Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadística Descriptiva
Estadística Descriptiva
Fuentes de Datos
Vector & Matriz de datos
Distribuciones de Frecuencias
Representaciones gráficas
Repaso de conceptos
2022/2023
1 Tipos de Variable
2 Fuentes de Datos
3 Vector & Matriz de datos
4 Distribuciones de Frecuencias
Univariantes
Multivariantes
5 Representaciones gráficas
Análisis univariante
Análisis bivariante
6 Repaso de conceptos
Cambio de Origen & Escala
Nomenclatura & Operadores
1 Tipos de Variable
2 Fuentes de Datos
3 Vector & Matriz de datos
4 Distribuciones de Frecuencias
Univariantes
Multivariantes
5 Representaciones gráficas
Análisis univariante
Análisis bivariante
6 Repaso de conceptos
Cambio de Origen & Escala
Nomenclatura & Operadores
Definición de variable
Definición de variable
Definición de variable
EJEMPLO
EJEMPLO
EJEMPLO
EJEMPLO
EJEMPLO
EJEMPLO
EJEMPLO
1 Tipos de Variable
2 Fuentes de Datos
3 Vector & Matriz de datos
4 Distribuciones de Frecuencias
Univariantes
Multivariantes
5 Representaciones gráficas
Análisis univariante
Análisis bivariante
6 Repaso de conceptos
Cambio de Origen & Escala
Nomenclatura & Operadores
Tipos
Externas
Tipos
Externas
Organismos oficiales
Tipos
Externas
Organismos oficiales
Empresas suministradoras de datos
Tipos
Externas
Organismos oficiales
Empresas suministradoras de datos
Internas
Tipos
Externas
Organismos oficiales
Empresas suministradoras de datos
Internas
Datos recogidos por la propia organización
Tipos
Externas
Organismos oficiales
Empresas suministradoras de datos
Internas
Datos recogidos por la propia organización
Datos procedentes de encuestas realizadas o encargadas
organización
Principales extensiones I
.xls
Principales extensiones II
.csv
.txt
1 Tipos de Variable
2 Fuentes de Datos
3 Vector & Matriz de datos
4 Distribuciones de Frecuencias
Univariantes
Multivariantes
5 Representaciones gráficas
Análisis univariante
Análisis bivariante
6 Repaso de conceptos
Cambio de Origen & Escala
Nomenclatura & Operadores
Vector de Datos
Definción
Se denomina un vector de datos cuando tenemos una variable X en el
que los datos para los sucesivos n individuos se disponen en una sola
dimensión. Tal que se puede definir la variable como:
X = (x1 , x2 , · · · , xn−1 , xn )
Vector de Datos
Definción
Se denomina un vector de datos cuando tenemos una variable X en el
que los datos para los sucesivos n individuos se disponen en una sola
dimensión. Tal que se puede definir la variable como:
X = (x1 , x2 , · · · , xn−1 , xn )
Ejemplo
Si se tienen los siguientes datos de dı́as de vacaciones consumidos por cada
uno de los trabajadores de una empresa:
Individuo 1 2 3 4 5
Dı́as 8 9 7 9 8
Matriz de Datos
Definción
La matriz de datos dispone la información en columnas (j) y filas (i).
Matriz de Datos
Definción
La matriz de datos dispone la información en columnas (j) y filas (i).
Ejemplo
Si se tienen en cuenta el número de Hijos/Coches 0 1 2
hijos y coches que manifiestan tener 0 2 5 3
33 familias, entonces: 1 1 9 2
2 0 4 7
1 Tipos de Variable
2 Fuentes de Datos
3 Vector & Matriz de datos
4 Distribuciones de Frecuencias
Univariantes
Multivariantes
5 Representaciones gráficas
Análisis univariante
Análisis bivariante
6 Repaso de conceptos
Cambio de Origen & Escala
Nomenclatura & Operadores
Frecuencias: Definiciones
Frecuencias: Definiciones
Frecuencia relativa
Es igual a la frecuencia absoluta dividida por el número total de datos.
Se representa por fi y ası́ fi = nNi
Frecuencias: Definiciones
Frecuencias: Definiciones
Definición
Los resultados de un cuenteo que se disponen en una nube de datos
individuales se denominan datos no agrupados.
Definición
Los resultados de un cuenteo que se disponen en una nube de datos
individuales se denominan datos no agrupados.
