Professional Documents
Culture Documents
Carpeta de trabajo
Estadstica
Mara Eugenia ngel
Mario Enrique Borgna
Graciela Fernandez
Diseo original de maqueta: Hernn Morfese
Procesamiento didctico: Marina Gergich / Bruno De Angelis
Primera edicin: septiembre de 2009
Universidad Nacional de Quilmes, 2009
Roque Senz Pea 352, (B1876BXD) Bernal, Buenos Aires
Telfono: (5411) 4365 7100 | http://www.virtual.unq.edu.ar
La Universidad Nacional de Quilmes se reserva la facultad de dis-
poner de esta obra, publicarla, traducirla, adaptarla o autorizar su
traduccin y reproduccin en cualquier forma, total o parcialmente,
por medios electrnicos o mecnicos, incluyendo fotocopias, graba-
cin magnetofnica y cualquier sistema de almacenamiento de infor-
macin. Por consiguiente, nadie tiene facultad de ejercitar los dere-
chos precitados sin permiso escrito del editor.
Queda hecho el depsito que establece la ley 11.723
Impreso en Argentina
Lectura obligatoria
Es la bibliografa imprescindible que acompaa el desarrollo de los conteni-
dos. Se trata tanto de textos completos como de captulos de libros, artcu-
los y "papers" que los estudiantes deben leer, en lo posible, en el momento
en que se indica en la Carpeta.
Actividades
Se trata de una amplia gama de propuestas de produccin de diferentes ti-
pos. Incluye ejercicios, estudios de caso, investigaciones, encuestas, elabo-
racin de cuadros, grficos, resolucin de guas de estudio, etctera.
Leer con atencin
Son afirmaciones, conceptos o definiciones destacadas y sustanciales que
aportan claves para la comprensin del tema que se desarrolla.
Para reflexionar
Es una herramienta que propone al estudiante un dilogo con el material, a tra-
vs de preguntas, planteamiento de problemas, confrontaciones del tema con la
realidad, ejemplos o cuestionamientos que alienten la autorreflexin, etctera.
Lectura recomendada
Es la bibliografa que no se considera obligatoria, pero a la cual el estudian-
te puede recurrir para ampliar o profundizar algn tema o contenido.
Pastilla
Se utiliza como reemplazo de la nota al pie, para incorporar informaciones
breves, complementarias o aclaratorias de algn trmino o frase del texto
principal. El subrayado indica los trminos a propsito de los cuales se inclu-
ye esa informacin asociada en el margen.
conos
nd
Introduccin...........................................................................................9
Mapa conceptual ..................................................................................10
Problemtica del campo ........................................................................10
Objetivos del curso ...............................................................................11
1. Estadstica descriptiva.....................................................................13
1.1. Los datos y su organizacin ...........................................................13
1.1.1. Variables estadsticas y su clasificacin................................13
1.1.2. Ordenamiento y tabulacin de los datos................................15
1.1.3. Representaciones grficas ...................................................23
1.2. Medidas estadsticas.....................................................................28
1.2.1. Medidas de posicin............................................................28
1.2.2. Medidas de dispersin.........................................................39
1.2.3. Medidas de intensidad.........................................................43
1.3. Matrices ejemplos .........................................................................51
2. Probabilidad.....................................................................................55
2.1. Elementos de la teora de probabilidad ...........................................55
2.1.1. Experimento aleatorio .................................................................55
2.1.2. Definiciones de probabilidad........................................................62
2.1.3. Axiomatizacin de la probabilidad ................................................63
2.1.4. Tipos de probabilidad..................................................................64
2.2. Variable aleatoria...........................................................................69
2.2.1. Variable aleatoria discreta...........................................................69
2.2.2. Modelos especiales de variables aleatorias discretas ...................71
2.2.3. Variable aleatoria continua ..........................................................76
2.2.4. Modelos especiales de variables aleatorias continuas ..................77
3. Inferencia estadstica.......................................................................87
3.1. Distribucin de estadsticos muestrales..........................................87
3.1.1. Distribucin del estadstico media muestral .................................88
3.1.2. Distribucin del estadstico proporcin muestral ...........................90
3.1.3. Teorema central del lmite ...........................................................91
3.2. Problemas fundamentales de la inferencia estadstica .....................94
3.2.1. Estimacin por intervalo de confianza ..........................................94
3.2.2. Pruebas de hiptesis ................................................................105
4. Elementos bsicos de econometra.................................................113
4.1. Introduccin ................................................................................113
4.2. Anlisis de regresin y de correlacin ...........................................114
4.3. Series de tiempo .........................................................................120
Referencia bibliogrfica......................................................................125
7
ndice
Anexo................................................................................................127
Tabla 1: Percentiles de la distribucin normal estndar .........................127
Tabla 2: Percentiles de la distribucin t de Student ...............................129
8
Universidad Virtual de Quilmes
9
El material de esta carpeta contiene, en su inicio Unidad 1, diversas formas
de organizacin de los conjuntos de datos (apartado 1.1.). En algunos casos
datos de campo y en otros compilados, como preparacin del material de base
para elaborar las medidas estadsticas (apartado 1.2.) tambin denominadas
indicadores estadsticos, y producir informacin til.
La importancia de la organizacin de los datos, en vistas del tratamiento
posterior, reside en que permite establecer distintas lneas de trabajo en pos
de la calidad de la informacin que se busca. Una informacin estadstica de
calidad es primordial para la comprensin de las cualidades o caractersticas
del mundo real con perspectiva de su modelizacin.
A comienzos del siglo XIX el astrnomo Adolfo Quetelet considerado el fun-
dador de la estadstica moderna aplic a las ciencias sociales los mtodos
estadsticos hasta entonces utilizados en las ciencias naturales, contribu-
yendo a la ampliacin del campo de la estadstica. Sin embargo, fue a partir
de mediados de la dcada de 1960 con el Anlisis Exploratorio de Datos (EDA)
desarrollado por J. Tukey y otros que surgi un enfoque ms amplio en el
tratamiento de datos, cimentado en el uso de la informtica, donde el sopor-
te tecnolgico permiti sostener una gran masa de datos y procesarlos en
tiempo real, contribuyendo as al mejoramiento de la calidad de la informacin
resultante.
Luego del tratamiento descriptivo de los datos desarrollado en la Unidad
1, se incorporan nociones sobre la teora de la probabilidad Unidad 2.
A partir del siglo XVII comenz a evolucionar el Clculo de probabilidad
como disciplina cientfica introducindose el uso sistemtico de los concep-
tos de azar, indeterminismo y aleatoriedad. La Estadstica, que a la sazn ya
tena un desarrollo de varios milenios donde el campo de trabajo era exclusi-
vamente las poblaciones o universos, es decir la totalidad de los individuos o
elementos involucrados en el estudio de un problema, se vio enriquecida por
el desarrollo de la teora de la probabilidad la cual le permiti extender su
alcance hacia el interior de dichas poblaciones y ampliar su metodologa al
tratamiento de los subconjuntos de ellas, las muestras.
Los trabajos de Bernoulli, Laplace, Gauss y Galton entre otros, proveyeron
al clculo de probabilidades de recursos matemticos que permitieron dise-
ar modelos probabilsticos aplicables a diversos campos de la ciencia. Los
modelos probabilsticos, cuyo ncleo son las distribuciones de probabilidad
de las variables involucradas en los problemas de estudio (apartado 2.2.),
son la base de la inferencia estadstica.
La inferencia estadstica Unidad 3 es el procedimiento por el cual se
extrapolan o extienden a la poblacin en estudio los resultados de una mues-
tra representativa. A partir de los indicadores o estadsticos muestrales se
estiman (apartado 3.2.) o se someten a prueba (apartado 3.3.) los indicado-
res poblacionales tambin denominados parmetros.
In tro duc cin
Por ltimo, se tratan algunos elementos de econometra Unidad 4, nocio-
nes sobre la relacin entre variables como el anlisis de regresin lineal, el
anlisis de correlacin y un breve estudio sobre las series de tiempo.
El orden y sentido en que se desarrollan los distintos conceptos en el trans-
curso del presente material se sintetiza en el diagrama siguiente.
Mapa conceptual
Problemtica del campo
La estadstica se compone de dos grandes reas, la descriptiva y la inferencial.
Por medio de la estadstica descriptiva se analizan propiedades de un con-
junto de datos referidas al contexto en el que ellos se encuentran inmersos y
no como entidades aisladas. Por ese motivo es muy importante antes del an-
lisis descriptivo, conocer y clarificar el entorno del que provienen los datos.
Cuando hablamos del entorno estamos haciendo referencia a la poblacin en
estudio (o a una parte de ella) y a sus unidades de anlisis, a los atributos
que interesa estudiar y a la calidad del dato que se puede extraer.
Por otro lado, en los estudios de campo se da con frecuencia y por distin-
tas causas la imposibilidad de acceder a toda la poblacin y es en esos casos
donde los datos tienen que extraerse de un subconjunto de ella al que deno-
minamos muestra. Si el objetivo del anlisis de la muestra es realizar infe-
rencias respecto a la poblacin, necesariamente debe ser una muestra repre-
sentativa que comportndose como una imagen reducida de esa poblacin
de estudio refleje sus caractersticas. Estas muestras son obtenidas por
mtodos de muestreo aleatorio.
