ca qu ocupe la; esquina superior izqiiiefda, y la
celda que ocupe la esquina inferior derecha^skl cuadfadp fbrniado^pplas^c^
primeras
celdas de la esquina superior derecha dla hoja vendra specifcado^d la siguiente forma.

AJ..B2.

\', ^^.:,v:\]y^y.M/-4/M,-^':^M^

Cuando en cualquier opcin del me'djekltuf :^j^ti^d^j^^

los rangos hay dos
formas de especificar el rango al programa:' '--rif^^^ ?*^^,^^'
r . Escribir las celdas de la forma expuestaantrioWnhte.
2. Mediante el resaltado de las mismas con los cursores. Se haria de la siguiente
forma: Nos situamos en la esquina superior izquierda, entonces pulsamos la tecla del punto
<. > y con los cursores marcamos el rango deseado, una vez hecho pulsamos <mtro>.

2 Utilizacin de la hola de clculo.

2.1 Introduccin de nmeros v textos.
Para introducir datos numricos basta simplemente con teclearlos en una celda y
posteriormente mediante los cursores cambiar de celda, el mismo procedimiento para los datos
de texto. Un aspecto importante ha tener en cuenta es que la celda en donde introduzcamos
datos numricos no haya sido utilizada anteriormente por datos de texto, o si lo ha sido, esta
Instnicciones bsicas para el manejo del Lotus 123 versin 2

Pgina nT

-'-^m

2.3 Definicin de la hoiaae trabajo. Ermen Hoja.

En el men Hoja se pueden cambiar algunas de las especificaciones de la hoja de
trabajo, que aparecen por defecto al arrancar el programa, como puede ser el tipo de unidad, o
el ancho de las columnas. Veamos algunas de las opciones que nos permite este men.
Global: Esta opcin nos permite cambiar algunos aspectos de la hoja de trabajo, esta
opcin, realizar dichos cambios para toda la hoja de trabajo.Dentro de esta opcin vamos a
ver dos opciones:
Formato: Esta opcin nos permite cambiar las unidades de cuenta de la hoja de
trabajo, como por ejemplo a cientfico, monetario, etc.
Ancho de Columna: Nos permite cambiar el nmero de caracteres por celda,
por defecto este nmero de caracteres es de 9.
Columna: Nos permite realizar cambios en la columna en donde se encuentre la celda
de trabajo en ese momento. Veamos dos opciones:
Fijar Anchura: Fija el ancho de la columna.
Anchura Global: Fija el ancho especificado para la hoja entera.
2.4 Opciones sobre un rango de celdas. El men Rango.
Las opciones o cambios que se realicen con ste men slo van a afectar a un rango de
celdas que tenemos que especificar. Veamos algunas de las opciones que existen sobre un
rango de celdas.
Fmto (formato): Al igual que en el men Hoja, sta opcin nos permite cambiar las
unidades de cuenta. Al utilizar esta opcin nos pregunta sobre el tipo de formato que
queremos dar, seleccionamos el deseado, y l programa nos preguntar por el nmero de
decimales, escribimos ste y pulsamos <intro>. Por ltimo el programa nos pide que
introduzcamos el rango de celdas al que queremos dar ste formato, escribimos ste
(recurdese que existe la opcin del resaltado ya vista anteriormente), y pulsamos <intro>.
Borrar: Esta opcin nos permite borrar una celda o un rango de celdas. Una vez
utlilizemos esta opcin el programa nos pregunta por el rango de celdas que queremos borrar,
escribimos ste, y pulsamos <intro>
Valor: Esta opcin se utiliza para pasar valores obtenidos mediante una formula a un
valor numrico. Esto sucede porque cuando utilizamos una formula, en la celda nos aparece el
resultado de la operacin ,pero en la celda se mantiene la formula, como se puede ver en la
direccin de celda, y en algunos casos puede sernos til el tener solamente el valor y no la
frmula en la celda. En esta opcin nos pedir primero el rango de datos que queremos
cambiar (rango de origen), una vez introducido ste, pulsamos <intro>, una vez hecho sto,
nos pedir el rango donde queremos colocar el resultado de esta operacin (rango de salida),
escrito ste pulsamos <intro>.
Transponer: Esta opcin nos permite el transponer (cambiar filas por columnas) de un
rango de datos. Primero nos pedir el rango de origen, y posteriormente el rango de salida.
Instrucciones bsicas para el manejo del Lotus 123 versin 2

