1. Estadística como ciencia social........................................................................

3
1.1 Aplicaciones en los negocios y en la economía ............................................ 4
1.2 Escalas de medición ..................................................................................... 8
1.3 Datos cualitativos y cuantitativos ................................................................ 17
1.4 Análisis e interpretación de datos ............................................................... 18
1.5 Principios de estadística descriptiva ........................................................... 21
2. Métodos estadísticos en finanzas .................................................................. 23
2.1 Distribuciones de frecuencias ..................................................................... 23
2.2 Definición..................................................................................................... 23
2.3 Componentes de la distribución .................................................................. 23
2.4 Construcción de la distribución ................................................................... 26
2.5 Generalización de la distribución ................................................................ 26
2.6 Gráficos estadísticos ................................................................................... 30
2.7 Medidas de tendencia central ..................................................................... 35
3. Indicadores ....................................................................................................... 40
3.1 Indicadores financieros ............................................................................... 41
3.2 Indicadores de liquidez................................................................................ 42
3.3 Indicadores de endeudamiento ................................................................... 42
3.4 Indicadores de actividad.............................................................................. 43
3.5 Indicadores de rendimiento ......................................................................... 45
3.6 Proyecciones financieras y presupuesto de caja ........................................ 50
3.7 Generalidades ............................................................................................. 51
3.8 Ventajas de las proyecciones financieras (SPF) ......................................... 52
3.9 Etapas en la elaboración de proyecciones.................................................. 53
3.10 Proyecciones de ventas .............................................................................. 54
4. Boletín estadístico............................................................................................ 58
4.1 Definición..................................................................................................... 59
4.2 Aplicaciones ................................................................................................ 59
4.3 Datos existentes .......................................................................................... 59
4.4 Métodos de recolección de datos................................................................ 61
4.5 Análisis de datos ......................................................................................... 61
4.6 Interpretación y uso de datos ...................................................................... 64
4.7 Estructuración de boletín estadístico .......................................................... 65
4.8 Comparación con datos históricos .............................................................. 66
4.9 Interpretación de desviaciones.................................................................... 66
4.10 Corrección de desviaciones ........................................................................ 70
5. Aplicaciones tecnológicas e información financiera .................................... 70
5.1 Las computadoras y el análisis estadístico ................................................. 72
5.2 Uso de ERP................................................................................................. 76
5.3 Definición..................................................................................................... 80
5.4 Manejo y análisis de ERP ........................................................................... 80
5.5 Uso de Excel y estadística .......................................................................... 80
5.6 Uso de gráficas ........................................................................................... 81
Bibliografía ............................................................................................................... 84
 1. Estadística como ciencia social

Cuando se escucha la palabra estadística, la mayoría de las personas piensa en

una gran colección de datos, tablas, gráficas, porcentajes y promedios. Sin
embargo, no debemos reducir esto la visión sobre la Estadística.

En la naturaleza existen fenómenos que no obedecen a leyes fijas y que

dependen de circunstancias prácticamente incontrolables: fenómenos
sociológicos, psicológicos, políticos, económicos, médicos, biológicos, industriales,
meteorológicos, etcétera, los cuales presentan una gran variabilidad.

La investigación científica y la toma de decisiones en la vida diaria se enfrentan a

esta presencia de la variabilidad, de modo que, para realizarlas de manera óptima,
la información que se recolecta debe obtenerse con objetivos definidos, reflejar la
realidad, resumirse de manera eficiente e interpretarse adecuadamente. De
manera general, podemos decir que la razón principal del uso de la Estadística es
la existencia de la variabilidad en los fenómenos que se estudian.

La estadística es la rama de las matemáticas que estudia los métodos de

recopilación, organización, descripción y análisis de datos así como la
interpretación de la información, con el objetivo de tomar la decisión más
eficaz ante alguna situación de incertidumbre. (Carrasco, 2019)

3
Ilustración 1. Estadistica
Dominio público (2021)
Se pueden distinguir dos grandes ramas en la estadística: la estadística
descriptiva y la estadística inferencial.

• Estadística descriptiva

Esta rama incluye un conjunto de técnicas para recopilar, ordenar, organizar,

resumir y presentar datos de manera que resalten sus características más
importantes, lo cual permite hacer observaciones y extraer conclusiones. Utiliza
tablas, gráficas y medidas estadísticas. Aunque las técnicas de la estadística
descriptiva son útiles para cualquier colección de datos (de hecho, surgieron del
tratamiento de información proveniente de censos), en la actualidad estas técnicas
se suelen usar para trabajar con información proveniente de muestras.

• Estadística Inferencial

Se trata de procedimientos que permiten obtener ciertas conclusiones acerca de

una población con base exclusivamente en la información proporcionada por una
muestra aleatoria representativa.

El azar interviene en la elección de la muestra por lo que debe ser tomado en

cuenta al hacer inferencias, y es aquí donde la Estadística se relaciona con la
Probabilidad, que es la rama de las matemáticas encargada de la toma de
decisiones en condiciones de incertidumbre.

1.1 Aplicaciones en los negocios y en la economía

La Estadística una ciencia transversal cuyos métodos y técnicas sirven de apoyo a

las investigaciones en las empresas, con el objeto de apoyar la toma de
decisiones. Permite disminuir los sesgos (orientación o dirección que toma
un asunto) de cualquier tipo, nos proporciona herramientas para obtener
resultados precisos y confiables en los estudios con un determinado grado
de certeza, medido en términos de probabilidades, estos resultados van a ser
aceptados por la comunidad científica. Proporciona el conocimiento de los
fenómenos aleatorios, mediante el estudio y caracterización de variables
4
aleatorias, aportando indicadores e índices estadísticos que nos permite
interpretar y conocer los fenómenos.

Una de las principales características de la Estadística es que no se enfoca en el

individualismo, su interés no es el individuo en si, sino el comportamiento
de variables y su volumen de datos, es por ello que emplea técnicas mediante
las cuales es posible generalizar sobre poblaciones, del mismo modo, apoya en la
transformación de datos en información útil, ¿qué dicen los datos?, ¿cuál es su
significado? ¿cómo son las relaciones entre variables?, se considera a la
estadística como el puente entre los datos y las conclusiones sobre el fenómeno
en estudio.

Ilustración 2. Volumen de datos

Dominio público (2021)

Son innumerables las posibles aplicaciones de la teoría de las probabilidades y la

Estadística en la gestión empresarial, a continuación se plantea algunas de ellas:

- Permite realizar descripciones de poblaciones o muestras de interés para las

empresas, mediante la Estadística Descriptiva, transformando los datos en
información presentada en tablas de distribución de frecuencias, gráficas y
medidas de tendencia central, de variabilidad y de forma de las distribuciones
empíricas de frecuencias.
- Permite estimar parámetros de poblaciones a partir de muestras, corroborar
hipótesis sobre el valor de un parámetro (enfoque paramétrico) y corroborar

5
 hipótesis cuando no se cumplen ciertos supuestos en las distribuciones de los
datos (enfoque no paramétrico), en este caso, se presenta la calidad de la
estimación y de la prueba de hipótesis estadística, en términos de
probabilidades.
- Realizar pronósticos en la empresa.
- Clasificar elementos sujetos, individuos, unidades, eventos, en base a
características propias de ellos.
- Ayuda a detectar procesos de la empresa que están fuera de control
estadístico y determinar la capacidad del proceso.
- Proporciona métodos para el diseño de muestras aleatorias representativas al
realizar investigaciones de interés para la empresa.
- Aporta en la selección y análisis de los diseños de investigación:
preexperimentales, cuasiexperimentales y experimentales.
- Apoya en la realización de estudios correlaciónales en las investigaciones que
realice la empresa.
- Proporciona técnicas para evaluar la validez, confiabilidad y dimensionalidad
de instrumentos de investigación, de registro de datos.
- Eliminación de ítems en instrumentos de investigación.
- Permite detectar patrones de comportamiento en los datos.
- Permite el análisis de datos de proyectos factibles, datos administrativos y
- datos de cualquier base de datos (cualitativos y cuantitativos).
- Apoya en la aplicación de técnicas multivariantes en la empresa.
- En el proceso de investigación participa en el diseño de investigación en todas
sus fases.
- Dentro de las tecnologías data mining y big data, subyacen los métodos
estadísticos.
- Proporciona técnicas para la aceptación de proyectos de investigación,
inversión y desarrollo.
- Permite la aplicación de modelos lineales generalizados y no lineales en datos
de las empresas, en estudios observacionales y experimentales.
- En el área biomédica, permite realizar los análisis de supervivencia.
- Proporciona técnicas para medir el rendimiento laboral en la empresa.
Posibles estudios a realizar en las empresas, que requieren de la estadística:

• Estudios de mercado

Segmentación de mercados, posicionamiento de marca de un bien o servicio,

medición de la calidad de bienes y servicios en función de la satisfacción de

6
clientes, la mezcla del mercado, cuota de mercado, rechazo o aceptación de
clientes, estudios de comportamiento del consumidor, tendencia en las ventas,
opinión de consumidores, pronósticos, estudio de estimación de los tipos de
demanda y oferta, entre otros. Las técnicas estadísticas de mayor uso son:
Técnicas de Estadística descriptiva, correlación lineal Bivariada, clústeranálisis,
escalamiento multidimensional, análisis conjunto, análisis exploratorio de factores,
análisis factorial de correspondencias múltiples, componentes principales
cualitativo y cuantitativo, series temporales de Box-Jenkins, diseño de muestras
probabilísticas, mínimos cuadrados en dos fases, análisis probit, entre otras.
(Gómez, 2021)

• Control de calidad

Control estadístico de procesos, capacidad de procesos. Las técnicas de uso

común son: Técnicas de Estadística descriptiva, correlación lineal Bivariada,
Gráficos de control, diagrama de Pareto, diagrama de Ishikawa, diagrama de flujo,
probabilidades de productos o servicios con defecto, estudio de la capacidad de
procesos, estudios de fiabilidad, entre otras. (Gómez, 2021)

• Banca

Riesgo crediticio, gestión de cobranzas, grado de satisfacción de los clientes. Las

técnicas estadísticas más utilizadas son: Técnicas de Estadística descriptiva,
correlación lineal Bivariada, Análisis discriminante, Regresión logística binaria y
multinomial, Regresión múltiple. Análisis de factores, entre otras. (Gómez, 2021)

• Planificación y análisis de encuestas

Diseño de la muestra, elaboración de cuestionarios, validez, confiabilidad y

dimensionalidad de instrumentos, construcción de escalas y test. Las técnicas
estadísticas usuales son: Técnicas de Estadística Descriptiva, correlación lineal
Bivariada, análisis factorial exploratorio y confirmatorio, componentes principales

7
cualitativo, análisis discriminante, elaboración de esquemas de muestreo
probabilísticos y no probabilísticos, entre otros. (Gómez, 2021)

• Experimentos y cuasiexperimentos

Diseño y análisis de experimentos en estudios experimentales, diseño y análisis

de experimentos en estudios observacionales. Relación entre la variable
dependiente o respuesta y las variables independientes.

Las técnicas estadísticas de mayor uso son: Las Técnicas de Estadística

Descriptiva, correlación lineal Bivariada, El Análisis de la varianza (ANOVA),
pruebas de comparaciones múltiples y contrastes específicos. Regresión lineal
simple y múltiple, la determinación del tamaño del efecto, modelos de superficie de
respuesta, análisis de diseños experimentales con la metodología de Taguchi,
modelos lineales y modelos lineales generalizados. En empresas de ciencias de la
salud, se tiene el estudio de supervivencia, donde se utilizan la regresión de
Kaplan y meier y la regresión de cox, Regresión de Poisson, entre otras. (Gómez,
2021)

1.2 Escalas de medición

La medición es un proceso inherente y consustancial a toda investigación, sea

ésta cualitativa o cuantitativa. Medimos principalmente variables y ello demanda
considerar tres elementos básicos: el instrumento de medición, la escala de
medición y el sistema de unidades de medición. La validez, consistencia y
confiabilidad de los datos medidos dependen, en buena parte, de la escala de
medición que se adopte.

Medir es estimar la magnitud de cierta propiedad de uno o más objetos con

ayuda de un sistema métrico específico (instrumento de medición, escala de
medición y unidades de medición). Las propiedades a que se hace referencia,
son aspectos observables o características propias del mundo empírico.

8
Una escala de medición es el conjunto de los posibles valores que una cierta
variable puede tomar. Es un continuo de valores ordenados correlativamente, que
admite un punto inicial y otro final. El nivel en que una variable puede ser medida
determina las propiedades de medición de una variable, el tipo de operaciones
matemáticas que puede usarse apropiadamente con dicho nivel, las fórmulas y
procedimientos estadísticos que se utilizan para el análisis de datos y la prueba de
hipótesis teóricas.

Las escalas o niveles de medición se utilizan para medir variables o atributos. Por
lo general, se distinguen cuatro escalas o niveles de medición: nominal, ordinal,
intervalos y escalas de proporción, cociente o razón. Las dos primeras (nominal y
ordinal) se conocen como escalas categóricas, y las dos últimas (intervalo y razón)
como escalas numéricas. Las escalas categóricas se usan comúnmente para
variables cualitativas, mientras que las numéricas son adecuadas para la medición
de variables cuantitativas.

En la Tabla 1 se presenta una relación entre el tipo de variables y las escalas de

medición. En la Tabla 2 se dan ejemplos de estas variables y de su respectiva
escala de medición. En los ítems subsiguientes haremos una descripción
pormenorizada de cada uno de los niveles mencionados.

Datos o
Ejemplo Escala Pregunta Respuesta
variables
¿Tienes pasaporte?;
1. Nominal
Categóricas o ¿Tienes carro?; ¿Vives en SÍ / NO
__________
cualitativas casa o apartamento?; Dicotómicas
2. Ordinal
¿Tienes los ojos azules?

¿Cuántas camisas tienes?; Número

Discretas
3. Intervalo ¿Cuántos hijos tienes? natural
Numéricas,
cuantitativas 4. Razón o
o intervalares ¿Cuánto pesas?; ¿Cuánto
Continuas proporción mides?; ¿Cuánto dinero Número real
ganas?

