Tema 1.introducción

ESTADÍSTICA EMPRESARIAL I
PARTE I:
ESTADÍSTICA DESCRIPTIVA
Rafael Flores de Frutos

Sofía Tirado Sarti
ÍNDICE
PRIMERA PARTE:ESTADÍSTICA DESCRIPTIVA
Tema 1. Introducción 4
1.1. Definiciones previas 5
1.2. Objetivo de la Estadística Descriptiva 7
1.3. Variables: Definición y tipos 9
1.4. Datos: Definición y tipos 17
1.5. Propiedades típicas de los datos 23
1.6.Transformaciones de los datos 29
Tema 2. Descripción estadística de una variable 41
2.1.La representación de los datos: Distribución de frecuencias 42
2.2.Representaciones gráficas 51
2.3. Resumen de la información: medidas características de una distribución 59
2.3.1.Medidas de posición. 60
2.3.2. Medidas de dispersión. 93
2.3.3. Medidas de forma. 120
ÍNDICE
PRIMERA PARTE:ESTADÍSTICA DESCRIPTIVA
Tema 3. Descripción conjunta de dos variables 131

3.1. Distribución de frecuencias bidimensional 132
3.2. Distribución de frecuencias marginal 136
3.3. Distribución de frecuencias condicionada 138
3.4. Covarianza y correlación 141
Apéndice. Números índice. 155

TEMA 1
INTRODUCCIÓN
1.1. Definiciones previas.
1.2.Objetivo de la Estadística descriptiva.
1.3.Variables:Definición y tipos.
1.4. Datos: Definición y tipos.
1.5. Propiedades típicas de los datos.
1.6. Transformaciones de los datos.
✓LECTURAS RECOMENDADAS:
•“Estadística para administración y economía” Newbold P. CAPÍTULO 1 Y CAPÍTULO 2:
APARTADO 2.1.
•“Fundamentos de Estadística” Peña D.CAPÍTULO 1.INTRODUCCIÓN.
1. INTRODUCCIÓN
1.1.Definiciones previas
 INDIVIDUO: Elemento básico de una población con una serie de características cuyo
estudio interesa.
 POBLACIÓN:Conjunto formado por TODOS los individuos que comparten las
características que se quieren estudiar.
 MUESTRA : Subconjunto de la población
Ejemplos
TEMA 1 TEMA 2 TEMA 3
ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 5

1. INTRODUCCIÓN
EJEMPLO DEFINICIONES PREVIAS
Ejemplo #1:
•Individuo: Una bombilla producida en una fábrica. Bombilla de un tipo concreto, de

voltaje concreto(220v) y potencia concreta(40 w).
•Característica de interés: Su duración.
•Población: Bombillas de este tipo producidas por la empresa más las que producirá en el
futuro.
•Muestra: Selección de 100 bombillas producidas por la empresa durante la última
semana y que se someterán a un test para estudiar su duración.
Ejemplo # 2:
•Individuo: Trabajador de la empresa Abengoa.

•Característica de interés: nivel de satisfacción global con la empresa.
•Población: conjunto de TODOS los trabajadores de Abengoa en activo.
•Muestra: selección de 200 trabajadores de la empresa a los que se encuestará sobre su
grado de satisfacción con la empresa y otras cuestiones que pudieran estar relacionadas
con dicho grado de satisfacción.

1. INTRODUCCIÓN
1.2.Objetivo estadística descriptiva
DATOS INFORMACIÓN CONOCIMIENTO
ESTADÍSTICA ESTADÍSTICA
INFERENCIAL
DESCRIPTIVA
✓La estadística descriptiva está formada por los métodos gráficos y numéricos que se
utilizan para resumir y procesar los datos y transformarlos en información.
✓La estadística inferencial constituye la base para hacer predicciones sobre la población
a partir de la información muestral.