EJEMPLO
En un buffet de abogado han tomado los casos resueltos favorables en
un mes a 10 integrantes del mismo. Se obtuvieron los siguientes
resultados: 0, 2, 2, 0, 1, 2, 3, 1, 3, 1.
Solución 1
Valores ni fi Ni Fi
0 2 0.2 2 0.2
1 3 0.3 5 0.5
2 3 0.3 8 0.8
3 2 0.2 10 1
Suma 10 1
Estadı́stica Empresarial I 23/66
Tipos de Variable
Fuentes de Datos
Vector & Matriz de datos Univariantes
Distribuciones de Frecuencias Multivariantes
Representaciones gráficas
Repaso de conceptos
Datos Agrupados
Definición
Si la variable toma muchos valores diferentes y que se repiten poco,
es conveniente agruparlos en clases o intervalos
Datos Agrupados
Definición
Si la variable toma muchos valores diferentes y que se repiten poco,
es conveniente agruparlos en clases o intervalos
Caracterı́sticas o conceptos
Datos Agrupados
Definición
Si la variable toma muchos valores diferentes y que se repiten poco,
es conveniente agruparlos en clases o intervalos
Caracterı́sticas o conceptos
Clases: Son los intervalos, generalmente semiabiertos por la izquierda (salvo el primero),
que de forma genérica se escriben como (Li−1 , Li ].
Datos Agrupados
Definición
Si la variable toma muchos valores diferentes y que se repiten poco,
es conveniente agruparlos en clases o intervalos
Caracterı́sticas o conceptos
Clases: Son los intervalos, generalmente semiabiertos por la izquierda (salvo el primero),
que de forma genérica se escriben como (Li−1 , Li ].
Marca de clase: Es el punto medio de cada una de las clases, se representa por x′ i , y se
(L +L )
calcula como x′ i = i 2 i−1 .
Datos Agrupados
Definición
Si la variable toma muchos valores diferentes y que se repiten poco,
es conveniente agruparlos en clases o intervalos
Caracterı́sticas o conceptos
Clases: Son los intervalos, generalmente semiabiertos por la izquierda (salvo el primero),
que de forma genérica se escriben como (Li−1 , Li ].
Marca de clase: Es el punto medio de cada una de las clases, se representa por x′ i , y se
(L +L )
calcula como x′ i = i 2 i−1 .
Amplitud de clase: Es el tamaño del intervalo, se designa por ai, y se calcula como
ai = Li − Li−1 .
Datos Agrupados
Definición
Si la variable toma muchos valores diferentes y que se repiten poco,
es conveniente agruparlos en clases o intervalos
Caracterı́sticas o conceptos
Clases: Son los intervalos, generalmente semiabiertos por la izquierda (salvo el primero),
que de forma genérica se escriben como (Li−1 , Li ].
Marca de clase: Es el punto medio de cada una de las clases, se representa por x′ i , y se
(L +L )
calcula como x′ i = i 2 i−1 .
Amplitud de clase: Es el tamaño del intervalo, se designa por ai, y se calcula como
ai = Li − Li−1 .
Densidad de clase: Es la densidad de frecuencia del intervalo, se designa por di , y se
calcula como di = na
i
.
i
Datos Agrupados
Ejercicio 2
Se toma el gasto de 30 clientes en un restaurante (en e): 9, 10, 11, 10,
12, 12, 13, 12, 12, 14, 15, 16, 16, 16, 16, 16, 18, 16, 15, 14, 15, 14,
13, 13, 14, 13, 13, 14, 13, 12. Realizar una tabla de frecuencias de
amplitud 2.
Datos Agrupados
Ejercicio 2
Se toma el gasto de 30 clientes en un restaurante (en e): 9, 10, 11, 10,
12, 12, 13, 12, 12, 14, 15, 16, 16, 16, 16, 16, 18, 16, 15, 14, 15, 14,
13, 13, 14, 13, 13, 14, 13, 12. Realizar una tabla de frecuencias de
amplitud 2.
Solución
Valores Marca clase ni fi Ni Fi
9 ≤ x ≤ 11 10 4 0.13 4 0.13
11 < x ≤ 13 12 11 0.37 15 0.5
13 < x ≤ 15 14 8 0.27 23 0.77
15 < x ≤ 17 16 6 0.2 29 0.97
17 < x ≤ 19 18 1 0.03 30 1
Suma 30 1
Variables Multidimensionales I
Introducción
Si se estudian sobre una misma población varias caracterı́sticas x1 , ..., xn de cada uno de los
individuos de dicha población, se obtienen n series estadśticas de las variables x1 , ..., xn .