Tabla 1. Tipos de variables vs. escalas de medición

9
 Ejemplo de Valores de la
Tipo de variable Respuestas
variable variable
Liberal; conservador;
Partido político independiente; Nominal
socialista
dependiente;
socialista Mujer;
Género Nominal
hombre Masculino;
Categóricas o femenino
Negro; blanco;
cualitativas
Raza amarillo; mestizo; Nominal
mulato
Nivel de satisfacción Alto; medio; bajo Ordinal
Calificación en el
A; B; C; D; E Ordinal
examen

Temperatura 0º - 100º Intervalar

Coeficiente intelectual 70 - 150 puntos Intervalar

Numérica o
cuantitativa Peso 1 - 100 Kg Razón
Estatura 0 - 2.50 mts Razón
0 – 125 años 0 – 125 años Razón

Tabla 2. Ejemplos prácticos de variables y sus escalas de medición

• Escala nominal

Es la escala más elemental y la forma más rudimentaria de medir. En una

escala como estas se clasifica a las unidades de estudio (objetos, personas, etc.)
en categorías, basándose en una o más características, atributos o propiedades
distintivas y observadas, dándole a cada categoría un nombre (de ahí lo de
«nominal»). Los nombres que se emplean en la aplicación de la escala nominal de
medida no necesitan ser nombres (alfabéticos o alfanuméricos) en el sentido
estricto de la palabra. También se pueden utilizar números o numerales. Con las

10
escalas nominales (categóricas), los números asignados definen cada grupo
distinto y sirven meramente como etiquetas o identificadores.

Los números hacen distinciones categóricas más que cuantitativas; cumplen

una función puramente de clasificación y no se pueden manipular aritméticamente;
cada cifra representa una categoría diferente. Por ejemplo, no tendría sentido en
este nivel de medición, calcular el promedio aritmético de diez códigos
estudiantiles. La magnitud de los números no refleja orden (ascendente o
descendente) o jerarquía (mayor o menor) de alguna de las cosas a las que fueron
asignados, más bien sólo sirven como códigos de identidad.

Las observaciones no pueden ser ordenadas de menor a mayor o de pequeño a

grande, es decir, ninguna de las categorías tiene mayor jerarquía que la otra,
únicamente están reflejando diferencias en la variable. Cualquier cuestión
perteneciente a la magnitud de la variable fundamental es irrelevante para la
medición nominal. La única cuestión comparativa relevante para los datos
nominales pertenece a si dos observaciones son o no la misma.

En esta escala se tienen dos o más categorías del ítem o variable medida. Las
variables nominales que incluyen dos categorías se denominan dicotómicas, como
por ejemplo, el sexo (masculino o femenino), el tipo de escuela a la que se asiste
(pública o privada) y el estado de salud de una persona (sano o enfermo). En una
encuesta ordinaria, una variable de este tipo permite las respuestas «Sí» o «No»;
en una investigación de laboratorio, corresponderá a aquella que distingue la
presencia (el grupo experimental) o la ausencia (el grupo de control) de una
manifestación física del experimento.

Para el caso de la variable ‘sexo’ sabemos que ésta tiene sólo dos categorías:
masculino y femenino. Si les asignamos una etiqueta o símbolo a cada categoría,
esto identifica exclusivamente a la categoría. Por ejemplo:

♀ = Masculino

♂ = Femenino
11
Si usamos numerales, es lo mismo. Aquí la elección de los números es arbitraria:

Ilustración 3. Escala nominal

Coronado (2007)

Las variables con tres o más categorías se denominan multicotómicas o

policotómicas. Son ejemplos de estas variables las siguientes: filiación política,
carrera elegida, raza, canal de televisión preferido, ocupación, etc.

La filiación política es una variable nominal categórica. Si pretendiéramos operarla

aritméticamente tendríamos situaciones tan ilógicas como ésta:

- 1= liberal
- 2= conservador
- 3= independiente
- 4= socialista
- 5= otros
entonces, 1+2=3 liberal + conservador = independiente. ¿Tiene sentido una
afirmación como la anterior? Evidentemente no, ya que su función es solo
descriptiva no sumativa.

Ejemplos de variables que deben ser medidas en escalas nominales son:

- Nacionalidad (colombiano, ruso, italiano, senegalés, etc.).

- Uso de anteojos (normales, bifocales, lentes de contacto, transición, etc.).
- Número de camiseta de los jugadores en un equipo de fútbol (1, 2, 3, 20).
- Número de la cédula de ciudadanía.
- Código de identificación de un estudiante.
- Colores (blanco, amarillo, azul, negro, naranja, etc.).
- Color de los ojos (negros, pardos, azules, verdes, etc.).
- Estado civil (soltero, casado, viudo, divorciado, unión libre).
- Profesión (ingeniero, abogado, médico, docente, etc.).
12
 - Cereales cultivados en una región: trigo, maíz, centeno, soya, etc.
Las únicas relaciones matemáticas adecuadas a las escalas nominales son las de
equivalencia (=) o no equivalencia (≠). Así, una entidad u objeto particular posee la
característica que define la clase (=) o no la tiene (≠). Las escalas nominales sólo
admiten el cálculo de proporciones, porcentajes y razones.

Los datos empleados con este tipo de escalas consisten en conteos de

frecuencias o tabulaciones del número de sucesos en cada clase de la variable
estudiada. Tales datos reciben denominaciones diferentes como datos
enumerativos, de frecuencias, de atributos o de categoría.

• Escala ordinal

Una escala de medición ordinal se logra cuando las observaciones pueden

colocarse en un orden relativo con respecto a la característica que se evalúa,
es decir, las categorías de datos están clasificadas u ordenadas de acuerdo con la
característica especial que poseen. Aquí, las etiquetas o símbolos de las
categorías sí indican jerarquía. Si utilizamos números, la magnitud de estos no es
arbitraria, sino que representa el orden del rango del atributo observado. Se
supone un continuo subyacente en los números de modo que las relaciones
típicas son, en este caso, «más alto que», «mayor que» o «preferible a». Sólo las
relaciones «mayor que», «menor que» e «igual a» tienen significado en una escala
de medición ordinal.

Bajo una escala ordinal es posible clasificar u ordenar algunos objetos o

eventos que tengan diversas cantidades de alguna característica, basados
en la característica. Por ejemplo, podemos clasificar familias de acuerdo con su
condición socioeconómica, estudiantes de acuerdo con el orden en que terminan
un examen, miembros militares por su rango y participantes en un reinado de
belleza según sus atractivos. Cuando los objetos o eventos se clasifican por una
característica, es posible determinar qué objeto o evento tiene más o menos de la
característica comparado con otro; pero no podemos decir, basados en el orden

13
solamente, en cuánto difieren. Por ejemplo, tres objetos que se han ordenado
como primero, segundo y tercero, teniendo en cuenta alguna característica.

En este tipo de escalas, los datos son mutuamente excluyentes (un individuo o
medición pertenece únicamente a una categoría), y exhaustiva (cada individuo,
objeto o medición, debe pertenecer, obligatoriamente, a una cualquiera de las
categorías). Para mayor claridad tomemos como referencia la clasificación de los
cargos en una determinada empresa como se muestra a continuación:

Sabemos que el Presidente (10) es más que el Vicepresidente (9), éste más que
el Director General (8), a su vez este último más que el Gerente de área (7) y así
sucesivamente; pero no puede precisarse en cada caso cuánto más. Tampoco
podemos utilizar las operaciones aritméticas básicas: no podríamos decir que 4
(empleado A) + 5 (jefe de sección) = 9 (vicepresidente); ni que 10 (presidente) + 5
(jefe de sección) = 2 (empleado C). Sería absurdo, no tiene sentido.

No importa qué se asigne en el ejemplo anterior, al cargo más alto el rango

numérico más alto o el más bajo, siempre que seamos consecuentes al dar a las
entidades su posición relativa adecuada a la serie ordenada. Sin embargo, se ha
generalizado la costumbre de asignar los rangos numéricos más bajos (1º, 2º, 3º,
etc.) a los más altos en la escala. Así, el ganador de una competencia recibe el
rango de ‘primero’, el siguiente en orden, ‘segundo’, y así sucesivamente.

CARGO CÓDIGO
Presidente 10
Vicepresidente 9
Director Genera 8
Gerente de Área 7
Subgerente 6
Jefe de Sección 5
Empleado A 4
Empleado B 3
Empleado C 2
Intendencia 1

14
Otros ejemplos de medición ordinal son los que se hacen al distinguir la clase
social, el grado académico, lugar en la clase, concursos de belleza (en efecto,
todas las variables expresadas como rangos) y normas percentiles.

En términos generales, se miden en una escala ordinal, la mayor parte de los

atributos de los objetos o personas, tales como el sabor, la belleza, la honestidad,
la calidad de un servicio, etc.

Desde el punto de vista matemático, y al igual que las escalas nominales, las
escalas ordinales sólo admiten el cálculo de proporciones, porcentajes y razones.

Son ejemplos de variables que pueden ser medidas o representadas en escalas

ordinales los siguientes:

- Notas escolares cualitativas (I - insuficiente; A - aceptable; B - bueno; S -

sobresaliente; E - excelente).
- Rangos militares (recluta, dragoneante, cabo, sargento, teniente, etc.).
- Asignación del orden de atención según llegada de pacientes a consulta
médica (primer turno, segundo turno, tercer turno, etc.).
- Grado de escolaridad (primaria, bachillerato, técnico profesional, tecnólogo,
universitario, etc.).
- Preferencia a la compra de productos de consumo (siempre, frecuentemente,
ocasionalmente, nunca).
- Etapa de desarrollo de un ser vivo (recién nacido, bebe, niño, joven, adulto,
anciano).
- Clasificación de películas por una comisión especializada (menores de 12 años
- 1; mayores de 12 años en compañía de adultos- 2; mayores de 18 años - 3;
categoría X - 4; triple X - 5).
- Calificaciones de un curso (A, B, C, …)
- Calidad de vida en una ciudad.

• Escala de intervalos

Las escalas de intervalo o cardinales son más refinadas puesto que además del
orden o jerarquía entre categorías, las etiquetas o números consecutivos
establecen intervalos iguales en la medición (las distancias entre categorías son
las mismas a lo largo de toda la escala). La medición en una escala de

15
intervalos se basa en suponer que puede conocerse exactamente la
diferencia entre los objetos medidos según esta escala. Esto es, debe ser
posible asignar un número a cada objeto de modo tal que la diferencia entre los
objetos quede reflejada por la diferencia entre los números asignados. Por
ejemplo, la diferencia entre los valores 4 y 5 es la misma que entre los valores 1 y
2, o entre 9 y 10. Un cambio unitario en la escala reflejará siempre el mismo
cambio en el objeto medido.

Ilustración 4. Escala de intervalo

Coronado (2007)

Las variables medidas en escalas de intervalo dan una idea de cuánto o de qué
tamaño es lo que se está midiendo. Por ejemplo, qué tan cálido o frío es, qué tan
cerca o lejos está, qué tan triste o alegre se siente, qué tan pesado o liviano es.
Igualmente, con las variables de intervalo, los márgenes de error pueden definirse
mejor y son más fáciles de manejar porque las puntuaciones se pueden redondear
aplicando las reglas de aproximación matemática.

En este tipo de medida puede utilizarse cualquier unidad, sea cual sea su
magnitud; y la elección del cero (origen) puede hacerse de modo arbitrario. El cero
no representa conceptos como ‘ninguno’, ‘vacío’ o ‘nada’; es decir, cero no
representa la ausencia de la característica medida; representa un punto
conveniente del cual se marcan intervalos de igual magnitud para construir la
escala. Este punto podría colocarse en cualquier posición dentro del rango posible
de la variable que se mide.

16
 1.3 Datos cualitativos y cuantitativos

Recibe el nombre de variable toda característica medida en un estudio, se

realice su medición en números (variables cuantitativas: edad o peso) o en
categorías (variables cualitativas o categóricas). Se denomina variable porque,
aunque podemos prever los valores posibles (espacio muestral), el valor
observado en un momento dado en un individuo, grupo, comunidad o población es
cambiante. Por ejemplo, podemos prever que los valores posibles del sexo de un
nuevo recién nacido pueden ser masculino o femenino, pero hasta que no
observamos al nuevo recién nacido no podemos asegurar cuál de ellos es. En
este ejemplo la unidad de observación es el recién nacido, y el conjunto de recién
nacidos examinados la muestra de estudio.

Aunque la mayoría de las variables de uso frecuente pueden ser de fácil

comprensión, existen otras que no lo son y, por lo tanto, requerirán una definición
operativa. Dicha definición incluirá el rango de valores posibles y la definición de
cada uno de ellos. Veamos un ejemplo: evolución de una enfermedad. Podemos
definir como valores posibles: curación (desaparición de síntomas), mejoría
(disminución de la intensidad de los síntomas), persistencia o empeoramiento
(persistencia o empeoramiento de síntomas).

Las variables se diferencian en función de diversas características (Tabla 1. Tipos

de variables): su papel en la pregunta de investigación, el número de posibles
valores y su escala de medición. Es importante conocer las características de las
variables ya que van a condicionar su recogida y análisis. Cuando presentemos
los distintos test estadísticos comprenderemos la trascendencia del tipo de
variables en la elección de los mismos.

Podemos diferenciar las variables en función del papel que desempeñen en

nuestra pregunta de investigación. Si estudiamos la asociación entre dos
variables las denominaremos como dependiente e independiente,
respectivamente. La que recibe el nombre de dependiente (variable resultado

17
o efecto) es aquella que pensamos viene condicionada por la otra variable,
que denominamos independiente (variable explicativa o de exposición). Por
ejemplo, si queremos estudiar la prevalencia de diabetes en una muestra de
población y conocer las variaciones según la edad y el sexo de sus componentes,
la presencia de diabetes sería la variable dependiente y la edad y el sexo las
independientes. Por el contrario, si estudiamos la influencia de la diabetes sobre
los niveles de presión arterial, esta sería la variable dependiente y la diabetes se
consideraría variable independiente.

Según su papel en la Dependiente (respuesta)

pregunta de investigación Independiente (explicativa o exposición)

Según el número de valores Continuas

posibles Discretas

Nominal (dicotómica, politómicas)

Ordinal
Según su escala de medición
De intervalos (continuas o de escala)
De razones (continuas o de escala)

Tabla 3. Tipos de variables

1.4 Análisis e interpretación de datos

Como se ha puesto de manifiesto, gran parte del trabajo de un estadístico

profesional se hace con muestras. Estas son necesarias porque las poblaciones
son casi siempre demasiado grandes para estudiarlas en su totalidad. Exigiría
demasiado tiempo y dinero estudiar la población entera, y tenemos que
seleccionar una muestra de la misma, calcular el estadístico de esa muestra y
utilizarlo para estimar el parámetro correspondiente de la población.