La estadstica inferencial tiene como objetivo realizar inferencias sobre la
poblacin en un ambiente de incertidumbre producto del azar y la aleatoriedad.
En sntesis, hay dos grandes problemas con los que se encuentra este
campo del saber el conocimiento del contexto de estudio y el tratamiento de
la incertidumbre.
10
Universidad Virtual de Quilmes
Aprehender tcnicas y mtodos estadsticos tanto de la Estadstica des-
criptiva como de la Estadstica inferencial.
Emplear esas tcnicas y mtodos en la formalizacin de modelos esta-
dsticos en el mbito de las ciencias econmicas.
Aplicar el conocimiento estadstico adquirido a la vida cotidiana como parte
de una cultura general.
11
Objetivos del curso
13
Estadstica descriptiva
Ob je ti vos
Determinar y analizar distintos indicadores socioeconmicos.
Construir e interpretar grficos estadsticos diversos.
1.1. Los datos y su organizacin
En este apartado se tratarn algunas de las formas de organizar los datos
recolectados o recopilados y se preparar el material de base para que en los
apartados siguientes puedan elaborarse medidas estadsticas, comnmente
denominadas indicadores estadsticos.
Los datos son tomados de una cierta poblacin o universo objeto de estu-
dio: la poblacin objetivo.
Por ejemplo, todos los empleados de una determinada pyme constituyen
una poblacin objetivo. Y en ese caso, cada individuo de ese universo cada
empleado es lo que se denomina una unidad de observacin.
En el estudio de la poblacin nos pueden interesar determinados atribu-
tos comunes a los individuos como la edad, el salario, la antigedad, etc. Los
archivos de la empresa combinados con entrevistas personales pueden haber
sido los instrumentos con que se relev la informacin.
El paso inicial para organizar toda la informacin primaria obtenida del
grupo de empleados de la pyme y que la presente en su totalidad, es elabo-
rar una tabla denominada matriz de datos. Una matriz de datos es un arreglo
de filas y columnas donde cada fila representa un individuo o unidad de obser-
vacin y cada columna un atributo variable (en el apartado 1.3. figuran cuatro
matrices de datos llamadas a partir de ahora matrices ejemplo ME cada
vez que se haga referencia a ellas).
Cada uno de los atributos variables que se observan en la matriz son pasi-
bles de convertirse en lo que llamamos variables estadsticas.
1.1.1. Variables estadsticas y su clasificacin
Las variables estadsticas se obtienen a partir de los atributos. Por ejemplo,
si el atributo primario hubiese sido la fecha de nacimiento de cada empleado,
para su tratamiento estadstico se disea la variable edad en aos. Por otro
lado, contando con la fecha de nacimiento y la fecha de ingreso podra dise-
1
En el apartado 1.6. figu-
ran varios ejemplos de
poblacin objetivo y de unidad de
observacin.
Otros instrumentos de
recoleccin de datos son:
documentos, encuestas o simple
observacin.
Puede haber atributos
que no varen de un indi-
viduo a otro, como la pertenen-
cia a la empresa, ya que todos
son empleados.
arse la variable edad que tena cuando ingres a la empresa (en este caso
la variable surge de una combinacin de atributos).
Para un primer tratamiento se convertir cada atributo de las matrices ejem-
plo ME en una variable estadstica.
Si se observan detenidamente cada una de las variables se puede notar
que algunas asumen valores numricos y otras valores no numricos.
A las que asumen valores numricos las denominaremos variables cuan-
titativas y a las que asumen valores no numricos, es decir cualidades, varia-
bles cualitativas.
Son ejemplos de variables cuantitativas la antigedad, el salario quince-
nal, la cantidad de personal, la longitud de las piezas de plstico, etc. Son
ejemplos de variables cualitativas el sexo, el tipo de posesin de la vivienda,
el rubro de las pymes, el tipo de materia prima, etctera.
1.
Clasificar como cuantitativas o cualitativas cada una de las variables de
las ME del apartado 1.3.
Si se observan ms detenidamente las variables de las matrices ejemplo se
puede notar que hay variables cuantitativas que asumen valores dentro del
conjunto de los nmeros reales y hay otras cuyos valores son nmeros ente-
ros. A las que asumen valores reales las denominamos cuantitativas conti-
nuas y a las otras cuantitativas discretas. Por ejemplo: la edad civil es por
naturaleza una variable discreta pero eventualmente si se tratara la edad bio-
lgica sta sera por naturaleza una variable cuantitativa continua.
Con respecto a las variables cualitativas se puede notar que en algunas de
ellas sus valores pueden ordenarse y en otras no. Esto justifica tambin sub-
clasificarla en cualitativas ordenables y cualitativas no ordenables. Un ejem-
plo de variable cualitativa ordenable es el nivel de detalle de terminacin de
las piezas plsticas y un ejemplo de no ordenable es el rubro de las pymes.
2.
Completar la actividad 1 con la clasificacin de las variables.
Por qu motivo cree que es necesaria la clasificacin realizada para las
variables y cul ser su utilidad?
14
Universidad Virtual de Quilmes
7
FIN DE LEER ATENTO
COMIENZO DE ACTIVIDAD
Tabla 1.4.
Desde la Biometra las contribu-
ciones de Karl Pearson a la teo-
ra estadstica son importantes
y numerosas. Fue cofundador en
1901 de la revista Biometrika que
se convirti en el receptculo de
todos los aportes a la estadsti-
ca provenientes de distintas cien-
cias y que se sigue publi-
cando hast a hoy.
Los grficos 1.8., 1.10. y 1.12. son histogramas, los 1.9. y 1.11. son polgo-
nos de frecuencias y en el 1.13. se combinan ambos.
Tanto el histograma como el polgono de frecuencias encierran la misma
rea, el rea es igual al total de los datos si se grafican las frecuencias
absolutas, uno si se trata de las frecuencias relativas y cien si es la f% la
representada.
Ojiva de Galton
25
Estadistica
Grfico 1.8. Grfico 1.9.
Grfico 1.10. Grfico 1.11.
Grfico 1.12. Grfico 1.13.
Edad de los empleados
f Tabla 1.6.
Edad al momento de la desaparicin
Tabla 1.8.
Gasto medio diario
Tabla 1.9.
Gasto medio diario
Tabla 1.9.
Edad al momento de la desaparicin
Tabla 1.8.
20
15
10
35
30
25
20
15
10
5
0
35
30
25
20
15
10
5
0
35
30
25
20
15
10
5
0
5
0
f
20
15
10
5
0
Tabla 1.6.
Edad de los empleados
15 20 25 30 35 40 45 50 55 60 65
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
15 25 35 45 55 65 75 85 95 15 25 35 45 55 65 75 85 95
El grfico de frecuencias acumu-
ladas Ojiva se debe a Francis Galton,
tambin bimetra y maestro de K.
Pearson; cofundador con
l de Biometrika.
Grficos para representar tablas de distribucin conjunta
Los siguientes grficos sirven para representar tablas del tipo de la tabla 1.11
en la que intervienen dos variables.
Grfico de barras adyacentes y grfico de barras segmentadas
Grfico 1.17. Grfico 1.18.
Puede observarse que en el grfico de barras segmentadas se incluy
informacin sobre la frecuencia de cada segmento. Esto se debe a que
las comparaciones entre distintos segmentos son areales, no lineales, lo
mismo que ocurre con el grfico circular.
26
Universidad Virtual de Quilmes
19
Grfico 1.14. Grfico 1.15.
Edad acumulativa
Tabla 1.6.
Edad acumulativa
Tabla 1.8.
Gasto medio diario acumulativo
Tabla 1.9.
Grfico 1.16.
Rubro y puestos de trabajo de las PyMEs
Tabla 1.11.
Grfico 1.18.
Rubro y puestos de trabajo de las PyMEs
Tabla 1.11.
Grfico 1.17.
100
120
100
80
60
40
20
0
120
100
80
60
40
20
0
15 25 35 45 55 65 75 85 95 105
f %
f %
f %
80
60
40
20
0
15 20 25 30 35 40 45 50 55 60 65 70
0 10 20 30 40 50 60 70
1
2
3
4
5
19
Grfico 1.14. Grfico 1.15.
Edad acumulativa
Tabla 1.6.
Edad acumulativa
Tabla 1.8.
Gasto medio diario acumulativo
Tabla 1.9.
Grfico 1.16.
Rubro y puestos de trabajo de las PyMEs
Tabla 1.11.
Grfico 1.18.
Rubro y puestos de trabajo de las PyMEs
Tabla 1.11.
Grfico 1.17.
100
120
100
80
60
40
20
0
120
100
80
60
40
20
0
15 25 35 45 55 65 75 85 95 105
f %
f %
f %
80
60
40
20
0
15 20 25 30 35 40 45 50 55 60 65 70
0 10 20 30 40 50 60 70
1
2
3
4
5
Pirmides de poblacin
Una pirmide de poblacin es un grfico que se aplica a distribuciones bivariadas donde las
variables son sexo y edad, esta ltima organizada generalmente en intervalos.
La siguiente distribucin de frecuencias conjuntas corresponde a un grupo de 1000
personas,
Tabla 1.12.
La correspondiente pirmide de poblacin es
Grfico 1.19.
