Professional Documents
Culture Documents
67
PRESENTACION
El origen del presente texto gua obedece a una decisin del estamento docente y
las autoridades de la Universidad Amaznica de Pando, de aplicar reformas
profundas en el campo acadmico, determinacin que en la prctica se inicia el 8
de enero del ao 2001, inicialmente con una autocrtica y reflexin profundas que
concluyeron con la decisin de encaminar e introducir variantes en lo que hasta
entonces constitua la ctedra tradicional en nuestra superior casa de estudios.
Pretender alcanzar la excelencia acadmica no slo representaba en los hechos
encarar transformaciones en el terreno administrativo-organizativo, sino
fundamentalmente dar un giro substancial de 180 grados en la prctica docente,
vale decir la prctica en el aula. La Universidad no slo deba ser testigo de un
crecimiento cuantitativo en la ampliacin de su oferta curricular y la mejora
espectacular de la infraestructura y equipamiento, sino que la cualificacin de la
ctedra universitaria era una necesidad que en el corto plazo deba trasuntarse
en logros acadmicos concretos en favor del universitario pandino, que sumido en
su impotencia no atina an a dar crdito a lo que la nueva universidad pretende
para su propio beneficio.
El contenido de la presente gua constituye una recopilacin de textos
tradicionales y clsicos en la enseanza de la estadstica y las probabilidades,
asignatura no siempre asequible al estudiante novato por el contenido matemtico
que conlleva consigo.
La experiencia de muchos aos en la ctedra universitaria en la asignatura de
Estadstica y probabilidades ha constituido paralelamente un incentivo para
profundizar en los aspectos esenciales de la asignatura y ofertar al estudiante
universitario un apoyo didctico que espero vendr a contribuir a paliar la aguda
escasez de textos especializados y tcnicos en el medio.
Sin embargo, como todo texto en proceso de elaboracin, el mismo con seguridad
adolecer de muchas falencias que se irn corrigiendo y complementando
paulatinamente en la medida en que se vaya aplicando en este y posteriores
cursos regulares.
Gracias: EL AUTOR
continuacin
presentamos
algunas
definiciones
de
KENDALL Y STUART.-Es la rama del mtodo cientfico que trata de los datos
obtenidos al contar o medir las propiedades de las poblaciones de
fenmenos humanos.
H. CRAMER.- El objeto fundamental de la teora estadstica consiste en
investigar la posibilidad de extraer de los datos estadsticos inferencias
vlidas, elaborando los mtodos mediante los cuales pueden obtenerse
dichas inferencias
FILOMENO CARVAJAL.- Por estadstica entendemos a la ciencia o conjunto de
conocimientos que se ocupan de la recoleccin, tabulacin, anlisis e
interpretacin de datos numricos relativos a un conjunto de individuos y
observaciones que nos permiten extraer conclusiones vlidas y tomar
decisiones lgicas basadas en dicho anlisis.
HORACIO DOTTONE.- La estadstica comprende el conjunto de mtodos y
procedimientos para obtener, describir e interpretar conjuntos de datos y
para basar decisiones y predecir fenmenos que pueden expresarse en
forma cuantitativa.
MARIO MURILLO OPORTO.- El significado de la estadstica es mucho ms
amplio. Se refiere tambin a un cuerpo de tcnicas o metodologas para la
recopilacin, presentacin y anlisis de los datos cuantitativos y
cualitativos y al uso de tales datos para toma de decisiones.
Pero esto no es todo, ya que se refiere tambin a la prediccin frente a la
incertidumbre de los fenmenos de la naturaleza. En otras palabras, podemos
decir que la estadstica es un mtodo que sirve para tomar decisiones cuando hay
incertidumbre, sobre la base de datos numricos y calcular su riesgo.
CELESTINO GARCIA ORE.- Estadstica es una disciplina que nos proporciona
un conjunto de mtodos y procedimientos que permiten: recopilar ,
clasificar, presentar y describir datos en forma adecuada para tomar
decisiones frente a la incertidumbre o predecir o afirmar algo acerca de la
poblacin o sus parmetros a partir de los datos extrados de la misma.
1.4. DIVISION DE LA ESTADISTICA
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
MUNDO REAL
ESTADISTICA
DECRIPTIVA
ESTADISTICA
INFERENCIAL
MUESTREO
TABULACION
GRAFICOS
REGULARIDADES
CALCULO
PARAMETROS
ESTIMACION
AXIOMAS DE COMPORTAMIENTO
NUMEROS
INDICES
CONTRASTACION
HIPOTESIS
MODELOS TEORICOS
MUNDO
IDEAL
MODELO
MATEMATICO
PROBABILIDADES
DISTRIBUCIONES
ESPECIALES
10
11
Por ejemplo, la variable estatus econmico con sus modalidades de: clase baja,
media y alta se mide en escala ordinal. La variable orden de mrito, cuyas
modalidades son: 1,2,3 etc, miden las calificaciones de las unidades
estadsticas en escala ordinal.
El mtodo estadstico con datos obtenidos en escala ordinal consiste bsicamente
en obtener el nmero o porcentaje de casos en cada modalidad y obtener la moda,
la mediana, los percentiles y el coeficiente de correlacin por rangos.
1.7.4. ESCALA DE INTERVALOS.- Una escala de INTERVALOS es una escala
ordinal con cuyos valores no slo se pueden verificar: igualdad, no igualdad y
orden, sino tambin, se puede elegir una unidad de escala y comprobar cuntas
veces la diferencia entre dos valores es igual a la diferencia entre otros dos
valores de la escala (es decir, podemos comparar intervalos).
Esto es, si X1, X2 y X3 son tres valores en la escala de intervalo, se verifica por
ejemplo, la relacin:
X3 X1 = c (X2 X1)
X3 X1 = c
X2 X1
12
X2 = c
X1
Donde c es una constante, y X1 = 0.
La escala de razn tiene un cero absoluto (ausencia de la caracterstica que
se observa). Con los nmeros de esta escala son vlidas las relaciones de
igualdad, de no igualdad, de orden y todas las operaciones matemticas. Los
valores de esta escala se obtienen en general, por mediciones tipo conteo
(discretos) o por mediciones tales como de longitud, peso, volumen, vida til, etc.
(continuos).
Por ejemplo, si la variable X es la longitud (en metros) de un objeto, entonces, los
valores de esta variable son de escala de razn. En efecto, si tres objetos A, B y
C miden 2, 4, y 16 metros, se pueden establecer las relaciones:
2 4 16
2 < 4 < 16
16 2 = 7(4 2)
Adems: 4/2 = 2;
16/2 = 8;
16/4 = 4
13
TEMA N 2
PROCESO ESTADSTICO RECOPLICACIN DE INFORMACIN
COMPETENCIA DE TEMA:
RECOPILA INFORMACIN DE PRIMERA FUENTE EN BASE A LA EJECUCIN
DEL PERFIL DE INVESTIGACIN SELECCIONADO, EN BASE A TECNICAS Y
PROCEDIMIENTOS DE LA ESTADSTICA DESCRIPTIVA, RESOLVIENDO
EJERCICIOS APLICATIVOS EN EL AULA Y SU APLICACIN DE EN LA
COMUNIDAD
DE DATOS
2.1. RECOPILACION DE DATOS.Se denomina recopilacin de datos a la operacin que consiste en acopiar o
recolectar datos; dicha operacin se la puede realizar de dos maneras: Si se
toman en cuenta a todos los elementos de la poblacin y se registran sus
caractersticas comunes, que pueden ser variables o atributos, se denomina
CENSO y la informacin obtenida de esta manera se llama dato censal. En cambio,
14
15
16
Si una muestra aleatoria se elige de tal forma que todos los elementos de la
poblacin tengan la misma probabilidad de ser seleccionado, se llama muestra
aleatoria simple.
Ejemplo:
Suponga que nos interesa elegir una muestra aleatoria de 5 estudiantes en un
grupo de estadstica de 20 alumnos. 20C5 da el nmero total de formas de elegir
una muestra no ordenada y este resultado es 15,504 maneras diferentes de
tomar la muestra. Si listamos las 15,504 en trozos separados de papel, una tarea
tremenda, luego los colocamos en un recipiente y despus los revolvemos,
entonces podremos tener una muestra aleatoria de 5 si seleccionamos un trozo de
papel con cinco nombres. Un procedimiento ms simple para elegir una muestra
aleatoria sera escribir cada uno de los 20 nombres en pedazos separados de
papel, colocarlos en un recipiente, revolverlos y despus extraer cinco papeles al
mismo tiempo.
Hay muchas situaciones en las cuales el muestreo aleatorio simple es poco
prctico, imposible o no deseado; aunque sera deseable usar muestras aleatorias
simples para las encuestas nacionales de opinin sobre productos o sobre
elecciones presidenciales, sera muy costoso o tardado.
b) MUESTREO SISTEMTICO
Una muestra aleatoria sistemtica es aquella en la que sus elementos se eligen de
la poblacin a intervalos uniformes a partir de un listado ordenado. El k-simo
elemento de la muestra es k=N/n, donde n es el tamao de la muestra y N el
tamao de la poblacin.
