Está en la página 1de 33

UNIVERSIDAD DE CARABOBO

FACULTAD DE CIENCIAS ECONÓMICAS Y


SOCIALES
ESCUELA DE ADMINISTRACIÓN COMERCIAL Y
CONTADURÍA PÚBLICA
CÁTEDRA: ESTADÍSTICA I
CAMPUS BÁRBULA

NÚMEROS ÍNDICES

Autores:
Bolívar, Emily. C.I: 25.550.598
Osorio, Kismaury. C.I: 24.330.939
Sección: #33.

Prof.: Montes, Mirna.

Valencia, Diciembre 2017.


INTRODUCCIÓN

En este trabajo abarcaremos, todo lo relacionado acerca de los Números Índices, su


uso, cabe destacar que, en términos generales los números índices se clasifican en
números índices simples y números de índices compuestos, además de los Índices
especiales; Número Índices como deflactor de series, la Regresión Lineal, los
Métodos de mínimos cuadrados, Error estándar de estimación, el Coeficiente de
correlación lineal, Coeficiente de determinación y la Estimación de datos
económicos.

Actualmente los números índices han tomado un lugar muy importante para la
administración como indicadores de las actividades económicas y negocios de
hecho, su uso se ah convertido en el procedimiento de más amplia aceptación.
Debido que permite estudiar las variaciones de una magnitud o de más de una en
relación al tiempo o al espacio, son útiles cuando se requiere comparar variables o
magnitudes que están distintas unidades.

En este mismo estudio también veremos algunos ejemplos, ya que con estos
podemos comparar los costos de alimentación, vestido y servicios en una ciudad
durante un año con los del año anterior, o la producción de una empresa en
comparación a otro año, etc.
Números Índices (Indicadores).

Algunos autores definen el número índice como:


"Un número índice es un valor relativo expresado como porcentaje o cociente, que
mide un periodo dado contra un periodo base determinado." Leonard Kasmier.

Según Rosembaum y Highland "un número índice es una forma especial de razón
utilizada para mostrar cambios durante el periodo.
Generalmente se calcula así: Índice= (Año del valor determinado/ valor del año
base) x100

Si se analiza la palabra índice, esta puede tener muchas acepciones diferentes,


pero todas conservan palabras claves que nos dan una idea de lo significa como:
señal de una cosa, indicador, breve, lista y contenido.

Usos de los números índices.

Los números índices son útiles cuando se quiere comparar variables o magnitudes
que están medidas en unidades distintas. Por ejemplo, con los números índices
podemos comparar los costes de alimentación o de otros servicios en una ciudad
durante un año con los del año anterior, o la producción de arroz en un año en una
zona del país con la otra zona.

Aunque se usa principalmente en Economía e Industria, los números índices son


aplicables en muchos campos. En Educación, por ejemplo, se pueden usar los
números índices para comparar la inteligencia relativa de estudiantes en sitios
diferentes o en años diferentes.

Muchos gobiernos se ocupan de elaborar números índice con el propósito de


predecir condiciones económicas o industriales, tales como: índices de precios, de
producción, salariales, del consumidor, poder adquisitivo, costo de vida, etc.
En la administración se utilizan como parte de un cálculo intermedio para entender
mejor otra información.
Tipos de números índices.

Índice simple.
Los números índices simples son aquellos que se refieren únicamente a una
variable o fenómeno.

Se denomina Índice Simple de la magnitud X en el periodo t respecto al periodo 0, a


la razón:

I t/ 0  x t
x
0

Al periodo 0 se le denomina periodo base o de referencia.


A t se le denomina periodo actual o corriente.
El índice simple es una magnitud a dimensional.

Índice simple de precios.


"El índice de precios es el de mayor uso. Compara los cambios en el precio entre
dos periodos. El índice de precios al consumidor mide los cambios globales de
precio de varios bienes de consumo y también de los servicios, y se utiliza para
definir el costo de vida" Richard Levin.

La formula general para el índice simple de precios, es:


 Pn 
I p   P x100
 0

Sea el precio de una mercancía en el periodo dado y el precio en el


periodo base.