Una población (universo) entonces es un conjunto de todas las posibles

unidades de observación que son objeto del problema a considerar. Es el
objeto real de interés del cual la muestra escogida constituye un subconjunto
particular. Por ejemplo: los niños de diez años en México.
18
Una población es finita si el proceso de conteo de las unidades que la
conforman puede completarse o si incluye un número limitado de medidas u
observaciones. Ejemplo: todas las personas que viven en el hemisferio norte o
los estudiantes de secundaria en México. (CONACYT, 2021)

En cambio, una población infinita incluye un gran conjunto de medidas que

no puede obtenerse por conteo. Ejemplo: la población de dígitos extraída con
reemplazo de una urna o la colección de todos los números positivos. (CONACYT,
2021)

Ilustración 5. Población
(Dominio público, 2021)

Una muestra es parte o subconjunto de una población. Subconjunto de

medidas u observaciones tomadas a partir de una población dada. Se utiliza
una muestra por razones prácticas, económicas o de tiempo que no permiten
considerar a toda la población. Ejemplo: un centenar de niños de diez años

La obtención de la información se puede realizar por diversos medios. Una forma

es a través de una encuesta a un grupo de individuos, donde a cada uno se le
hacen las mismas preguntas. (CONACYT, 2021)

19
 Ilustración 6. Muestra
(Dominio público, 2021)

Otra forma es a través de experimentos donde la respuesta a la variable es el

resultado del experimento. Puede también recolectarse los datos en forma directa,
es decir, la información se extrae de alguna base de datos seleccionando una
muestra de ellos. (CONACYT, 2021)

En resumen, la población es el conjunto de elementos que te interesa analizar. Por

ejemplo las condiciones de todos los estudiantes universitarios.

La muestra es un grupo de elementos de esa población. Retomando el ejemplo

anterior la muestra serian dos alumnos universitarios encuestados.

En cualquiera de estos casos contamos con una selección de información llamada

muestra y que se procede a analizar. Existen diferentes técnicas para realizar el
muestreo y que dependerán cada caso, cual usar. Algunas de ellas son:

- Muestreo aleatorio simple: todos los elementos de la población tienen igual

posibilidad de ser escogido y se eligen al azar.
- Muestreo sistemático: los elementos se seleccionan a un intervalo uniforme
en una lista ordenada. Una preocupación del muestreo sistemático es la
existencia de factores cíclicos en el listado que pudieran dar lugar a un error.

20
- Muestreo estratificado: los elementos de la población son primeramente
clasificados en grupos o estratos según una característica importante. Luego,
de cada estrato se extrae una muestra aleatoria simple.
- Muestreo por conglomerado: los elementos de la población están
subdivididos en grupos y se extraen aleatoriamente algunos de estos grupos
completos (CONACYT, 2021)

1.5 Principios de estadística descriptiva

El proceso estadístico está formado por:

• Planteamiento del problema. En el planteamiento del problema se sitúa el eje

central sobre el que articular todo lo demás. Esta fase responde a la siguiente
pregunta: ¿Qué necesito estudiar y por qué? En ocasiones, por increíble que
parezca plantear el problema puede hacernos llegar a la conclusión de que en
realidad no necesitamos realizar un estudio estadístico.
• Recogida de datos. Una vez hemos planteado el problema debemos recoger
los datos. Aquí es importante la metodología. De tal modo que existen
diferentes consideraciones. Así pues, debemos establecer el tipo de muestreo,
el tamaño de la muestra, el tipo de recolección de datos (por ejemplo, a través
de bases de datos o de encuestas personalizadas), en persona, por internet o
por teléfono, etc.
• Organización de los datos. Una vez tenemos todos los datos queda
unificarlos y organizarlos. Como en todo, necesitamos introducir los datos en
programa o plataforma que luego nos permita calcular determinadas métricas y
analizar correctamente. Para ello, siempre es conveniente organizar los datos.
Es más, a veces necesitaremos recoger datos de diferentes bases de datos
que ofrecen formatos de archivos diferentes y será necesario unificarlo todo en
el mismo formato.
• Análisis de los datos. Una vez planteado el problema, recolectados los datos
y organizados podemos analizarlos de forma eficaz. Dependiendo del

21
 planteamiento del problema, se realizará un tipo de análisis u otro. Por
ejemplo, si queremos saber si dos variables son dependientes, podríamos
utilizar un análisis de cointegración. Mientras que si lo que queremos estudiar
es la dispersión total de un activo financiero, calcularemos el rango estadístico.
• Interpretación de los datos. Por último, pero no por ello menos importante,
tenemos la interpretación de los datos. De nada sirve realizar todas las fases
del proceso estadístico correctamente si al final la interpretación es errónea.
Esto es debido a que si la interpretación es errónea, entonces las decisiones
tendrá un efecto no deseado. Por ejemplo, imaginemos que realizamos un
estudio sobre la variabilidad de las ventas de una empresa. Si una vez
obtenemos los resultados resulta que hay mucha dispersión, conviene reducirla
y nosotros interpretamos que no, esto podría afectar negativamente a la
empresa.

Ilustración 7. Proceso estadístico 22

López (2019)
 2. Métodos estadísticos en finanzas

El método estadístico consiste en una secuencia de procedimientos para el

manejo de los datos cualitativos y cuantitativos de la investigación. Dicho manejo
de datos tiene por propósito la comprobación, en una parte de la realidad, de una
o varias consecuencias verificables deducidas de la hipótesis general de la
investigación. Conocido también como el "método del ritmo económico" y se basa
en la proyección de las tendencias. Esto se logra por medio de series cronológicas
de los datos que interesa estudiar. Las características que adoptan los
procedimientos propios del método estadístico dependen del diseño de
investigación seleccionado para la comprobación de la consecuencia verificable en
cuestión.

2.1 Distribuciones de frecuencias

Las distribuciones de frecuencias son tablas en que se dispone las modalidades

de la variable por filas. En las columnas se dispone el número de ocurrencias por
cada valor, porcentajes, etc. La finalidad de las agrupaciones en frecuencias es
facilitar la obtención de la información que contienen los datos.

2.2 Definición

La distribución de frecuencias es la forma en la que un conjunto de datos se

clasifica en distintos grupos excluyentes entre sí. Es decir, si un dato
pertenece a un grupo no puede pertenecer a otro.

2.3 Componentes de la distribución

Conviene resaltar que la distribución de frecuencias suele efectuarse respecto a

una muestra estadística, aunque también podría ser en función de toda una
población.

23
Otro aspecto a tener en cuenta es que los grupos en los que se distribuyen los
datos pueden ser números específicos, por ejemplo, si la variable es el número de
veces que la persona ha rendido una evaluación, que puede ser 1, 2 o 3. Aunque,
como vimos líneas arriba, también puede ser que se esté trabajando con
intervalos.

Clase: Es el número de subconjuntos en que se han agrupado los datos. Cada

clase se puede denominar mediante una letra, un número o alguna característica
del subconjunto.

El número de clases en que se agrupan los datos se determina con la raíz

cuadrada del número de datos cuando este es menor de 200.

Número de clases=√N

Para muestras con 200 o más datos el número de clases se determina con la raíz
cúbica del número de datos
𝟑
Número de clases= √N

Donde N es el número total de datos de la muestra

En algunos casos se puede elegir un numero diferente de clases dependiendo de

la practicidad en el manejo de datos.

Intervalo de clase: Es un conjunto de elementos que forman a una clase,

conteniendo un límite inferior y un límite superior.

Tamaño de clase. Es la diferencia entre dos límites inferiores o superiores de

clases sucesivas.

Para determinar el tamaño de clase es necesario conocer el rango de la muestra,

que se obtiene con la diferencia entre el dato mayor y el dato menor de la muestra
y se representa con la letra R.

R = dato mayor - dato menor

24
El tamaño de clase se obtiene al dividir el rango entre el número de clases, y se
representa con la letra c.

rango
𝑻amaño de la clase=
número de clases

R
𝐜=
número de clases

El tamaño de clase indica el número de datos que conforman a cada intervalo,

considerando los valores extremos llamados límites. En cada intervalo aparece un
límite inferior (LI) y un límite superior (LS).

Cada intervalo se forma sumando al límite inferior (LI) un número menos que el
tamaño de clase para obtener el límite superior (LS).

Marca de clase. Es el punto medio del intervalo de clase.

límite inferior + límite superior

𝐌𝐚𝐫𝐜𝐚 𝐝𝐞 𝐜𝐥𝐚𝐬𝐞=
2

Li + Ls
𝑿=
2

Frecuencia: Es el número de datos que pertenecen a cada clase.

Los tipos de distribuciones de frecuencia son los siguientes:

Frecuencia absoluta(fi): Es la cantidad de observaciones que pertenecen a cada

grupo. También, se interpreta como la cantidad de veces que se repite un suceso.
Por ejemplo, continuando con el caso anterior, puede ser que de un grupo de 100
personas, 20 de ellos tengan entre 26 y 40 años.

Frecuencia relativa(hi): Se calcula dividiendo la frecuencia absoluta entre el

número de datos, por ejemplo, volviendo a la situación planteada líneas arriba,
20/100 es igual a 0,2 o 20%.

Frecuencia absoluta acumulada (Fi): Resulta de sumar las frecuencias

absolutas de una clase o grupo de la muestra (o población) con la anterior o las
25
anteriores. Por ejemplo, para calcular la frecuencia absoluta acumulada del tercer
grupo se suman las frecuencias absolutas del primer, segundo y tercer grupo.

Frecuencia relativa acumulada (Hi): Es el resultado de sumar las frecuencias

relativas, tal y como explicamos para la frecuencia absoluta acumulada. Por
ejemplo, para calcular la frecuencia relativa acumulada del cuarto grupo, se suman
las frecuencias relativas del primer, segundo, tercer y cuarto grupo.

2.4 Construcción de la distribución

Para verlo en un ejemplo, un grupo de personas puede agruparse de acuerdo con

su edad en rangos de 1 a 20 años, de 21 a 40 años, de 41 a 60 años y de 61 a 80.

Veamos un ejemplo de una tabla de distribución de frecuencias:

Intervalo Marca Frecuencia Frecuencia

Tamaño Frecuencia Frecuencia
de de absoluta relativa
de clase absoluta relativa
clase clase acumulada acumulada
𝐟𝐢 𝐅𝐢
Clase C Mc fi 𝐡𝐢 = ∗ 𝟏𝟎𝟎 Fi 𝐇𝐢 = ∗ 𝟏𝟎𝟎
𝟏𝟎𝟎 𝟏𝟎𝟎
A 20 [1-20] 10.5 35 0,35 35 0,35
B 20 [21-40] 30.5 20 0,2 35+20=55 0,55
C 20 [41-60] 50.5 27 0,27 55+27=82 0,82
D 20 [61-80] 70.5 18 0,18 100 1
∑=100 ∑=1
Tabla 4. Distribución de frecuencias

2.5 Generalización de la distribución

En la empresa y en el mundo de los negocios, la teoría de la probabilidad es muy

importante debido a que nos brinda herramientas para tomar una mejor decisión
ante el futuro.

Los modelos de probabilidad, que son representaciones de la realidad, pueden

ayudarnos a optimizar la ganancia de nuestro negocio teniendo en cuenta los
riesgos al momento de realizar una inversión, optimizar el sistema del servicio al
cliente de una compañía creando políticas para evitar la pérdida de clientes, y
hasta crear nuevas estrategias competitivas a largo plazo según el mercado.

26
Ahora bien, ¿qué es exactamente la probabilidad? La probabilidad es un valor
entre 0 y 1 que describe la posibilidad de ocurrencia de un acontecimiento. Donde
1 representa que el acontecimiento sucederá muy seguramente y 0 que el
acontecimiento con seguridad no sucederá.

Teniendo presente los conceptos anteriores, podemos definir una distribución de

probabilidad como una lista que nos proporciona todos los resultados de los
valores que pueden presentarse en un acontecimiento, junto con la probabilidad
de ocurrencia asociada a cada uno de estos valores.

Ilustración 8. Ejemplo de probabilidad

(Steven, 2019)

Tomemos, por ejemplo, como un acontecimiento el lanzamiento de una moneda.

En este acontecimiento, tenemos como posibles resultados: Cara o sello, y las
respectivas probabilidades son: si cae cara 0.5 (1/2) o si cae sello 0.5 (1/2).

Como podemos observar, si tomamos las probabilidades de ocurrencia de los

resultados de un acontecimiento y los sumamos siempre nos debe dar 1.

Todos los acontecimientos tienen variables aleatorias (características medibles),

éstas pueden ser de tipo continua o discreta.

27
Las variables de tipo discretas son aquellas cuyos resultados se pueden contar o
son separables (por ejemplo, la cantidad de caras en el lanzamiento de 3
monedas, el número de faltas de un partido de fútbol, libros vendidos en un mes,
etc).

Las continuas son aquellas que tienen un número incontable de valores pero
limitado (por ejemplo, los tiempos de vuelos entre una ciudad y otra, la presión de
los neumáticos de un carro, etc).

TIPOS DE DISTRIBUCIONES DE PROBABILIDAD

Los científicos siempre se han sentido fascinados con los fenómenos y

acontecimientos que ocurren en la vida cotidiana, por lo que se han puesto en la
tarea de construir modelos probabilísticos teóricos, a través de la experimentación,
que los describan. Algunos de los más utilizados hoy en día son:

• Distribución de probabilidad binomial:

Es una probabilidad discreta y se presenta con mucha frecuencia en nuestra vida

cotidiana. Fue propuesta por Jakob Bernoulli (1654-1705), y es utilizada con
acontecimientos que tengan respuesta binaria, generalmente clasificada como
“éxito” o “fracaso”. Algunos ejemplos donde se aplica esta distribución son:

- Si una persona presenta o no una enfermedad.

- Si una mujer se encuentra en estado de embarazo.
- Que un producto sea exitoso o no.
- Que un vuelo se retrase o no.
- Si el lanzamiento de una moneda sale cara en vez de sello.

• Distribución de probabilidad de Poisson:

Recibe su nombre gracias al matemático francés Simeón Denis Poisson (1781-

1840). Describe el número de veces que se presenta un acontecimiento durante
un intervalo específico, este intervalo puede ser de tiempo, distancia, área o
volumen. La probabilidad de ocurrencia es proporcional a la longitud del intervalo.
Algunos ejemplos donde se aplica esta distribución son:
28
- El número de vehículos que vende por día un concesionario.
- Cantidad de llamadas por hora que recibe una compañía.
- Cuando se requiere conocer el número de defectos en un lote de tela.
- Número de accidentes automovilísticos en el año.
- Número de llegadas de embarcaciones a un puerto por día.

• Distribución de probabilidad normal:

La distribución de probabilidad normal es una de las más importantes en

estadística y en el cálculo de probabilidades. Fue utilizada por Carl Friedich Gauss
(1777-1855) al escribir un libro sobre el movimiento de los cuerpos celestes, por
este motivo también es conocida como distribución Gaussiana. Es importante
debido a que el teorema central del límite implica que esta distribución es casi
universal y la podemos encontrar en todos los campos de las ciencias empíricas
tales como: biología, física, psicología, economía, etc.