3.
Representar grficamente las variables de la ME 2.
27
Estadistica
Grco de barras adyacentes y grco de barras segmentadas
Insertar Imagen N G.1.17.
Insertar Imagen N G.1.18
Grco 1.17. Grco 1.18.
COMIENZO DE LEER ATENTO
Puede observarse que en el grco de barras segmentadas se incluy informacin sobre la frecuencia de cada
segmento. Esto se debe a que las comparaciones entre distintos segmentos son areales, no lineales, lo mismo
que ocurre con el grco circular.
FIN DE LEER ATENTO
COMIENZO DE TEXTO APARTE
Pirmides de poblacin
Una pirmide de poblacin es un grco que se aplica a distribuciones bivariadas donde las variables son sexo y edad, esta
ltima organizada generalmente en intervalos.
La siguiente distribucin de frecuencias conjuntas corresponde a un grupo de 1000 personas
Tabla 1.12.
Sexo
Edades F M
[ 0 - 10) 120 90
[10 - 20) 100 90
[20 - 30) 90 70
[30 - 40) 80 50
[40 - 50) 70 30
[50 - 60) 50 30
[60 - 70) 40 20
[70 - 80) 20 10
[80 - 90) 20 7
[90 - 100) 10 3
Uonde lemenino: l y Masoulino: M.
21
FIN DE TEXTO APARTE
COMIENZO DE ACTIVIDAD
Para salvar este escollo el criterio que utilizo Gauss, y que lo hacemos
nuestro, es promediar los cuadrados de las desviaciones. La medida asi
determinada se denomina .
Formalmente la varianza se expresa como
(x
i
Ii
N
si el grupo de datos es una poblacion o
(x
i
Ii
n -1
si el grupo de datos es una muestra.
35
d Q
3
Q
1
Varianza y desvo estandar
La varianza es una medida que Iue propuesta por Gauss y tiene en
cuenta todos los valores de los datos de la distribucion. Para su
construccion se utiliza la media aritmetica como reIerencia para calcular
las desviaciones (Xi ) del valor de cada uno de los datos respecto a
ella.
COMENZO DE PASTLLA EN Gauss
Karl Friedrich Gauss en Theoa otu opou letiu, Hamgurgo (1809).
FN DE PASTLLA
En el graIico G.1.26. se observan algunas magnitudes y sentidos de
estos desvios respecto de la media:
Insertar Imagen N G.1.26.
El objetivo es elaborar una medida que sintetice al conjunto de todos los
desvios y para calcularla podriamos promediarlos contando asi con un
desvio promedio.
Pero al momento de realizar ese promedio nos encontrariamos con la
diIicultad de que la suma de las desviaciones siempre da cero, como
obvia consecuencia de que la media es el centro de equilibrio de todos
los desvios, es decir que,
Para salvar este escollo el criterio que utilizo Gauss, y que lo hacemos
nuestro, es promediar los cuadrados de las desviaciones. La medida asi
determinada se denomina .
Formalmente la varianza se expresa como
(x
i
Ii
N
si el grupo de datos es una poblacion o
(x
i
Ii
n -1
si el grupo de datos es una muestra.
La media poblacional es una sola,
como tambin lo es la varianza
poblacional. En cambio hay tantas
medias muestrales como muestras
distintas se puedan extraer de la
poblacin; y tambin hay tantas
varianzas muestrales como medias
muestrales puedan obtenerse. Por
lo que una varianza muestral est
atada a una determinada media,
tiene un (1) condicionamiento que
no tena la poblacional. Ese condi-
cionamiento le resta (1)
un grado de libertad.
cosas al momento de interpretar esta medida de variabilidad. Para poder com-
patibilizar la magnitud de la dispersin con la magnitud de la variable, sim-
plemente le sacamos la raz cuadrada a la varianza, resultando una nueva
medida llamada desvo estndar.
Formalmente, el desvo se expresa como
si el grupo de datos es una poblacin o
si el grupo de datos es una muestra.
Para el gasto mensual de los hogares encuestados el desvo estndar mues-
tral es: S = $422,28. Esta lectura absoluta aisladamente no suministra una
informacin muy clara sobre los alcances de la dispersin.
En una distribucin simtrica el desvo estndar describe un entorno
alrededor de la media que contiene aproximadamente las 2/3 partes (~
68%) de los datos.
Si se tuviera que el gasto mensual est distribudo simtricamente, slo podr-
amos hacer una interpretacin en el sentido de lo expuesto diciendo que apro-
ximadamente las dos terceras partes de las viviendas de la muestra tienen un
gasto mensual comprendido entre $804,97 y $1649,53 ($1227,25
$422,28).
Para ampliar el concepto anterior rescatamos los indicadores de los casos
1 y 2 de variables cuantitativas discretas donde, en ambos, la variable es
edad.
41
Estadistica
36
El divisor N o el n-1, segn el caso, se llama grados de libertad. A este
tpico nos arrimaremos con ms detalle en estadstica inferencial.
COMIENZO DE PASTILLA EN divisor
La media poblacional es una sola, como tambin lo es la varianza poblacional. En
cambio hay tantas medias muestrales como muestras distintas se puedan extraer de la
poblacin; y tambin hay tantas varianzas muestrales como medias muestrales
puedan obtenerse. Por lo que una varianza muestral est atada a una determinada
media, tiene un (1) condicionamiento que no tena la poblacional. Ese
condicionamiento le resta (1) un grado de libertad.
FIN DE PASTILLA
Para la distribucin del gasto medio mensual en alimentos de la
matriz ME 2, la varianza muestral (recordemos que esas 32 viviendas
son una muestra extrada de un universo ms grande de viviendas del
barrio) es:
S = 195.607,537 $
Recordando que la media es , se aprecia que la
magnitud de la varianza es el cuadrado de la magnitud de la variable y
esto complica las cosas al momento de interpretar esta medida de
variabilidad. Para poder compatibilizar la magnitud de la dispersin con
la magnitud de la variable, simplemente le sacamos la raz cuadrada a la
varianza, resultando una nueva medida llamada desvo estndar.
Formalmente, el desvo se expresa como
=
(x
i
x )
2
fi
N
si el grupo de datos es una poblacin o
S =
(x
i
x )
2
fi
n-1
si el grupo de datos es una muestra.
Para el gasto mensual de los hogares encuestados el desvo estndar
muestral es: S = $422,28. Esta lectura absoluta, aisladamente no
suministra una informacin muy clara sobre los alcances de la
dispersin.
COMIENZO DE LEER ATENTO
En una distribucin simtrica el desvo estndar describe un
entorno alrededor de la media que contiene aproximadamente las
2/3 partes (~ 68%) de los datos.
FIN DE LEER ATENTO
Si se tuviera que el gasto mensual est distribudo simtricamente, slo
podramos hacer una interpretacin en el sentido de lo expuesto
diciendo que aproximadamente las dos terceras partes de las viviendas
de la muestra tienen un gasto mensual comprendido entre $804,97 y
$1649,53 ($1227,25 $422,28).
donde, en ambos, la variable es edad.
Medidas
Caso 1: Ldad de los
trabajadores de una
empresa oooperativa"
Caso 2: Ldad de los empleados de una fabrioa
automotriz"
X
38,9 aos 37,4 aos
Me 37,5 aos 37 aos
Mo 37 aos 37,5 aos (maroa de olase del intervalo modal)
R 42 aos 49 aos
S
2
100,73 aos
2
127,56 aos
2
S 10,0 aos 11,3 aos
Asimetria a dereoha Casi simtrioa
2/3 de los oasos
aproximadamente
No se puede
Comprende las edades de 27 aos a 48 aos
(valores que oaen dentro del intervalo 37,4 | 11,3)
COMIENZO DE LEER ATENTO
La utilidad de las medidas de dispersin aparece claramente cuando se comparan distintas distribuciones de datos
referidas a la misma variable.
FIN DE LEER ATENTO
Utilizando la informacin del cuadro anterior para comparar las distribuciones de edades de los grupos analizados,
notamos que todas las medidas de dispersin calculadas son mayores en el caso 2 respecto del caso 1. Esto estara
indicando que las edades de los empleados de la muestra de la fbrica automotriz estn ms dispersas que las edades de
los trabajadores de la muestra de la cooperativa.
Es importante sealar que las edades promedio de los dos grupos son similares, caracterstica que permiti comparar
sin problemas las medidas de dispersin. Si los grupos analizados no tuvieren similar promedio entonces la comparacin
de la dispersin de las distribuciones debera intentarse por otro camino.
Otro problema se presenta cuando se quieren comparar las dispersiones de variables distintas surgidas de un mismo
grupo de estudio.
Coeciente de variacin
Se debe a K. Pearson y soluciona el problema de comparar la dispersin de las distribuciones de variables que tienen
distinta magnitud.
Este coeciente puede utilizarse tambin para comparar variables de igual magnitud pero con promedios
signicativamente distintos.
Medidas
Cantidad de
ambientes
Cantidad de personas
ocupantes
Gasto medio
mensual
Cantidad de personas
mayores con trabajo
S 1,26 amb. 0,94 pers. $421,23 0,98 pers.
3,34 amb. 3,12 pers. $1201,68 2,25 pers.