Ejemplo: determine los índices simples de precios para el año 2000 de las tres
mercancías consideradas, usando como año base 1995:
Precios y consumo de tres mercancías en un área metropolitana.
Tabla 1

Mercancía Unidad de Precio Precio Consumo Consumo


cotización 1995 2000 1995 2000

Leche Litro 0.99 1.29 15.0 18.0

Pan Pieza de una 1.10 1.20 3.8 3.7


libra
huevos Docena 0.80 1.20 1.0 1.2

De la leche I= x 100= 103.3

Del pan I= x100= 109.1

De los huevos I= x100= 150.0

Índice simple de cantidad.


"El índice de cantidad mide cuanto cambia en el tiempo el numero o cantidad de una
variable." Richard Levin.
La formula general para el índice simple de cantidad es:
 qn 
I q   x100
 q0

De igual manera, si indica la cantidad de un articulo producido o vendido en el

periodo dado y la cantidad en el periodo base.


Ejemplo: tomando como referencia la tabla 1, determine los índices simples de
cantidad de las tres mercancías consideradas el año 2000, usando 1995 como año
base.

De la leche I= x 100=120.0

Del pan I= x 100= 97.4

De los huevos I= x100= 109.1

Índice simple valor.


"Índice de valor, mide los cambios del valor monetario total…mide los cambios en el
valor monetario de una variable. En efecto, combina los cambios de precio y
cantidad para presentar un índice más informativo." Richard Levin.

La formula general para un índice simple de valor, es:


 Pn qn 
I p   P q x100
 0 0
En consecuencia, indica el valor de una mercancía en el periodo dado,

mientras que indica el valor de la mercancía en el periodo base.

Ejemplo: tomando como referencia el tabla 1, calcule los índices simples de valor
para el año 2000, tomando como base el año 1995.

De la leche I= x100= 156.4


Del pan I= x100= 106.2

De los huevos I= x 100 = 180.0

Índice compuesto.
"Sucede cuando un solo índice pude reflejar un conjunto o grupo de variables
cambiantes" Richard Levin.

Índices agregados
Índice no ponderado de agregados
"…los precios de varios artículos o mercancías sencillamente podrían sumarse tanto
para el caso del periodo dado como para el del periodo base, respectivamente, y
después compararse" Leonard Kasmier.
La ecuación es:

Índice no ponderado de cantidad de agregados = x 100


Donde:

= cantidad de cada elemento en el grupo durante el año actual.

= cantidad de cada elemento en el grupo durante el año base.

Índices de precios no ponderados: Dado un conjunto de artículos:


✓ Índice de saverbeck: de precios es la media aritmética de los índices
simples (de precios) de cada artículo:
Ejemplo: Obtener los índices de precios de Sauerbeck para el conjunto de
productos agrícolas: Arroz, trigo y patatas:

Trigo Patatas Arroz Trigo Patatas I.Sauerbeck


Arroz
Periodo Precio Precio Precio I.Simple I.Simple I.Simple
0 50 30 40 1 1 1
1 60 30 40 1,2 1 1
2 70 35 45 1,4 1,1666 1,125
3 75 40 45 1,5 1,3333 1,125
4 80 45 50 1,6 1,5 1,25
5 90 50 50 1,8 1,6666 1,25

Índice de agregados ponderados


"Con el fin de evitar las desventajas del índice no ponderado de agregados,
asignamos un peso al precio de cada artículo, en general la cantidad (o volumen)
vendida durante el año base, durante el año dado." Spiegel Murray.

  P1Q 

Índice de precio de agregados ponderados =  x100 Donde:


 P0 
Q

= precio de cada elemento del grupo en el año actual.

= precio de cada elemento del grupo en el año base.


Q = factor seleccionado de ponderación de cantidad.