1. INTRODUCCIÓN
OBJETIVO ESTADÍSTICA DESCRIPTIVA
Objetivo de la estadística descriptiva:

Resumir de forma eficiente y clara la información censal(toda la
población)o muestral(recogida en una muestra)mediante la utilización de gráficas,
tablas o cálculos numéricos.
•Recoger los datos(encuestas)
•Presentar los datos (tablas y gráficas):
•Resumir los datos y detectar regularidades existentes en ellos

(Por ejemplo: la media  X i )
n

1. INTRODUCCIÓN
1.3.Variables:definición y tipos
VARIABLE: Característica que ostenta un individuo que es seleccionado al azar de una

población.
Deterministas
Primera
clasificación
Aleatorias
Tipos de
variables Cualitativas
Segunda o categóricas
Continuas
clasificación
Cuantitativas
o numéricas
Discretas
El tipo de variable condiciona los métodos aplicables y la interpretación de los resultados

1. INTRODUCCIÓN
Primera clasificación: Variables deterministas vs aleatorias
Variable determinista : Aquella cuyo valor puede preverse con total certeza, antes de la
extracción del individuo
Variable aleatoria: Aquella cuyo valor no puede preverse con total certeza, antes de que
se produzca la extracción del individuo
Segunda clasificación: Variables cualitativas vs cuantitativas
Variable cualitativa o categórica: Aquella cuyos resultados posibles no son numéricos.
Variable cuantitativa o numérica: Aquella cuyos resultados posibles son números. Las
variables cuantitativas se clasifican a su vez en continuas o discretas.

EJEMPLOS
VARIABLES DETERMINISTAS
Ejemplo #1:
Población: Alumnos del CES Cardenal Cisneros de 1º curso del Grado de ADE. Se agrupa a
todas las alumnas en al clase A y a los alumnos en la clase B. Se hacen 10 extracciones,
una de cada clase, empezando por la clase A(las extracciones se realizan al azar).La
variable sexo en este contexto es perfectamente previsible, dado que las extracciones
pares corresponden a la clase B(chicos) y las impares a la clase A(chicas).Antes de que se
produzca la extracción, se conoce el sexo del individuo que será seleccionado.
Ejemplo #2:
Población: 200 empresas, todas ellas pertenecientes a un grupo multinacional que

empezó a operar en 1980 y continúa hoy en día.
Individuo: E i,t (empresa i-ésima en el momento t-ésimo)
Variable: Gasto en publicidad de la empresa seleccionada al azar, en el año 2013.
Aunque no ha acabado 2013,se supone que los gastos en publicidad para esa empresa y
año ,ya han sido decididos por el CE0 y por tanto son conocidos antes de que se produzca
la extracción.

EJEMPLOS
VARIABLES ALEATORIAS
Ejemplo #1:
Población: Conjunto de sesiones en la Bolsa de Madrid, desde que se creó hasta su

desaparición(Fecha desconocida).
Variable: Cotización del Banco Santander.
Si cada día laborable corresponde a una selección de sesión, hoy, no es posible prever, con
total certeza, la cotización del Banco Santander para la sesión de mañana.
Ejemplo #2:
Población: Años para los que se ha medido el PIB español + Años por los que se medirá
en el futuro(no se conoce el final)
Variable: Valor del PIB
Antes de que acabe el año(momento de la extracción) no es posible saber, con total
certeza, qué valor tomará la variable.

EJEMPLOS
VARIABLES CUALITATIVAS Y CUANTITATIVAS
Ejemplos variables cualitativas o categóricas:
Ejemplo #1: Sexo del individuo

Ejemplo #2: Color de piel
Ejemplo #3: Estado civil
Ejemplos variables cuantitativas o numéricas:
Ejemplo #1: Nº de hijos

Ejemplo #2: Salario por hora
Ejemplo #3: Número de piezas defectuosas producidas en una hora