Por ejemplo: al elegir una muestra sistemtica de 100 alumnos de una unidad
educativa que tiene 3000 estudiantes. K = 3000/100 =30, entonces el primero se
elige en forma aleatoria de los 30 primeros de la lista y los dems
sistemticamente cada 30 alumnos de la lista.
c) MUESTREO ESTRATIFICADO.- Primero se clasifican a los elementos de la
poblacin en sub-grupos separados de acuerdo con una o ms caractersticas
importantes (estratos). Despus se obtiene por separado una muestra aleatoria
simple o sistemtica en cada estrato. El tamao de cada sub-muestra debe ser
proporcional al tamao del estrato para asegurar la representatividad.
17
Por ejemplo: Para obtener una muestra aleatoria de 600 electores de una
poblacin de 600.000 electores de los cuales 300.000 son de clase baja, 200.000
de clase media y 100.000 de clase alta. Para ello, primeramente se obtiene el %
de participacin de cada estrato sobre el total: 300.000/600.000 = 0,5 x 600 =
300; 200.000/600.000 = 0,33 x 600 = 200; y finalmente 100.000/600.000 =
0,166x600 = 100. Al interior de cada estrato se eligen en forma aleatoria simple.
d) MUESTREO POR CONGLOMERADOS.- Los elementos de la poblacin se
dividen en forma natural en sub-grupos o por conglomerados. Luego se eligen al
azar los sub-grupos que forman la muestra. Ejemplo: Al estudiar las pensiones que
se pagan en los colegios particulares donde no es posible tener la lista de todas
las pensiones, pero puede obtenerse una lista de los colegios particulares
(grupos). Entonces, con esta lista puede obtener una muestra aleatoria de
colegios y as obtener las pensiones que se pagan en estos colegios.
El muestreo por conglomerados requiere de elegir una muestra aleatoria simple
de unidades heterogneas entre s de la poblacin llamadas conglomerados. Cada
elemento de la poblacin pertenece exactamente a un conglomerado, y los
elementos dentro de cada conglomerado son usualmente heterogneos o dismiles.
En el muestreo por conglomerados, stos se forman para representar, tan
fielmente como sea posible, a toda la poblacin; entonces se usa una muestra
aleatoria simple de conglomerados para estudiarla. Los estudios de instituciones
sociales como iglesias, hospitales, escuelas y prisiones se realizan, generalmente,
con base en el muestreo por conglomerados.
En la leccin anterior analizamos las diferentes modalidades de muestreo y tipos
de muestreo: Muestra probabilstica, muestra no probabilstica, etc.
En este captulo profundizaremos algunas consideraciones relativas a las
distribuciones que se dan dentro del muestreo.
2.5. DETERMINACIN DEL TAMAO DE UNA MUESTRA.- Uno de los
aspectos que deben definirse en el proceso de muestreo, es el tamao de la
muestra. Para ello, deben tomarse en cuenta los siguientes aspectos:
a) Tamao del universo o poblacin = N
b) Grado de heterogeneidad de dicho universo, expresado por el valor de la
desviacin estndar de la variable aleatoria.
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
18
E = 0,05
p = 0,8
q= 0,2
19
2
n = (1,96) x 0,8 x 0,2 x 42074
2
2
1,96 x 0,8 x 0,2 + 42074 x 0,05
n = 245 miembros
TEMA No 3
PROCESO ESTADSTICO PRESENTACIN DE DATOS
COMPETENCIA DE TEMA:
ELABORA E INTERPRETA CUADROS Y GRFICOS DE DISTRIBUCIN DE
FRECUENCIAS PARA DATOS AGRUPADOS Y NO AGRUPADOS, MEDIANTE LA
RESOLUCIN DE EJERCICIOS DE APLICACIN EN EL AULA, EN BASE A LA
INFORMACIN OBTENIDA EN LA PRIMERA FASE
3.1. CLASIFICACIN DE DATOS.Esta fase es la continuidad de la primera; una vez recolectada la informacin en
base a la aplicacin del Perfil de Investigacin, el estudiante de Estadstica
elabora e interpreta cuadros estadsticos y grficos. Para tener una aproximacin
a la tarea en cuestin, tomemos el siguiente ejemplo:
Ejemplo: Tenemos las calificaciones de 25 estudiantes, en la escala del 1 al 7, con
datos redondeados al entero para facilitar la comprensin y asimilacin del
ejercicio; estos datos los hemos obtenido de la revisin de la nmina de
calificaciones del profesor X, los resultados estn reflejados en la presente
tabla:
6
5
6
6
5
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
6
5
5
7
7
4
7
4
20
6
6
4
3
5
6
5
7
5
6
7
7
4
6
7
4
6
7
4
6
7
5
6
7
5
6
5
6
5
6
5
6
5
7
21
PASO N 2: Una vez que se defina los valores que toma la variable, se debe
establecer el nmero de repeticiones para cada valor en particular, a estos
valores se lo conoce como FRECUENCIA ABSOLUTA o nmero de repeticiones.
Ejemplo: El nmero 3 solamente se repite una sola vez, el nmero 4 se repite 3
veces, el 5 se repite 7 veces y as sucesivamente. Seguidamente estas
repeticiones los anotamos en la segunda columna del cuadro.
CALIFICACIONES
Xi
3
4
5
6
7
TOTAL
FRECUENCIA ABSOLUTA
Ni
1
3
7
8
6
25
FRECUENCIA
FRECUENCIA ABSOLUTA
Xi
22
ABSOLUTA
Ni
1
3
7
8
6
25
3
4
5
6
7
TOTAL
ACUMULADA
Ni
1+0 = 1
1+3 =4
4+7 = 11
11+8 =19
19+6 =25
.-.
Ni
Ni
3
4
5
6
7
SUMA
1
3
7
8
6
25
1
4
11
19
25
-.-
FRECUENCIA
RELATIVA ( hi )
1/25 = 0,04
3/25 = 0,12
7/25 = 0,28
8/25 = 0,32
6/25 = 0,24
1,00
PASO N 5:
En la prxima columna se registran las FRECUENCIAS
RELATIVAS ACUMULADAS ( Hi ), que resulta de la suma acumulada de las
Frecuencias Relativas:
Hi = h1 + h2 + h3 + ................... + hm
Xi
Ni
Ni
hi
3
4
5
6
7
SUMA
1
3
7
8
6
25
1
4
11
19
25
-.-
0,04
0,12
0,28
0,32
0,24
1,00
FRECUENCIA RELATIVA
ACUMULADA Hi
0,04 + 0 = 0,04
0,04 + 0,12 = 0,16
0,04+0,12+0,28 =0,44
0,76
1,00
-.-
Xi
3
4
5
6
7
SUMA
23
Hi
0,04
0,16
0,44
0,76
1,00
-.-
24
0 < hi < 1
c) La suma de todas las frecuencias absolutas es igual al nmero de elementos que
componen la poblacin o la muestra.
ni = n1 + n2 +n3 + .......... nm = n
n = nmero total de observaciones.
d) La suma de todas las frecuencias relativas debe ser igual a 1
hi = h1+h2+h3+.......+hm= n1+n2+n3+....nm
n
ni = n = 1
n
n
e) La ltima frecuencia absoluta acumulada es igual al tamao de la muestra, ya
que ella incluye a todos los elementos.
Nm=n
f) Por ltimo, la frecuencia relativa acumulada puede obtenerse dividiendo por n
la correspondiente frecuencia absoluta acumulada.
Hi = Ni
n
25
Ls
Li
26
FRECUENCIA
ABSOLUTA
Ni
/ = 1
/// = 3
//////// = 8
/////// = 7
////// = 6
25
Xi - Xj
2 - 3
3 - 4
4 - 5
5 - 6
6 - 7
SUMA
ni
1
3
8
7
6
25
27
Ni
1
4
12
19
25
-.-
hi
0,04
0,12
0,32
0,28
0,24
1,00
Hi
0,04
0,16
0,48
0,76
1,00
-.-
Donde:
K = Nmero aproximado de intervalos o clases
n = Nmero total de observaciones o muestra
Log = Logaritmo de base 10
Ejemplo: Se tienen las calificaciones de 50 alumnos en una prueba de evaluacin:
40
60
50
60
60
30
50
30
40
50
60
40
20
30
40
20
30
10
20
40
50
20
40
10
30
40
30
50
60
30
10
20
40
40
40
30
70
30
30
10
50
40
60
60
60
70
40
20
30
50
28
y Li = Lmite Inferior
Li + c = Ls y as sucesivamente.
Finalmente tenemos:
10
20
30
40
50
60
+
+
+
+
+
+
10
10
10
10
10
10
=
=
=
=
=
=
20
30
40
50
60
60
10
20
30
40
50
60
20
30
40
50
60
70
Xj
10 - 20
20 - 30
30 - 40
Xi
15
25
35
Ni
4
6
11
Ni
4
10
21
hi
0,08
0,12
0,22
Hi
0,08
0,20
0,42
40 - 50
50 - 60
60 - 70
SUMA
3.7.