CV 0,3772 0,3013 0,3505 0,4355
Cv100 38,72 30,13 35,05 43,55
De la comparacin de los CV se concluye que el grupo de viviendas relevadas es ms compacto, ms homogneo,
menos disperso, en cuanto a la cantidad de personas ocupantes, porque tiene el menor de los coecientes calculados.
Tambin puede concluirse que el grupo de viviendas de la muestra es ms heterogneo, ms disperso, menos compacto,
en cuanto a la cantidad de personas mayores con trabajo.
La utilidad de las medidas de dispersin aparece claramente cuando se
comparan distintas distribuciones de datos referidas a la misma variable.
Utilizando la informacin del cuadro anterior, para comparar las distribuciones
de edades de los grupos analizados, notamos que todas las medidas de dis-
persin calculadas son mayores en el caso 2 respecto del caso 1. Esto esta-
ra indicando que las edades de los empleados de la muestra de la fbrica auto-
motriz estn ms dispersas que las edades de los trabajadores de la muestra
de la cooperativa.
Es importante sealar que las edades promedio de los dos grupos son
similares, caracterstica que permiti comparar sin problemas las medidas de
dispersin. Si los grupos analizados no tuvieren similar promedio entonces la
comparacin de la dispersin de las distribuciones debera intentarse por otro
camino.
Otro problema se presenta cuando se quieren comparar las dispersiones
de variables distintas surgidas de un mismo grupo de estudio.
Coeficiente de variacin
Se debe a K. Pearson y soluciona el problema de comparar la dispersin de
las distribuciones de variables que tienen distinta magnitud.
Este coeficiente puede utilizarse tambin para comparar variables de igual
magnitud pero con promedios significativamente distintos.
Es en realidad una dispersin relativa no absoluta como el desvo estn-
dar y se calcula como el cociente entre el desvo estndar y la media.
Tambin se puede expresar en porcentajes
Compararemos todas las variables cuantitativas de la ME 2 calculando todos
los CV.
De la comparacin de los CV se concluye que el grupo de viviendas relevadas
es ms compacto, ms homogneo, menos disperso, en cuanto a la cantidad
de personas ocupantes, porque tiene el menor de los coeficientes calculados.
42
Universidad Virtual de Quilmes
donde, en ambos, la variable es edad.
Medidas
Caso 1: Ldad de los
trabajadores de una
empresa oooperativa"
Caso 2: Ldad de los empleados de una fabrioa
automotriz"
38,9 aos 37,4 aos
Me 37,5 aos 37 aos
Mo 37 aos 37,5 aos (maroa de olase del intervalo modal)
R 42 aos 49 aos
S
2
100,73 aos
2
127,56 aos
2
S 10,0 aos 11,3 aos
Asimetria a dereoha Casi simtrioa
2/3 de los oasos
aproximadamente
No se puede
Comprende las edades de 27 aos a 48 aos
(valores que oaen dentro del intervalo 37,4 | 11,3)
COMIENZO DE LEER ATENTO
La utilidad de las medidas de dispersin aparece claramente cuando se comparan distintas distribuciones de datos
referidas a la misma variable.
FIN DE LEER ATENTO
Utilizando la informacin del cuadro anterior para comparar las distribuciones de edades de los grupos analizados,
notamos que todas las medidas de dispersin calculadas son mayores en el caso 2 respecto del caso 1. Esto estara
indicando que las edades de los empleados de la muestra de la fbrica automotriz estn ms dispersas que las edades de
los trabajadores de la muestra de la cooperativa.
Es importante sealar que las edades promedio de los dos grupos son similares, caracterstica que permiti comparar
sin problemas las medidas de dispersin. Si los grupos analizados no tuvieren similar promedio entonces la comparacin
de la dispersin de las distribuciones debera intentarse por otro camino.
Otro problema se presenta cuando se quieren comparar las dispersiones de variables distintas surgidas de un mismo
grupo de estudio.
Coeciente de variacin
Se debe a K. Pearson y soluciona el problema de comparar la dispersin de las distribuciones de variables que tienen
distinta magnitud.
Este coeciente puede utilizarse tambin para comparar variables de igual magnitud pero con promedios
signicativamente distintos.
Medidas
Cantidad de
ambientes
Cantidad de personas
ocupantes
Gasto medio
mensual
Cantidad de personas
mayores con trabajo
S 1,26 amb. 0,94 pers. $421,23 0,98 pers.
X
3,34 amb. 3,12 pers. $1201,68 2,25 pers.
CV 0,3772 0,3013 0,3505 0,4355
Cv100 38,72 30,13 35,05 43,55
De la comparacin de los CV se concluye que el grupo de viviendas relevadas es ms compacto, ms homogneo,
menos disperso, en cuanto a la cantidad de personas ocupantes, porque tiene el menor de los coecientes calculados.
Tambin puede concluirse que el grupo de viviendas de la muestra es ms heterogneo, ms disperso, menos compacto,
en cuanto a la cantidad de personas mayores con trabajo.
Tambin puede concluirse que el grupo de viviendas de la muestra es ms
heterogneo, ms disperso, menos compacto, en cuanto a la cantidad de per-
sonas mayores con trabajo.
14.
Calcular las medidas de dispersin para todas las variables cuantitativas
de la ME 1 y hacer todas las comparaciones posibles.
1.2.3. Medidas de intensidad
Cotidianamente se utilizan indicadores socio-econmicos denominados tasas
para mostrar la incidencia relativa de algn valor de la variable o sus cambios
espacio-temporales. Esos indicadores son las medidas estadsticas de inten-
sidad y se expresan como coeficientes o como porcentajes.
Previo al tratamiento de estas medidas leemos el artculo periodstico que
sigue.
04 de Junio de 2005
NO CEDE EL DESEMPLEO DEL CONURBANO
Cordones sin reaccin
La cantidad de desocupados en los 28 centros urbanos encuestados por el Indec result de
1.369.000 personas durante el primer trimestre, de los cuales 677 mil estaban localizados en
los partidos del Gran Buenos Aires. Los datos surgen de la Encuesta Permanente de Hogares
del Indec publicados ayer, dos semanas despus de conocerse la tasa de desocupacin para el
perodo, del 13 por ciento. Los subocupados demandantes, es decir aquellos que no llegan a
completar la jornada laboral y estn buscando otro trabajo, suman otras 948 mil personas con
problemas de empleo. Las zonas urbanas del pas ms afectadas por el problema global de deso-
cupacin y subocupacin demandante resultaron, en el primer trimestre, el conurbano bona-
erense y el ncleo Gran Tucumn (ciudad capital y sus alrededores) Taf Viejo. El primero
sumaba 15,5 por ciento de desocupados ms 10,4 por ciento de subocupados demandantes;
el segundo, 14,2, ms 16,5 por ciento. La desocupacin, en los partidos del Gran Buenos Aires
fue superior a la del cuarto trimestre de 2004 en siete dcimas e idntica a la registrada en el
primer trimestre de ese mismo ao. Es decir que la regin muestra un estancamiento en la
recuperacin del empleo. En tanto, en el Gran Tucumn-Taf Viejo el dato ms preocupante
es el aumento de la subocupacin demandante, del 15,5 por ciento en el primer trimestre, con
un salto de 1,4 punto en la ltima medicin con respecto a la inmediata anterior y 2,3 puntos
cuando se la compara con la de un ao antes. Los otros grandes distritos urbanos (con ms de
500 mil habitantes) que registraron tasas de desocupacin por encima del promedio del pas
fueron el Gran Rosario, 14 por ciento, y el Gran La Plata, con el 13,5 por ciento. Entre los gran-
des aglomerados, la tasa ms baja de desocupacin corresponde al Gran Mendoza, con el 8 por
ciento, y entre las regiones a la Patagonia, con el 7,6 por ciento. Adems, en esta ltima regin,
la tasa de subocupacin demandante reflejada por el Indec es prcticamente insignificante, del
3,4 por ciento, en tanto en el Noroeste se eleva al 11,2 por ciento.
2000-2002 Pagina12/WEB Repblica Argentina
43
Estadistica
Del artculo anterior rescatamos la siguiente informacin referida al 2005:
la tasa de desocupacin para el Gran Rosario es del 14%;
hay 1,44 desocupados por cada subocupado demandante;
la desocupacin en los partidos del Gran Buenos Aires creci un 0,7% entre
el 4to. trimestre del 2004 y el 1er. trimestre de 2005.
Recrearemos las lecturas anteriores de la siguiente manera:
la proporcin de desocupados en el Gran Rosario es del 14%;
la relacin entre desocupacin y subocupacin es a razn de 1,44 deso-
cupados por cada subocupado demandante;
tomando como base de referencia (100%) el 4to. trimestre de 2004, el
ndice de desocupacin para el 1er. trimestre del 2005 es del 100,7%.
Proporcin
De las variables ya tratadas podemos decir, por ejemplo, que la proporcin de
pymes del rubro industrial es del 37,5%, o tambin que la proporcin de pie-
zas de plstico con un nivel de terminacin bueno o muy bueno es del 50%.
La proporcin mide el peso incidencia que tiene una o varias cate-
goras/valores de la variable en el conjunto total de datos.
La proporcin se calcula haciendo el cociente entre la frecuencia correspon-
diente a una categora o valor de la variable y el total de los datos.