1. INTRODUCCIÓN
1.3.VARIABLES:DEFINICIÓN Y TIPOS
Variables cuantitativas o numéricas:
•Variables discretas:
Sólo pueden tomar valores en el conjunto de los números enteros.
Ejemplo#1: número de hijos, número de goles..
También serían discretas aquellas que tomando valores reales, solo lo pudieran hacer
dentro de un conjunto finito o infinito numerable.
Ejemplo# 2: 1,5;2,5;3,5
•Variables continuas:
Pueden tomar cualquier valor en un intervalo de la recta real.
Ejemplos : Salario de una persona, PIB…

1. INTRODUCCIÓN
Conversión de variables categóricas en numéricas : Variables ficticias (“dummyes”)
En ocasiones es conveniente transformar una variable categórica en otra numérica:
Ejemplo #1 :
Variable
VARIABLE RAZA (Color de la piel) ficticia
Blanco--------Se le asigna un número arbitrario 1

Negro-------- Se le asigna un número arbitrario 2
Amarillo------ Se le asigna un número arbitrario 3
Otros--------- Se le asigna un número arbitrario 4
Se ha convertido en una variable discreta que toma los valores:1,2,3 y 4.
ESTADÍSTICA I – PARTE I: ESTADÍSTICA DESCRIPTIVA 15

1. INTRODUCCIÓN
Como alternativa, es posible convertir una variable categórica como la raza, en 4 variables
ficticias, tantas como categorías tenga la variable original , así:
Ejemplo #2 :
VARIABLE RAZA(Color de la piel)
V1Sería una variable que toma el valor “1” si la persona es blanca y “0” en otro caso.
V2 Sería una variable que toma el valor “1” si la persona es negra y “0” en otro caso.
V3 Sería una variable que toma el valor “1” si la persona es amarilla y “0” en otro caso.
V4 Sería una variable que toma el valor “1” si la persona pertenece al grupo de otras
razas y “0” en otro caso.
Se han creado cuatro variables ficticias:V1,V2,V3 y V4

1. INTRODUCCIÓN
1.4.Datos:definición y tipos.
DATOS (poblacionales y/o muestrales): Así llamaremos a los valores que de cada
característica de interés se han recogido de los individuos encuestados.
VARIABLE DATO
Individuo Salario Años de Sexo Raza

educación
Número 1 12,7 10 1(h) 2(n)
Número 2 15,3 20 0(m) 1(b)
Número 3 6,7 10 0(m) 3(ot)
Número 4 200 25 1(h) 1(b)
Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

individuo

1. INTRODUCCIÓN
1.4.Datos:definición y tipos.
1.Datos de Sección Cruzada (o encuestas)
En un momento del tiempo “t” se realiza una encuesta y se observan “k”

características (variables) de “N” individuos. El periodo “t” no varía, es fijo, lo que
varían son los individuos. A este tipo de datos también se les denomina de “corte
transversal”. El ejemplo de la diapositiva anterior es un ejemplo de datos de corte
transversal.
2.Datos de Series Temporales
En este caso el individuo permanece fijo(sólo hay uno) y sus características se observan
a lo largo de “T” periodos regulares (años , meses, trimestres o días son las frecuencias
más habituales).
3. Datos de Panel
Los datos de panel son una combinación de los dos anteriores. Se observan las
características de “N” individuos a lo largo de “T” periodos.
ESTADÍSTICA EMPRESARIAL I – ESTADÍSTICA DESCRIPTIVA 18

EJEMPLOS
Datos de Sección Cruzada
ENCUESTA
individuo salario Años de sexo Raza

educación
Número 1 12,7 10 1(h) 2(n)
Número 2 15,3 20 0(m) 1(b)
Número 3 6,7 10 0(m) 3(ot)
Número 4 200 25 1(h) 1(b)
Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

individuo
19
EJEMPLOS
Datos de Series Temporales
España
Periodo PIB IPC Tipo Euribor