45
55
65
-.-
12
7
10
50
29
33
40
50
-.-
0,24
0,14
0,20
1,00
0,66
0,80
1,00
-.-
REPRESENTACIONES GRAFICAS:
0
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
30
Ni
1
3
7
8
6
25
Ni
1
4
11
19
25
-.-
hi
0,04
0,12
0,28
0,32
0,24
1,00
Hi
0,04
0,16
0,44
0,76
1,00
-.-
31
REPRESENTACION GRAFICA:
8
7
6
5
4
3
2
1
0
Colum nas 3D 1
32
19
11
4
1
3
Xi
Cuando los datos estn distribuidos en clases o familias, podemos estructurar los
siguientes grficos:
a) HISTOGRAMA DE FRECUENCIAS:
Es una representacin grfica de uso muy frecuente y est formado por
rectngulos contiguos, que tienen como base una longitud igual a la amplitud de
clase o intervalo, con una altura igual al valor de su correspondiente frecuencia
absoluta.
Una vez dividido el cuadrante y los ejes en forma proporcional, se trazan los
rectngulos con una base igual a la longitud de la amplitud de la clase y con una
altura igual a sus frecuencias absolutas (ni ).
REPRESENTACION GRAFICA:
8
7
6
5
4
3
2
1
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
33
B) POLIGONO DE FRECUENCIAS:
Esotro tipo de representacin grfica que tiene una superficie igual al
histograma, pero representada de manera global; permite tener una visin
general del comportamiento de la variable que se analiza.
PASOS:
Se distribuyen proporcionalmente los ejes.
El polgono se obtiene uniendo los puntos medios de cada rectngulo del
histograma en su parte superior. En los extremos se agrega un medio intervalo
para cerrar el polgono.
REPRESENTACION GRAFICA:
8
7
6
5
4
3
2
2
34
Es SIMTRICA cuando el grfico tiene una forma regular, similar a una campana
y es ASIMTRICA cuando se encuentra sesgada a la derecha o a la izquierda.
Para ajustar una distribucin de frecuencias normalmente se siguen los pasos
siguientes:
a) En vez de frecuencias absolutas se toma en cuenta las frecuencias
SUAVIZADAS O AJUSTADAS, que se obtienen con la siguiente frmula.
Fs = Fa + F + Fp
3
Donde:
Fs = Frecuencia Suavizada
Fa = Frecuencia adyacente anterior
F = Frecuencia que se suaviza
Fp = Frecuencia adyacente posterior
EJEMPLO: Tenemos el siguiente cuadro de datos referidos a calificaciones:
CALIFICACIONES
Xi
Xj
2
3
4
5
6
ni
0
1
3
8
7
6
0
25
3
4
5
6
7
SUMA
Xi
1,5
2,5
3,5
4,5
5,5
6,5
7,5
-.-
FRECUENCIAS SUAVIZADAS
Fs
( 0 + 0 + 1) / 3
= 0,33
( 0 + 1 + 3) / 3
= 1,33
(1 + 3 + 8) / 3
= 4,00
( 3 + 8 + 7) / 3
= 6,00
( 8 +7 + 6) / 3
= 7,00
( 7 + 6 + 0) / 3
= 4,33
( 6 + 0 + 0) / 3
= 2,00
= 24,99
35
7
6
5
4
3
2
2
Donde:
= ngulo correspondiente a cada sector ( Grados)
Q = Porcentaje que representa la frecuencia de cada valor
particular de La variable con relacin a la poblacin total.
360 = Grados que corresponde a una circunferencia.
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
36
Ejemplo:
Tenemos datos de alumnos inscritos en una escuelita de Villa Busch con tres
cursos.
CURSO
XI
PRIMERO
SEGUNDO
TERCERO
SUMA
NUMERO DE
ALUMNOS
Ni
20
30
60
110
PORCENTAJE
Q
196,2
EJERCICIO EN CLASES:
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
18,2
27,3
54,5
100,0
GRADOS
PARA CADA
CURSO
65,5
98,3
196,2
37
AMAS DE CASA
30
50
45
25
28
178
4.1. INTRODUCCION:
En el tema anterior nos planteamos como objetivo desarrollar habilidades para la
recoleccin, clasificacin y presentacin de datos estadsticos; con la resolucin
de muchos ejercicios prcticos y evaluatorios creo firmemente que el mismo ha
sido logrado en forma satisfactoria.
Viene ahora a correlacin una etapa posterior a la presentacin de datos, la
llamada Descripcin de datos, sea que a partir de los datos tabulados y
ordenados el estudiante debe describir los datos as obtenidos. Para ello,
debemos incorporar nuevos conceptos en nuestro instrumental estadstico,
conceptos que nos permitir obtener indicadores o parmetros cuantitativos
sobre una o varias caractersticas de la poblacin y/o muestra estudiada.
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
38
media Aritmtica
Media Geomtrica
Media Armnica
Media Cuadrtica
Adems estn:
La Mediana
La Moda
Las cuantilas o fractilas
4.3. LA MEDIA ARITMETICA:
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
39
Entonces:
M(x) =
xi
n
Donde:
n es igual al total de las observaciones o tamao de la muestra.
Adems n = N, cuando se refiere a todos los valores de la poblacin.
4.4. LA MEDIA ARITMETICA PARA DATOS NO AGRUPADOS:
Sean:
xi
n
= 3+4+5+4+6+5+4+6+7+3 = 47 = 4,7
10
10
DISCRETA
EL
NUMERO
DE
M(x) =
40
Xi ni
n
Donde:
M(x) =
= Media Aritmtica muestral
ni
= Frecuencia Absoluta
n
= Tamao de la muestra
Ejemplo:
CALIFICACIONES
Xi
3
4
5
6
7
SUMA
FRECUENCIA ABSOLUTA
Ni
1
3
7
8
6
25
Xi ni
3
12
35
48
42
140
= 140 = 5,6
25
Xi
2
3
4
5
6
MARCA DE CLASE
Xi
2,5
3,5
4,5
5,5
6,5
-.-
- Xj
- 3
- 4
- 5
- 6
- 7
SUMA
41
Ni
1
3
8
7
6
25
xi ni
2,5
10,5
36,0
38,5
39,0
126,5
M(X) =
( Xi -
DEMOSTRACION:
( Xi -
) =
=
( Xi )
n
- n
= 0
n
M(K) =
Ki
42
= nK = K
n
(Xi + Yi)
Xi
n
Yi
n
M (X) =
wxi
wi
M(X) =
43
wi.xi
wi
= 83
SM2
n2
_
X2
.......
........
SMk
nk
_
Xk
ni Xi
n
MEDIAS
X1 = 15
X2 = 14
X3 = 12
44
EJERCICIOS EN CLASES:
1.- Tres profesores de Estadstica dieron notas medias en sus cursos, con 32, 25
y 17 estudiantes, de 79, 74 y 82 puntos, respectivamente. Hallar la puntuacin
media de los tres cursos.
2.-- El salario medio anual en una empresa es de Bs 15.000. Los de hombre y
mujeres fueron, respectivamente, de Bs 15.600 y 12.600 en media. Hallar el
porcentaje de mujeres empleadas en esa empresa.
4.9. LA MEDIA GEOMETRICA:
La media geomtrica se define como la raz ensima del producto de los n valores
observados:
n ____
G (X) = x1. x2. x3..........xn = v ?xi
a) LA MEDIA GEOMETRICA PARA DATOS NO AGRUPADOS:
Cuando los datos no estn agrupados y son menores que dos, se tiene:
EJEMPLO: Tenemos las calificaciones de 2 alumnos:
x1 = 4
x2 = 7
Hallar la media geomtrica:
G (x) =
G (X) = 5,29
En cambio, la media aritmtica es = M(X) = 4+7 = 5,5
2
En consecuencia: G(x) < M(x)
Ahora bien, cuando el nmero de observaciones
logaritmos para facilitar los clculos.
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
45
Log
Xi
Log G(X) =
Ni
2
3
2
2
1
10
Log xi
0,4712
0,60206
0,69897
0,77815
0,84510
-.-
ni x Log xi
0,95424
1,80618
1,39794
1,55630
0,84510
6,55976
1 ( 6,55976) = 0,655976
n
46
20
30
55
55
20
46
40
29
54
38
38
80
35
40
40
28
47
Xi - Xj
xi
Ni
Log xi
ni x Log xi
10 - 20
15
2
1,176091
2,352182
20 - 30
25
4
1,397940
5,59176
30 - 40
35
6
1,544068
9,264408
40 - 50
45
8
1,653212
13,225696
50 - 60
55
3
1,740363
5,221089
60 - 70
65
4
1,812913
7,251652
70 - 80
75
3
1,875061
5,251652
SUMA
-.30
-.48,53197
Aplicamos la frmula de la media geomtrica para datos agrupados:
ni x Log xi
G(X) = 1
n
Respuesta:
G(x) = 41,46
2.- Que capital final se tendr al cabo de 6 aos, si se invierten $u$ 1.000 al 8 %
de inters anual?