Variables Multidimensionales I
Introducción
Si se estudian sobre una misma población varias caracterı́sticas x1 , ..., xn de cada uno de los
individuos de dicha población, se obtienen n series estadśticas de las variables x1 , ..., xn .
Definición
Considerando simultáneamente las n series, es decir, para cada
individuo i de la población la n-tupla de valores (x1i , x2i , . . . , xni ) que
le corresponde, estamos ası́ ante una variable multidimensional.
Concretando para el caso de dos dimensiones (que será el que
estudiemos en detalle), designaremos a las variables X e Y , y
estudiamos la serie de datos (x1 , y1 ), . . . , (xn , yn ), pasando a ser el
estudio sobre una variable bidimensional, en lugar de sobre dos
variables unidimensionales.
Estadı́stica Empresarial I 26/66
Tipos de Variable
Fuentes de Datos
Vector & Matriz de datos Univariantes
Distribuciones de Frecuencias Multivariantes
Representaciones gráficas
Repaso de conceptos
Variables Multidimensionales II
Ejemplos
Variables Multidimensionales II
Ejemplos
Las temperaturas máximas registradas en Madrid durante el mes
de febrero del año pasado y durante el mes de febrero de este
año.
Variables Multidimensionales II
Ejemplos
Las temperaturas máximas registradas en Madrid durante el mes
de febrero del año pasado y durante el mes de febrero de este
año.
La edad y la altura de tus compañeros de clase en la facultad.
Variables Multidimensionales II
Ejemplos
Las temperaturas máximas registradas en Madrid durante el mes
de febrero del año pasado y durante el mes de febrero de este
año.
La edad y la altura de tus compañeros de clase en la facultad.
Las medias mensuales del ı́ndice de la Bolsa de Madrid en los 10
últimos meses y el volumen medio de cotización esos 10 meses.
Variables Multidimensionales II
Ejemplos
Las temperaturas máximas registradas en Madrid durante el mes
de febrero del año pasado y durante el mes de febrero de este
año.
La edad y la altura de tus compañeros de clase en la facultad.
Las medias mensuales del ı́ndice de la Bolsa de Madrid en los 10
últimos meses y el volumen medio de cotización esos 10 meses.
La situación laboral y el sexo de un grupo de personas.
Ejemplo
Se estudia la altura (en metros) y la edad (en años) de un grupo de
alumnos y se obtienen los siguientes resultados:
Distribución Conjunta I
Conceptos
Sea una población en la que se estudian simultáneamente dos caracterı́sticas de la misma, X e
Y , representamos genéricamente la distribución de variables por (xi , yi; nij ), donde xi e yi
son dos valores cualesquiera y nij es la frecuencia absoluta conjunta del valor i-ésimo de X
con el valor j-ésimo de Y .
Análogamente a como hicimos para el caso unidimensional, a partir de la frecuencia absoluta
conjunta, se pueden definir la frecuencia relativa conjunta como la frecuencia absoluta
dividida por el número total de datos (entendidos en este caso bidimensional, como pares),se
n
denota por fij que se identifica con fij = nij
Distribución Conjunta I
Conceptos
Sea una población en la que se estudian simultáneamente dos caracterı́sticas de la misma, X e
Y , representamos genéricamente la distribución de variables por (xi , yi; nij ), donde xi e yi
son dos valores cualesquiera y nij es la frecuencia absoluta conjunta del valor i-ésimo de X
con el valor j-ésimo de Y .
Análogamente a como hicimos para el caso unidimensional, a partir de la frecuencia absoluta
conjunta, se pueden definir la frecuencia relativa conjunta como la frecuencia absoluta
dividida por el número total de datos (entendidos en este caso bidimensional, como pares),se
n
denota por fij que se identifica con fij = nij
Tipos de Tablas
La forma más frecuente de disponer estos resultados es mediante una tabla, denominada tabla
de correlación para el caso de variables cuantitativas y tabla de contingencia para el caso de
variables cualitativas.
