Introducción
La Estadística trata del recuento, ordenación y clasificación de
los datos obtenidos por las observaciones, para poder hacer
comparaciones y sacar conclusiones.
Un estudio estadístico consta de las siguientes fases:
• Recogida de datos.
• Organización y representación de datos.
• Análisis de datos.
• Obtención de conclusiones.
Aplicaciones en finanzas y economía.
En el entorno global de los negocios y la economía de hoy, cualquiera
tiene acceso a una vasta cantidad de información estadística. Los
gerentes y líderes de decisiones más exitosos comprenden la
información y saben cómo usarla de manera eficiente.
En esta ocasión proporcionaremos ejemplos que ilustran algunos
usos de la estadística en las finanzas y la economía.
Finanzas
Los analistas financieros utilizan una variedad de información
estadística como guía para sus recomendaciones de inversión. En el
caso de las acciones, revisan diversos datos financieros que
incluyen las razones precio/ganancias y el rendimiento de los
dividendos.
Al comparar la información para una acción con datos sobre los
promedios del mercado de valores, un analista financiero puede
formular una conclusión acerca de si una acción está sub o
sobrevaluada.
Economía
Los economistas a menudo proporcionan pronósticos acerca del
futuro de la economía o sobre algún otro aspecto relacionado.
Utilizan una variedad de información estadística para elaborarlos.
Por ejemplo, para pronosticar las tasas de inflación recurren a
información estadística sobre indicadores como el índice de
precios al consumidor, la tasa de desempleo y el uso de la
capacidad de manufactura.
Estos indicadores se introducen con frecuencia en modelos de
pronóstico computarizados que predicen las tasas de inflación.
LA POBLACIÓN Y LA MUESTRA
• Población
Una población es el conjunto de todos los elementos a los que se
somete a un estudio estadístico.
• Individuo
Un individuo o unidad estadística es cada uno de los elementos que
componen la población.
• Muestra
Una muestra es un conjunto representativo de la población de
referencia, el número de individuos de una muestra es menor que
el de la población.
• Muestreo
El muestreo es la reunión de datos que se desea estudiar,
obtenidos de una proporción reducida y representativa de la
población.
VARIABLES Y DATOS
• Variable
Es una característica que cambia o varía con el tiempo y/o
para diferentes personas u objetos bajo consideración.
Cuando una variable se mide en realidad en un conjunto de
unidades experimentales, resulta un conjunto de mediciones o de
datos.
• Unidad experimental
Es el individuo u objeto en el que se mide una variable. Resulta
una sola medición o datos cuando una variable se mide en realidad
en una unidad experimental.
Datos univariados y bivariados.
• Resultan datos univariados cuando se mide una sola variable en
una sola unidad experimental.
• Resultan datos bivariados cuando se miden dos variables en una
sola unidad experimental.
• Resultan datos multivariados cuando se miden más de dos
variables.
• Fuentes de datos
Los datos se obtienen de fuentes existentes o de encuestas y
estudios experimentales diseñados para recabar datos nuevos.
• Fuentes existentes
En algunos casos, los datos necesarios para una aplicación en
particular ya existen. Las empresas mantienen una variedad de
bases de datos sobre sus empleados, clientes y operaciones de
negocios.
TIPOS DE VARIABLES
Variables cualitativas:
Miden una cualidad o característica en cada unidad experimental.
Ejemplos:
Afiliación política: republicano, demócrata, independiente.
Clasificación de gusto: excelente, bueno, regular, malo.
Color de un dulce: café, amarillo, rojo, anaranjado, verde, azul.
Variables cuantitativas:
Miden una cantidad numérica en cada unidad experimental.
Ejemplos:
x = tasa preferencial de interés
x = número de pasajeros en un vuelo de Los Ángeles a Nueva York
x = peso de un paquete listo para ser enviado
x = volumen de jugo de naranja en un vaso
Variable discreta:
Puede tomar sólo un número finito o contable de valores.
Ejemplos:
el número de miembros de una familia.
el número de ventas de autos nuevos.
el número de llantas defectuosas devueltas para cambio.
Variable continua:
Puede tomar infinitamente muchos valores correspondientes a
los puntos en un intervalo de recta.
Ejemplos:
variables como la estatura, peso, tiempo, distancia y volumen
son continuas porque pueden tomar valores en cualquier punto
a lo largo de un intervalo de recta.
Escalas de medición
La recolección de datos requiere una de las escalas de medición
siguientes: nominal, ordinal, de intervalo o de razón. La escala de
medición determina la cantidad de información contenida en los datos
e indica la manera más apropiada de resumirlos y analizarlos
estadísticamente.
Cuando los datos de una variable se componen de etiquetas o
nombres utilizados para identificar un atributo del elemento, la
escala de medición se considera una escala nominal.