Calcule a partir de la aplicacin de la media geomtrica.
4.10.-- LA MEDIA ARMONICA: La media Armnica H(x), de una serie de
datos: x1, x2, x3,.........., xn, se define como LA INVERSA DE LA MEDIA
ARITMETICA DE LOS VALORES INVERTIDOS y que corresponden a los datos
observados.
H(X) =
1
1
x1
1
1
xi
n
+ 1 + 1+ .........+ 1
x2
x3
xn
n
1
xi
En general tenemos:
H(x) =
n
1
xi
EJEMPLO:
Si
x1 = 4
x2 = 7
n=2
H(x) =
2
1 + 1
4
7
. = .
G(X) = 5,29
sea:
2
7+4
28
48
. = 56 = 5,09
11
M(X) = 5,5
H(X) = 5,09
n
ni
xi
Ni
3
4
5
6
7
?
2
3
2
2
1
10
ni
xi
0,67
0,75
0,40
0,33
0,14
2,29
xi ni
Log xi
ni Log xi
6
12
10
12
7
47
0,47712
0,60206
0,69897
0,77815
0,84510
-.-
0,95424
0,80618
1,39794
1,5563
0,8451
6,55976
H(X) = 4,37
M(X) = 4,7
G(X) = 4,53
Entonces corroboramos que:
49
La relacin anterior se explica, por que la M(X) es la ms afectada por los valores
extremos o pronunciados, que la media geomtrica (G(X) y la Media Armnica
H(X). Si bien, estas ltimas G(X) y H(X) son tambin afectadas por los valores
extremos, el uso del producto y la raz en el caso de la G(X) y el inverso en el caso
de la H(X), amortiguan de algn modo la incidencia de los valores extremos.
APLICACIONES DE LA MEDIA ARMONICA: La Media Armnica H(X) es til
para promediar razones al igual que la media geomtrica G(X). En el caso en que
se trata de:
a) Promediar velocidades
b) Promediar rendimientos laborales
EJEMPLO: Una fbrica de muebles de madera ha asignado a cinco de sus
trabajadores para completar una orden de 200 sillas de un cierto tipo. Las
razones de productividad de los cinco trabajadores estn dadas por la siguiente
relacin.
TRABAJADOR
RENDIMIENTO/OBERO
A
5
HRS/SILLA
B
8
C
6
D
12
E
4
H(X) = .
35
5
= 7 sillas/hora
Log xi
n
5
1 + 1 + 1 + 1 + 1
5
8
6
12
4
. = .
5
. = 6,06
0,825
50
xi
n
b) PARA DATOS AGRUPADOS:
Mc (X) =
2
xi . ni
n
5 + 8 + 6 + 12 + 4 =
285 = 7,54
5
5
La aplicacin de la Media Cuadrtica MC (X) se ver en los prximos captulos, en
el tratamiento de las medidas de dispersin.
EJERCICIO DE APLICACION EN CLASES DE LA MEDIA ARMONICA: Una
Cia. de compra-venta de terrenos ofrece en venta 400 metros cuadrados de
terreno desrtico a 0,5 dlares cada metro cuadrado, 1000 metros cuadrados de
terreno cultivable a 10 dlares cada metro cuadrado y 500 metros cuadrados de
terreno urbanizado a 400 dlares cada metro cuadrado. Se pide calcular el precio
promedio por metro cuadrado de los terrenos ofertados. Calcule la media
armnica y la media aritmtica y luego compare los resultados.
Como usted explica las diferencias entre ambos resultados? Cul es la medida o
promedio ms acertado? Explique por que.
4.12. LA MEDIANA:
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
51
52
3, 4, 6, 7, 7, 8
Cul es la Mediana ?
En este caso dos valores se ubican fsicamente en el medio 6 y7. Cuando ello
acontece, se toman ambos valores y se promedia entre dos para hallar la mediana:
Me = 6+7 = 6,5 llega a ser la mediana.
2
La caracterstica tpica de la Mediana es que divide al conjunto de las
observaciones exactamente en dos partes iguales.
50 %
50 %
______________________x__________________________
Que viene a ser el punto de equilibrio que balancea el nmero de observaciones de
la serie estadstica.
b)
LA MEDIANA PARA DATOS AGRUPADOS: Cuando la mediana est
representada en una distribucin de frecuencias, es posible distinguir dos
situaciones:
b.1. CUANDO LA CLASE ES UNICA Y DISCRETA: Cuando ello acontece, es
preciso seguir los siguientes pasos:
1 SE DEBE CALCULAR LA FRECUENCIA ABSOLUTA ACUMULADA Ni
2 SE CALCULA EL VALOR DE n/2
GRAFICAMENTE TENEMOS:
Ni
Nj
n/2
N j-1
X j-1
53
Xj
Xi
Si: n > N
2
j-1
Mediana = Me = X
j
X
b) Si: n = N
2
j-1
Mediana =
+ X
j-1
j
2
EJEMPLO:
Se tienen las calificaciones de 50 alumnos distribuidos de acuerdo a la siguiente
distribucin de frecuencias:
CALIFICAC
IONES
Xi
FRECUENCIA
ABSOLUTA
Ni
10
20
30
40
50
60
70
?
4
6
11
12
8
7
2
50
FREC.
ABSOLUTA
ACUMULADA
Ni
4
10
21
33
41
48
50
-.-
54
sea: Me = 40
b.2. CUANDO SE TIENEN INTERVALOS DE CLASE:
Cuando se tienen intervalos de clase, se aplican los siguientes pasos:
Paso N 1.Se calcula n/2
Paso N 2.Se ubica n/2 entre las frecuencias absolutas Acumuladas Ni
Paso N 3.Se identifica la CLASE MEDIANA
Si n/2 est o se ubica en un punto intermedio, la clase mediana ser la que
corresponde a la frecuencia Absoluta Acumulada Inmediata Superior.
En cambio, si n/2 coincide con un punto de las Frecuencias Absolutas acumuladas,
la Clase Mediana ser la que corresponde a este punto.
Paso N 4:
Me =
+
j-1
j-1
b) Si:
n/2
N
j-1
GRAFICAMENTE TENEMOS:
Ni
Nj
n/2
N j-1
Me = X
j-1
c
j
n/2 - N
j-1
N - N
j
j-1
55
c
X j-1
cj
Xj
Xi
EJERCICIO:
CALIFICACIONES
Xj-1 - Xj
Ni
Ni
2 - 3
3 - 4
4 - 5
12
5 - 6
14
6 - 7
25
SUMA
25
-.-
Me = X
+ c
j-1
n/2 - N
j-1
N - N
j
j-1
Me = 5 + 1
Entonces:
12,5
19
- 12 =
- 12
5 +
0,5
7
Me = 5,1
= 5,07
56
INGRESOS
Xj - 1 - Xj
N DE
OBREROS
ni
4
5
10
9
13
15
18
12
8
6
100
280 - 295
295 - 310
310 - 325
325 - 340
340 - 365
365 - 370
370 - 385
385 - 400
400 - 415
415 - 430
SUMA
Ni
4
9
19
28
41
56
74
86
94
100
-.-
Calcular la mediana:
n/2 = 100/2 = 50
Entonces:
Xj - 1 +
Me = 15 + 50 - 41
56 - 41
cj
n/2 - Nj - 1
Nj - Nj - 1
= 364
57
Los cuartiles
Los deciles
Los percentiles
CUANTILAS O FRACTILAS
B.- CUARTILES:
Como su nombre lo indica, divide en cuatro partes iguales al conjunto de las
observaciones:
0
1Q
2Q
3Q
4Q
Por lo tanto, existen tres cuartiles que responden a las siguientes definiciones:
B.1. LOS CUARTILES PARA DATOS SIN AGRUPAR:
Los pasos para determinar los cuartiles
agrupar, constan de las siguientes etapas:
x1
PRIMER CUARTIL:
13
15
19
x2
x3
x4
x5
58
n=5
x1
Posicin:
x2
Q1
x3
Q2
x4
x5
Q3
posicin n+1
Me
Para calcular el 1er cuartil extrapolamos las proporciones:
Q1 - x1 = 0,5
x2 - x1
1
Remplazamos datos:
= 2 + ( 4 - 2 ) ( 0,5 ) = 3
Entonces Q2 = x3 = 13
TERCER QUARTIL.- Para calcular el 3er cuartil tenemos:
j=3
n=5
Despejamos Q3:
Q3
59
Q3 - x4 = 0,5
x5 - x4
1
Q3 - x4 = (0,5) ( x5 - x4 )
Q3
Q3
Q3
Q3
Q3
=
=
=
=
=
x4 + 0,5 . x5 - 0,5 . x4
15 + (0,5) (19) - (0,5) ( 15)
15 + 0,5 ( 19 - 15)
15 + 2
17
B.2. LOS CUARTILES PARA DATOS AGRUPADOS: Cuando los datos estn
distribuidos en una tabla de distribucin de frecuencias, el procedimiento que se
sigue para determinar los cuartiles es similar al utilizado para calcular la mediana
para datos agrupados, sea:
1 .2 .3 .4 .5 .-
PRIMER CUARTIL:
Para el primer cuartil Q1 =
Q1/4 = Xj -1 + c
Osea; n/4 =
n/4 - Nj - 1
Nj - Nj - 1
EJEMPLO:
Se tienen los siguientes datos, organizados en una tabla de distribucin de
frecuencias:
Xj-1 - Xj
Ni
Ni
2 - 3
1
1
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
3 - 4
4 - 5
5 - 6
6 - 7
SUMA
60
2
8
7
6
25
4
12
19
25
-.-
n/4 = 6,25
Remplazamos Datos:
Q1/4 = 4 + 1
6,25 - 4
12 - 4
= 4 + 0,28
Q1/4 = 4,28
SEGUNDO CUARTIL:
El segundo cuartil o cuartil medio coincide exactamente con la Mediana, para lo
cual se utiliza el mismo procedimiento de la mediana.