Dependiendo de las ponderaciones para cada bien (o artículo) y del tipo de


promedio que se utilice se podrán generar distintos índices:

✓ Índice precios de Laspeyres: Este método se sirve de las cantidades


consumidas durante el periodo base, es la técnica de mayor uso por requerir
medidas de cantidades durante un solo periodo. Como cada número índice
se funda en el mismo precio y cantidad base, los gerentes pueden comparar
el índice de un periodo con el de otro

Se calcula así:
  P1Q0 

Índice de Laspeyres=  x100


 P0 
Q0
Donde:

= precios en el año actual.

= cantidades vendidas en el año base.

= precio en el año base.

✓ Índice de precios Paasche: Se diferencia del primero, porque se sirve de


medidas de cantidad en el periodo actual.

Se calcula así:

Índice de Paasche = x
100 Donde:

= precios en el periodo actual.

=cantidades en el periodo actual.

=precios en el periodo base.

✓ Índice de agregados precio fijo: Se diferencia de los demás, por que usa
los pesos provenientes de un periodo representativo, a los cuales se le
denominan pesos fijos.

Se calcula:
Índice de precios agregados de peso fijo=  pQ 1 2
x100
p 0

Donde: Q2
= precios del periodo actual

= precios del periodo base

=pesos fijos

✓ Índice de precios ideal de Fischer: Es la media geométrica de los números


índices de Laspeyres y de Paasche.
  pn q0    pn qn 
Índice ideal de Fisher=  
 p q  x  p q
0 0 0 n

   

Ejemplo números índices ponderados:


Índices especiales; Número Índices como deflactor de series.
Deflactor de series estadísticas
Si disponemos de una serie estadística de datos sobre la valoración de alguna
magnitud económica (consumo, producción,
etc.), lo habitual es que la valoración monetaria de estos datos se realice a precios
corrientes de cada período.

En la medida en que los precios sufren alteraciones de unos períodos a otros, la


serie así representada no permite hacer comparaciones. La solución de este
problema es expresar la serie en términos de precios constantes de un determinado
período (año base).

Es decir realizar la transformación:

Período Valor nominal (ptas. corrientes) Valor real (ptas. constantes)


R
0 V0=S pi0.qio V0 =S pi0.qio
R
1 V1=S pi1.qi1 V1 =S pi0.qi1

.
R
t Vt=S pit.qit Vt =S pi0.qit

T VT=S piT.qiT VTR=S pi0.qiT

El paso de la serie original a la serie valorada en precios constantes se


llama deflactación, y el índice a través del cual se puede pasar de una serie a la otra
se llama deflactor. La deflactación de series es una de las utilidades importantes de
los números índices.

Puede probarse que se si utiliza como deflactor el índice de precios de Laspeyres


no se consigue el objetivo de obtener la valoración a precios constantes; sin
embargo, si se utiliza el índice de Paasche sí se consigue cambiar la serie a valores
constantes.

Cambio de base y empalme.


Otro problema que se plantea es la pérdida de representatividad de los índices al ir
alejándonos del período base, especialmente cuando las ponderaciones utilizadas
se refieren al período base. Este problema suele resolverse renovando cada cierto
tiempo la evaluación de los índices, cambiando de período base.
Si se lleva a cabo una renovación del índice en un determinado período a partir de
ese período se evaluará los índices mediante otras ponderaciones y la serie
quedará dividida en dos partes no homogéneas:

año índice año base

1985 1 (100) 1985

1986 1.15 (115) 1985

1987 1.25 (125) 1985

1988 1.39 (139) 1985

1989 1.60 (160) 1985

1990 1 (100) 1990

1991 1.2 (120) 1990

1992 1.3(130) 1990

1993 1.5 (150) 1990

La homogeneización de la serie se resuelve empalmando las dos series de forma


que manteniendo el índice 100 (1) para el nuevo año base los índices anteriores
mantengan la proporcionalidad. (Regla de tres). Para poder realizar el empalme es
necesario conocer el índice del nuevo año base referido al antigua año base (en
nuestro caso el índice de 1990 referido a 1985): supongamos que es 1.90 (190),
entonces la serie homogénea sería:
año empalme índice

1985 1 /1.90 =0.5263 0.5263 (52.63)

1986 1.15 /1.90=0.6052 0.6052 (60.52)