• Distribución de probabilidad

Tiene una forma de campana, es simétrica y su área bajo la curva es 1.

Ilustración 9. Distribución normal

(Dominio público, 2021)

Como se mencionaba anteriormente la aplicación de esta distribución de

probabilidad es muy amplia. Algunos ejemplos son:

29
- El efecto de un medicamento o fármaco.
- El cambio de temperatura en una época del año específica.
- Caracteres morfológicos como el peso o la estatura en un grupo de individuos.
Nuestro mundo actual se encuentra en constante cambio y tenemos incertidumbre
frente al futuro, es por eso que es importante resaltar la teoría de la probabilidad o
también conocida como la ciencia de la incertidumbre. Aunque no nos diga con
exactitud qué depara el futuro, nos ayuda a navegar en este mar de la
incertidumbre para tomar mejores decisiones en el mundo de los negocios y en la
vida.

2.6 Gráficos estadísticos

• Gráfico de barras. Se utilizan para mostrar la evolución o comportamiento de

una variable en el tiempo. Se compone en un sistema de coordenadas de ejes
cartesianos —eje X y eje Y— en el que barras rectangulares horizontales o
verticales representan gráficamente la variable elegida. Este tipo de gráfico es
habitual para representar, por ejemplo, los ingresos de una compañía por
trimestres de actividad o la evolución del PIB de un país bien sea anual,
semestral, trimestral… Permite introducir diversas variables y observar su
evolución paralela a lo largo del mismo período de tiempo: en uno de los ejes
se establece el tiempo y el otro se levantan las barras marcando el valor que
corresponde a la variable.

Ilustración 10. Gráfica de barras

(Dominio público, 2021)

30
• Gráfico de pastel o diagrama de sectores. Permite visualizar las partes de
un todo a través de una circunferencia dividida en sectores o porciones. Por
ejemplo, el porcentaje de alumnos de una clase que realizan una determinada
actividad extraescolar: del 100% de los alumnos, un 15% juega al baloncesto,
un 10% aprende programación, un 15% estudia un idioma, un 40% juega al
fútbol y el 20% restante agrupa otras actividades.

Ilustración 11. Gráfica de pastel

(Dominio público, 2021)
• Gráfico de líneas. Este tipo de gráfico es similar al de barras —los datos se
ordenan en base a los ejes cartesianos— y es útil para observar la evolución
de una variable. Por ejemplo: cómo ha variado la temperatura mínima y
máxima durante una semana. En uno de los ejes tendremos la temperatura y
en otro los días de la semana. Se marcan los valores de la temperatura mínima
y se unen con una línea mostrando la oscilación; con otro color se representa
de igual forma la temperatura máxima. De un vistazo, el lector puede ver cómo
han oscilado ambas variables en un periodo de siete días.

Ilustración 12. Gráfico de líneas 31

(Dominio público, 2021)
• Gráfico de dispersión. El punto de partida son también los ejes cartesianos
que muestran todos los valores de la variable dependiente y de la
independiente, o de dos variables para comprobar si existe relación. El
resultado suele ser una nube de puntos que muestra una dispersión o una
concentración y ayuda a los estadistas a determinar la relación o no entre
las variables. Estas representaciones gráficas permiten combinaciones
diversas, por ejemplo, representar unas variables en barras y otras en línea,
siempre que el tipo de datos a representar lo permita.

Ilustración 13. Gráfica de dispersión

(Dominio público, 2021)

• Pictogramas. Otra variación son los pictogramas, gráficos donde las barras o
las líneas se sustituyen por dibujos que muestran la temática de los datos
que se están expresando en los gráficos: si se representa la variación del
precio de distintas frutas, el pictograma puede elaborarse con dibujos de esas
frutas.

32

Ilustración 14. Pictograma

(INEGI, 2021)
• Histogramas, polígonos de frecuencia y ojivas. Un Histograma es la
representación gráfica de una tabla de frecuencias. El histograma puede ser:
de frecuencias absolutas, de frecuencias relativas, de frecuencias absolutas
acumuladas y de frecuencias relativas acumuladas.

Más profundamente, el histograma de frecuencias es una representación visual de

los datos en donde se evidencian fundamentalmente tres características: forma,
acumulación o tendencia posicional y dispersión o variabilidad.

Ilustración 15. Histograma

(Pascuzzo, 2021)
Un Polígono de Frecuencia es el nombre que recibe una clase de gráfico que se
crea a partir de un histograma de frecuencia. Los histogramas emplean columnas
verticales para reflejar las frecuencias, los polígonos de frecuencia se forman
uniendo los puntos más altos de cada una de las columnas del Histograma.

33
Ilustración 16. Polígono de frecuencias
(Pascuzzo, 2021)
Podemos observar que el polígono de frecuencia es la línea roja que une el
centro de cada barra del histograma. Sólo se ha dejado el histograma para una
mayor comprensión del concepto que se desea ilustrar. Por último, hablaremos de
las Ojivas.

Una Ojiva se utiliza para representar la frecuencia acumulada. Similar al Polígono

de frecuencia, se forma o se construye uniendo los puntos más altos de cada
columna, pero de un Histograma que represente las Frecuencias Acumuladas. Al
estar construido en función de las frecuencias acumuladas permite ver cuántas
observaciones se encuentran por encima o debajo de ciertos valores, en lugar de
solo exhibir los números asignados a cada intervalo.

Ilustración 17. Ojiva

(Pascuzzo, 2021)

En este caso la Ojiva es la línea azul, pero se ha dejado el Histograma, por dos
razones:

- Para visualizar un histograma de Frecuencias Acumuladas; y,

- Para tener una visión más clara de lo que representa la Ojiva.
En este ejemplo se visualiza claramente lo que se conceptualizó antes, por
ejemplo, se puede ver rápidamente que hay 8 secciones con 39 alumnos o
menos.

34
Cabe destacar que las Ojivas también se pueden hacer a la inversa, comenzando
con la mayor y terminando con la menor frecuencia.

Estos 3 tipos de gráficos son muy útiles y son fáciles de interpretar cuando
estamos trabajando con tablas de frecuencia.

2.7 Medidas de tendencia central

MEDIDAS DE TENDENCIA CENTRAL PARA DATOS NO AGRUPADOS

Las medidas de tendencia central para datos no agrupados son un conjunto de

indicadores estadísticos que van a mostrar hacia qué valores se agrupan los datos
numéricos, es decir, son medidas estadísticas que buscan resumir en un solo
valor un conjunto de valores.
Los datos agrupados son los que se clasifican en categorías o clases, que es el
número de subconjuntos, tomando como criterio su frecuencia. Se trata de hacer
más fácil y de simplificar el manejo de grandes cantidades de datos y poder así
establecer cuáles son sus tendencias. Es recomendable agruparlos si se trata de
20 o más elementos que tienen características comunes y pueden ser organizados
en categorías, de esta forma se puede conseguir manejar mejor y analizar en
forma más profunda. Los datos agrupados se organizan en una tabla de
frecuencia, siendo esta tabla el número de veces que cada valor se repite en la
serie de datos.
Por su parte, los datos no agrupados constituyen el conjunto de datos que no han
sido clasificados y que son presentados en una tabla de datos en forma individual,
es decir que no forman parte de un conjunto. De manera general constituye una
cantidad de elementos que es menor a 30 con muy poca o nula repetición.
Existen así las medidas de tendencia central para datos no agrupados, cuyos
datos se manejan en forma simple. Primero son recolectados los datos de la
población de estudio y estos son distribuidos en una tabla y analizados sin formar
clases, que son el número de subconjuntos en que se han agrupado los datos con

35
los mismos: cada dato mantiene su propia identidad luego de que se ha elaborado
la distribución de frecuencia.
Entre las medidas de tendencia central para datos no agrupados más utilizadas se
encuentran: media, mediana y moda, las medidas de tendencia central ayudan a
entender cómo se comportan los datos, siempre y cuando su distribución sea
relativamente normal, es decir, que los datos que más se repiten estén más al
centro.
• Media aritmética
Está determinada por el valor en promedio de una serie de conjunto de datos
numéricos. Con esta medida, los cálculos se realizan a través de la sumatoria de
todos los valores que se encuentren y posteriormente divididos entre el total de
datos. Esta medida es totalmente numérica o sea sólo puede calcularse en datos
de características cuantitativas. Según Lind, Marchal, Wathen (2012, 60) se
determina de la siguiente manera:

∑𝐱
𝐱" =
𝐧

Donde:
X =es la media de la muestra; se lee: X barra.
n= es el número de valores de la muestra.
X= representa cualquier valor particular.
Ʃ= es la letra mayúscula griega sigma e indica la operación de suma.
ƩX= es la suma de X valores de la muestra.

Por ejemplo: En un experimento hemos obtenido los siguientes valores: 10, 11, 10,
9, 10, 10. Calcuar la media aritmética de los valores del experimento:

∑𝐱 𝟏𝟎 + 𝟏𝟏 + 𝟏𝟎 + 𝟗 + 𝟏𝟎 + 𝟏𝟎 𝟔𝟎
𝐱" = = = = 𝟏𝟎
𝐧 𝟔 𝟔

36
 • Mediana
Según Lind, Marchal, Wathen (2012, 64) es definido como el punto medio de los
valores una vez que se han ordenado de menor a mayor o de mayor a menor.
La definición de mediana se replantea así (Sweeney, William, Anderson, 2008,84)
a) Si el número de observaciones es impar, la mediana es el valor de en medio.
Por ejemplo: 2, 5, 7, 8, 12, 18, 24; en este caso la media de los datos es 8.
b) Si el número de observaciones es par, la mediana es el promedio de las dos
observaciones de en medio. Por ejemplo: 2, 5, 7, 8, 12, 18; de los datos
observados se toma el promedio entre 7 y 8 por lo tanto la media de estos
datos seria 7.5.
• Moda
Otra medida de tendencia central es la moda, tal y como se considera en el ámbito
social : es lo que mas se usa. Por tal motivo en estadística es considerado como el
valor mas frecuente.
La moda es una medida de fácil obtención, aun que no siempre hay un dato cuya
frecuencia este claramente por encima de las frecuencias de otros datos. Hay
conjunto de datos que tienen dos modas (bimodales) o incluso mas
(multimodales).
a) Unimodal: Cuando solo un dato se repite varias veces.
Ejemplo: 5, 12, 13, 9, 10, 11, 10, 8, 7, 17, 10, 6, 10
Moda:10
b) Bimodal: Cuando 2 datos se repiten varias veces.
Ejemplo: 530, 528, 532, 529, 530, 539, 530, 582, 535, 535, 531,535, 530, 535
Moda: 530 y 535.
c) Multimodal: Cuando mas de 2 datos se repiten varias veces.
Ejemplo: 28,30,6,40,28,19,29,40,40,16,14,6,32,6,28
Moda: 6, 28 y 40.
d) Carece de Moda. No existe ningún numero repetido. Ejemplo:
5,6,14,40,30,45,67,1,3,90.
Mo: Carece de Moda.
37
 Ilustración 18. Moda
Arreola, Robles (2016)

MEDIDAS DE TENDENCIA CENTRAL PARA DATOS NO AGRUPADOS

• Media aritmética para datos agrupados

Retomando el ejercicio del subtema 2.4 (un grupo de personas puede agruparse
de acuerdo con su edad en rangos de 1 a 20 años, de 21 a 40 años, de 41 a 60
años y de 61 a 80.) podriamos calcular sus media aritmetica se la siguiente forma:

Tamaño Intervalo de Marca de Frecuencia

xi
de clase clase clase absoluta
Clase C Mc fi xi=Mc*fi
A 20 [1-20] 10.5 35 367.5
B 20 [21-40] 30.5 20 610
C 20 [41-60] 50.5 27 1363.5
D 20 [61-80] 70.5 18 1269
∑=100 ∑xi=3610

Tabla 5. Media aritmética para datos agrupados

∑𝐱𝐢 𝟑𝟔𝟏𝟎
7=
𝐗 = = 𝟑𝟔. 𝟏
𝐍 𝟏𝟎𝟎

• Moda para datos agrupados

Continuando con el ejercicio del subtema 2.4 podemos realizar el cálculo

correspondiente a la moda

Fórmula:

38
Donde:

Mo= Moda

Li= : Es el límite verdadero inferior de la clase modal

∆1 = Es la diferencia entre la mayor frecuencia y la anterior.

∆2= Es la diferencia entre la mayor frecuencia y la que le sigue.

C= Es la amplitud de clase.

Nota. Para calcular la moda en datos agrupados se elige el intervalo de clase de

mayor frecuencia.

• Mediana para datos agrupados

La Mediana (Me) la calculamos con la siguiente fórmula:

Donde:

Li es el límite inferior del intervalo de la mediana.

fi es la frecuencia absoluta del intervalo de la mediana.

Fi-1 es la frecuencia absoluta acumulada anterior al intervalo de la mediana.

N es el número total de datos del ejercicio

C es el tamaño de la clase

39
 3. Indicadores

Podemos decir que un indicador es una estadística que ha sido procesada con el
fin de entregar información específica. Pero un indicador estadístico es más que
un dato: es una herramienta diseñada a partir del análisis estructurado de un
conjunto de indicadores particulares que permiten conformar una visión global de
la realidad que facilite el estudio de su evolución y la comprensión de la
información. Para la evaluación de un sistema son necesarios varios indicadores,
los cuales no se utilizan para una acción específica, sino que el mismo indicador
puede servir para medir el impacto de dos o más elementos. No debemos olvidar,
que el origen de un indicador es una estadística, y por tanto se debe definir qué
datos son necesarios, revisar la metodología y la factibilidad de su recolección y
realizar esfuerzos por generar series largas con el fin de que puedan ser
comparables en el tiempo y ver su evolución. Los indicadores estadísticos deben
ser una información de síntesis, un barómetro que sin decir necesariamente todo,
permita saber donde se está y, si es posible percibir las tendencias, y deben
satisfacer criterios de claridad, de representatividad y de fiabilidad. Es importante
tener en cuenta que los Indicadores deben definir perfectamente los datos,
además de ser claros y fiables. Los indicadores nos ayudan a tener una visión
global de la realidad, facilitándonos el estudio de su evolución y la comprensión de
la información. Los indicadores deben cumplir las siguientes características:
cuantificables, precisos, con disponibilidad periódica, compatibles, de fácil
comprensión.

• Cuantificables. Normalmente se trata de un dato estadístico (porcentajes,

tasas, razones...) que pretenden sintetizar la información que proporcionan los
diversos parámetros o variables que afectan a la situación que se quiere
analizar. No obstante, determinados indicadores que nos permiten caracterizar
un territorio, sobre todo su singularidad cultural, no poseen carácter
cuantificable.