(m.m) (índice) (%)
2000 110 148 4,75
2001 98 150 5,00
2002 99 160 5,25
2003 100 165 4,75
2004 115 170 3,75
……… ……… ……… ………
……… ……… ……… ………
Serie temporal Serie Serie

del PIB español temporal del temporal
IPC del Euribor
20
EJEMPLOS
Datos de Panel
N Países
Periodos ESPAÑA FRANCIA ALEMANIA GRECIA
PIB IPC PIB IPC PIB IPC PIB IPC

m.m € Base 2003 m.m € Base 2003 m.m € Base 2003 m.m € Base 2003
2000 100 148 210 149 300 198 50 100
2001 110 159 215 152 310 199 40 110
2002 115 161 310 161 315 201 55 120
2003 100 100 320 195 400 202 60 130

T años
……… ……… ……… ……… ……… …… ……… …… ………

… …
21
1. INTRODUCCIÓN
1.4. Datos: Bases de datos

1. INTRODUCCIÓN
1.5.Propiedades típicas de los datos
Los datos de series temporales pueden presentar una o varias de las siguientes
características que se enumeran a continuación:
•Tendencia (determinística versus estocástica)
•Estacionalidad (determinística versus estocástica)
•Autocorrelación (dependencia del pasado)
oAutocorrelación de carácter no estacionario
oAutocorrelación de carácter estacionario
oAutocorrelación de carácter regular
oAutocorrelación de carácter estacional
•Heterocedasticidad (varianza no constante)
•Valores extremos(valores atípicos)
Los datos de sección cruzada suelen presentar heterocedasticidad y valores extremos.
Por su parte, las características típicas de los datos de panel están formadas por la unión
de las características de los datos de series temporales y de los datos de sección cruzada.

EJEMPLOS
Propiedades típicas de los datos de Series Temporales
Tendencia:
Tendencia creciente(+) Tendencia decreciente(-)
700000
600000 Yt
500000
400000
300000
200000
100000
0
1991
1992
1993
1994
1995
1996
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
CONSUMO
Series no estacionarias
24
EJEMPLOS
Estacionalidad no estacionaria:
Datos mensuales del Índice de Serie histórica de temperaturas medias

producción industrial: mensuales (en grados centígrados)
registradas en El Retiro:
140
120
100
80
60
40
20
0
2000M01
2000M06
2000M11
2001M04
2001M09
2002M02
2002M07
2002M12
2003M05
2003M10
2004M03
2004M08
2005M01
2005M06
2005M11
2006M04
2006M09
2007M02
2007M07
2007M12
2008M05
2008M10
Se observa como todos los años en los Se observa como la temperatura media
meses de agosto el IPI cae. en el mismo mes de distintos años es
aproximadamente constante.

EJEMPLOS
Autocorrelación de carácter regular y estacional:
Son fáciles de apreciar en un gráfico, pero es difícil distinguirlas sólo a partir de un gráfico.
Para su detección y modelización serán necesarios instrumentos más sofisticados.
✓Autocorrelación de carácter regular estacionaria:

En una serie mensual, es la dependencia que un mes exhibe de los meses previos,
más próximos
✓Autocorrelación de carácter estacional estacionaria:

En una serie mensual es la dependencia que:
Los eneros presentan de los eneros de años anteriores
Los febreros presentan de los febreros anteriores
Los marzos presentan de marzos anteriores
……….
Los diciembres presentan de los diciembres anteriores
26
EJEMPLOS
Heterocedasticidad:
Rendimiento porcentual diario del IBEX35: Serie mensual del número de pasajeros
de líneas aéreas:
Tramo de Tramo de
variabilidad variabilidad La variabilidad crece con el nivel
grande pequeña
de la serie:
Serie estacionaria Serie no estacionaria

en media ni en media
pero no en varianza ni en varianza
27
EJEMPLOS
Valores extremos:
Yt
Valor atípico en t*
t
Son datos inusualmente grandes (en valor absoluto) en comparación con el resto de la
serie temporal.
ESTADÍSTICA EMPRESARIAL I – ESTADÍSTICA DESCRIPTIVA 28 28