1987 1.25 /1.90=0.6578 0.6578 (65.78)

1988 1.39 /1.90=0.7315 0.7315(73.15)

1989 1.60 /1.90=0.8421 0.8421 (84.21)

1990 1 (100)

1991 1.2 (120)

1992 1.3(130)

1993 1.5 (150)

Regresión Lineal.
Representamos en un gráfico los pares de valores de una distribución
bidimensional: la variable "x" en el eje horizontal o eje de abscisa, y la variable "y"
en el eje vertical, o eje de ordenada. Vemos que la nube de puntos sigue una
tendencia lineal:

El coeficiente de correlación lineal nos permite determinar si, efectivamente,


existe relación entre las dos variables. Una vez que se concluye que sí existe
relación, la regresión nos permite definir la recta que mejor se ajusta a esta nube
de puntos.

Una recta viene definida por la siguiente fórmula:

y = a + bx

Donde "y" sería la variable dependiente, es decir, aquella que viene definida a partir
de la otra variable "x" (variable independiente). Para definir la recta hay que
determinar los valores de los parámetros "a" y "b":
✓ El parámetro "a" es el valor que toma la variable dependiente "y", cuando la
variable independiente "x" vale 0, y es el punto donde la recta cruza el eje
vertical.
✓ El parámetro "b" determina la pendiente de la recta, su grado de
inclinación.

La regresión lineal nos permite calcular el valor de estos dos parámetros,


definiendo la recta que mejor se ajusta a esta nube de puntos.

El parámetro "b" viene determinado por la siguiente fórmula:

Es la covarianza de las dos variables, dividida por la varianza de la variable "x".


El parámetro "a" viene determinado por:
a = ym - (b * xm)

Es la media de la variable "y", menos la media de la variable "x" multiplicada por el


parámetro "b" que hemos calculado.

Ejemplo: vamos a calcular la recta de regresión de la siguiente serie de datos de


altura y peso de los alumnos de una clase. Vamos a considerar que la altura es la
variable independiente "x" y que el peso es la variable dependiente "y" (podíamos
hacerlo también al contrario):

Alumno Estatura Peso Alumno Estatura Peso Alumno Estatura Peso

x x x x x x x x x

Alumno 1 1,25 32 Alumno 11 1,25 33 Alumno 21 1,25 33

Alumno 2 1,28 33 Alumno 12 1,28 35 Alumno 22 1,28 34

Alumno 3 1,27 34 Alumno 13 1,27 34 Alumno 23 1,27 34

Alumno 4 1,21 30 Alumno 14 1,21 30 Alumno 24 1,21 31

Alumno 5 1,22 32 Alumno 15 1,22 33 Alumno 25 1,22 32

Alumno 6 1,29 35 Alumno 16 1,29 34 Alumno 26 1,29 34

Alumno 7 1,30 34 Alumno 17 1,30 35 Alumno 27 1,30 34

Alumno 8 1,24 32 Alumno 18 1,24 32 Alumno 28 1,24 31

Alumno 9 1,27 32 Alumno 19 1,27 33 Alumno 29 1,27 35

Alumno 10 1,29 35 Alumno 20 1,29 33 Alumno 30 1,29 34


El parámetro "b" viene determinado por:

(1/30) * 1,034

b= ----------------------------------------- =40,265

(1/30) * 0,00856

Y el parámetro "a" por:

a = 33,1 - (40,265 * 1,262) = -17,714

Por lo tanto, la recta que mejor se ajusta a esta serie de datos es:

y = -17,714 + (40,265 * x)

Esta recta define un valor de la variable dependiente (peso), para cada valor de la
variable independiente (estatura):
Estatura Peso

x x

1,20 30,6

1,21 31,0

1,22 31,4

1,23 31,8

1,24 32,2

1,25 32,6

1,26 33,0

1,27 33,4

1,28 33,8

1,29 34,2

1,30 34,6
Métodos de mínimos cuadrados.
El procedimiento mas objetivo para ajustar una recta a un conjunto
de datos presentados en un diagrama de dispersión se conoce como "el método de
los mínimos cuadrados". La recta resultante presenta dos características
importantes:
1. Es nula la suma de las desviaciones verticales de los puntos a partir de la
recta de ajuste:
∑ (Y ー - Y) = 0.
2. Es mínima la suma de los cuadrados de dichas desviaciones. Ninguna otra
recta daría una suma menor de las desviaciones elevadas al cuadrado:
∑ (Y ー - Y)² → 0 (mínima).