40
• Precisos y procedentes de fuentes fiables. Ser fiables, en el sentido que
cualquier cambio en el indicador se corresponda a un cambio en la variable
que mida, y precisos para garantizar unos mínimos de rigurosidad en el estudio
de la evolución temporal de los mismos.
• Disponibilidad periódica. Los indicadores se actualizan de forma periódica, lo
que permite realizar comparaciones en el espacio y en el tiempo. Comparando
el mismo indicador para el mismo grupo en varios momentos se podrán evaluar
las evoluciones que han tenido lugar.
• Compatibilidad. Ser compatibles con otros indicadores, de manera que
permitan la comparación y la interpretación de cambios de situación.
• Fácil comprensión. Ser comprendidos por los no especialistas. Lo que no
significa que las técnicas de elaboración tengan que ser necesariamente
simples, sino que deben ser presentados de manera que sean fácilmente
interpretados.

3.1 Indicadores financieros

Los indicadores financieros son datos que se obtienen a partir de:

- el balance general;
- la cuenta de resultados.
El análisis de un conjunto de indicadores permite obtener un diagnóstico de la
situación financiera de la organización en un momento determinado t y evaluar:

- su equilibrio financiero;
- su rentabilidad;
- su independencia financiera.
Por lo tanto, los indicadores financieros son importantes frente:

- a la adquisición de una empresa;

- a la óptima gestión de los recursos financieros;
- al control de riesgos financieros;
- a la consideración de inversiones o, por el contrario, las restricciones
presupuestarias.
41
Existen diferentes tipos de indicadores que permiten establecer la situación
financiera de la empresa en aras de tomar las decisiones necesarias para
encaminarla, en caso de ser necesario.

3.2 Indicadores de liquidez

La liquidez de una empresa mide la capacidad de la misma para pagar sus deudas
a corto plazo. En otras palabras, la capacidad de convertir los activos corrientes en
efectivo. Los indicadores financieros de liquidez que contribuyen a establecer lo
anterior son:

INDICADOR FÓRMULA VALORES / INTERPRETACIÓN

Fondo de FM = Activo Corriente - - Si FM ≥ 0 → equilibrio financiero.
Maniobra Pasivo Corriente - Si FM ≤ 0 → desequilibrio financiero.

- Si RC ≤ 1→ incapacidad para cumplir

RC = Activo Corriente con obligaciones a corto plazo.
Razón Corriente
/ Pasivo Corriente - Si RC > 2 → capacidad para cumplir
con obligaciones a corto plazo.

- Si PA > 1 → capacidad para cumplir

PA = (Activo Corriente -
con obligaciones a corto plazo.
Prueba Ácida Inventario) / Pasivo
- Si PA < 1 → incapacidad para cumplir
Corriente
con obligaciones a largo plazo.

Tabla 6. Indicadores de liquidez

3.3 Indicadores de endeudamiento

Los ratios de endeudamiento permiten determinar el nivel de endeudamiento que

una empresa puede asumir (riesgo que pueden tomar los acreedores), con base
en su propio capital o patrimonio. Los indicadores que permiten determinar lo
anterior son:

- Endeudamiento total.
- Endeudamiento a corto plazo.
- Endeudamiento a largo plazo.
- Apalancamiento total (también llamado Leverage).
42
 INDICADOR FÓRMULA VALORES / INTERPRETACIÓN
- Si ET > 100%* → las deudas de la
Endeudamiento ET = Pasivo Total empresa superan sus activos.
Total / Activo Total *Debe analizarse de acuerdo al tipo de
empresa.

ECP = Pasivo
Endeudamiento - ECP ≥ 20-30% → buen poder de
Corriente
a Corto Plazo negociación a corto plazo.
/ Patrimonio Neto

ELP = Pasivo
Endeudamiento - Si ELP > 1 → liquidez en riesgo.
No Corriente
a Largo Plazo - Si ELP < 1 → mayor solvencia.
/ Patrimonio Neto

Tabla 7. Indicadores de endeudamiento

3.4 Indicadores de actividad

Los indicadores sobre tu situación financiera y de actividad, pueden ayudar a

corregir y tomar nuevas decisiones que allanen el camino de crecimiento de tu
empresa.

• Rotación de inventarios

Pues bien, el primer indicador a calcular es el de rotación de inventarios, que mide

la actividad o número de veces que se usan los inventarios de una empresa.

Con este indicador, te darás cuenta qué tan rápido está moviéndose o, mejor
dicho, vendiéndose tu producto en el mercado. Se calcula:

Rotación de inventarios =
Costo de los bienes vendidos / Inventario

Y si quieres conocer la edad promedio de tus inventarios, es decir, el número de

días promedio que se requiere para vender el inventario, sólo tienes que dividir el
número de días que tiene un año, entre la rotación de inventarios.

43
 • Periodo promedio de cobro

En segundo lugar, hay que calcular el periodo promedio de cobro o edad promedio
de las cuentas por cobrar. Es útil para evaluar las políticas de crédito y cobro que
tienes implementadas en tu organización.

Se calcula:

Periodo promedio de cobro =

Cuentas por cobrar / Ventas diarias promedio

Periodo promedio de cobro =

Cuentas por cobrar / (Ventas Anuales / 365)

Con este indicador, te darás cuenta qué tan efectiva es o no tu política de crédito y
cobro. Y plantear qué hacer al respecto.

• Periodo promedio de pago

A continuación, calcula el periodo promedio de pago, o edad promedio de las

cuentas por pagar. Es la otra cara de la moneda: qué nivel de cumplimiento o
incumplimiento tiene tu empresa en el pago a sus proveedores.

Se calcula:
Periodo promedio de pago =
Cuentas por pagar / Compras diarias promedio

Periodo promedio de pago =

Cuentas por pagar / (Compras anuales / 365)

• Rotación de los activos totales

Por último, se nos recomienda calcular la rotación de los activos totales, con la
cual te darás cuenta de la eficiencia con la que la empresa utiliza sus activos para
generar ventas.

Se calcula:
44
 Rotación de activos totales =
Ventas / Total de activos

Cuanto mayor sea el valor de la rotación de los activos totales de tu empresa,

significa que mayor es la eficiencia con la que se han usados sus activos. Es una
medida importante para la administración porque indica si las operaciones de la
empresa han sido eficientes financieramente.

3.5 Indicadores de rendimiento

Esta es la lista más completa que puede encontrar en Internet con ejemplos de
indicadores de rendimiento o KPIs (Key Performance Indicators). Sin embargo,
recuerde que cada empresa es única y debe definir sus propios indicadores caso
por caso. Utilice esta lista para inspirarse y facilitar la creación de su propio panel
de control para gestionar su empresa o departamento.

Antes de hablar específicamente acerca de los tipos de indicadores de

desempeño de los procesos, nos gustaría aclarar que existe una diferencia
fundamental entre indicadores de proceso e indicadores estratégicos, vea:

Tipos de indicadores de desempeño

• Los indicadores de desempeño de los procesos también

llamados KPI (del inglés: Key Performance Indicator), se centran en cómo
se realiza la tarea, midiendo su desempeño y si logran ciertos objetivos.
Este indicador debe ser calculado por un índice (generalmente
representado por un número) que retrate el progreso del proceso en su
conjunto o en parte.

• Los indicadores de rendimiento estratégico tienen la función de

comprobar si la organización está logrando los objetivos establecidos por la
alta dirección, los llamados objetivos estratégicos. Una herramienta
ampliamente utilizada para ayudar en la determinación de estos objetivos
es el Balanced Scorecard o Cuadro de Mando Integral.
45
 Ilustración 19. Indicadores de rendimiento
(HEFLO, 2019)

Habiéndolo visto, ahora sí, vamos a los indicadores de proceso:

Tipos de indicadores del rendimiento de los procesos

1. Indicadores de eficiencia
2. Indicadores de eficacia
3. Indicadores de capacidad
4. Indicadores de productividad
5. Indicadores de calidad
6. Indicadores de lucro
7. Indicadores de rentabilidad
8. Indicadores de competitividad
9. Indicadores de efectividad
10. Indicadores de valor

46
Detallaremos cada uno de ellos para que se pueda entender mejor: Los
indicadores de eficiencia x indicadores de eficacia

- La eficacia es la relación entre los resultados obtenidos y los resultados

deseados: hacer de la mejor manera, es decir, lograr los resultados esperados

- La eficiencia es la relación entre los resultados obtenidos y los recursos

utilizados: hacer la mejor manera utilizando la menor cantidad de recursos

Podemos decir que la eficiencia significa ser eficaz utilizando la menor cantidad de
recursos posibles, se centra en el proceso y en los recursos aplicados. Por
ejemplo, para reducir los costos. Ya la eficacia se centra en el producto, en los
resultados logrados y puede aportar más lucros como beneficio.

- Indicadores de capacidad. Relación entre la cantidad que se puede producir

y el tiempo para que esto ocurra. Por ejemplo: El fabricante de automóviles X
es capaz de producir 200 coches al mes.
- Indicadores de productividad. Relación entre las salidas generadas por un
trabajo y los recursos utilizados para ello. Ejemplo: Un trabajador puede
instalar 20 m² de piso en una hora. Otro, puede instalar sólo 17 m² piso en una
hora, por lo tanto, es menos productivo que el primero.
- Indicadores de calidad. Relación entre el total de las salidas (todo lo que se
produjo) y las salidas apropiadas para uso, es decir, sin defectos o
inconformidades. Ejemplo: 980 piezas apropiadas para cada 1000 producidas
(98 %de conformidad).
- Indicadores de beneficio. Relación porcentual entre el lucro y las ventas
totales. Ejemplo: Una empresa vendió R $ 200.000,00 de mercaderías y
calcula un lucro de R $ 20.000,00. Por lo tanto, el lucro es 10 %.
- Indicadores de rentabilidad. Relación entre la ganancia y
la inversión realizada en la empresa. Ejemplo: En la misma empresa del
ejemplo anterior se invirtió R $ 500.000,00, con un lucro de R $ 20.000,00. El
rendimiento fue de 4 %.

47
Los ratios de rentabilidad de la empresa determinan la capacidad de la empresa
de ser sostenible en el tiempo, respecto a su desempeño (utilidades o ganancias a
partir de su capital, ventas o activos). Los indicadores que permiten determinar lo
anterior son:

- Margen de Utilidad Bruta.

- Rentabilidad sobre las Inversiones (también llamado ROI, ROA o Return to
Assets).
- Rentabilidad sobre el Patrimonio (también llamado ROE o Return to Equity).
- Rentabilidad sobre Ventas.
- Rentabilidad por Dividendo (también llamado Dividend Yield).

INDICADOR FÓRMULA VALORES / INTERPRETACIÓN

MUB = Utilidad Permite conocer la eficacia operativa de

Margen de
Bruta / (Ventas la empresa (20€ de utilidad por cada 100€
Utilidad Bruta
Netas * 100) en ingresos por ventas).

ROA = Utilidad Neta

ROA - Si ROA > 5 → la empresa es rentable.
/ Activos

- Si ROE > ROA → mayor rentabilidad

financiera.
ROE = Utilidad Neta - Si ROE = ROA → la empresa no tiene
ROE
/ Patrimonio deudas.
- Si ROE < ROA → el coste medio de la
deuda es superior a la rentabilidad.

- Si RV > 1 → los gastos han sido

Rentabilidad RV = Utilidad Neta / mayores que el beneficio.
sobre Ventas (Ventas Netas * 100) - Si RV < 1 → los beneficios han sido
mayores que los gastos.

RD = Utilidad Neta Indica la relación entre los dividendo por

Rentabilidad por
/ Acciones en acción repartidos por una sociedad en el
Dividendo
circulación último año y el precio de la acción.

- Indicadores de competitividad. Relación de la empresa con respecto a la

competencia. El market share o cuota de mercado se puede usar para eso.

48
- Indicadores de efectividad. La efectividad es la combinación de la eficacia
con la eficiencia.
- Indicadores de Valor. Relación entre el valor percibido cuando se recibe algo
(un producto, por ejemplo) y la cantidad gastada efectivamente para obtener lo
que se recibió.

¿Por qué utilizar indicadores de desempeño de los procesos?

- Proporcionan la información que el gerente necesita acerca de cada etapa del

proceso

- Proporcionan una mayor precisión en la toma de decisiones del gerente

- Su objetivo es lograr una mayor eficiencia y eficacia de los procesos

- Proporcionan más rapidez, mejor comprensión y transparencia al dar a conocer

los resultados

- Los indicadores de rendimiento se convierten en la medida de excelencia de la

compañía

- Permiten la creación de un dashboard o cuadro de mandos con toda la

información disponible mostrada de manera panorámica.

Conceptos generales acerca de los indicadores de desempeño de los procesos

- Indicador: el número que representa el rendimiento obtenido en un proceso

por sus indicadores de desempeño

- Objetivo: es el valor que debe ser retratado por los indicadores de

desempeño de los procesos en un período de tiempo predeterminado

- Tolerancia: si no se logra la meta, hay un límite de tolerancia que muestra el

nivel de gravedad del resultado. Los valores fuera de este intervalo de
tolerancia indican que el progreso del proceso es crítico y debe tomarse alguna
acción.

49
La importancia de utilizar indicadores de desempeño de los procesos

Los indicadores de desempeño de los procesos se utilizan para controlar las

actividades de la empresa. Es decir, rastrear y seguir el progreso del proceso
mediante la recopilación de información relevante y ponerla a disposición de una
manera accesible para que los administradores la estudien y tomem las decisiones
correctas, aportando eficiencia y eficacia a los procesos y por tanto, resultados
positivos para la empresa.

Los mismos ponen de relieve la información necesaria para que se pueda analizar
los procesos con el fin de mejorarlos de forma continua para la consecución de los
objetivos estratégicos del negocio.

3.6 Proyecciones financieras y presupuesto de caja

Una proyección financiera es un análisis que te permite calcular —desde el punto

de vista financiero y contable— cuál será el desenvolvimiento de tu empresa o
negocio en un futuro determinado. De esta manera, podrás anticipar las
eventuales utilidades o pérdidas del proyecto.

El presupuesto de caja muestra el pronóstico de las futuras entradas y salidas de

dinero en efectivo de una compañía para un periodo de tiempo concreto. A través
de esta herramienta, será posible prever si existirá un déficit o un excedente de
efectivo. Al poner en evidencia esta información anticipadamente, la organización
podrá definir las políticas de financiación de corto plazo.