La escala de medición de una variable se llama escala ordinal si
los datos exhiben las propiedades de los datos nominales y su
orden o clasificación es significativo.
En una escala de intervalo para una variable los datos
presentan todas las propiedades de los datos ordinales, y el
intervalo entre los valores se expresa en términos de una unidad
de medida fija. Los datos de intervalo son siempre numéricos.
GRÁFICAS PARA DATOS CATEGÓRICOS
Cuando la variable de interés es cualitativa, la tabla estadística es una
lista de las categorías siendo consideradas junto con una medida de la
frecuencia con que se presenta cada valor.
Se puede medir “la frecuencia” en tres formas diferentes:
• La frecuencia o número de mediciones en cada categoría.
• La frecuencia relativa o proporción de mediciones en cada categoría.
• El porcentaje de mediciones en cada categoría.
Por ejemplo, si con n representamos el número total de mediciones
en el conjunto, se puede hallar la frecuencia relativa y porcentaje
usando estas relaciones:
𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 𝑨𝒃𝒔𝒐𝒍𝒖𝒕𝒂
Frecuencia Relativa =
𝒏
Porcentaje = Frecuencia Relativa *100
Ejemplo
En una encuesta respecto a la educación pública, a 400
administradores de escuelas se les pidió calificaran la calidad de la
educación en Estados Unidos. Sus respuestas están resumidas en la
Tabla 1.1.
Construya una gráfica de pastel y una de barras a partir de este
conjunto de datos.
Calificación de la educación en Estados Unidos
Tabla 1.1 Calificación Frecuencia
A 35
B 260
C 93
D 12
Total 400
Calificación Frecuencia Frecuecia Relativa Porcentaje
A 35 0.09 9%
B 260 0.65 65% 35
C 93 0.23 23%
0.09 =
400
D 12 0.03 3%
Total 400 1 100%
Gráfico de Pastel
Calificación de la educación en Estados Unidos
D A
3% 9%
C
23%
B
65%
Gráfico de Barras
GRÁFICAS PARA DATOS CUANTITATIVOS
Gráficas de pastel y gráficas de barras
1. La gráfica de barras usa la altura de la barra para mostrar la
cantidad de una categoría en particular.
2. La gráfica de pastel muestra la forma en que está distribuida la
cantidad total entre las categorías.
Ejemplo
La cantidad de dinero gastada en el año fiscal 2005, por el
Departamento de Defensa de Estados Unidos en varias categorías, se
muestra en la tabla 1.5.5 Construya una gráfica de pastel y una
gráfica de barras para describir los datos. Compare las dos formas
de presentación.
Gastos por categoría
Categoría Cantidad (miles de millones de dólares)
Personal militar 127.5
Operación y mantenimiento 188.1
Adquisiciones 82.3
Investigación y desarrollo 65.7
Construcción militar 5.3
Otra 5.5
Total 474.4
Fuente: The World Almanac and Book of Facts 2007
Gráfico de Barras
Gráficas de Línea
Cuando una variable cuantitativa se registra en el tiempo a intervalos
igualmente espaciados (por ejemplo diario, semanal, mensual,
trimestral o anual), el conjunto de datos forma una serie de tiempo.
Los datos de una serie de tiempo se presentan con más efectividad en
una gráfica de líneas con el tiempo como eje horizontal.
La idea es tratar de distinguir un patrón o tendencia que sea
probable de continuar en el futuro y luego usar ese patrón para hacer
predicciones precisas para el futuro inmediato.
Gasolina Premium
Mes Precio Promedio
Enero 177.88
Febrero 175.30
Marzo 182.14
Abril 185.78
Mayo 192.93
2016
Junio 204.00
Julio 200.33
Agosto 197.00
Septiembre 197.35
Octubre 202.30
Ejemplo
Interpretación de gráficas con ojo crítico
Una vez creada una gráfica, para un conjunto de datos, ¿qué se debe
buscar al tratar de describir los datos?
1. Verificar las escalas horizontales y verticales, de manera que
haya claridad respecto a lo que se mide.
2. Examinar el lugar de la distribución de datos.
¿Dónde está el centro de distribución del eje horizontal?
Si se comparan dos distribuciones, ¿están centradas en el mismo
lugar?
3. Examinar la forma de la distribución.
¿La distribución tiene un “pico”, un punto que es más alto que
cualquier otro?
Si es así, ésta es la medición o categoría que se presenta con
más frecuencia. ¿Hay más de un pico? ¿Hay un número
aproximadamente igual de mediciones a la izquierda y derecha
del pico?
4. Buscar cualesquiera mediciones poco comunes o resultados
atípicos. Esto es, ¿hay mediciones mucho mayores o menores que
todas las otras? Estos resultados atípicos pueden no ser
representativos de los otros valores del conjunto.