El procedimiento consiste entonces en minimizar los residuos al cuadrado Ci²

Re emplazando nos queda

La obtención de los valores de a y b que minimizan esta función es un problema que


se puede resolver recurriendo a la derivación parcial de la función en términos de a
y b: llamemos G a la función que se va a minimizar:

Tomemos las derivadas parciales de G respecto de a y b que son las incógnitas y


las igualamos a cero; de esta forma se obtienen dos ecuaciones llamadas
ecuaciones normales del modelo que pueden ser resueltas por cualquier método ya
sea igualación o matrices para obtener los valores de a y b.

Derivamos parcialmente la ecuación respecto de a:


Primera ecuación normal

Derivamos parcialmente la ecuación respecto de b:

Segunda ecuación normal

Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante.


Veamos el siguiente ejemplo:
- En un estudio económico se desea saber la relación entre el nivel de
instrucción de las personas y el ingreso.
EJEMPLO 1.
Se toma una muestra aleatoria de 8 ciudades de una región geográfica de 13
departamentos y se determina por los datos del censo el porcentaje de graduados
en educación superior y la mediana del ingreso de cada ciudad, los resultados son
los siguientes:
CIUDAD: 1 2 3 4 5 6 7 8
% de (X)
Graduados: 7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2
Ingreso (Y)
Mediana: 4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4 (0000)

Tenemos las ecuaciones normales

∑y = na + b∑x
∑xy = a∑x + b∑x²

Debemos encontrar los términos de las ecuaciones


∑y, ∑x, ∑xy, ∑ x² Por tanto procedemos de la siguiente forma:

Y X XY X²

4.2 7.2 30.24 51.84

4.9 6.7 32.83 44.89

7.0 17.0 119.00 289.00

6.2 12.5 77.50 156.25

3.8 6.3 23.94 39.69

7.6 23.9 181.64 571.21

4.4 6.0 26.40 36.00

5.4 10.2 55.08 104.04

43.5 89.8 546.63 1292.92


Sustituyendo en las ecuaciones los resultados obtenidos tenemos:
43.50 = 8a + 89.8b
546.63 = 89.8a + 1292.92b
Multiplicamos la primera ecuación por (-89.8) y la segunda por (8) así:
43.50 = 8a + 89.8b (-89.8) 546.63 = 89.8a + 1292.92b (8)
-3906.30 = -718.4a - 8064.04b 4373.04 = 718.4a + 10343.36b
466.74 = -0- 2279.32b

Este valor de b lo reemplazamos en cualquiera de las ecuaciones para obtener a


así:
Reemplazando b = 0.20477 en la primera ecuación normal

43.5 = 8a + 89.8 (0.20477) 43.5 = 8a + 18.3880 43.5 - 18.3880 = 8a 25.1120 = 8a

Tenemos entonces que los coeficientes de regresión son: a = 3.139 y b = 0.20477.


Por tanto la ecuación de regresión nos queda:

Significa entonces que por cada incremento en una unidad en X el valor de se


aumenta en 0.20477

Esta ecuación permite estimar el valor de para cualquier valor de X, por ejemplo:
Una ciudad que tiene un porcentaje de graduados a nivel superior del 28% la
mediana de ingreso para la ciudad será:
Los valores a y b también se pueden obtener de la siguiente forma: partiendo de las
ecuaciones normales tenemos:

Si dividimos todos los términos de la ecuación (1) entre n nos queda:

Tenemos entonces que el primer término es el segundo término es la incógnita a

y el tercer término es la incógnita b multiplicada por por tanto nos queda:

Entonces

Reemplazando a en la ecuación (2) tenemos


a = 5.4375 – 0.20477 (11.2250) = 5.4375 – 2.2985 = 3.139

Se debe tener presente la diferencia entre el valor de obtenido con la ecuación de

regresión y el valor de Y observado. Mientras es una estimación y su bondad en


la estimación depende de lo estrecha que sea la relación entre las dos variables que
se estudian; Y ー es el valor efectivo, verdadero obtenido mediante la observación
del investigador. En el ejemplo Y ー es el valor mediano del ingreso que obtuvo el
investigador.