Distribución ConjuntaESTADÍSTICAS
1. DISTRIBUCIONES II MULTIVARIANTES
Distribución conjunta (II) – Tabla resumen
Y
y1 y2 … yj … yk ni·
X
x1 n11 n12 … n1j … n1k n1·
… … … … … … … …
… … … … … … … …
Pagina 7
Tabla de Correlación
Ejemplo
Tomando la altura (en metros) y la edad (en años) del grupo de
alumnos1. de
DISTRIBUCIONES
la diapositivaESTADÍSTICAS
6 y se puede MULTIVARIANTES
construir una tabla de
Distribución conjunta (III) – Tabla de correlación
correlación:
Altura
[1,58-1,64] (1,64-1,70] (1,70-1,76] (1,76-1,82] (1,82-1,88] Total
Edad
18 1 3 0 2 1 7
19 0 1 2 3 0 6
20 0 1 0 0 0 1
21 0 1 0 0 0 1
22 0 1 0 1 1 3
23 0 0 0 0 1 1
24 0 0 0 1 0 1
Total 1 7 2 7 3 20
Tabla de contingencia
Ejemplo
Si tomamos las respuestas de 35 opositores a una pregunta en función
1. DISTRIBUCIONES ESTADÍSTICAS MULTIVARIANTES
del nivel de estudios, obtenemos
Distribución conjunta la de
(IV) – Tabla contingenciatabla de contingencia:
siguiente
Estudios
Primarios Secundarios Universitarios Total
Respuestas
A 3 2 1 6
B 3 2 5 10
C 4 6 7 17
D 1 0 1 2
Total 11 10 14 35
Pagina 9
Distribución Marginal I
Motivación
A partir de una distribución bidimensional podemos estudiar
aisladamente cada una de las variables, de esta forma tendrı́amos dos
distribuciones unidimensionales que serı́an las distribuciones de X e
Y respectivamente.
Distribución Marginal I
Motivación
A partir de una distribución bidimensional podemos estudiar
aisladamente cada una de las variables, de esta forma tendrı́amos dos
distribuciones unidimensionales que serı́an las distribuciones de X e
Y respectivamente.
Definición
Para obtenerlas hallamos las denominadas distribuciones
marginales, es decir, cuántas veces se repite cada valor de una
variable con independencia de que aparezca conjuntamente con cada
valor de la otra.
Distribución Marginal II
Distribución Marginal IV
Ejemplo
Dada la siguiente distribución de frecuencias conjunta, calcule las
distribuciones marginales:
xi |yj -1 0 1
1 4 2 6
2 6 3 9
3 2 1 3
Distribución Marginal IV
Solución
Dada la siguiente distribución de frecuencias conjunta, calcule las
distribuciones marginales:
xi ni· yj n·j
1 12 -1 12
2 18 0 6
3 6 1 18
P3 P3
= N = 36; 3i=1 ni· = N = 36;
P
i=3 j=1 nij
P3
j=1 n·j = N = 36
Distribución Condicionada I
Motivación
A partir de una distribución bidimensional podemos estudiar
condicionando cada una de las variables, de esta forma tendrı́amos
dos distribuciones unidimensionales que serı́an las distribuciones de
X e Y condicionada por Y y X respectivamente.
Distribución Condicionada I
Motivación
A partir de una distribución bidimensional podemos estudiar
condicionando cada una de las variables, de esta forma tendrı́amos
dos distribuciones unidimensionales que serı́an las distribuciones de
X e Y condicionada por Y y X respectivamente.
Definición
Se pueden ası́ mismo formar otro tipo de distribuciones
unidimensionales a partir de una distribución bidimensional en las
que previamente hace falta definir una condición, obteniendo las
denominadas distribuciones condicionadas.
Distribución Condicionada II
nij
fj|i = ni·
Y
X|Y=yij
Y|X=x y1 … nyi|jj … yk ni· fi·
X
… … … … … … … …
… … … … … … … …
Pagina 13
Ejemplo
Dada la siguiente distribución de frecuencias conjunta, calcule todas
las distribuciones condicionadas posibles:
xi |yj -1 0 1 ni·
1 4 2 6 12
2 6 3 9 18
3 2 1 3 6
n·j 12 6 18 36
Distribución Condicionada IV
Solución I
Las posibles distribuciones condicionadas de Y pueden ser cuando
x = 1, x = 2 y x = 3, entonces:
Distribución Condicionada V
Solución II
Las posibles distribuciones condicionadas de X pueden ser cuando
y = −1, y = 0 y y = 1, entonces:
1 Tipos de Variable
2 Fuentes de Datos
3 Vector & Matriz de datos
4 Distribuciones de Frecuencias
Univariantes
Multivariantes
5 Representaciones gráficas
Análisis univariante
Análisis bivariante
6 Repaso de conceptos
Cambio de Origen & Escala
Nomenclatura & Operadores
Variables cuantitativas:
Variables cuantitativas:
Diagrama2.
deREPRESENTACIONES GRÁFICAS
sectores o tarta
Diagrama de sectores
Es una representación circular de las frecuencias relativas de una
Es una representación circular de las frecuencias relativas de una variable
variablecualitativa
cualitativa o cuantitativa
o cuantitativa discreta.
discreta.