Q2/4 = Q = Me
TERCER CUARTIL:
El Tercer Cuartil ( Q 3/4) o cuartil superior es un valor que supera a no ms del
75 % de las observaciones y es superado por no ms del 25 % de las mismas.
3n/4 = Q3
Q3/4 = Xj-1 + c
3n/4 - Nj-1
Nj - Nj-1
- Xj
- 3
- 4
- 5
Ni
1
3
8
Ni
1
4
12
61
5 - 6
6 - 7
SUMA
7
6
25
19
25
-.-
P 1/10
P 2/10
P 3/10
P 9/10
:
:
:
:
P 1/100
P 2/100
P 3/100
P 4/100
62
.
.
NOVENTA Y NUEVE CENTIL : P 99/100
El procedimiento al igual, que en el caso anterior es el mismo.
EJERCICIOS EN CLASES:
Sea el siguiente conjunto de datos:
3, 10, 0, 9 8, 4, 4, 3, 10, 15, 20, 18
Calcular: Decil 2, Decil 9, Percentil 50, Percentil 80
SOLUCION:
Ordenamos los datos:
0
10
10
15
18
20
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
DECIL 2:
j=2
n = 12
D2 = (2/10)(12+1) = 2,6
D2 =
D2 - x2 = 0,6
x3 - x2
1
D2 - x2 = 0,6 ( x3 - x2)
D2 = x2 + 0,6 (x3 - x2)
D2 = 3 + 0 = 3
DECIL 9:
J=9
n = 12
63
n = 13
n = 13
P80 = (80/100) (13) = 10,4 Entonces P80 estar entre x10 y x11
P80 = x10 + ( x11 - x10 ) 0,4 = 16,2
4.16.
LA MODA
2)
64
3) 2, 3, 4, 4, 4, 5, 5, 7, 7, 7, 9
En este tercer ejemplo, dos son los valores
que se repiten ms veces : 4 y 7, Entonces existen 2 modas.
Cuando un conjunto de datos presentan dos modas, se dice que es BIMODAL; si
son ms de dos modas se llama MULTIMODAL.
b) LA MODA PARA DATOS AGRUPADOS:
Cuando los datos estn expresados en una tabla de distribucin de frecuencias,
es posible diferenciar dos situaciones:
b.1. CUANDO LA CLASE ES UNICA:
Cuando la clase es nica y discreta, entonces la MODA es la frecuencia que ms
veces se repite.
EJEMPLO:
Xi
3
4
5
6
7
SUMA
ni
2
3
2
2
1
10
La moda = Mo = 4
Mo = X j-1 +
Donde: X j-1
d1
d2
c
65
. d1 .
d1 + d2
GRAFICAMENTE TENEMOS:
Ni
Clase modal
d2
d1
X j-1
Xj
Xi
Me
PROCEDIMIENTO PARA DETERMINAR LA MODA PARA INTERVALOS DE
CLASE: Cuando los datos estn distribuidos en una tabla de frecuencias, para
calcular la Moda se procede de la siguiente manera:
PASO 1: Se identifica el mayor valor entre las frecuencias absolutas.
PASO 2: Se determina la clase modal, que ser aquel intervalo que tiene la mayor
frecuencia absoluta.
66
PASO 3: Luego, se determinan los datos que sern utilizados para aplicar la
frmula:
EJEMPLO:
X j-1 - Xj
2 - 3
3 - 4
4 - 5
5 - 6
6 - 7
SUMA
Mo = X j-1 + c
Donde:
X j-1
c
d1
d2
ni
1
3
8
7
6
25
d1
.
d1 + d2
=
4
=
1
= 8-3=5
= 8-7=1
Mo = 4 + 5 = 4 + 0,83 = 4,83
6
Mo = 4,83
Mo = 4,8
ALGUNAS CARACTERISTICAS MS RELEVANTES DE LA MODA:
1. La Moda le sigue en importancia a la media y a la mediana, su uso se hace
imperativo cuando los datos son de tipo CUALITATIVO.
Su fcil
interpretacin y su clculo sencillo hacen de la moda una medida de tendencia
central ms usual y prctico. De esta manera, un fabricante de muebles puede
estar interesado en saber que tipo de muebles se venden ms; esta medida
estar representada por la Moda.
67
N DE OBREROS
4
5
10
9
13
15
18
12
8
6
100
Me = 364
Mo = 375
M(x) = 360,85
Mo ( aproximado) = 370,30
Asimismo, calcular la Moda utilizando la relacin Moda = Media - 3 ( Media Mediana )
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
68
TEMA N 5
MEDIDAS DE DISPERSION Y VARIABILIDAD
COMPETENCIA DE TEMA:
5.1.
DEFINICIN.- Las medidas de dispersin o variabilidad, a las que
convencionalmente llamaremos indicadores estadsticos de dispersin, miden el
grado de dispersin o concentracin de los datos estadsticos en torno a un valor
de medida de tendencia central previamente seleccionado.
Esta medida es particularmente importante por que permite corroborar o
desestimar una medida de tendencia central como indicador adecuado de la
representatividad de un conjunto de datos, en consecuencia, cuando los
indicadores de dispersin reflejan una alta variabilidad o dispersin la media
aritmtica no suele ser una medida adecuada para medir el grado de
representatividad de los mismos, al contrario una baja dispersin hace que la
media aritmtica se constituya en una medida eficaz para medir el grado de
concentracin de los datos estadsticos.
EJEMPLO:
1. Una baja dispersin de los salarios mensuales de un grupo de trabajadores
indica que los salarios son aproximadamente iguales.
2. En cambio, una alta dispersin indica que los salarios son muy diferentes.
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
69
Por otro lado, estas medidas de dispersin son utilizadas para complementar una
medida de tendencia central, como por ejemplo la Media, y tambin para
comparar una informacin con otra.
Como regla general, se puede sealar:
- CUANDO LA DISPERSIN ES BAJA,
ALTAMENTE SIGNIFICATIVO.
=5
= 5
DE
LAS
El Recorrido = R
La desviacin Media = DM
La varianza = V(x)
La Desviacin Estndar o Tpica =
El Coeficiente de Variacin = CV
MEDIDAS
DE
DISPERSIN
70
5.2.1 EL RECORRIDO:
El Recorrido o rango es la medida ms simple de dispersin y est dada por la
diferencia entre el mayor y menor valor de las observaciones.
sea:
R = X mximo - X mnimo
Donde:
R = Recorrido
X max = Valor mximo observado
X min. = Valor mnimo observado
Ejemplo:
Si:
X mximo = 430
X mnimo = 280
FABRICA B
a = 50
Ra = 20 - 65 = 45
b = 50
Rb = 35 - 65 = 30
Entonces, podemos sealar a partir del anlisis del recorrido que la media de B
es ms representativa que la media de A, sea hay mayor dispersin en la
fbrica A.
71
DM
Me
| ni
EJEMPLO DE APLICACIN:
a) Se tiene el conjunto de calificaciones de 10 alumnos en una prueba de
Estadstica:
3, 4, 5, 4, 6, 5, 4, 6, 7, 3
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
72
|Xi -
Xi - 1,7
- 0,7
0,3
- 0,7
1,3
0,3
- 0,7
1,3
2,3
- 1,7
0
3
4
5
4
6
5
4
6
7
3
SUMA
1,7
0,7
0,3
0,7
1,3
0,3
0,7
1,3
2,3
1,7
11
= 47 = 4,7
10
Entonces, La DM = 11 = 1,1
10
a) Sea la informacin expresada en la siguiente tabla de distribucin de
frecuencias:
Xi
3
4
5
6
7
SUMA
ni
2
3
2
2
1
10
Xi
ni
Xi . ni
|Xi -
|Xi -
|. ni
3
4
5
6
7
SUMA
2
3
2
2
1
10
6
12
10
12
7
47
= 47 = 4,7
10
73
1,7
0,7
0,3
1,3
2,3
-.-
3,4
2,1
0,6
2,6
2,3
11
DM = 11 = 1,1
10
N DE OBREROS
4
5
10
9
13
15
18
12
8
6
100
74
V(x) = S = = ( Xi n
_____
DS = S = = V(x)
b)
LA VARIANZA
AGRUPADOS:
LA
) = M ( Xi -
DESVIACION
STANDAR
PARA
DATOS
= V(x) = ( Xi n
_____
S = = V(x)
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
). ni
75
Xi
3
4
5
4
6
5
4
6
7
3
SUMA
( Xi )
2,89
0,49
0,09
0,49
1,69
0,09
0,49
1,69
5,29
2,89
16,1
= 47 = 4,7
10
2
V(x) = ( Xi 10
) = 16,1 = 1,61
10
Xi
3
4
5
6
7
SUMA
ni
2
3
2
2
1
10
Xi . ni
6
12
10
12
7
47
= Xi . ni = 47 = 4,7
n
10
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
( Xi 2,89
0,49
0,09
1,69
5,29
-.-
2
(Xi - ) ni
5,78
1,47
0,18
3,38
5,29
16,1
2
V(x) = S = ( Xi n
_____
DS = S = 1,61 =
76
2
).ni = 16,1 = 1,61
10
PROPIEDADES DE LA VARIANZA:
A continuacin se mencionan las propiedades ms importantes de la varianza que
obviamente implican las propiedades de la Desviacin Standar.