Utilizando todos los ingresos observados en cada ciudad y es el valor estimado


con base en el modelo lineal utilizado para obtener la ecuación de regresión
Los valores estimados y observados pueden no ser iguales por ejemplo la primera
ciudad tiene un ingreso mediano observado de Y ー = 4.2 al reemplazar en la

ecuación el porcentaje de graduados obtenemos un estimado de

Gráficamente lo anterior se puede mostrar así:


Claramente se observa en la gráfica que hay una diferencia entre el valor efectivo
de Y ー y el valor estimado; esta diferencia se conoce como error en la estimación,
este error se puede medir. A continuación se verá el procedimiento.

Error estándar de estimación.


El error estándar de la estimación designado por sYX mide la disparidad "promedio"

entre los valores observados y los valores estimados de .


Se utiliza la siguiente formula.

Debemos entonces calcular los valores de para cada ciudad sustituyendo en la


ecuación los valores de los porcentajes de graduados de cada ciudad estudiada.
Y X

4.2 7.2 4.6 -0.4 0.16

4.9 6.7 4.5 0.4 0.16


7.0 17.0 6.6 0.4 0.16

6.2 12.5 5.7 0.5 0.25


3.8 6.3 4.4 -0.6 0.36

7.6 23.9 8.0 -0.4 0.16

4.4 6.0 4.4 0.0 0.00


5.4 10.2 5.2 0.2 0.04

1.29

Syx = 0.46 (decenas de miles $)

Como esta medida trata de resumir la disparidad entre lo observado y lo estimado,


es decir, trata de medir la diferencia promedio entre lo observado y lo estimado ó
esperado de acuerdo al modelo, puede considerarse como un indicador del grado
de precisión con que la ecuación de regresión, describe la relación entre las dos
variables. Este error estándar se ve afectado por las unidades y sus cambios ya que
es una medida absoluta, pues, se da en la misma unidad de medida que está dada
la variable Y; en el ejemplo 0.46 serán decenas de miles de pesos, razón por la cual
no es posible comparar con las relaciones de variables dadas en distinta unidad de
medida. Es necesario entonces calcular una medida que interprete o mida mejor el
grado de relación entre las variables.

Coeficiente de correlación lineal.


En una distribución bidimensional puede ocurrir que las dos variables guarden algún
tipo de relación entre sí.

Por ejemplo, si se analiza la estatura y el peso de los alumnos de una clase es muy
posible que exista relación entre ambas variables: mientras más alto sea el alumno,
mayor será su peso.

El coeficiente de correlación lineal mide el grado de intensidad de esta posible


relación entre las variables. Este coeficiente se aplica cuando la relación que puede
existir entre las variables es lineal (es decir, si representáramos en un gráfico los
pares de valores de las dos variables la nube de puntos se aproximaría a una recta).

No obstante, puede que exista una relación que no sea lineal, sino exponencial,
parabólica, etc. En estos casos, el coeficiente de correlación lineal mediría mal la
intensidad de la relación las variables, por lo que convendría utilizar otro tipo de
coeficiente más apropiado.
Para ver, por tanto, si se puede utilizar el coeficiente de correlación lineal, lo mejor
es representar los pares de valores en un gráfico y ver qué forma describe.