En smbolos:
Si bien el resultado es un coeficiente comprendido entre 0 y 1, la proporcin
tambin se expresa en porcentajes (multiplicndola por 100).
Los clculos implcitos en el prrafo inicial son:
El primer ejemplo tiene en cuenta slo una categora de la variable por eso se
lo considera una proporcin simple y el segundo es una proporcin compuesta
porque interviene ms de una categora.
15.
a. Determinar e interpretar la proporcin de viviendas de 4 ambientes
de la ME 2.
b. Qu porcentaje de empleados estn al menos conformes con el fun-
44
Universidad Virtual de Quilmes
cionamiento de la empresa cooperativa (ME 1)?
c. Cul es la proporcin de desaparecidos con una edad de entre 30 y
35 aos?
d. Identificar qu tipo de proporcin (simple o compuesta) es cada una
de las calculadas en los tems anteriores.
Razn
La razn, a diferencia de la proporcin, es un indicador que se obtiene calcu-
lando el cociente entre las frecuencias de valores distintos de una variable.
La razn mide el peso incidencia que tiene una o varias categor-
as/valores de la variable con respecto a otra u otras categoras/valores.
La razn entre A y B se calcula haciendo el cociente entre sus respectivas fre-
cuencias, siendo A y B valores/categoras o grupos de valores/categoras.
En smbolos:
Ejemplos
Por cada 1 vivienda de dos ambientes hay 1,6 viviendas de tres ambientes (o
tambin, en la muestra hay un 60% ms de viviendas con 3 ambientes que con
2 ambientes).
Por cada pieza que se fabrica con un nivel de terminacin regular hay dos pie-
zas con nivel bueno o muy bueno.
El primer ejemplo tiene en cuenta slo una categora de la variable en
ambos factores del cociente, por ello es una razn simple y el segundo es una
razn compuesta porque interviene ms de una categora en por lo menos
uno de los dos factores.
16.
a. Cul es la razn entre los empleados que estn conformes y los que
estn muy conformes con el funcionamiento de la empresa coope-
rativa? (ME 1).
b. Por cada trabajador mayor a 40 aos, cuntos hay de entre 30 y 40
aos? (ME 1).
c. Identificar qu tipo de razn (simple o compuesta) es cada una de las
calculadas en los tems anteriores.
45
Estadistica
Como en el caso de las
proporciones, las razo-
nes pueden ser simples o com-
puestas.
En las distribuciones bivariadas (tablas de doble entrada), son compuestas todas las tasas cal-
culadas a partir de las frecuencias conjuntas.
Por ejemplo, en la distribucin conjunta entre rubro y puestos de trabajo de las pymes
(ver tabla 1.10.) se puede observar que el 16,67% (4/24100) de las pymes de la muestra son
del rubro industrial y aumentaron los puestos de trabajo entre 2001 y 2003, o que por cada
pymes del rubro comercial que mantuvo hay 1,33 (4/3) industrial que aument sus puestos
de trabajo.
Nmeros ndice
Un nmero ndice mide las variaciones relativas de la ocurrencia de los valo-
res/categoras de una variable a travs de distintas situaciones espaciales o
temporales.
En smbolos:
Donde i indica una situacin espacial o temporal cualquiera y o indica la
situacin de referencia llamada base.
Para estudiar si hubo algn cambio en la cantidad de trabajadores (ME 1)
que cobran actualmente ms de $750 respecto de los que cobraban tambin
ms de $750 en el perodo anterior, calculamos
El grupo de trabajadores que hoy tienen un salario quincenal superior a los
$750 es el 260% del grupo de trabajadores que en el perodo anterior tenan
tambin ms de $750 de salario quincenal. Es decir, que la cantidad de tra-
bajadores que hoy ganan ms de $750 aument un 160% con respecto a la
situacin anterior.
En el caso de los trabajadores de la cooperativa y de la fbrica automotriz
podemos comparar una determinada franja de edad, por ejemplo empleados
de entre 20 y 30 aos, haciendo
El grupo de empleados de la cooperativa de 20 a 30 aos es el 25% de los
trabajadores de la fbrica. Es decir que hay un 75% menos de personas de 20
a 30 aos trabajando en la cooperativa que en la fbrica automotriz.
ndices de precios
Veremos a continuacin cmo se construyen y cmo se usan los ndices gene-
rales de precios.
46
Universidad Virtual de Quilmes
42
Por ejemplo, en la distribucin conjunta entre rubro y puestos de trabajo
de las pymes (ver tabla 1.10) se puede observar que el 16,67% (4/24100) de
las pymes de la muestra son del rubro industrial y aumentaron los puestos de
trabajo entre 2001 y 2003, o que por cada pymes del rubro comercial que
mantuvo hay 1,33 (4/3) industrial que aument sus puestos de trabajo.
FIN DE TEXTO APARTE
Nmeros ndice
Un nmero ndice mide las variaciones relativas de la ocurrencia de los
valores/categoras de una variable a travs de distintas situaciones
espaciales o temporales.
En smbolos:
Donde i indica una situacin espacial o temporal cualquiera y o
indica la situacin de referencia llamada base.
Para estudiar si hubo algn cambio en la cantidad de trabajadores
(ME 1) que cobran actualmente ms de $750 respecto de los que
cobraban tambin ms de $750 en el perodo anterior, calculamos
I
actual/anterior
(msde750) =
f
actual
(> 750)
f
anterior
(> 750)
=
13
5
= 2, 60
El grupo de trabajadores que hoy tienen un salario quincenal superior a
los $750 es el 260% del grupo de trabajadores que en el perodo anterior
tenan tambin ms de $750 de salario quincenal. Es decir, que la
cantidad de trabajadores que hoy ganan ms de $750 aument un 160%
con respecto a la situacin anterior.
En el caso de los trabajadores de la cooperativa y de la fbrica
automotriz podemos comparar una determinada franja de edad, por
ejemplo empleados de entre 20 y 30 aos, haciendo
I
cooperativa/fbrica
(entre20y30aos) =
f
cooperativa
(20 edad 30)
f
fbrica
(20 edad 30)
=
4
16
= 0, 25
El grupo de empleados de la cooperativa de 20 a 30 aos es el 25% de
los trabajadores de la fbrica. Es decir que hay un 75% menos de
personas de 20 a 30 aos trabajando en la cooperativa que en la fbrica
automotriz.
ndices de precios
Veremos a continuacin cmo se construyen y cmo se usan los ndices
generales de precios.
42
Por ejemplo, en la distribucin conjunta entre rubro y puestos de trabajo
de las pymes (ver tabla 1.10) se puede observar que el 16,67% (4/24100) de
las pymes de la muestra son del rubro industrial y aumentaron los puestos de
trabajo entre 2001 y 2003, o que por cada pymes del rubro comercial que
mantuvo hay 1,33 (4/3) industrial que aument sus puestos de trabajo.
FIN DE TEXTO APARTE
Nmeros ndice
Un nmero ndice mide las variaciones relativas de la ocurrencia de los
valores/categoras de una variable a travs de distintas situaciones
espaciales o temporales.
En smbolos:
Donde i indica una situacin espacial o temporal cualquiera y o
indica la situacin de referencia llamada base.
Para estudiar si hubo algn cambio en la cantidad de trabajadores
(ME 1) que cobran actualmente ms de $750 respecto de los que
cobraban tambin ms de $750 en el perodo anterior, calculamos
I
actual/anterior
(msde750) =
f
actual
(> 750)
f
anterior
(> 750)
=
13
5
= 2, 60
El grupo de trabajadores que hoy tienen un salario quincenal superior a
los $750 es el 260% del grupo de trabajadores que en el perodo anterior
tenan tambin ms de $750 de salario quincenal. Es decir, que la
cantidad de trabajadores que hoy ganan ms de $750 aument un 160%
con respecto a la situacin anterior.
En el caso de los trabajadores de la cooperativa y de la fbrica
automotriz podemos comparar una determinada franja de edad, por
ejemplo empleados de entre 20 y 30 aos, haciendo
I
cooperativa/fbrica
(entre20y30aos) =
f
cooperativa
(20 edad 30)
f
fbrica
(20 edad 30)
=
4
16
= 0, 25
El grupo de empleados de la cooperativa de 20 a 30 aos es el 25% de
los trabajadores de la fbrica. Es decir que hay un 75% menos de
personas de 20 a 30 aos trabajando en la cooperativa que en la fbrica
automotriz.
ndices de precios
Veremos a continuacin cmo se construyen y cmo se usan los ndices
generales de precios.
42
Por ejemplo, en la distribucin conjunta entre rubro y puestos de trabajo
de las pymes (ver tabla 1.10) se puede observar que el 16,67% (4/24100) de
las pymes de la muestra son del rubro industrial y aumentaron los puestos de
trabajo entre 2001 y 2003, o que por cada pymes del rubro comercial que
mantuvo hay 1,33 (4/3) industrial que aument sus puestos de trabajo.
FIN DE TEXTO APARTE
Nmeros ndice
Un nmero ndice mide las variaciones relativas de la ocurrencia de los
valores/categoras de una variable a travs de distintas situaciones
espaciales o temporales.
En smbolos:
Donde i indica una situacin espacial o temporal cualquiera y o
indica la situacin de referencia llamada base.