V(k) = 0
DEMOSTRACION: Por definicin sabemos que:
2
V ( k ) = M k - M( k )
Pero como M ( k ) = k
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
77
Entonces: V (k ) = M ( k - k ) = M(0) = 0
PROPIEDAD N 3.- Si k es una constante cualquiera, entonces:
V ( X + k ) = V (x)
DEMOSTRACION:
2
V ( X+k) = M[ (x+k) - M ( x+k)
2
V(X+K) = M
2
- [ M(X)
78
V(X) = M( X ) - [ M(X)
DEMOSTRACIN: Por definicin de Varianza sabemos que:
2
V(x) = (Xi -
) = [Xi - 2Xi .
n
n
+ ( )
2
V(x) = Xi
n
2
- 2
. Xi +
2
2
V(x) = M( X ) - [ M(x)
Esta ltima propiedad es muy til para fines prcticos, la gran ventaja radica en
que no es necesario el clculo de los desvos. Entonces alternativamente se puede
usar las frmulas siguientes:
PARA DATOS SIN AGRUPAR:
2
2
V(x) = Xi - [Xi
n
n
PARA DATOS AGRUPADOS:
2
2
V(x) =
Xi . ni - [ Xi . ni
n
n
EJERCICIO: Calcular la Varianza utilizando el mtodo abreviado, para la
siguiente distribucin de frecuencias:
2
Xi
Ni
Xi . ni
Xi
3
4
5
6
2
3
2
2
6
12
10
12
9
16
25
36
2
Xi . ni
18
48
50
72
7
SUMA
1
10
7
47
79
49
135
49
237
= Xi . ni = 47 = 4,7
n
10
Xi . ni = 237 = 23,7
n
10
2
2
V(X) = M ( X ) - [ M(X)
2
V(X) = 23,7 - ( 4,7 ) = 23,7 - 22,09
V(X) = 1,61
80
NIOS VOCEADORES
= 315.-S = 80
285
1.875
= 15,2 %
CVb = 80 = 25,3 %
315
81
INGRESOS
280 - 295
295 - 310
310 - 325
325 - 340
340 - 355
355 -- 370
370 - 385
385 - 400
400 - 415
415 - 430
SUMA
N DE OBREROS
4
5
10
9
13
15
18
12
8
6
100
82
TEMA N 6
DISTRIBUCIONES BIDIMENSIONALES
COMPETENCIA DE TEMA:
Sin embargo, en la vida real los fenmenos no suelen presentarse solos, a menudo
es preciso estudiar ms de una caracterstica u observacin ligada a un fenmeno.
Ejm. La estatura y el peso de los estudiantes de una unidad educativa. En este
caso, se trata de distribuciones bidimensionales o bivariadas.
En el caso que nos ocupa, una muestra de tamao n se representa como un
conjunto de pares ordenados de la siguiente forma:
(X1, Y1) (X2,Y2) (X3, Y3),.........................., (Xn,Yn)
El par ordenado ( Xi,Yi) representa la estatura y el peso de cada estudiante.
6.2. CARACTERISTICA DE LOS DATOS BIDIMENSIONALES.Dadas las observaciones bivariadas:
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
83
V(x) = Varianza de X
Gx = Desviacin Standar
CV = Coeficiente de variacin
84
=
xy
Xi Yi -
Xi . Yi
2
2
n [ Xi - ( Xi ) [ n Yi
2
- ( Yi )
r=0
Correlacin Nula
r=1
r=1
-1
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
r=
85
X
X
+
+
r=0
+
+
+
+
X
NO EXISTE CORRELACION LINEAL
+
+
+
+
+
+
+ +
+
r = 0,95
+
+
+ +
+
+ +
+ +
+
r = 0,95
86
PASO N 1.cartesianas:
Y = Peso
100
+
+ +
90
+
NUBE DE PUNTOS
80
+
+
70
+
+
60
+
1,5
1,6
1,7
1,8
1,9
2,0
Estatura
CONCLUSIONES DE LA GRAFICA:
a) La tendencia que se observa en el diagrama de dispersin es de tipo lineal.
b) Entonces, lo que se desea saber es cul es el grado de correlacin existente
entre la estatura y los pesos de los estudiantes; sea, saber la relacin entre X
e Y. Para ello calculamos el Coeficiente de Correlacin de Pearson ( r ),
utilizando la frmula ya conocida.
r =
n Xi Yi
Xi Yi
2
2
2
[ n Xi - ( Xi) [ n Yi - (Yi)
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
.
2
87
PESO
Yi
60
94
65
66
85
72,5
77
70
89,5
80
759,0
Xi Yi
92,40
171,08
102,05
105,60
148,75
119,62
130,13
113,40
158,41
136,0
1.277,45
2
Xi
2,3716
3,3124
2,4649
2,5600
3,0625
2,7225
2,8561
2,6294
3,1329
2,8900
27,9973
2
Yi
3.600
8.836
4.225
4.356
7.225
5.256,25
5.929
4.900
8.10,25
6.400
58.737,50
n = 10
r=
0,9959
10 ( 1.277,45) - (16,71)(759)
.=
91,61
91,978
2
2
[10 ( 27,9973) - (16,71) [10(58.737,50) - (759)
VEHICULOS
MATRICULADOS
( EN MILLONES)
352
373
411
441
ACCIDENTES DE
CARRETERA
( EN MILES )
166
153
177
201
1951
1952
1953
1954
1955
1956
1957
88
462
490
529
577
641
692
743
216
208
227
238
268
268
274
Calcular r:
6.4. ANALISIS DE REGRESION.- El objeto del anlisis de regresin es
establecer una relacin funcional matemtica entre variables, de manera que
seamos capaces de predecir el valor de una variable en base al comportamiento
de otra u otras variables, es decir una relacin funcional del siguiente tipo:
Y = f(X)
Donde:
Y = Variable dependiente o ENDOGENA
X = Variable Independiente o EXOGENA
En el mundo real los fenmenos se presentan relacionados o interrelacionados de
diferentes maneras unos con otros, entonces es posible estructurar diferentes
tipos de relaciones entre variables; entre estos podemos identificar las
siguientes:
CLASES DE DEPENDENCIA.- Los tipos de dependencia entre variables se
clasifican de la siguiente manera:
SIMPLE :
X2, ......,Xn )
CLASIFICACION
Relacin de dependencia
Y = f (X)
MULTIPLE:
Y = f ( X1 ,
No lineal : PARABOLA,
LOGARITMICA,
HIPERBOLICA.
GRAFICAMENTE TENEMOS:
Y
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
89
2
Y
bX
Y=a+b+cX
X
X
LINEA
RECTA
PARABOLA
Y
Y = .
1
a+bX
Y
Y = a + b Log X
X
X
HIPERBOLA
LOGARITMICA
6.5. REGRESION LINEAL SIMPLE O LINEA RECTA.La relacin de dependencia ms simple y la ms utilizada por el mtodo cientfico
es el modelo de regresin lineal simple o LINEA RECTA y est dada por la
siguiente expresin algebraica:
Y = a + bX
Donde:
Y = Variable dependiente (ENDOGENA)
a = Ordenada en el origen; sea el punto donde la lnea recta corta
al eje de la ordenada.
b = Pendiente o grado de inclinacin de la RECTA
X = Variable Independiente (EXGENA)
EJEMPLO: La relacin funcional entre el nivel del salario y la antigedad o aos
de servicio, esta dada por:
SALARIO
90
Y = f (X)
6.5.1. TIPOS DE RELACIONAMIENTO FUNCIONAL LINEAL.De acuerdo al grado de relacionamiento y/o asociacin de dos variables, es
posible identificar tres tipos de relacionamiento lineal:
Dependencia Total
Independencia total
Dependencia estadstica parcial
a) RELACION LINEAL DE DEPENDENCIA TOTAL.- Este tipo de relacin se
da cuando ambas variables estn representadas por una lnea recta, aquello se
da cuando los datos caen exactamente sobre una LINEA RECTA, de modo que
ambas variables estn relacionadas por una lnea Recta.