Si, por ejemplo, el prepuesto de caja anticipa que será necesario contar con un
mayor efectivo, una empresa puede solicitar oportunamente un financiamiento o el
refinanciamiento de una deuda. Y, si en caso, prevé que se va a poseer un
excedente de caja, la compañía puede pensar en invertirlo en nuevos equipos de
trabajo o en la adquisición de mayor mercancía.

50
 3.7 Generalidades

Una proyección financiera es un concepto que debes tener en cuenta cuando

piensas un emprendimiento, inversión, búsqueda de financiamiento, plan de
crecimiento o incursión en nuevos mercados, ya que te permitirá determinar la
factibilidad económica del proyecto.

Estas investigaciones son instrumentos que permiten dejar a un lado la

incertidumbre y los riesgos típicos del emprendimiento, pues muestran sobre qué
terreno pisará una empresa durante diferentes periodos específicos.

En medio de los desafiantes entornos actuales y la elevada competitividad

comercial, llevar a cabo una sólida proyección financiera es una necesidad para
cualquier empresa, independientemente de su tamaño y el sector en el que opere.

Cumplir con esta tarea no es responsabilidad exclusiva de las grandes empresas y

corporaciones; también resulta fundamental para las PyMEs y los micronegocios.

Realizar proyecciones financieras es una tarea compleja, pero no imposible si

trabajas meticulosamente durante su elaboración. Por lo general, requiere del
apoyo de un economista, administrador de empresas o contador especializado en
finanzas.

El presupuesto de efectivo, también conocido como flujo de caja proyectado, es un

presupuesto que muestra el pronóstico de las futuras entradas y salidas de
efectivo (dinero en efectivo) de una empresa, para un periodo de tiempo
determinado.

Importancia:

- Nos permite prever la futura disponibilidad del efectivo (saber si vamos a tener
un déficit o un excedente) y, en base a ello, poder tomar decisiones.
Si prevemos que vamos a tener un déficit, podemos, por ejemplo:

- Solicitar oportunamente un financiamiento.

51
- Solicitar el refinanciamiento de una deuda.
- Solicitar un crédito comercial (pagar las compras al crédito en vez de al
contado) o, solicitar un mayor crédito.
- Cobrar al contado y ya no al crédito o, otorgar un menor crédito.
Si prevemos que vamos a tener un excedente, podemos, por ejemplo

- Invertirlo en la compra de maquinaria o equipos nuevos.

- Invertirlo en la adquisición de más mercancías.
- Invertirlo en la expansión del negocio.
- Usarlo en inversiones ajenas a la empresa, por ejemplo, invertirlo en acciones.
También nos sirve para:

- Conocer el futuro escenario de un proyecto o negocio.

- Solicitar un préstamo a alguna entidad financiera bajo las bases de rentabilidad
de un proyecto.

3.8 Ventajas de las proyecciones financieras (SPF)

Como ya he indicado anteriormente, en general, lo que hacen las empresas es

ejercer controles sobre lo “sucedido”. Con el método de proyecciones financieras,
se avanza un paso más ya que las empresas se ven asistidas en un área
generalmente poco explotada: “la planificacion”.

Con SPF, las personas de la empresa con capacidad de decisión pueden armar
un modelo que incorpore todas las variables relevantes del negocio y ‘”jugar” con
ellas investigando qué pasa si se modifican algunos de los parámetros de cálculo.
A partir de las hipótesis básicas, se obtienen los Estados Financieros Proyectados,
de los que se sacan conclusiones fundamentalmente respecto a la coherencia,
rentabilidad, sensibilidad y riesgo del negocio.

Ventajas de las Proyecciones Financieras

• Son un mecanismo de planificación y control, ya que permiten plasmar la

situación económica y financiera proyectada de la empresa en el medio y largo
plazo, posibilitando la fijación de objetivos y el control de los mismos.

52
• Son un medio de evaluación de las decisiones estratégicas y de inversión en la
empresa.
• Permiten marcar objetivos de crecimiento y ver la sostenibilidad del mismo.
• Permiten apoyar y defender un plan de viabilidad para una o varias líneas de
negocio de la empresa.
• Una buena proyección financiera da respuesta a interrogantes de suma
importancia en una empresa ya que permite la:
• Simulación: Creación de distintos escenarios para comprender y manejar
riesgos potenciales Esto permitirá medir el impacto de la alteración de una
determinada variable sobre la posición futura de la empresa.
• Medición de los distintos factores de sensibilidad y sus variaciones (sobre la
rentabilidad, tesorería...)
• Evaluación de las condiciones comerciales futuras
• Definición de las hipótesis básicas (precio, líneas de producto, horizonte
temporal...)
• Apoyo de manera coherente la negociación en el ámbito financiero
(ampliaciones de capital, préstamos, descuento comercial, leasing, cartas de
crédito, subvenciones, etc.) ya que reducen la incertidumbre de los decisores.

3.9 Etapas en la elaboración de proyecciones

Este proceso se puede resumir en los siguientes pasos:

1. Analiza el caso: al tratarse de un nuevo proyecto de inversión, debes estimar

el precio del producto o servicio y los costos de operación.
2. Elabora un estado de resultados: este documento debe reflejar los ingresos,
egresos y costos de la empresa, con el fin de observar históricamente cómo se
ha desenvuelto el negocio y determinar el desempeño esperado.
3. Calcula el histórico de ventas: para hacer esta evaluación tienes que hacer
el uso del promedio histórico de los costos con relación a las ventas del
negocio.

53
4. Realiza la proyección de ventas: para ello, responde las preguntas: ¿en qué
cantidades se vende o venderá el producto?, ¿qué tan grande es el mercado
objetivo? y ¿cuál será el precio de cada unidad de venta?
5. Proyecta un balance general: desarrolla cada uno de los indicadores del
balance general, pero no olvides considerar que las cantidades proyectadas
deben coincidir con todos los rubros del informe.
6. Proyecta el flujo de efectivo: con base en los estados financieros realizados
en los puntos anteriores, proyecta el estado de cambios de la situación
financiera con base en el flujo de fondos. De esta manera, podrás determinar el
nivel de liquidez del negocio.

3.10 Proyecciones de ventas

Una proyección de ventas es un cálculo estimado, utilizando técnicas estadísticas,

que permite conocer la previsión de ventas de una empresa en un período de
tiempo futuro.

Un pronóstico de ventas permite obtener información sobre las compras

necesarias. Estas, a su vez, nos permitirán prever una adecuada tesorería y
administrar los recursos humanos de forma eficiente.

Existen multitud de métodos cualitativos y cuantitativos para realizar proyecciones

de futuro de una variable. Nosotros nos centraremos en los más relevantes y que
además puedan aplicarse de forma sencilla a una pequeña o mediana empresa.
Solo vamos a necesitar en la mayoría de ellos una hoja de cálculo.

MÉTODOS CUALITATIVOS

Estos métodos se basan, como hemos dicho, en muestras pequeñas y

subjetividad. Sirven para realizar análisis exploratorios que pueden completarse
con otros cuantitativos. También evitan en gran medida que vayamos a ciegas
cuando estamos empezando. No permiten hacer inferencias.

54
• El método Delphi. Es una técnica cualitativa que desarrolla un sistema de
recopilación de datos de un panel de expertos. Lo que se busca es un
consenso de los participantes por medio de un proceso interactivo. Se contesta
a una serie de cuestionarios y con esos datos se vuelven a realizar otros
diferentes, hasta que se alcance dicho consenso.
• Focus group. Esta técnica es similar a la anterior, pero se basa en reuniones
personales o virtuales. En ellas habrá un moderador y una serie de personas
implicadas en el asunto a tratar. Por ejemplo, en este caso podría ser el
director comercial y los diferentes agentes. Se trata de dirigir a los
participantes, a través de procesos como la “nube de ideas”, hacia el objetivo
de obtener información sobre posibles pronósticos de ventas.

MÉTODOS CUANTITATIVOS

Estos son los más habituales en las empresas que llevan funcionando mucho
tiempo. Estas disponen de muestras de clientes grandes y de períodos de tiempo
extensos. Los más relevantes los mostramos a continuación:

• Tasa media de crecimiento. Cuando la empresa lleva mucho tiempo en

funcionamiento, puede calcular un porcentaje de crecimiento promedio anual.
Con este y los datos del año anterior puede hacer un pronóstico básico de
ventas. El método es sencillo, se añade a las ventas antiguas este porcentaje.
- Tasa de crecimiento del periodo: Expresa en porcentaje el cambio total
que ha tenido una variable entre dos fechas. La temporalidad de los
periodos es indiferente. De modo que en lugar de ponerle la coletilla «del
periodo» podemos añadir «del mes», «de los últimos 30 días» o «de los
últimos dos años». La forma de calcularla es la siguiente:

55
 - Tasa de variación acumulada: Expresa la variación media acumulada en
porcentaje por cada subperiodo entre dos fechas. Sin embargo, a diferencia
de la tasa de variación del periodo que expresa la variación total, la tasa de
variación acumulada expresa cuánto ha variado por subperiodo durante dos
fechas. Por ejemplo, nos explica cuánto ha crecido o decrecido cada mes
de media una variable durante los últimos dos años.

• El método Run Rate se utiliza para pronosticar las ventas en períodos

específicos dentro del año. Para el cálculo utiliza los promedios mensuales de
las ventas de un período y con estos se predicen las que sucederán en el
período siguiente.

56
Ilustración 20. Calculos financieros
(Dominio público, 2021)
 57

Ilustración 21. Ejemplo de Run Rate

• Las medias móviles, dentro del análisis de series temporales, son muy útiles
para aquellas empresas cuyos productos tienen unas ventas estables y sin
estacionalidad. Se lleva a cabo una media de un número determinado de datos
históricos y con esta se hace la predicción. Si existe una elevada
estacionalidad, entonces se puede utilizar otra técnica que son los índices de
estacionalidad.
• La regresión lineal simple, sobre la que se ha escrito con detalle aquí. En
nuestro caso la variable dependiente son las ventas y la independiente el
tiempo. Se pueden calcular de forma sencilla con un software estadístico o una
hoja de cálculo. Estos ofrecen un gráfico y además, calculan el coeficiente de
determinación (R Cuadrado), con valores entre cero y uno. Cuanto más
próximo a uno, mejor es la capacidad para predecir.

4. Boletín estadístico

Los boletines estadísticos presentan la información estadística y financiera de las

entidades para cada sector, disponible en la fecha de su elaboración. Conviene
señalar que la información de dichos boletines no se actualiza en el tiempo, por lo
que para consultar series históricas que consideren reenvíos de información, se
recomienda utilizar los reportes publicados en el Portafolio de Información.

• Banca Múltiple
• Banca de Desarrollo
• Casas de Bolsa
• Sociedades Financieras de Objeto Limitado
• Sociedades Financieras de Objeto Múltiple Reguladas
• Almacenes Generales
• Arrendadoras Financieras
• Empresas de Factoraje
• Casas de Cambio
• Uniones de Crédito
• Sociedades Cooperativas de Ahorro y Préstamo

58
 • Sociedades Financieras Populares
• Grupos Financieros
• Organizaciones y Actividades Auxiliares del Crédito

4.1 Definición

Ver Tema 4 de la presente Antología

4.2 Aplicaciones

En él se recopilan las estadísticas e indicadores más significativos,

proporcionando información cuantitativa de la actividad financiera, con el fin de
brindar a la comunidad una herramienta de consulta ágil que contribuya de esta
forma a la toma de decisiones y gestión de la empresa.

La información contenida en estos boletines presenta datos correspondientes a su

evolución entre años, con el objetivo de realizar análisis históricos y comparativos.
Se constituye por ello en material de estudio y referencia sobre los aspectos más
relevantes de la gestión.

4.3 Datos existentes

DATOS CATEGÓRICOS

Los datos categóricos también conocidos como datos cualitativos representan

características como el género, el idioma, etc. de una persona. También pueden
tomar valores numéricos, por ejemplo: 1 para mujeres y 0 para hombres. Ten en
cuenta que esos números no tienen significado matemático.

Los tipos de datos estadísticos categóricos se clasifican en:

• Datos nominales: Otros de los tipos de datos estadísticos son los que tienen
valores nominales que representan unidades discretas y se usan para etiquetar
variables que no tienen un valor cuantitativo. Estos datos no tienen un orden,
aunque cambiara el orden de sus valores, no cambia su significado.

59
• Datos ordinales: Los datos ordinales representan unidades discretas y
ordenadas. Por lo tanto, es casi lo mismo que los datos nominales, excepto
que su orden es importante.

Las escalas ordinales generalmente, se usan para medir características no

numéricas como la felicidad, la satisfacción del cliente, etc.

DATOS NUMÉRICOS

Estos tipos de datos estadísticos también se conocen como datos cuantitativos, y

se refieren a una medida o recuento. Se clasifican de la siguiente manera:

• Datos discretos: Los datos estadísticos son discretos cuando sus valores son
distintos y separados. Es decir, cuando los datos sólo pueden tomar ciertos
valores. Este tipo de datos no se puede medir, pero se pueden contar.
Básicamente representan información que se puede clasificar.
• Datos continuos: Los datos continuos representan mediciones y, por lo tanto,
sus valores. no se pueden contar pero se pueden medir. A su vez, estos se
clasifican de la siguiente manera:
- Datos de intervalo: Los datos de intervalo representan unidades ordenadas
que tienen la misma diferencia. Por lo tanto, hablamos de datos de intervalo
cuando tenemos una variable que contiene valores numéricos que están
ordenados y donde conocemos las diferencias exactas entre los valores. El
problema con los datos de valores de intervalo es que podemos sumar y
restar, pero no podemos multiplicar, dividir o calcular razones. Debido a que
no existe un cero verdadero, no se pueden aplicar muchas estadísticas
descriptivas e inferenciales.
- Datos de relación: También son unidades ordenadas que tienen la misma
diferencia. Los datos de relación son los mismos que los valores de
intervalo, con la diferencia de que tienen un cero absoluto.

60
 4.4 Métodos de recolección de datos

Existen diferentes métodos mediante los cuales se pueden obtener datos

estadísticos. A continuación, te mencionamos los principales:

• Información publicada: Los datos estadísticos pueden obtenerse a través de

la recolección de datos originales. La persona u organización que se
encarga de obtenerlos es la fuente primaria, mientras que la persona que
compila la información es la fuente secundaria.
• Diseño de un experimento: La experimentación se realiza con un control
estricto del tratamiento que se le ofrece a los participantes del estudio.
• Conducción de una encuesta: Este es otro método para obtener datos
estadísticos. Se diseña la encuesta, se recolectan los datos, se editan, se
codifican y se tabulan para su análisis.
• Realizar un estudio observacional: El investigador observa el
comportamiento de los individuos que participan en el estudio, mientras se
encuentran en su entorno natural. Este proceso puede realizarse de formas
diferentes para ayudar en el proceso de toma de decisiones.