Para estudiar si hubo algn cambio en la cantidad de trabajadores
(ME 1) que cobran actualmente ms de $750 respecto de los que
cobraban tambin ms de $750 en el perodo anterior, calculamos
I
actual/anterior
(msde750) =
f
actual
(> 750)
f
anterior
(> 750)
=
13
5
= 2, 60
El grupo de trabajadores que hoy tienen un salario quincenal superior a
los $750 es el 260% del grupo de trabajadores que en el perodo anterior
tenan tambin ms de $750 de salario quincenal. Es decir, que la
cantidad de trabajadores que hoy ganan ms de $750 aument un 160%
con respecto a la situacin anterior.
En el caso de los trabajadores de la cooperativa y de la fbrica
automotriz podemos comparar una determinada franja de edad, por
ejemplo empleados de entre 20 y 30 aos, haciendo
I
cooperativa/fbrica
(entre20y30aos) =
f
cooperativa
(20 edad 30)
f
fbrica
(20 edad 30)
=
4
16
= 0, 25
El grupo de empleados de la cooperativa de 20 a 30 aos es el 25% de
los trabajadores de la fbrica. Es decir que hay un 75% menos de
personas de 20 a 30 aos trabajando en la cooperativa que en la fbrica
automotriz.
ndices de precios
Veremos a continuacin cmo se construyen y cmo se usan los ndices
generales de precios.
Construccin de ndices de precios
Convengamos que todos los productos de la canasta familiar se puedan redu-
cir a, digamos, tres (A, B y C) y que en dos aos distintos se relevaron los pre-
cios (p) y las cantidades (q) consumidas de cada uno de ellos:
Podemos analizar cmo evolucion el precio de cada uno de los productos,
haciendo tres ndices simples de precios.
I
2004/2003
(A) = 15 / 13 100 = 115,38%
El precio del producto A subi un 15,38% entre el 2003 y el 2004.
I
2004/2003
(B) = 21 / 25 100 = 84,00%
El precio del producto B baj un 16,00% entre el 2003 y el 2004.
I
2004/2003
(C) = 6 / 5 100 = 120,00%
El precio del producto A subi un 20,00% entre el 2003 y el 2004.
Para medir la evolucin del conjunto de precios de los tres productos necesi-
tamos contar con ndices compuestos.
Media de relativos simples (o media de ndices simples)
Es la media aritmtica de todos los ndices simples de todos los productos.
Para el ejemplo que estamos viendo, el clculo sera.
Los precios de los productos A, B y C subieron en conjunto un 6,46% entre los
aos 2003 y 2004.
Relativo de agregados no ponderados (o ndice de agregados no ponderados)
Se construye como cociente entre la sumatoria (agregacin) de los precios para
el ao 2004 y la sumatoria (agregacin) de los precios para el ao base 2003.
Los precios de los productos A, B y C bajaron en conjunto un 2,33% entre los
aos 2003 y 2004.
Relativo de agregados ponderados (o ndice de agregados ponderados)
Se construyen no solamente con los precios sino con algn otro elemento de pon-
deracin que permita darle un peso distinto a cada producto. Ese elemento
de ponderacin generalmente es la cantidad consumida de cada producto.
47
Estadistica
En realidad la canasta
familiar est integrada por
muchos productos. En este caso,
como recurso didctico, usamos
tres productos como representati-
vos de todos slo para reducir la
cantidad de clculos.
que hoy ganan ms de $750 aument un 160% con respecto a la situacin anterior.
En el caso de los trabajadores de la cooperativa y de la fbrica automotriz podemos comparar una determinada
franja de edad, por ejemplo empleados de entre 20 y 30 aos, haciendo
El grupo de empleados de la cooperativa de 20 a 30 aos es el 25% de los trabajadores de la fbrica. Es decir que hay
un 75% menos de personas de 20 a 30 aos trabajando en la cooperativa que en la fbrica automotriz.
ndices de precios
Veremos a continuacin cmo se construyen y cmo se usan los ndices generales de precios.
Construccin de ndices de precios
Convengamos que todos los productos de la canasta familiar se puedan reducir a, digamos, tres (A, B y C) y que en dos
aos distintos se relevaron los precios (p) y las cantidades (q) consumidas de cada uno de ellos:
Producto Precio 2003 Cantidad 2003 Precio 2004 Cantidad 2004
A $13 500 $15 550
B $25 280 $21 250
C $5 990 $6 1200
COMIENZO DE PASTILLA EN oanasta familiar
Ln realidad la oanasta familiar esta integrada por muohos produotos. Ln este oaso, oomo reourso didaotioo, usamos tres produotos oomo
representativos de todos solo para reduoir la oantidad de oaloulos.
FIN DE PASTILLA
Podemos analizar cmo evolucion el precio de cada uno de los productos, haciendo tres ndices simples de precios.
I
2004/2003
(A) = 15 / 13 100 = 115,38%
El precio del producto A subi un 15,38% entre el 2003 y el 2004.
I
2004/2003
(B) = 21 / 25 100 = 84,00%
El precio del producto B baj un 16,00% entre el 2003 y el 2004.
I
2004/2003
(C) = 6 / 5 100 = 120,00%
El precio del producto A subi un 20,00% entre el 2003 y el 2004.
Para medir la evolucin del conjunto de precios de los tres productos necesitamos contar con ndices compuestos.
Media de relativos simples (o media de ndices simples)
Es la media aritmtica de todos los ndices simples de todos los productos. Para el ejemplo que estamos viendo, el
clculo sera.
43
Construccin de ndices de precios
Convengamos que todos los productos de la canasta familiar se puedan
reducir a, digamos, tres (A, B y C) y que en dos aos distintos se
relevaron los precios (p) y las cantidades (q) consumidas de cada uno de
ellos:
Producto Precio 2003 Cantidad 2003 Precio 2004 Cantidad 2004
A $13 500 $15 550
B $25 280 $21 250
C $5 990 $6 1200
COMIENZO DE PASTILLA EN canasta familiar
En realidad la canasta familiar est integrada por muchos productos. En este caso,
como recurso didctico, usamos tres productos como representativos de todos slo
para reducir la cantidad de clculos.
FIN DE PASTILLA
Podemos analizar cmo evolucion el precio de cada uno de los
productos, haciendo tres ndices simples de precios.
I
2004/2003
(A) = 15 / 13 100 = 115,38%
El precio del producto A subi un 15,38% entre el 2003 y el 2004.
I
2004/2003
(B) = 21 / 25 100 = 84,00%
El precio del producto B baj un 16,00% entre el 2003 y el 2004.
I
2004/2003
(C) = 6 / 5 100 = 120,00%
El precio del producto A subi un 20,00% entre el 2003 y el 2004.
Para medir la evolucin del conjunto de precios de los tres productos
necesitamos contar con ndices compuestos.
Media de relativos simples (o media de ndices simples)
Es la media aritmtica de todos los ndices simples de todos los
productos. Para el ejemplo que estamos viendo, el clculo sera.
I
2004
2003
( A, B, C) =
I
2004
2003
( A) + I
2004
2003
(B) + I
2004
2003
(C)
3
=106, 46%
Los precios de los productos A, B y C subieron en conjunto un
6,46% entre los aos 2003 y 2004.
Relativo de agregados no ponderados (o ndice de agregados no
ponderados)
La cuestin que aparece a continuacin es decidir con qu cantidades
ponderar, las del ao tomado como base o las del ao para el que se hace
el estudio que convenimos en llamar ao dado.
Entre los criterios existentes, el de Laspeyres adopta, para ponderar las can-
tidades consumidas en el ao base, la siguiente manera:
Este es el criterio que utiliza el Sistema Estadstico Nacional (INDEC y Direc-
ciones Provinciales de Estadsticas) para la construccin de todos los ndices
generales de precios: ndice de Precios al consumidor (IPC), Sistema de ndi-
ces de precios mayoristas (SIPM) e ndice de costos de la construccin (ICC).
Para el ejemplo que estamos desarrollando, el clculo del ndice de pre-
cios segn el criterio de Laspeyres para el conjunto de los productos A, B,
C es:
Los precios de los productos A, B, C subieron en conjunto un 4,72% entre los
aos 2003 y 2004. Es decir que en 2004 esos productos fueron en conjunto
un 4,72% ms caros respecto del ao 2003.
Si esos tres productos fueran todos los de la canasta familiar, como esta-
mos simulando, las cantidades consumidas podran entrar en la frmula de Las-
peyres como porcentajes del total:
Esta estructura de ponderacin es la que usa el INDEC para publicar los ndi-
ces Generales de precios. El criterio de Paasche usa para ponderar las canti-
dades del ao dado.
Para los mismos productos y el mismo perodo, un ndice de precios elabora-
do con este criterio es:
48
Universidad Virtual de Quilmes
Fue publicado en 1870
por el economista y esta-
dstico alemn Ernst Louis Etienne
Laspeyres.
La estructura de ponde-
racin actual del IPC asig-
na para Alimentos y bebidas: 31,29%,
Indumentaria: 5,18%, Vivienda:
12,68%, Equipamiento y manteni-
miento del hogar: 6,55%, Atencin
mdica y gastos para la salud:
10,04%, Transporte y comunica-
ciones: 16,96%, Esparcimiento:
8,67%, Educacin: 4,20%, Bienes
y servicios varios: 4,43%.