Son útiles cuando hay pocos sectores.
Son útiles cuando hay pocos sectores.
Mujer
Hombre
45,6%
54,4%
Pagina 14
200
190
8
180
170 12
160
150 14
140
15
130
120 16
110
17
100
90 Nivel educativo 18
80
70 19
60
20
50
Frecuencia
40 21
30
20 0 20 40 60 80 100 120 140 160 180 200
10 10 30 50 70 90 110 130 150 170 190
0
8 12 14 15 16 17 18 19 20 21
Frecuencia
Nivel educativo
Pagina 15
Estadı́stica Empresarial I 47/66
Tipos de Variable
Fuentes de Datos
Vector & Matriz de datos Análisis univariante
Distribuciones de Frecuencias Análisis bivariante
Representaciones gráficas
Repaso de conceptos
120
100
80
60
40
Sexo
Frecuencia
20
Hombre
0 Mujer
8 12 14 15 16 17 18 19 20 21
Nivel educativo
Pagina 16
Histogramas
Es una2. representación
REPRESENTACIONES gráficaGRÁFICAS
en un eje cartesiano de las frecuencias
de unaHistograma
variable cuantitativa continua (no debe existir separación entre
Es una representación gráfica en un eje cartesiano de las frecuencias de
las barras).
una variable cuantitativa continua (no debe existir separación entre las
de los rectángulos: A = BasexAltura
Áreabarras).
Si losÁrea
intervalos tienen todos laxmisma n
de los rectángulos: A = Base Altura Aamplitud,
=a ´ la altura de los
i
i
a i
rectángulos es la frecuencia del intervalo. Si los intervalos
Si los intervalos tienen todos la misma amplitud, la altura de los rectángulos noestienen
la la
mismafrecuencia del intervalo. Si los intervalos no tienen
amplitud, la altura debe ser la densidad de clase. la misma amplitud, la altura debe
ser la densidad de clase.
300
200
100
0
1500 0,0 3500 0,0 5500 0,0 7500 0,0 9500 0,0 1150 00,0 1350 00,0
2500 0,0 4500 0,0 6500 0,0 8500 0,0 1050 00,0 1250 00,0
Salario actual
Estadı́stica Empresarial I 49/66
Pagina 17
Tipos de Variable
Fuentes de Datos
Vector & Matriz de datos Análisis univariante
2. REPRESENTACIONES GRÁFICAS
Distribuciones de Frecuencias
Análisis bivariante
Representaciones gráficas
Polígono de frecuencias Repaso de conceptos
Polı́gono de frecuencias
Si en un gráfico de barras o en un histograma se unen los puntos medios
Si en un
las bases gráfico dede
superiores barras o en un se
las barras histograma
obtiene se
el unen los puntos
polígono de frecuencias.
medios de las bases superiores de las barras se obtiene el polı́gono de
frecuencias.
300
200
100
0
15000,0 35000,0 55000,0 75000,0 95000,0 115000,0 135000,0
25000,0 45000,0 65000,0 85000,0 105000,0 125000,0
Diagrama
Diagrama de
decaja
cajayybigotes
bigotesooBoxPlot
Box Plot
Representación gráfica de una variable cuantitativa, a partir de cinco
Representación gráfica
medidas estadı́sticas: de máximo,
el valor una variable cuantitativa,
el valor mı́nimo, a partir
la mediana
medidas estadísticas: el valor
(M e), el primer cuartil (Q 1 ) y máximo, el valor
el tercer cuartil (Q 3 ). mínimo, la mediana
Es útil para analizar la dispersión de
primer cuartil (Q1) y el tercer cuartil (Q3). los datos y detectar la presencia
de datos atı́picos.
Pictograma
Cartograma
Representaciones gráficas II
Ejercicio
Los siguientes datos hacen referencia a las edades de los consumidores de un ultramarinos.
Comente cuales son las mejores representaciones gráficas para representar dichos datos.
Representaciones gráficas II
Ejercicio
Los siguientes datos hacen referencia a las edades de los consumidores de un ultramarinos.
Comente cuales son las mejores representaciones gráficas para representar dichos datos.