*""

Regresin: Esta opcin nos permite realizar regresiones entre dos variables, teniendo
en cuenta que las calcula cuando la frecuencia absoluta es igual a uno. Hay que tener en
cuenta que el nmero de datos de la variable independiente debe ser igual al de la variable
dependiente. En esta opcin hay una serie de opciones que debemos rellenar para su
ejecucin.
X-Rango: Rango de datos de la variable independiente, lo escribimos o
seleccionamos, y pulsamos <mtro>.
Y-Rango: Rango de datos de la variable dependiente, lo escribimos o
seleccionamos y pulsamos </>//ro>.
Rango de Salida: Lugar en donde van, a salir los resultados de la operaciones
ejecutadas por el programa, lo escribimos o seleccionamos y pulsamos
<intro>.

Actuar: Realiza la regresin.

2.8 Operaciones con ficheros. El men Fichero e Imprimir.
Una vez realizado el trabajo, nos puede ser necesario el guardar dicho trabajo en un
fichero, para posteriormente recuperarlo. Tambin podemos necesitar el unir dos ficheros en
una sola hoja de clculo, esto es lo que vamos a ver en ste apartado. Una vez dentro del
men Fichero, tenemos las siguientes opciones:
Recuperar: Escribe en nuestra hoja de calculo una lwjif)re\3me
almacenada en un
fichero, con esta opcin no podemos combinar ficheros, s'dcirVsilenemos algo escrito en la
hoja de clculo y ejecutamos recuperar, perderemos la informacin anterior, paia colocar la
previamente almacenada. El proceso a seguir es el siguiente: Una vez dentro de la opcin
recuperar el programa nos pregunta por el nombre del fichero y la ruta que debe seguir para
encontrar dicho fichero. Por defecto el ordenador nos muestra una ruta, si esta no es la
correcta, pulsaremos la tecla de escape <Esc>, tantas veces como sea necesario para que
dicha ruta desaparezca y nos quede solamente la pregunta, entonces escribiremos la ruta
correcta, as como el nombre del fichero y pulsamos <intro>.
Grabar: Esta opcin nos permite grabar una hoja de clculo en un fichero, el proceso
es el siguiente: Entramos dentro de la opcin Grabar, entonces nos pregunta por la ruta y el
nombre del fichero en el que vamos a grabar, realizamos las mismas operaciones que en el
apartado anterior para escribir la ruta y nombre del fichero a grabar, y pulsamos <intro>. Si el
fichero ya existe el programa no informar de esto y no preguntar si queremos escribir
encima de este (perdiendo la informacin que en este exista) o no.
Combinar: Si tenemos dos hojas de clculo y queremos uniras en una, debemos
recuperar una, y posteriormente realizar este proceso: Una vez dentro de la opcin Combinar
elegimos la opcin Sumar, luego la opcin todofich para combinar los dos ficheros enteros, y
por ltimo escribir la ruta y el nombre del fichero que vamos a unir.

Instnicciones bsicas para el manejo del Lotus 123 venin 2

^ S"* "

".'. ^-':=^/txa?^-i':::^=^c--:^^

^ - ^ 3 . 4 3 ' ^ .^ . .

Bibliogafia sobre f.nH. 0 3 yersinn 7

"f

Jorge Ko^JZTlZ'^TZt'

" " " " ' ^ ^ " ""'^ " ' ' ^ - ' ^ ^ * - "

*"123 versin 2.2 a su alcance". Mary Campbell. Editorial Me

Instrucciones bsicai para el manejo del Lotui 123 venin 2

Graw Hiil.

Pgina n9