En este caso hay que contar con la informacin de las cantidades consumi-
das en el ao dado y para la elaboracin de ndices generales eso implica un
serio problema operativo. Este criterio puede usarse en trabajos locales, donde
se tengan planificados y asegurados los recursos y se pueda encarar la moda-
lidad operativa que requiere ese ndice.
Un tercer criterio, el de Fisher, combina las virtudes de los dos anteriores
mediante el empleo de la media geomtrica entre I
L
y I
P
, pero tambin carga
con las mismas limitaciones operativas de P.
Para los tres productos del ejemplo:
Uso de los nmeros ndices
Llamemos i, j a dos aos dados cualesquiera y o al ao base.
En las publicaciones, todos los ndices generales aparecen referidos a un
ao base por lo que se cuenta entonces con los ndices I
i/
o
y I
j/
o
.
Para algn uso especfico en el que necesitramos un ndice I
j/
o
que des-
criba la evolucin entre los aos i y j, utilizaremos las llamadas cadenas o
enlaces relativos.
Supongamos que el ndice compuesto de precios de varios productos fue de
120 en 2000 y de 129 en 2001, calculados ambos con base 1999, y quere-
mos saber cunto aument el nivel de precios entre 2000 y 2001. La res-
puesta es que el nivel de precios aument un 7,50 % (se calcula: 129 / 120
x 100 =107,50 %).
El ndice de precios al consumidor y el promedio de salarios por hora en cier-
tas industrias seleccionadas se encuentran en la tabla siguiente.
Analizaremos cmo evolucion el salario real de un empleado tipo en cada
una de las tres industrias seleccionadas, entre el ao base 1988 y el ao
1991.
Para este anlisis utilizaremos el IPC cuyo rol ser el de mover en el tiem-
po una magnitud econmica en este caso el salario y hacer comparaciones.
49
Estadistica
I
i
o
I
j
i
= I
j
o
I
j
i
=
I
j
o
I
i
o
Por ejemplo: representa el salario del ao 1988
8,67, Lduoaoion: 4,20, Bienes y servioios varios: 4,43.
FIN DE PASTILLA
El criterio de Paasche usa para ponderar las cantidades del ao dado.
Para los mismos productos y el mismo perodo, un ndice de precios elaborado con este criterio es:
En este caso hay que contar con la informacin de las cantidades consumidas en el ao dado y para la elaboracin
de ndices generales eso implica un serio problema operativo. Este criterio puede usarse en trabajos locales, donde se
tengan planicados y asegurados los recursos y se pueda encarar la modalidad operativa que requiere ese ndice.
Un tercer criterio, el de Fisher, combina las virtudes de los dos anteriores mediante el empleo de la media geomtrica
entre I
L
y I
P
, pero tambin carga con las mismas limitaciones operativas de P.
Para los tres productos del ejemplo:
Uso de los nmeros ndices
Llamemos i, j a dos aos dados cualesquiera y o al ao base.
En las publicaciones, todos los ndices generales aparecen referidos a un ao base por lo que se cuenta entonces con
los ndices y .
Para algn uso especco en el que necesitramos un ndice que describa la evolucin entre los aos i y j,
utilizaremos las llamadas cadenas o enlaces relativos.
Supongamos que el ndice compuesto de precios de varios productos fue de 120 en 2000 y de 129 en 2001, calculados
ambos con base 1999, y queremos saber cunto aument el nivel de precios entre 2000 y 2001. La respuesta es que el
nivel de precios aument un 7,50 % (se calcula: 129 / 120 x 100 =107,50 %).
El ndice de precios al consumidor y el promedio de salarios por hora en ciertas industrias seleccionadas se encuentran
en la tabla siguiente.
Salarios por hora (en $)
Ao IPC Servicios Comercio al menudeo Manufactura
1988
1989
1990
1991
100,0
109,6
113,6
117,1
7,17
8,18
8,81
9,49
5,50
5,95
6,06
6,60
8,48
9,37
9,37
10,01
Analizaremos cmo evolucion el salario real de un empleado tipo en cada una de las tres industrias seleccionadas,
entre el ao base 1988 y el ao 1991.
Para este anlisis utilizaremos el IPC cuyo rol ser el de mover en el tiempo una magnitud econmica en este caso
Cualquier ndice general utilizado con esta finalidad recibe el nombre de ndi-
ce deflactor.
Por ejemplo: representa el salario del ao 1988
trasladado al ao 1991, para un empleado del sector servicios. Este es el
valor del salario del ao 1988 corregido por el costo de la vida en el lapso
1988-1991.
Si comparamos el valor obtenido ($8,40) con el que realmente recibe en 1991
($9,49), vemos que su salario real aument un 12,98% (=9,49/8,40 x 100).
17.
Usando la informacin de la tabla anterior describir la evolucin del
salario del sector servicios entre 1989 y 1990.
Es posible concluir que las medidas de intensidad son aplicables a cual-
quier tipo de variable?
18.
Extraer todas las conclusiones posibles a partir de la lectura del texto
que se transcribe a continuacin y que es parte de un artculo publica-
do en el diario Pgina 12.
Todos los libros el libro
Por Gabriel D. Lerman
[] Segn estimaciones publicadas por el SINCA (Sistema de Infor-
macin Cultural de la Argentina), la cultura argentina constituye un
3% del PBI nacional, cifra que supera, por ejemplo, al sector de la mine-
ra. Ms 9100 millones de pesos producidos y ms 200 mil puestos de
trabajo generados componen un sector diverso, heterogneo, que sin
embargo se caracteriza por una alta concentracin econmica y geo-
grfica, que reproduce el ms feroz centralismo porteo.
La industria editorial ha sido por dcadas uno de los puntales de la cul-
tura argentina, punto de referencia para toda Amrica latina y el mundo
hispanoparlante. Hacia mediados de la dcada del setenta, el pas pro-
duca unos 50 millones de ejemplares al ao, cifra que diez aos ms
tarde haba cado a 17. En 1996 se produjeron 42 millones de libros, en
el 2000 se lleg a 74 millones y en el 2002, tras la crisis, la produccin
cay a la mitad. A partir de la devaluacin, Argentina recuper condi-
ciones favorables e inici una franca recuperacin: de 38 millones de
libros en 2003 se pas a 56 en 2004. En 2007, la industria editorial
argentina tuvo el record histrico de 93 millones de ejemplares impre-
sos []
[] Cerca del 75% de las editoriales se encuentra emplazada en la regin
metropolitana, mientras que el resto se ubica en los principales centros
urbanos. Si bien esto responde a la concentracin de la poblacin, hay
provincias que slo poseen una o dos editoriales que apenas sobreviven
con ayuda oficial.
50
Universidad Virtual de Quilmes
I
i
o
I
j
i
= I
j
o
I
j
i
=
I
j
o
I
i
o
Por ejemplo: representa el salario del ao 1988
Se puede ver el art-
c u l o c o mp l e t o e n
www. p a g i n a 1 2 . c o m. a r ,
Suplemento Radar libros del
di ari o Pgi na 12, con fecha
22/03/2009.
[...] Tres de cada cuatro libros les corresponden a las grandes editoriales
[...]
[...] Argentina y Colombia lideran el comercio exterior de libros en Am-
rica del Sur.
[...] Segn la publicacin Nosotros y los otros, del Mercosur Cultural,
un 77% de los libros exportados por la regin sudamericana quedan en
el continente. Esto muestra una baja capacidad de penetracin en mer-
cados internacionales ms vigorosos, incluso Espaa, que adquiere slo
el 1,6% del total exportado. Por el contrario, si se miden las importa-
ciones se comprueba que slo el 41% proviene de los mismos pases,
mientras que las compras a Espaa trepan al 29% [...]
1.3. Matrices ejemplos
Las siguientes matrices corresponden a muestras representativas seleccio-
nadas de diferentes poblaciones objetivo de estudio, con distintos tipos de
unidades de observacin.
Matriz 1. Poblacin: trabajadores de una empresa cooperativa donde cada tra-
bajador es una unidad de observacin.
Referencias:
Nivel de especializacin: B: bajo, M: mediano, A: alto.
Conformidad con el funcionamiento de la empresa cooperativa: P: poco con-
forme, C: conforme, M: muy conforme.
Quincena actual: salario quincenal de los trabajadores (participacin quince-
nal en las ganancias de la cooperativa) en el mes en curso despus de haber-
se producido un incremento en las ventas.
Quincena anterior: salario quincenal de los trabajadores previo al incremento
de las ventas.
51
Estadistica
1.3. Matrices ejemplos
Matriz 1. Poblacin: trabajadores de una empresa cooperativa donde cada trabajador es una unidad de observacin.