El coeficiente de correlación lineal se calcula aplicando la siguiente fórmula:


Es decir:
 Numerador: se denomina covarianza y se calcula de la siguiente manera:
en cada par de valores (x, y) se multiplica la "x" menos su media, por la "y"
menos su media. Se suma el resultado obtenido de todos los pares de
valores y este resultado se divide por el tamaño de la muestra.
 Denominador se calcula el producto de las varianzas de "x" y de "y", y a
este producto se le calcula la raíz cuadrada.
Los valores que puede tomar el coeficiente de correlación "r" son: -1 < r < 1
Si "r" > 0, la correlación lineal es positiva (si sube el valor de una variable sube el
de la otra). La correlación es tanto más fuerte cuanto más se aproxime a 1.
Por ejemplo: altura y peso: los alumnos más altos suelen pesar más.

Si "r" < 0, la correlación lineal es negativa (si sube el valor de una variable
disminuye el de la otra). La correlación negativa es tanto más fuerte cuanto más se
aproxime a -1.
Por ejemplo: peso y velocidad: los alumnos más gordos suelen correr menos.

Si "r" = 0, no existe correlación lineal entre las variables. Aunque podría existir otro
tipo de correlación (parabólica, exponencial, etc.)
De todos modos, aunque el valor de "r" fuera próximo a 1 o -1, tampoco esto quiere
decir obligatoriamente que existe una relación de causa-efecto entre las dos
variables, ya que este resultado podría haberse debido al puro azar.

Ejemplo: vamos a calcular el coeficiente de correlación de la siguiente serie de


datos de altura y peso de los alumnos de una clase:
Alumn Estatur Pes Alumn Estatur Pes Alumn Estatur Pes
o a o o a o o a o
x x x x x x x x x
Alumno Alumn Alumn
1,25 32 1,25 33 1,25 33
1 o 11 o 21
Alumno Alumn Alumn
1,28 33 1,28 35 1,28 34
2 o 12 o 22
Alumno Alumn Alumn
1,27 34 1,27 34 1,27 34
3 o 13 o 23
Alumno Alumn Alumn
1,21 30 1,21 30 1,21 31
4 o 14 o 24
Alumno Alumn Alumn
1,22 32 1,22 33 1,22 32
5 o 15 o 25
Alumno Alumn Alumn
1,29 35 1,29 34 1,29 34
6 o 16 o 26
Alumno Alumn Alumn
1,30 34 1,30 35 1,30 34
7 o 17 o 27
Alumno Alumn Alumn
1,24 32 1,24 32 1,24 31
8 o 18 o 28
Alumno Alumn Alumn
1,27 32 1,27 33 1,27 35
9 o 19 o 29
Alumno Alumn Alumn
1,29 35 1,29 33 1,29
10 o 20 o 30

Aplicamos la fórmula:
(1/30) * (0,826)
r =-----------------------------------------------------------
(((1/30)*(0,02568)) * ((1/30)*(51,366)))^(1/2)

Luego,
r = 0,719
Por lo tanto, la correlación existente entre estas dos variables es elevada (0,7) y de
signo positivo.
Coeficiente de determinación.
El cambio de la variable Y generalmente depende de muchos factores, en
ocasiones, difíciles de identificar; con el modelo lineal simple, sólo tenemos presente
uno. Por ejemplo, en nuestro caso la mediana del ingreso depende no sólo del
porcentaje de graduados en el nivel superior, que es, el factor que tenemos
presente, pueden entrar a jugar factores tales como, la distribución de la edad en
la población, la distribución por sexo en la población, la industrialización de la
ciudad, el numero de universidades y muchos otros.

El coeficiente de determinación mide o interpreta la cantidad relativa de la variación


que ha sido explicada por la recta de regresión, es decir, la proporción de cambio en
Y explicado por un cambio en la variable X (X es el factor que se utiliza para calcular
la recta de ajuste o ecuación de regresión, en el ejemplo es el porcentaje de
graduados en el nivel superior en cada ciudad).

Para el ejemplo el Coeficiente de determinación va a medir la proporción del cambio


en el ingreso mediano de cada ciudad, debido o explicado por un cambio en el
porcentaje de graduados en el nivel superior.

Veamos algunos componentes de la variabilidad en el análisis de regresión:

La diferencia entre cada valor de Y ー observado y media se denomina variación


de Y.