4.5 Análisis de datos

El análisis de datos estadísticos es el proceso que nos permite interpretar los

datos numéricos que disponemos, con el objetivo de tomar las decisiones de
negocio más eficaces. De hecho, las empresas pueden tomar decisiones 5 veces
más rápido que su competencia si las basan en el análisis de datos.

ada decisión que se quiera tomar en nuestras organizaciones debe estar basada
en datos. Esto significa que la estadística es una herramienta muy potente en
nuestras manos. Por ello, cerca del 81% de los directivos considera que sus
decisiones deben estar basadas en datos.

En el mundo digital y de los negocios, el análisis de datos estadísticos está

asociado a las técnicas de big data y de business intelligence. Ambas áreas
61
aportan desde distintas perspectivas una serie de mecanismos para procesar y
analizar datos. Esto con el fin de transformarlos en información estratégica y
relevante para los negocios.

Etapas de análisis de datos estadísticos

El análisis de datos estadísticos es un proceso que se compone, principalmente,

de 5 etapas distintas:

1. La recopilación de datos de la muestra seleccionada, provenientes de

encuestas, redes sociales, big data, business intelligence, entre otros.
2. El procesado de los datos, que incluye su limpieza, filtrado,
homogeneización.
3. La presentación de los datos, sobre todo de forma gráfica.
4. El análisis de los datos, que nos permite extraer conclusiones que valgan
de forma general a partir de los datos de la muestra.
5. La interpretación de los datos, para detectar tendencias y patrones y
predecir escenarios futuros.

Antes de todo análisis de datos estadísticos hay que tener en cuenta el tipo de
datos de que disponemos. Así, unos datos cualitativos, provenientes de
entrevistas, notas o documentos, nos proporcionan respuestas categóricas ya que
miden cualidades; por otro lado, los datos cuantitativos nos proporcionan
respuestas numéricas.

También es necesario tener en cuenta que la estadística se divide en dos ramas

principales: la estadística descriptiva o deductiva y la estadística inferencial, o
inductiva. La primera es útil a la hora de describir y representar los datos mediante
técnicas numéricas y gráficas, mientras que la segunda permite obtener
conclusiones utilizando la teoría de probabilidades.

Son muchas las técnicas de análisis de datos estadísticos a disposición, entre las
cuales se encuentran:

62
- El cálculo de la media aritmética entre valores y de la desviación estándar,
para medir su distribución desde la media.
- Visualización gráfica, mediante histogramas, gráficos circulares, barras, etc.
- Correlación, que mide si existe una relación entre variables diferentes.
- Regresión, mediante la cual se puede identificar si la evolución de una
variable afecta a otras.
- Series temporales, para predecir valores futuros analizando secuencias de
valores pasados.
- Data mining y otras técnicas de Big Data, para procesar grandes volúmenes
de datos.
- Análisis de sentimiento, para determinar la actitud de determinados agentes
o personas frente a un asunto, a menudo utilizando datos provenientes de
redes sociales.
- Análisis semántico, que permite extraer conocimiento de grandes cantidades
de textos.
- Test A/B, para determinar cuál entre dos variables funciona mejor con
experimentos aleatorios.
- Machine learning, análisis de datos mediante algoritmos de aprendizaje
automáticos, y permite excelentes rendimientos en presencia de big data.
Si queremos realizar análisis de datos estadísticos más sencillos, Excel puede ser
también una herramienta muy potente. Este programa de gestión de hojas de
cálculo está dotado de funciones para realizar análisis estadísticos, además de
herramientas gráficas como los histogramas.

Como verás, en principio, solo es necesario activar la opción de herramienta de

datos y tendremos a disposición funciones como:

• Historiogramas • Correlación • Prueba F

• Varianza • Regresión • Prueba T

63
 4.6 Interpretación y uso de datos

La interpretación de datos es un proceso consistente en la inspección, limpieza y

transformación de datos, con el fin de extraer información de utilidad para derivar
en unas conclusiones concretas que permitan esclarecer la toma de decisiones.

El análisis de interpretación de datos puede enfocarse de distintas formas,

abordando diferentes técnicas en una diversidad de nombres, en varios negocios,
así como en la ciencia y en el ámbito de las ciencias sociales.

La razón por la que se procede al análisis e interpretación de la información, una

vez recopilados los datos, es porque dicha información permite la indagación en
hipótesis, además de corroborar pruebas de conjeturas y el descarte de teorías.

Para llevar a cabo distintos tipos de estudios, la interpretación de la información

profundiza en el análisis e interpretación de datos para detectar diferencias de
datos, así como en el análisis e interpretación de datos para detectar
asociaciones, además de en la organización, análisis e interpretación.

El análisis estadístico, a menudo, se utiliza para explorar los datos, por ejemplo,
para examinar la distribución de valores para un atributo en particular o para
encontrar valores atípicos (valores extremadamente altos o bajos). Contar con
esta información es útil cuando se definen clases y rangos en un mapa, cuando se
reclasifican datos o cuando se buscan errores.

En el siguiente ejemplo, las estadísticas se calcularon para la distribución de los

ciudadanos de tercera edad según el distrito censal de esta región (porcentaje de
los que tienen 65 años o más en cada distrito), incluidos el valor medio y la
desviación estándar, así como también un histograma que muestra la distribución
de los valores. La mayoría de los distritos tienen un porcentaje más bajo de
personas de la tercera edad que el valor medio, pero pocos distritos tienen un
porcentaje muy alto.

64
 4.7 Estructuración de boletín estadístico

• TÍTULO

Debe dar una idea clara del tema estudiado, en la medida de lo posible debe ser
agudo y provocador.

• MÉTODOS

Describe cómo se llegan a los resultados. El informe debe permitir que

otrapersona pueda repetir el experimento tan solo sobre la base del
[Link]:

- Origen de los datos que sirvieron de base y los participantes.

- Herramientas que se utilizaron para confeccionar el estudio. Si alguna fue

diseñada especialmente para este trabajo.

• RESULTADOS
- Establece qué se ha encontrado.

- Se presentarán preferentemente en forma de gráficos usando tablas solo si

son imprescindibles

- Este es el paso en donde se realiza el análisis estadístico propiamente dicho.

- La información que se presente deberá incluirse una sola vez, ya sea en forma

de tablas, gráficos o en el texto escrito.

- Las tablas o gráficos deben ser autosuficientes, no obligar al lector a recurrir al

texto para comprenderlos.

- Presentar los cálculos con el rigor necesario para validar la prueba estadística

pero no incluir información que sea innecesaria. No interpretar los datos hasta

la sección siguiente.
65
ANÁLISIS

Interpreta los hallazgos del estudio y realiza las recomendaciones que surjan del
mismo.

CONCLUSIONES

Parte de este paso final se utiliza en el resumen que antecede al informe, pero
aquí el investigador explica las conclusiones.

La importancia de las conclusiones se observa al repetirlas 3 veces: en el

Resumen, en la Introducción y aquí en las Conclusiones.

ANEXOS

- Recogida de datos

- Referencias (Webgrafía/Bibliografía). Cuando se citan en el texto debe hacerse

con el apellido del autor y el año de la publicación, por ejemplo (JONES, 1998).

La forma es como sigue: APELLIDO e INICIALES (preferentemente en

mayúsculas), año de publicación, nombre de la publicación (preferentemente en
cursivas), editor. Los informes realizados de esta forma organizada, son más útiles
y transmiten a quienes van dirigidos, mayor credibilidad y confianza para la toma
de decisiones

4.8 Comparación con datos históricos

Ver Subtema 4.5 de la presente Antología

4.9 Interpretación de desviaciones

La varianza y la desviación estándar son medidas de dispersión o variabilidad, es

decir, indican la dispersión o separación de un conjunto de datos. Hay que tener
en cuenta que las fórmulas de la varianza y la desviación estándar son diferentes

66
para una muestra que para una población, para entender estos conceptos
utilizaremos un ejemplo.

Hallar la desviación media, la varianza y la desviación típica de la series de

números siguientes: 2, 3, 6, 8, 11.

Solución:

Para la serie de números

x1 = 2
x2 = 3
x3 = 6
x4 = 8
x5 = 11
En este caso tenemos una muestra total N=5 por lo tanto tenemos los siguientes
cálculos.

Para la desviación media primero necesitamos calcular el valor de la media.

Media

Luego, calculamos el valor de la desviación media.

Desviación media

Ahora, calculamos el valor de la varianza.

Varianza

67
Y finalmente, calculamos el valor de la desviación típica.

Desviación típica

La varianza y la desviación estándar indican si los valores se encuentran más o

menos próximos a las medidas de posición.

La desviación estándar es la medida de dispersión más común, que indica qué tan
dispersos están los datos con respecto a la media. Mientras mayor sea la
desviación estándar, mayor será la dispersión de los datos.

El símbolo σ (sigma) se utiliza frecuentemente para representar la desviación

estándar de una población, mientras que s se utiliza para representar la desviación
estándar de una muestra. La variación que es aleatoria o natural de un proceso se
conoce comúnmente como ruido.

La desviación estándar se puede utilizar para establecer un valor de referencia

para estimar la variación general de un proceso.

La Varianza es una medida de dispersión que se utiliza para representar la

variabilidad de un conjunto de datos respecto de la media aritmética de los mismo.
Así, se calcula como la suma de los residuos elevados al cuadrado y divididos
entre el total de observaciones. No obstante, se trata de una medida que también
puede calcularse como la desviación típica al cuadrado.

Es una medida de dispersión ampliamente utilizada en los sectores de la

economía y las finanzas, interpretándose como el riesgo de que el rendimiento de
algún procedimiento en concreto sea distinto del rendimiento esperado de dicho
procedimiento.

68
La varianza, junto con la desviación estándar -ambas medidas muy relacionadas
entre sí son las medidas de dispersión de datos por excelencia, sobre todo en el
mundo de las finanzas.

Para calcular la varianza de la distribución de la tabla.

xi fi x i · fi x i ² · fi

[10, 20) 15 1 15 225

[20, 30) 25 8 200 5000
[30,40) 35 10 350 12 250
[40, 50) 45 9 405 18 225
[50, 60) 55 8 440 24 200
[60,70) 65 4 260 16 900
[70, 80) 75 2 150 11 250
∑=42 ∑=1 820 ∑=88 050

Solución:

Media

Varianza

Desviación Estandar

𝑠 = #𝜎 !

69
 4.10 Corrección de desviaciones

El sesgo estadístico es la diferencia que se produce entre un estimador

matemático y su valor numérico, una vez realizado un análisis.

Es muy habitual en estadística y debe ser controlado. Por otro lado, los
estimadores que no tienen sesgo se denominan insesgados y sería el estado ideal
en una investigación, aunque ello se debe a que es, prácticamente, inalcanzable.

El sesgo puede producirse, sobre todo, por tres vías:

• El sesgo de selección: Es el más habitual en estadística. Normalmente tiene

que ver con la elección de los grupos. Lo más frecuente es que no se haya
tomado la decisión con base en métodos de muestreo objetivos. Por ejemplo,
que se elija la muestra por afinidad a un candidato en un sondeo.

• Sesgo de información: Estamos ante un sesgo debido a una información

deficiente. Por tanto, no podemos comparar los grupos porque tenemos
información demasiado limitada de ellos.

• Sesgo de confusión: En este caso existe una variable llamada así, de

confusión, que es la que provoca el sesgo. Suele ser difícil encontrar dónde
está el problema.

5. Aplicaciones tecnológicas e información financiera

Actualmente es cada vez mayor la cantidad de organizaciones empresariales que

confían en sistemas de información para llevar a cabo el manejo de sus
operaciones, interactuar con proveedores y clientes y competir en el mercado en
el que se desenvuelven. En el contexto de una empresa, los sistemas de
información cumplen los objetivos de cualquier otro sistema en general,
tales como: el procesamiento de entradas, el almacenamiento de datos
relacionados con la entidad y la producción de reportes y otro tipo de

70
instrumentos de resumen de datos. Sin embargo, en la era de la transformación
digital (Slavova, 2016; Schwertner, 2017; Berman, 2012) el uso de sistemas de
información, y en particular, los vinculados con la gerencia, cumplen un papel
fundamental para garantizar la integración tecnológica de todos los procesos
administrativos de la empresa, y así lograr acceso al conocimiento preciso para
tomar decisiones rápidas y acertadas.

El término transformación, en este contexto, se refiere a un cambio significativo en

los procesos claves o negocios que se llevan a cabo diariamente en la empresa, lo
cual abarca desde la forma de concebir o gestionar los tipos de productos y
servicios que ofrece hasta la forma en que se realiza la entrega En este escenario,
es vital tomar en cuenta que el simple hecho de incorporar tecnología a la
empresa no produce transformación digital, sólo se puede lograr llegar a esta meta
si la organización cambia todo en sí para aprovechar el potencial de estas
tecnologías. Según Westerman, Bonnet y McAfee(2014), en una recopilación
minuciosa de estudios realizados por Capgemini Consulting y el Centro del
Instituto Tecnológico de Massachusetts (MIT, Massachusetts Institute of
Technology) plantean que las experiencias analizadas en más de 50
empresas y 157 ejecutivos demuestran que para alcanzar la transformación
digital, las organizaciones tiene que rediseñar la mayoría de sus modelos
subyacentes de negocio, así como todos los procesos operativos que
involucren productos y servicios resultantes. Ejemplos de casos de éxitos han
sido: Nespresso y Grupo Schindler. También se deja claro que ahora es el
momento para la transformación digital y que mientras más esperen las empresas
más difíciles será llevar a cabo este proceso.

71
Finalmente, los autores afirman que los adelantos que se verán en la próxima
década, la forma de transformar las empresas por un sinnúmero de innovaciones
tecnológicas, harán que todo lo pasado en la actualidad sea visto como el inicio
del cambio en la era de la transformación digital.

Ilustración 22. Tecnologías de la información

(Dominio público, 2021)

5.1 Las computadoras y el análisis estadístico

Los programas informáticos estadísticos son herramientas que se utilizan para el

análisis estadístico de la recopilación, organización, análisis, interpretación y
presentación de datos. Las estadísticas empresariales les ayudan a descubrir los
patrones y tendencias de los clientes y otra información útil que les ayuda a tomar
decisiones.

La calidad de los datos depende de la calidad de las herramientas utilizadas, así

como de la habilidad del analista. ¿Quiere aprovechar al máximo sus datos? Debe
combinar su experiencia en análisis de datos con el mejor software de análisis de
datos disponible.

72
Afortunadamente, los desarrolladores han creado muchos paquetes de software
de datos asombrosos. Pero probar cada herramienta para establecer su potencia y
adecuación es un proceso que requiere mucho tiempo.