Solución
Representaciones gráficas II
Ejercicio
Los siguientes datos hacen referencia a las edades de los consumidores de un ultramarinos.
Comente cuales son las mejores representaciones gráficas para representar dichos datos.
Solución
Representaciones gráficas II
Ejercicio
Los siguientes datos hacen referencia a las edades de los consumidores de un ultramarinos.
Comente cuales son las mejores representaciones gráficas para representar dichos datos.
Solución
Representaciones gráficas II
Ejercicio
Los siguientes datos hacen referencia a las edades de los consumidores de un ultramarinos.
Comente cuales son las mejores representaciones gráficas para representar dichos datos.
Solución
Ejercicio
Los siguientes datos hacen referencia a estructura laboral de una
empresa. Comente cuales son las mejores representaciones gráficas
unidimensionales y bidimensionales para representar dichos datos.
Directivos Jefe Dpto. Mantenimiento Producción Operarios
Hombre 5 10 7 35 58
Mujer 5 14 14 62 41
Representaciones gráficas IV
Solución Unidimensional
Representaciones gráficas IV
Solución Unidimensional
Representaciones gráficas IV
Solución Unidimensional
Representaciones gráficas IV
Solución Unidimensional
Representaciones gráficas V
Solución Bidimensional
Representaciones gráficas V
Solución Bidimensional
Representaciones gráficas V
Solución Bidimensional
Representaciones gráficas V
Solución Bidimensional
Pagina 21 Pagina 22
1 Tipos de Variable
2 Fuentes de Datos
3 Vector & Matriz de datos
4 Distribuciones de Frecuencias
Univariantes
Multivariantes
5 Representaciones gráficas
Análisis univariante
Análisis bivariante
6 Repaso de conceptos
Cambio de Origen & Escala
Nomenclatura & Operadores
Cambio de origen
Son aquellos cambios que desplazan a todos los valores de una
distribución por igual. Este cambio no implica una transformación en
la pendiente de la nueva distribución. P. ej. si todos los empleados de
una empresa ganaran 100emás al mes.
Cambio de origen
Son aquellos cambios que desplazan a todos los valores de una
distribución por igual. Este cambio no implica una transformación en
la pendiente de la nueva distribución. P. ej. si todos los empleados de
una empresa ganaran 100emás al mes.
Cambio de escala
Son aquellos cambios que desplazan los valores de una distribución
en función de un porcentaje o proporción. Este cambio transforma la
pendiente de la nueva distribución. P. ej. si a todos los empleados de
una empresa se les subiera un 5 % el salario al mes.
Subı́ndices
Subı́ndices
Ejemplo
Individuo 1 2 3 4 5
Observación 8 9 7 9 8
Sumatorios
Sumatorios
Ejemplo
Sumatorios
Ejemplo
Pn
i=1 xi implica que se sumen
P todos los elementos de x referidos desde i = 1 hasta el
último elemento n, tal que: ni=1 xi = x1 + x2 + x3 + · · · + xn .
Sumatorios
Ejemplo
Pn
i=1 xi implica que se sumen
P todos los elementos de x referidos desde i = 1 hasta el
último elemento n, tal que: ni=1 xi = x1 + x2 + x3 + · · · + xn .
P3
i=1 xi = x1 + x2 + x3
Multiplicatorios
Son herramientas que indican que se deben de multiplicar todos los
elementos queQestán dentro de un rango de sujetos. El operador se
conoce como y en la parte inferior del mismo se hará referencia al
inicio de la primera observación considerada para iniciar el
multiplicador y en la parte superior el lı́mite hasta dónde se aplica. Al
operador le seguirá la expresión que se va aplicar, de tal manera que
se pueden aplicar fórmulas para cada uno de los individuos y después
se multiplican.
Multiplicatorios
Son herramientas que indican que se deben de multiplicar todos los
elementos queQestán dentro de un rango de sujetos. El operador se
conoce como y en la parte inferior del mismo se hará referencia al
inicio de la primera observación considerada para iniciar el
multiplicador y en la parte superior el lı́mite hasta dónde se aplica. Al
operador le seguirá la expresión que se va aplicar, de tal manera que
se pueden aplicar fórmulas para cada uno de los individuos y después
se multiplican.
Ejemplo
Qn
i=1 xi implica que se multiplicanQ todos los elementos de x referidos desde i = 1
hasta el último elemento n, tal que: n i=1 xi = x1 · x2 · x3 · · · · · xn .
Q3
i=1 xi = x1 · x2 · x3