ME 1-
Empleado edad sexo
Anti-
gedad
Especia-
lizacin
Confor-
midad
Quincena$
actual
Quincena$
anterior
1 34 M 1 B C 345 310
2 36 F 5 A M 950 810
3 51 M 7 M P 670 570
4 21 F 4 M C 810 730
5 37 F 0 M M 800 680
6 38 M 0 B P 500 450
7 39 F 9 B C 690 580
8 25 F 4 M M 840 715
9 36 M 3 M P 835 750
10 40 F 3 M P 735 660
11 63 F 5 A M 1550 1320
12 40 M 5 A M 850 730
13 39 F 0 B C 505 452
14 37 M 8 A M 1135 965
15 57 F 13 A M 1280 1100
16 30 F 2 M M 820 700
17 28 M 3 B C 480 410
18 48 F 1 M M 830 720
19 42 M 7 A P 1145 970
20 37 F 1 M M 775 698
Vivienda
Cant. de
ambientes
Mantenimiento
Personas
ocupantes
Gasto
medio
mensual
Personas
mayores con
trabajo
Hay nios
que trabajan?
1 3 B 3 780,50 1 N
2 2 M 3 1500,35 1 N
3 5 B 4 1200,05 2 N
4 3 B 2 986,65 1 N
5 4 R 3 2010,90 2 S
6 1 B 3 780 ,10 1 N
7 2 M 3 1452,25 3 N
8 4 E 2 1200,00 2 N
9 5 B 5 900,98 2 N
10 4 R 3 2010,09 3 N
11 3 B 3 891,75 2 N
12 4 M 3 1205,40 3 N
13 3 B 3 909,90 1 S
14 2 B 2 2010,10 2 N
15 4 M 3 899,50 3 N
16 2 B 2 780,00 2 N
17 4 R 5 1505,10 3 N
18 1 B 3 1224,69 3 N
19 2 M 3 890,70 3 N
20 4 E 3 780,50 2 S
21 5 B 3 1312,80 3 N
22 3 R 2 1219,40 2 N
23 4 B 5 986,20 4 N
24 4 R 3 2010,35 3 N
25 3 B 3 890,10 1 S
26 5 B 3 780,09 1 N
27 3 R 3 1510,69 3 N
28 6 B 2 1200,75 2 N
29 4 M 5 942,70 5 N
30 1 E 2 2010,00 1 S
31 4 B 3 890,40 2 N
32 3 R 5 780,80 3 N
Referencias
Matriz 2. Poblacin: viviendas de un determinado barrio donde cada vivienda
es la unidad de anlisis.
Referencias:
Mantenimiento o estado de mantenimiento: M: malo, R: regular, B: bueno, E:
excelente.
Gasto medio mensual en alimentos del grupo que vive en la vivienda en $.
Hay nios que trabajan?: S: s, N: no.
52
Universidad Virtual de Quilmes
1.3. Matrices ejemplos
Matriz 1. Poblacin: trabajadores de una empresa cooperativa donde cada trabajador es una unidad de observacin.
ME 1-
Empleado edad sexo
Anti-
gedad
Especia-
lizacin
Confor-
midad
Quincena$
actual
Quincena$
anterior
1 34 M 1 B C 345 310
2 36 F 5 A M 950 810
3 51 M 7 M P 670 570
4 21 F 4 M C 810 730
5 37 F 0 M M 800 680
6 38 M 0 B P 500 450
7 39 F 9 B C 690 580
8 25 F 4 M M 840 715
9 36 M 3 M P 835 750
10 40 F 3 M P 735 660
11 63 F 5 A M 1550 1320
12 40 M 5 A M 850 730
13 39 F 0 B C 505 452
14 37 M 8 A M 1135 965
15 57 F 13 A M 1280 1100
16 30 F 2 M M 820 700
17 28 M 3 B C 480 410
18 48 F 1 M M 830 720
19 42 M 7 A P 1145 970
20 37 F 1 M M 775 698
Vivienda
Cant. de
ambientes
Mantenimiento
Personas
ocupantes
Gasto
medio
mensual
Personas
mayores con
trabajo
Hay nios
que trabajan?
1 3 B 3 780,50 1 N
2 2 M 3 1500,35 1 N
3 5 B 4 1200,05 2 N
4 3 B 2 986,65 1 N
5 4 R 3 2010,90 2 S
6 1 B 3 780 ,10 1 N
7 2 M 3 1452,25 3 N
8 4 E 2 1200,00 2 N
9 5 B 5 900,98 2 N
10 4 R 3 2010,09 3 N
11 3 B 3 891,75 2 N
12 4 M 3 1205,40 3 N
13 3 B 3 909,90 1 S
14 2 B 2 2010,10 2 N
15 4 M 3 899,50 3 N
16 2 B 2 780,00 2 N
17 4 R 5 1505,10 3 N
18 1 B 3 1224,69 3 N
19 2 M 3 890,70 3 N
20 4 E 3 780,50 2 S
21 5 B 3 1312,80 3 N
22 3 R 2 1219,40 2 N
23 4 B 5 986,20 4 N
24 4 R 3 2010,35 3 N
25 3 B 3 890,10 1 S
26 5 B 3 780,09 1 N
27 3 R 3 1510,69 3 N
28 6 B 2 1200,75 2 N
29 4 M 5 942,70 5 N
30 1 E 2 2010,00 1 S
31 4 B 3 890,40 2 N
32 3 R 5 780,80 3 N
Referencias
Matriz 3. Poblacin: pymes de la Repblica Argentina ao 2004/2005 donde
cada pyme es la unidad de estudio.
Referencias:
Tipo de pyme: R: recuperada, P: privada.
Rubro: A: agrcola, C: comercial, I: industrial, S: servicios.
Antigedad, en aos, al 2005.
Nivel de endeudamiento: N: ninguno, B: bajo, M: medio, A: alto, MA: muy alto.
Puestos de trabajo durante 2001-2003: D: disminuy, M: mantuvo, A: aument.
53
Estadistica
Mantenimiento o estado de mantenimiento: M: malo, R: regular, B: bueno, E: excelente
Gasto medio mensual en alimentos del grupo que vive em la vivienda em $
Hay nios que trabajan?: S: s, N: no
Matriz 3. Poblacin: pymes de la Repblica Argentina ao 2004/2005 donde cada pyme es la unidad de estudio.
ME 3-
PyME Tipo Rubro Antigedad
Endeu-
damiento
Cantidad de
Personal
Puestos de trabajo
2001-2003
1 P S 1 M 128 M
2 P I 6 M 150 D
3 R A 8 N 19 A
4 R C 4 M 170 M
5 P I 8 MA 112 M
6 P A 3 A 140 D
7 R I 10 B 20 A
8 P S 8 MA 23 D
9 P C 4 M 114 M
10 P A 0 MA 148 A
11 R A 2 M 154 A
12 P I 4 B 100 D
13 P C 5 MA 250 D
14 R I 6 A 142 A
15 P A 7 MA 105 M
16 R I 2 A 160 M
17 p C 9 M 22 M
18 R I 17 B 5 M
19 P S 11 M 120 D
20 R I 6 N 137 A
21 P I 7 M 80 D
22 P A 4 A 109 M
23 P C 25 MA 110 A
24 R S 11 B 144 A
Referencias:
Tipo de pyme: R: recuperada, P: privada.
Rubro: A: agrcola, C: comercial, I: industrial, S: servicios.
Antigedad, en aos, al 2005.
Nivel de endeudamiento: N: ninguno, B: bajo, M: medio, A: alto, MA: muy alto.
Puestos de trabajo durante 2001-2003: D: disminuy, M: mantuvo, A: aument.
Matriz 4. Poblacin: todas las piezas plsticas especiales fabricadas por una
determinada empresa, donde cada pieza es la unidad que se observa para su
estudio y anlisis.
Referencias:
Materia prima: N: nacional, I: importada.
Tiempo de fabricacin: tiempo, en das, que lleva de fabricada la pieza.
Nivel de detalles de terminacin: R: regular, B: bueno, MB: muy bueno, E: exce-
lente.
Tiene alguna caracterstica sealable?: S: s, N: no.
54
Universidad Virtual de Quilmes
Matriz 4. Poblacin: todas las piezas plsticas especiales fabricadas por una determinada empresa, donde cada pieza es
la unidad que se observa para su estudio y anlisis.
ME 4
Pieza
Longitud
[cm]
Materia
prima
Tiempo de
Detalles
de
Peso
[gr]
Caracterstica
sealable
1 5,59 N 261 R 71,1 N
2 5,53 I 145 E 71,9 N
3 5,59 N 137 B 72,0 N
4 5,49 N 168 MB 70,5 S
5 5,50 I 150 MB 70,1 N
6 5,47 N 140 R 71,4 N
7 5,15 I 139 R 70,7 S
8 5,51 N 194 MB 71,5 N
9 5,54 N 93 B 71,7 S
10 5,49 I 39 MB 71,2 N
11 5,56 N 59 E 71,3 S
12 5,49 N 65 B 69,5 N
13 5,64 I 110 R 72,5 S
14 5,59 N 128 E 71,7 N
15 5,57 N 13 E 71,9 S
16 5,45 I 22 MB 70,9 N
17 5,30 N 113 R 64,1 S
18 5,46 I 81 B 70,3 S
19 5,55 N 79 E 67,1 N
20 5,61 N 11 B 72,1 N
Referencias
Materia prima: N: nacional, I: importada.
Tiempo de fabricacin: tiempo, en das, que lleva de fabricada la pieza.
Nivel de detalles de terminacin: R: regular, B: bueno, MB: muy bueno, E: excelente.
Tiene alguna caracterstica sealable?: S: s, N: no.