La siguiente lista (con suerte) hace que la búsqueda de la herramienta de análisis

de datos perfecta sea fácil y rápida. Llega el momento de examinar cada una de
las herramientas; o al menos, las mejores.

1. SPSS: el software de estadística más valorado

Desarrollada por SPSS Inc. en 1968, la herramienta existe desde hace más de 50
años. Posteriormente IBM adquirió SPSS (en 2009) y el nombre de la herramienta
cambió a IBM SPSS Statistics. Pero nadie se refiere al software con ese nombre;
todos lo llaman SPSS.

¿Qué puede hacer SPSS por sus datos?

SPSS es una herramienta sofisticada diseñada originalmente para respaldar el

análisis y la gestión de datos de ciencias sociales. Hoy en día, el software tiene un
uso generalizado en el mundo académico, pero los académicos no son los únicos
profesionales que lo utilizan.

Los analistas de números en seguros, gobierno, servicios financieros,

investigación de mercado, atención médica, comercio minorista, gestión de riesgos
y telecomunicaciones confían en SPSS. No encontrará una herramienta de
análisis de datos más versátil que SPSS. Puedes descargar spss gratis (versión
trial).

La belleza de SPSS

SPSS es muy fácil de usar. Pero eso no significa que alguien con formación en
análisis de datos cero no tendrá dificultades para usarlo. Simplemente significa
que es fácil de usar. Ya sea que se esté preparando para realizar estadísticas

73
descriptivas, regresión lineal, análisis de factores o análisis de conglomerados,
SPSS lo tiene cubierto.

2. Excel

¿Qué hace que Excel sea una de las 7 mejores herramientas de análisis de
datos? Adivinó bien, son las tablas dinámicas integradas de la herramienta.
Además, Excel es bastante fácil de usar. No necesitará inscribirse en costosos
cursos de análisis de datos. Pero descubrir las tablas dinámicas puede ser algo
desafiante.

Una herramienta rica en funciones

Excel es una herramienta de análisis de datos con muchas funciones que permite
a los analistas aprovechar al máximo sus datos. Con este software, puede ordenar
o filtrar sus datos de la forma que desee. Por ejemplo, puede ordenar los datos del
valor más alto al más bajo. También puede filtrar sus datos sobre la base de varios
criterios, entre otros.

Tablas dinámicas

Las tablas dinámicas son probablemente la característica más poderosa de Excel.

Si tiene un conjunto de datos enorme y detallado y necesita extraer su significado,
consulte las tablas dinámicas. Con todas estas características sorprendentes, no
es de extrañar que Excel haya hipnotizado a tantos analistas de datos.

3. Python

Python es mucho más que un lenguaje de programación popular. Se sitúa como

una excelente herramienta de análisis de datos. Le ayuda a realizar muchos
procedimientos avanzados y es compatible con el desarrollo de modelos
sofisticados.

74
También puede utilizar Python para importar y exportar conjuntos de datos.
Además, puede usarlo para manejar regresión lineal simple, regresión lineal
múltiple y regresión polinomial.

Hay más. La herramienta es útil cuando desea limpiar o preparar sus datos. La
limpieza y preparación de datos implica varios procesos, incluido el formato y el
agrupamiento de datos. También incluye normalización de datos, identificación y
tratamiento de valores perdidos. La agrupación de conjuntos de datos, la
correlación y las estadísticas descriptivas son otras funciones críticas que puede
realizar con Python.

Cuando se trata de análisis de datos con Python, deberá dominar Pandas

DataFrames, bibliotecas SciPy y matrices multidimensionales Numpy. Quizás todo
esto suene complejo. Pero Python no es exactamente ciencia espacial. Aún así,
querrá inscribirse en cualquiera de los mejores cursos de análisis de datos para
principiantes que pueda pagar.

4. SAS

¿Qué tienen en común Bank of America, Discover, Orlando Magic y Honda?

Todos están suscritos a SAS. Y eso no es casualidad: SAS se encuentra entre las
mejores herramientas de análisis de datos disponibles en la actualidad.

Prácticamente cualquier industria imaginable puede beneficiarse enormemente al

aprovechar el vasto potencial de SAS. Las industrias que dependen en gran
medida de SAS incluyen banca, automotriz, salud, educación, seguros,
manufactura, petróleo y gas, deportes y servicios públicos.

Incorpora IA: SAS es inteligente

La herramienta fue desarrollada por SAS Institute entre 1966 y 1976 en la

Universidad Estatal de Carolina del Norte. Aprovecha el increíble poder de la
inteligencia artificial para convertirse posiblemente en la herramienta de análisis de
datos más inteligente jamás creada.

75
SAS se encuentra entre las 7 mejores herramientas de análisis de datos, ya que
admite sin problemas el análisis multivariante, el análisis avanzado, la inteligencia
empresarial, el análisis predictivo y la gestión de datos. Si busca software
estadístico de calidad, aquí tiene una excelente opción.

5. STATA

Los investigadores de todos los matices deben agradecer a StataCorp por crear
STATA en 1985. La herramienta es un paquete de software para todo uso que
siempre arroja resultados confiables.

Casi todo el mundo puede utilizar STATA para analizar datos. Dicho esto, los
investigadores en biomedicina, sociología, epidemiología, economía y ciencias
políticas parecen haber hecho de la herramienta su preferencia. A los científicos
de datos también les encanta STATA.

6. R

R es un lenguaje de programación muy popular y una de las mejores herramientas

de análisis de datos. R admite el aprendizaje automático y el análisis de datos
avanzado. Este software inteligente permite a los investigadores incorporar
gráficos de calidad superior en su trabajo.

5.2 Uso de ERP

• ERP (Enterpise Resource Planning)

Siglas de Enterpise Resource Planning, que en español es “Planificación de los

Recursos de la Empresa”. El software más utilizado en empresas, casi un 80% de
las empresas tienen un software de ERP. Especialmente para las que tienen que
ver con la producción, la logística, el inventario, los envíos y la contabilidad. En él
se agrupa la gestión de compras, la gestión de ventas, gestión de recursos
humanos, gestión de la producción, gestión contable y la planificación y gestión de
stocks.

76
El ERP de código abierto, o ERP libre, es algo cada vez más extendido entre las
empresas y profesionales de todo el mundo. Este tipo de software tiene su origen
en la década de 1980, cuando fue popularizado por Richard Stallman con el
lanzamiento del proyecto GNU (acrónimo recursivo que significa GNU No es Unix).

Por un lado, hace posible que las pequeñas y medianas empresas puedan
acceder a soluciones empresariales que antes eran inalcanzables para ellas.

Un programa de código abierto tiene la gran ventaja de que permite que tu propia
empresa pueda hacer modificaciones futuras personalizadas incluso si los
creadores del programa desaparecen. Además, si contratas un programa ERP de
software libre puedes aprovechar todas las mejoras de código que hagan los
desarrolladores.

La gestión empresarial utilizando un programa open source a día de hoy es más

fácil que nunca porque cada vez hay más opciones. Existen soluciones de pago y
gratuitas, aunque la gran mayoría tienen modelos freemium, cuentan con
versiones sin coste y opciones de pago.

Holded

Cuenta con módulos para todas las áreas del negocio:

77
Ilustración 23. Holded
(Dominio público, 2021)
- Permite controlar todo el proceso logístico de la empresa, asegurando el
control de stock.
- Hace posible automatizar la contabilidad y facturación del negocio.
- Cuenta con paneles de control y visualización de ventas y CRM.
- Monitoriza en tiempo real todo el inventario y facilita la gestión y
automatización de procesos.
- Tiene un módulo de Recursos Humanos para la gestión de nóminas y demás.
- Facilita el trabajo en equipo con un gestor de proyectos y tareas.
- Holded tiene una gran cantidad de integraciones compatibles, incluyendo
Amazon, Google Drive, conexión con CMS de ecommerce y con plataformas
de pago como PayPal o Stripe.

Oracle

Es una aplicación empresarial que permitir gestionar procesos en las áreas de

administración, recursos humanos, contabilidad, adquisiciones, administración de
proyectos, ventas, cadena de suministro, administración de transporte y más.

El ERP es una herramienta fundamental para administrar las organizaciones, ya

que unifican una gran cantidad de procesos y habilitan el flujo de datos entre ellos,
permitiendo tomar decisiones basadas en informes reales del negocio.

- Planificación y análisis financiero

- Contabilidad
- Administración de pedidos
- Gestión del rendimiento empresarial
- Gestión de riesgos
- Reconocimiento de ingresos
- Obligaciones Fiscales
- Compras
- Inventario y cadena de suministro
- Cierre financiero
- Planificación y ejecución de proyectos
- Ciclo de vida del producto
Ilustración 24. Oracle
Oracle (2021)

78
SAP R/3

El nombre proviene de una empresa multinacional alemana fundada en 1972 por

antiguos empleados de IBM. Desde entonces, en nombre de esta compañía
conocida mundialmente, los servicios de SAP o Systems, Applications, Products in
Data Processing funcionan prácticamente en todos los ámbitos de la
administración empresarial.

Ilustración 25. SAP R/3

SAP (2021)

El desarrollo de la compañía ha sido tan acelerado que se ha convertido en líder

en software ERP. El sistema SAP es, como ya hemos mencionado antes, un
sistema informático que hace que las empresas puedan administrar correctamente
sus recursos humanos, productivos logísticos, etc.

Al Sistema SAP se le relaciona con los sistemas ERP (Planificación de Recursos

Empresariales), por tratarse de un sistema de información que permite gestionar
las diferentes acciones de una empresa, sobre todo las que tienen que ver con la
producción, la logística, el inventario, los envíos y la contabilidad.

Sus servicios destacan por cubrir, además, las necesidades tanto administrativas
como las de sus clientes y proporcionar las herramientas que se necesitan como
son:

- Módulo de SD, Sales and distribution: ventas y distribución al cliente

- Módulo de MM, materials management: stocks, facturas y todo lo relacionado
con el producto de venta.
- Módulo PP, production planning: todo lo relacionado con fabricación.
79
- Módulo de HR, human resources: encargado de la gestión de recursos
humanos.
- Módulo CO: encargado de la gestión de costes y beneficios.

5.3 Definición

Ver Subtema 5.2 de la presente Antología

5.4 Manejo y análisis de ERP

Ver Subtema 5.2 de la presente Antología

5.5 Uso de Excel y estadística

Las funciones Estadísticas en Excel nos permiten calcular todas las operaciones
matemáticas relacionadas con el análisis de datos en Excel. Entre las funciones
de Estadística más populares se encuentran las desviaciones, covarianza y el
cálculo de promedio. (Dar clic en los enlaces para ver la estructura y forma de
aplicación de la función)

Funciones estadísticas de Excel

- DESVPROM Devuelve el promedio de las desviaciones absolutas de la media

de los puntos de datos.
- PROMEDIO Devuelve el promedio de sus argumentos.
- PROMEDIOA Devuelve el promedio de sus argumentos, incluidos números,
texto y valores lógicos.
- [Link] Devuelve el promedio (media aritmética) de todas las celdas de
un rango que cumplen unos criterios determinados.
- [Link] Devuelve el promedio (media aritmética) de todas
las celdas que cumplen múltiples criterios.
- [Link] Devuelve la función de distribución beta acumulativa.

80
- [Link] Devuelve la función inversa de la función de distribución
acumulativa de una distribución beta especificada.
- [Link] Devuelve la probabilidad de una variable aleatoria discreta
siguiendo una distribución binomial.
- MAX Devuelve el valor máximo de una lista de argumentos.
- MAXA Devuelve el valor máximo de una lista de argumentos, incluidos
números, texto y valores lógicos.
- MEDIANA Devuelve la mediana de los números dados.
- MIN Devuelve el valor mínimo de una lista de argumentos.
- MINA Devuelve el valor mínimo de una lista de argumentos, incluidos números,
texto y valores lógicos.
- MODA Devuelve el valor más común de un conjunto de datos.

5.6 Uso de gráficas

Si está explorando gráficos en Excel y tiene dificultades para averiguar cuál es el

adecuado para usted, puede probar el comando Gráficos recomendados en la
pestaña Insertar. Excel analizará los datos y le hará sugerencias.

1. Seleccione los datos que desea usar para el gráfico.

2. Haga clic en Insertar > Tablas dinámicas recomendadas.

Ilustración 26. Gráficos en Excel

(Microsoft, 2021)
81
3. En la pestaña Gráficos recomendados, desplácese por la lista de gráficos
que Excel recomienda para sus datos y haga clic en cualquier gráfico para ver
el aspecto que tendrán sus datos.

Ilustración 27. Gráficos recomendados

(Microsoft, 2021)

Sugerencia: Si no encuentra ningún gráfico que le guste, haga clic en Todos los
gráficos para ver todos los tipos de gráficos disponibles.

82
4. Cuando encuentre el gráfico que desea, haga clic en él > Aceptar.

5. Use los botones Elementos de gráfico, Estilos de gráfico y Filtros de

gráfico que hay junto a la esquina superior derecha del gráfico para agregar
elementos como títulos de ejes o etiquetas de datos, personalizar el aspecto
del gráfico o cambiar los datos que se muestran en el mismo.

Ilustración 28. Gráfica de barras en Excel

(Microsoft, 2021)

6. Para obtener acceso a las características de formato y diseño adicionales,

haga clic en cualquier lugar del gráfico para agregar las Herramientas de
gráfico a la cinta de gráfico y, a continuación, haga clic en las opciones que
desea en las pestañas Diseño y Formato.

Ilustración 29. Herramientas de gráficos en Excel

(Microsoft, 2021)
83
Bibliografía

Carrasco, Guadalupe (2019). Estadística y probabilidad I. UNAM México.

Ochoa Sangrador C, Molina Arias M. (2018) Estadística. Tipos de variables.

Escalas de medida. Evid Pediatr.

Coronado, Jorge P. (2007) Paradigmas, Vol 2, (2). Bogotá, D. C, pp. 104 -125

Gómez Degraves, Ángel (2021). La estadística en la empresa Ph.D. Tecana

American University.

José Francisco López (2019) Proceso estadístico. Diccionario económico.

Estadística. Matemáticas

Freud, J. y Simon, G. (1992). Estadística elemental. México: Prentice Hall.

Levin, R. I. y Rubin D. S. (1996). Estadística para Administradores. México:

Prentice

Hall. Mendenhall, W. y Scheaffer, R. (2002). Estadística aplicada. México:

Thomson International.

Fuenlabrada S. (2013). Probabilidad y Estadística. México: McGraw-Hill.

Sánchez, S. E. Insunsa (2014). Probabilidad y estadística. México: Patria.

Spiegel, M. R. (2019). Estadística. McGraw-Hill.

84