5. Es frecuente que las distribuciones se describan según sus
formas.
Tipos de Distribución
1. Distribución Simétrica:
Una distribución es simétrica si los lados izquierdo y derecho de la
distribución, cuando se divide en el valor medio, forman imágenes espejo.
2. Distribución está sesgada a la derecha
Una distribución está sesgada a la derecha si una proporción más grande
de las mediciones se encuentra a la derecha del valor pico. Las distribuciones
sesgadas a la derecha contienen pocas mediciones anormalmente grandes.
Tiene una larga “cola derecha”, lo cual significa que hay unas pocas
observaciones extraordinariamente grandes.
3. Distribución sesgada a la izquierda:
Una distribución está sesgada a la izquierda si una proporción mayor de las
mediciones está a la izquierda del valor pico. Las distribuciones sesgadas a la
izquierda contienen pocas mediciones anormalmente grandes.
HISTOGRAMAS DE FRECUENCIA RELATIVA
Un histograma de frecuencia relativa, para un conjunto de datos
cuantitativo es una gráfica de barras en la que la altura de la barra
muestra “con qué frecuencia” (medida como proporción o
frecuencia relativa) las mediciones caen en una clase o
subintervalo particular. Las clases o subintervalos se grafican a lo
largo del eje horizontal.
Los tres pasos necesarios para definir las clases de una
distribución de frecuencia con los datos cuantitativos son los
siguientes:
1. Determine el número de clases que no se superponen.
2. Defina el ancho de cada clase.
3. Determine los límites de clase.
Número de clases
Las clases se forman mediante la especificación de los rangos que
se usarán para agrupar los datos. Como regla general, se
recomienda utilizar entre 5 y 20 clases. En el caso de un número
pequeño de elementos de datos se pueden utilizar cinco o seis
clases para resumir los datos.
Ancho de clase
El segundo paso en la elaboración de una distribución de
frecuencia para datos cuantitativos es elegir el ancho de las
clases. Como regla general, es recomendable que sea el mismo
para todas. Por tanto, el número y el ancho de clase no son
decisiones independientes. Un número grande de clases significa
un ancho de clase menor, y viceversa
𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑚𝑎𝑦𝑜𝑟 − 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑚𝑒𝑛𝑜𝑟
𝐴𝑛𝑐ℎ𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠
Límites de clase
Deben elegirse de modo que cada elemento de datos pertenezca a
una y sólo una de las clases. El límite de clase inferior identifica el
valor de datos menor asignado a la clase. El límite de clase
superior identifica el valor de datos mayor asignado a la clase. En
la elaboración de distribuciones de frecuencia para datos
cualitativos no se necesita especificar los límites de clase, debido a
que cada elemento de datos corresponde de manera natural a una
clase separada.
Punto medio de clase
En algunas aplicaciones se desea conocer los puntos medios de las
clases en una distribución de frecuencia de datos cuantitativos. El
punto medio de clase es el valor medio entre los límites de clase
inferior y superior.
valor de datos mayor + valor de datos menor
𝑝𝑚 =
2
Ejemplo
Pesos de 30 bebés de gestación completa al
momento de nacer
7.2 7.8 6.8 6.2 8.2
8.0 8.2 5.6 8.6 7.1
8.2 7.7 7.5 7.2 7.7
5.8 6.8 6.8 8.5 7.5
6.1 7.9 9.4 9.0 7.8
8.5 9.0 7.7 6.7 7.7
En nuestro caso utilizaremos 8 clases.
Como el rango de pesos al nacer es 9.4 – 5.6 = 3.8.
El ancho mínimo de clase necesario para cubrir el margen de los
datos es
= (3.8 / 8) = 0.475.
Para más comodidad, redondeamos este ancho aproximado a 0.5.
Empezando el primer intervalo al valor más bajo, 5.6, formamos
subintervalos de 5.6 hasta 6.1, pero no incluyendo 6.1.
De 6.1 hasta 6.6, pero no incluyendo 6.6, y así sucesivamente.
Usando el método de inclusión izquierda e incluyendo el punto de
frontera de clase izquierda pero no el punto de frontera derecha en
la clase, eliminamos cualquier confusión acerca de dónde poner una
medición que resulte caer en un punto de frontera de clase.
Intervalo Frecuencia Frecuencia
Clase de Clase Absoluta Relativa
1 5.6 - 6.1 2 7%
2 6.1 - 6.6 2 7%
3 6.6 - 7.1 4 13%
4 7.1 - 7.6 5 17%
5 7.6 - 8.1 8 27%
6 8.1 - 8.6 5 17%
7 8.6 - 9.1 3 10%
8 9.1 - 9.6 1 3%
Total 30 100%