EJEMPLO: La relacin entre el nivel del salario y la antigedad o aos de
servicio, estn dados por la siguiente tabla:
SALARIO/HORA
12
16
18
22
28
ANTIGUEDAD
1
3
4
6
9
Y=f(X)
91
Salario
Aos de servicio o antigedad
Profesin
Cargo
Ocupacin
Otros
30
+
25
+
20
+
15
+
10
= 8 = 2
4
5
1
ANTIGUEDAD
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
10
92
En el ejemplo que nos ocupa, podemos advertir que los puntos o pares ordenados
trazados en la grfica coinciden exactamente sobre una lnea RECTA, que cortan
al eje de las ordenadas en el punto 10 y la recta tiene una pendiente de 2; con
estos datos estamos en condiciones de establecer la relacin funcional del
siguiente tipo:
Y = 10 + 2 X
La ecuacin anterior corresponde a una lnea recta y se dice que entre ambas
variables existe DEPENDENCIA TOTAL.
b) RELACION DE INDEPENDENCIA TOTAL:
Supongamos ahora, que los datos del ejemplo anterior son los siguientes:
SALARIO/HORA
ANTIGEDAD
16
1
10
3
13
4
10
6
16
9
Para determinar el tipo de relacionamiento entre ambas variables trazamos los
puntos o pares ordenados en un eje de coordenadas cartesianas.
SALARIO
16
12
+
+
ANTIGUEDAD
10
En este segundo caso, tenemos el otro extremo del ejemplo donde ambas
variables no muestran ningn tipo de relacin funcional ni lineal ni no lineal entre
ambos, vale decir no hay lgica de los pares ordenados. Ejemplo, un obrero con 1
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
93
o 9 aos llega a ganar el mismo nivel de salario o uno con 4 aos de antigedad
gana ms que otro de tres aos. En consecuencia, cuando no existe una relacin de
dependencia entre ambos se dice que entre ambos existe INDEPENDENCIA
TOTAL de variables.
c) RELACION DE DEPENDENCIA ESTADISTICA PARCIAL:
Los dos casos anteriores son casos extremos, lo normal es que exista una relacin
ms o menos fuerte entre dos variables relacionadas. Esta relacin por tanto
hace que el coeficiente de correlacin r flucte entre 0 y 1.
EJEMPLO.- Utilizando el mismo ejemplo anterior, tenemos los siguientes datos:
SALARIO/HORA
10
18
16
20
30
ANTIGEDAD
1
3
4
6
9
25
20
+
+
+
15
10
+
5
1
ANTIGUEDAD
10
94
95
+
+
=
+
CO
CA
10
ANTIGUEDAD
Para estimar los parmetros a y b a travs del mtodo analtico de los mnimos
cuadrados, debemos partir de la siguiente expresin matemtica de la recta de
los valores tericos:
(i)
Y = a + bX
2DA, CONDICION:
que cero
96
/ -2
/ -2
Al dividir ambas expresiones entre -2, e igualamos a cero para que cumpla la
primera condicin de un mnimo, tenemos:
( Yi - a - b Xi )
=0
( Yi - a - b Xi ) Xi = 0
Aplicando clculo de sumatorias en ambas expresiones tenemos:
Yi - na - b Xi = 0
2
Yi Xi - a xi - b Xi = 0
El sistema de ecuaciones ms llamada como ECUACIONES NORMALES de la
recta se escribe as:
Yi = na + b Xi
2
Yi Xi = a Xi + b Xi
Ahora veamos si se cumple la condicin segunda de un mnimo, sea:
D > 0
D > 0
a
b
Comprobamos a partir del resultado obtenido con la aplicacin de la primera
derivada:
D = -2 ( Yi - a - b Xi )
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
97
a
Previamente hacemos operaciones en la sumatoria y obtenemos la segunda
derivada parcial respecto de a:
D = - 2 Yi + 2 na + 2b Xi
a
Entonces: 2
D = 2n que es mayor a cero, por que siendo n el tamao de la muestra
a
en ningn caso puede ser menor que 1.
Veamos que sucede ahora con b:
D = -2 ( Yi - a - b Xi ) Xi
b
Haciendo operaciones tenemos:
2
D = -2 Yi + 2na + 2b Xi
b
2
2
D = 2 Xi
b
> 0
Es mayor que cero, por que tratndose Xi de una observacin o dato no puede ser
menor que cero, por cuanto si as fuera utilizando el cuadrado automticamente
se vuelve positivo.
RESOLUCION DEL SISTEMA DE LAS ECUACIONES NORMALES:
Yi = na + b Xi
/ Xi
2
Yi Xi = a Xi + b Xi
/ -n
98
- n Yi Xi
= - na Xi - nb Xi
2
2
Yi Xi - n Yi Xi = b ( Xi ) - nb Xi
2
Yi Xi - n Yi Xi = b (Xi ) - n Xi
Finalmente tenemos:
b = Yi Xi - n Yi Xi
2
2
( Xi ) - n Xi
El valor de (a) lo obtenemos remplazando el valor obtenido para (b) en cualquiera
de las ecuaciones normales, con ambos parmetros cuantificados estamos en
condiciones de construir la ecuacin de la recta ajustada o de los valores
tericos.
EJEMPLO: Tenemos los datos referidos al nivel de salarios y la antigedad o
aos de servicios, reflejados en el siguiente cuadro:
SALARIO
10
18
16
20
30
ANTIGEDAD
1
3
4
6
9
99
30
+
25
20
+
+
15
10
5
1
10
ANTIGUEDAD
Como podemos apreciar en la grfica anterior, la nube de puntos nos seala que
los puntos tienen una tendencia muy cercana a la lnea recta, por tanto es posible
ajustar una funcin de Lnea Recta del tipo: Y = a + b X
(Xi)
- n Xi
Xi
1
3
4
6
9
23
Yi . Xi
10
54
64
120
270
518
n=5
Remplazamos los datos en la frmula:
b = (94) (23) - 5 (518) = - 428
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
2
Xi
1
9
16
36
81
143
- 186
(23)
100
- 5 (143)
b = 2,30
Seguidamente el valor de: (b) remplazamos en cualquiera de las ecuaciones
normales:
Yi = na + b Xi
94 = 5 (a) + 2,30 (23)
94 - 52,9 = 5a
41,1 = 5a
a = 41,1
a = 8,22
5
Con los dos parmetros calculados podemos finalmente estructurar la ecuacin de
la Recta:
Yi = 8,22 + 2,30 Xi
PESO
Kgs
61,5
50,0
54,5
57,5
63,5
59,0
61,5
72,0
66,0
72,0
183
178
101
84,0
82,0
Se pide:
a) Graficar el diagrama de dispersin
b) Obtener la Recta de Regresin Estimada del tipo Y = a + b X
c) Predecir el peso de un individuo que tiene una estatura de 168 cms.
d) Calcular el coeficiente de correlacin r e interpretarla
e) Estimar la altura de un hombre cuyo peso registrado es de 77,5 Kgs.
SOLUCION
102
determinado artculo fabricado por una compaa durante los aos 1980-1989 es
como sigue:
Aos
Produccin
1980
92,2
1981
92,3
1982
80,0
1983
89,1
1984
83,5
1985
68,9
1986
69,2
1987
67,1
1988
58,3
1989
61,2
No
X
1
2
3
4
5
6
7
8
9
10
55
PRODUCCIN
Y
92,2
92,3
80,0
89,1
83,5
68,9
69,2
67,1
58,3
61,2
761,8
XY
92,2
184,6
240,0
356,4
417,5
413,4
484,4
536,8
524,7
612,0
3.862,0
X
1,0
4,0
9,0
16,0
25,0
36,0
49,0
64,0
81,0
100,0
385,0
Y
8.500,8
8.519,3
6.400,0
7.938,8
6.972,3
4.747,2
4.788,6
4.502,4
3.398,9
3.745,4
59.513,8
103
104
x
x
Y=a
+ bX +c Z
105
/-2
/-2
/-2
106
Yi Zi - a Zi - b Xi Zi - c Zi = 0
Finalmente tenemos las ecuaciones normales:
Yi = na + b xi + c Zi
2
Yi Xi = a xi + b Xi + c Zi Xi
ECUACIONES NORMALES
2
Yi Zi = a Zi + b Xi Zi + c Zi
Las ecuaciones normales pueden ser resueltas mediante los mtodos de
Eliminacin y Cramer.