La diferencia entre estimado y media, es la variación tenida en cuenta por la


ecuación de regresión, razón por la cual se denomina variación explicada de Y.
La diferencia entre Y ー observado y estimado, son variaciones consideradas
debidas a factores diferentes al tenido presente por la ecuación de regresión por eso
se llama: variación no explicada de Y.

La diferencia entre Y ー observado y estimado, son variaciones consideradas


debidas a factores diferentes al tenido presente por la ecuación de regresión por eso
se llama: variación no explicada de Y.

La sumatoria de las diferencias en cada una de las formas de variación la podemos


representar así:

Gráficamente esta relación se puede representar así:


Se dijo anteriormente, que el coeficiente de determinación es la proporción de
cambio explicado en Y, por cambio en X, es decir, la proporción que representa la
variación explicada de la variación total. Recuerde una proporción es la relación de
una parte con el total, por tanto, el coeficiente de determinación será:

En otras palabras el coeficiente de determinación es la relación entre la variación

explicada y la variación total. Su valor siempre estará

Para su cálculo se procede así:

4.2 5.44 -1.24 1.54 4.6 -0.84 0.71 -0.4 0.16


4.9 5.44 -1.24 0.29 4.5 -0.84 0.88 0.4 0.16

7.0 5.44 1.56 2.43 6.6 1.16 1.35 0.4 0.16


6.2 5.44 0.76 0.58 5.7 0.26 0.07 0.5 0.25
3.8 5.44 1.64 2.69 4.4 -1.04 1.08 -0.6 0.36

7.6 5.44 2.16 4.66 8.0 2.56 6.55 -0.4 0.16


4.4 5.44 1.04 1.08 4.4 -1.04 1.08 0.0 0.00

5.4 5.44 0.4 0.001 5.2 -0.24 0.06 0.2 0.04

43.5 13.271 11.78 1.29


Generalmente esta proporción se expresa como porcentaje por tanto podemos decir
que

r² = 88.76%

Como conclusión podemos decir que el 88.76% de la variación en el ingreso


mediano de las ciudades de la muestra está relacionada o explicada por la variación
en el porcentaje de graduados en educación Superior en cada ciudad.
CONCLUSIÓN

Para concluir el presente trabajo habla sobre diversos temas relacionados con la
estadística este trata de diversos temas, ya anteriormente mencionados como la
regresión lineal que habla de cómo utilizar métodos para observar una relación
entre las variable dependiente o independiente para los siguientes cálculos se
utilizan diversas fórmulas matemática, además entendemos que los números
índices son versátiles, lo que hace aplicable a cualquier ciencia o campo de estudio.
Esencialmente se usan para hacer comparaciones.

También se realizó unos ejercicios relacionado con cada caso de los diversos temas
tratados donde se tomaron datos aleatorios de las variable X y Y, luego se
realizaron los cálculos de las sumatoria de cada variable para así calcular las media
y los errores estándar.

Cabe destacar que se realizó la investigación con conocimientos previos obtenidos


en clases para después entender los términos empleados en cada punto. Se logró
obtener un conocimiento sobre cómo realizar y aplicar formulas y graficas
expresadas en los ejemplos.

De la misma manera nos permite conocer resultados de una variable de años


anteriores y en el presente, aclarando así la realidad, para finalizar esperamos que
la investigación sea de gran agrado para el lector y la lectura sencilla de entender.
BIBLIOGRAFÍA

(1998). En L. Kasmier, Esadistica Aplicada a Administracion y Economia. 3 Edicion.

(2004). En D. S. Richard Levin, Estadistica Para Administradores. Septima Edicion.

AulaFacil (Regresión lineal y Coeficiente de correlación lineal). (14 de 12 de 2017).


Obtenido de http://www.aulafacil.com

Numeros Indices. (14 de 12 de 2017). Obtenido de http://www.monografias.com

TASAS DE VARIACIÓN E INDICADORES (NÚMEROS ÍNDICES). (15 de 12 de


2017). Obtenido de https://www.uv.es

También podría gustarte