EJEMPLO: En base a la informacin proporcionada en el cuadro siguiente:
AOS
1967
1968
1969
1970
1971
1972
1973
CONSUMO DE
PRODUCCION
AGROPECUARIA
39
40
45
43
50
53
62
INGRESO
DISPONIBLE
48
54
55
58
62
64
69
IMPORTACIN DE
PRODUCTOS
AGROPECUARIOS
9
10
12
11
14
18
20
107
Y
39
40
45
43
50
53
62
332
X
48
54
55
58
62
64
69
410
Z
9
10
12
11
14
18
20
94
YX
1872
2160
2475
2494
3100
3392
4278
19771
X2
2304
2916
3025
3364
3844
4096
4761
24310
ZX
432
540
660
638
868
1152
1380
5670
Z2
81
100
144
121
196
324
400
1361
YZ
351
400
540
473
700
954
1240
4658
(I)
(II)
(III)
Y (1975) = 76,89
108
rxyz
2
( Yi - a - b Xi - c Zi )
=
n
__ 2
( Yi - Y)
n
AOS
1967
1968
1969
1970
1971
1972
1973
SUMA
Y
39
40
45
43
50
53
62
332
X
48
54
55
58
62
64
69
410
bX
cZ
12
13,77
13,5
15,3
13,75
18,36
14,5
16,83
15,5
21,42
16
27,54
17,25
30,6
102,5 143,82
2
(Yi-a-bc+cZ)
0,98
1,08
0,42
0,32
0,70
7,73
3,65
14,88
Donde:
a = 12,24
b = 0,25
c = 1,53
_2
(Y - Y)
70,56
54,76
5,76
19,36
6,76
31,36
213,16
401,72
109
r=
1 -
14,88
7 .
401,72
7
1 - 104,16
2.812,04
1 - 0,037 =
0,963
r = 0,98
EJERCICIO PARA RESOLVER EN CLASES: El gerente de una Compaia de
seguros desea estimar el monto total de prstamos que har durante el ao 1974,
sobre las plizas emitidas por su compaia; para esto, los consejeros de
inversiones de la Cia., decidieron efectuar un estudio al respecto en base a los
resultados obtenidos durante los primeros 10 aos de existencia de la compaia;
tomando en cuenta adems otras variables como ser: el ingreso y la poblacin
estimada. Las estadsticas recopiladas se detallan en el cuadro siguiente:
AOS
PRESTAMOS
INGRESO
( En miles de ( En miles de Bs)
Bs)
1964
3,6
5
1965
3,5
7
1966
3,4
6
1967
3,3
6
1968
3,3
7
1969
3,2
8
1970
3,0
10
1971
2,9
13
1972
2,6
16
1973
2,3
18
SUMA
31,1
96
En base a los datos anteriores, se pide:
a) Ajustar la recta de regresin lineal mltiple.
b) Calcular el coeficiente de correlacin mltiple.
NOCIONES DE REGRESION NO LINEAL:
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
POBLACION
ESTIMADA
( En miles)
127
128
129
130
131
133
134
136
138
140
1.326
110
ECUACION
x
Y = AB
Y = AX
Y=.
TRANSFORMACION LINEAL
(Exponencial)
(Potencial)
1
. (Hiperblica)
(A + BX)
X
Y
1,5
2,6
2,0
2,4
Grficamente tenemos:
3,0
1,2
3,5
1,8
4,0
1,6
5,0
1,4
111
X= Log X
A= Log A
B= B
Y
2,6
2,4
1,2
1,8
1,6
1,4
X=LogX
0,1761
0,3010
0,4771
0,5440
0,6021
0,6990
2,7993
Y=Log Y
0,4150
0,3802
0,0792
0,2553
0,2041
0,1461
1,4799
X.Y
0,07131
0,1144
0,0378
0,1378
0,1229
0,1021
0,5891
X2
0,0310
0,0906
0,2276
0,2959
0,3625
0,4886
1,4962
Y2
0,0172
0,1446
0,0063
0,0652
0,0417
0,0213
0,4513
Entonces:
X= 2,7993
Y= 1,4799
Y=0,4513
nX - (X)
6(1,4962) (2,6993)
_ _
a = Y- X = 0,24665 (-0,532)(0,46665) = 0,4949
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
112
-0,532
113
Xo
Si el porcentaje de variacin es positivo se dice que ha habido un incremento, si
es negativo se dice que ha habido una baja.
EJEMPLO: En el cuadro siguiente se muestran los promedios de los salarios, en
dlares, de los trabajadores de una empresa, de 1975 a 1983. Calcular los
correspondientes ndices para cada uno de los nueve aos utilizando como base:
a) 1975
AOS
1975
1976
1977
1978
1979
1980
1981
1982
1983
b) 1978
c) 1983
SALARIOS
310
330
370
380
430
450
480
540
570
1975 = 100
100,0
106,5
119,4
122,6
138,7
145,2
154,8
174,2
183,9
INDICES
1978 = 100
81,6
86,8
97,4
100,0
113,2
118,4
126,3
142,1
150,0
1983 = 100
54,4
59,7
64,9
66,7
75,4
78,9
84,2
94,7
100,0
114
INDICES COMPUESTOS:
La finalidad del ndice de precios consiste en combinar movimientos de muchos
precios a fin de estimar el movimiento promedio de algn grupo en particular de
precios.
El procedimiento para estimar variaciones de precios consiste en utilizar varias
medidas alternativas o ndices de dichos cambios.
Ejemplo, supongamos que nos interesa el comportamiento de los precios de los
productos cerealeros entre 1955 y 1963. Para ello elegimos el trigo, el maz, el
centeno y la cebada como cereales tpicos y recogemos los siguientes datos
referentes a los precios y las cantidades que se consumieron en los dos aos
seleccionados:
PRODUCTO
Trigo
Maz
Centeno
Cebada
TOTALES
1955
1963
Precio
(en dlares)
Cantidad
Consumida en Tn
Precio
(En dlares)
Cantidad
consumida en Tn
1,75
1,20
0,50
1,00
4,45
100
90
30
20
240
2,10
1,80
1,50
0,80
6,20
90
120
50
40
300
Ahora queremos calcular un nmero ndice del precio de los cereales para 1963
usando 1955 como perodo base. La forma ms sencilla de hacerlo sera calcular
una razn de precios para cada uno de los cuatro cereales y promediarlas en
forma conjunta. Las relaciones de precios son las que aparecen a continuacin:
PRODUCTO
TRIGO
MAZ
CEBADA
CENTENO
ESTADISTICA Y PROBABILIDADES I (Texto Gua)
COBIJA - PANDO
Preparado por el Lic. Ren Mamani Quisbert
RAZON DE PRECIOS
Precio de 1963/precio
de 1955 x 100
2,10/1,75X100=120
150
300
80
TOTALES
115
650
Los precios relativos obtenidos son en realidad nmeros ndices para cada
mercanca en particular, y expresan tan solo el precio de ella en 1963 como un
porcentaje de su precio en 1955. El precio del trigo en 1963 era el 120 % de su
precio en 1955, etc. El nmero ndice global lo obtenemos con solo sumar las
cuatro relaciones de precios y dividiendo el resultado entre cuatro. De esta
manera, el nmero ndice es 162,5 (650/4=162,5).
Como el nmero ndice para el ao base (1955 en este caso) es siempre 100, el
clculo sugiere que el precio de los cereales era en 1963 un 62,5 % superior al de
1955.
El ndice as calculado, si bien es legtimo, tiene sus restricciones por cuanto no
refleja o no acompaa las cantidades de cada cereal en la construccin del ndice
de precios, por tanto introduciremos otro ndice compuesto ms realista
denominado INDICE AGREGATIVO PONDERADO. Para ello hacemos las
siguientes operaciones:
433 = 136,2
318
El nmero ndice 136,2 representa que el promedio de los precios de los cereales
ha aumentado cerca de un 36,2 % entre 1955 y 1963. Esta estimacin es muy
inferior a la anteriormente calculada, sobre todo por que atribuimos al centeno
una ponderacin menor con relacin a la importancia de su consumo en 1955. Este
ndice emplea las ponderaciones del ao base y tiene una significacin precisa, que
puede explicarse de la siguiente manera:
En 1963, la compra de la cantidad de cereales que en realidad se consumieron en
1955, hubiera costado a los consumidores un 36,2 % ms que en este ao.
Con los datos ya presentados, podemos calcular tambin un ndice agregativo
ponderado usando las cantidades de 1963 como ponderaciones. La estimacin de
dicho nmero ndice es el siguiente:
512 = 139,7
366,5
116
Pg = pg.qb
pb.qb
Donde:
g = Significa el ao dado sea el ao del cual se computa el nmero
ndice.
b = El ao base
p = Significa el precio
q = La cantidad
P = El nmero ndice
As pues, el numerador de la frmula nos dice que hay que multiplicar el precio en
determinado ao de cada mercanca por su cantidad en el ao base, y sumar luego
estos productos para todas las mercancas. El denominador, en cambio, indica
multiplicar el precio en el ao base de cada mercanca por su cantidad en el ao
base y sumar luego esos productos por todas las mercancas.
Por otro lado, la frmula para el ndice ponderado de determinado ao es la
siguiente:
Pg = pg.qg
pb.qg
Para los ejemplos anteriores, en consecuencia, las frmulas generales seran las
siguientes:
a)
P1963 = p1963.q1955
p1955.q1955
b)
P1963 = p1963.q1963
117
p1955.q1963
Pmar1969 = pmar.1969.q1960
pbase1955.q1960