1. INTRODUCCIÓN
1.5.Transformaciones de los datos
1. Generales:
•Cambios de origen(sumar/restar una constante)

•Cambios de escala(multiplicar/dividir por una constante)
•Aplicación de logaritmos neperianos.
2.Específicas para Series Temporales:
•Retardar una serie

•Diferencias regulares
•Diferencia estacional

EJEMPLOS
Transformaciones generales de los datos
Cambio de origen:
Yt (Serie original) Y*t=Yt+10

t Yt t Yt
2009 7 2009 17
2010 5 2010 15
2011 10 2011 20
2012 12 2012 22

EJEMPLOS
Cambio de escala:
Serie original: Yt Y*t=Yt x 2

t Yt t Yt
2009 7 2009 14
2010 5 2010 10
2011 10 2011 20
2012 12 2012 24
31
EJEMPLOS
Aplicación de logaritmos neperianos:

Yt (Serie original)
t Yt
t Yt
2009 7 2009 Ln (7 )=1,9459
2010 5 2010 Ln (5)=1,6094
2011 10 2011 Ln (10)=2,3026
2012 12 2012 Ln (12)=2,4849
TRANSFORMACIÓN
LOGARÍTIMICA
SERIES TEMPORALES

EJEMPLOS
Transformación logarítmica en los datos de series temporales
Evolución del consumo de gasolina

desde enero de 1.945 hasta diciembre de
1.999:
yt Una forma de homogeneizar la
variabilidad de una serie temporal es
transformándola mediante la
aplicación de logaritmos neperianos
zt
z t  f  yt   ln  yt 

1. INTRODUCCIÓN
1.4. Transformaciones en los datos de series temporales: Retardar una serie
Operador “B” (operador de retardos) :
Si a una serie temporal le aplicamos el operador de retardos, B, conseguimos

desplazar todos los datos de esa serie un período hacia atrás, es decir:
By t  yt 1
En general, aplicar s veces el operador de retardos a una serie temporal consigue
desplazar s períodos de tiempo todos los datos de esa serie temporal, esto es:
B s yt  yt  s
Yt serie original
Y t-1 serie retardada 1 periodo Byt  yt 1
Yt-2 serie retardada 2 periodos B 2 yt  yt  2
…
Yt-s serie retardada s periodos B s yt  yt  s
34
1. INTRODUCCIÓN
1.4. Transformaciones en los datos de series temporales: Diferencia regular
Operador diferencia regular :
El operador diferencia regular de orden d se define como:

Operador d d yt  1  B  yt
d
aplicado sobre una serie temporal Yt, induce estacionariedad en series sin componente
estacional( se utiliza para eliminar la tendencia de la serie).
•Para d = 1 (una diferencia regular): yt  1  B  yt  yt  Byt  yt  yt 1
 yt   1  B  yt   1  B  yt 
2 2
•Para d = 2 (dos diferencias regulares):
(1  2B  B 2 ) yt  yt  2 yt 1  yt 2
EJEMPLO
35

EJEMPLO
Transformaciones en los datos de series temporales: Diferencia regular
Tabla primera diferencia regular
ln  yt  ln  yt 1   ln  yt 
Mes
Enero/1.945 2.6368 – –
Febrero/1.945 2.6836 2.6368 0.0468
Marzo/1.945 2.6771 2.6836 –0.0065
Abril/1945 2.6649 2.6771 –0.0122
Evolución de la serie de logaritmos Evolución de la serie temporal

del consumo de gasolina 1.945-1.999 entre 1.945 -1.999 zt   ln  yt 
36
1. INTRODUCCIÓN
1.4. Transformaciones en los datos de series temporales: Diferencia estacional
Operador diferencia estacional :

El operador diferencia estacional de orden s se define como:
Operador  S  S yt  1  B S  yt
Diferencia estacional de orden 12 Induce estacionariedad

(series mensuales): en series estacionales
12 yt  1  B12  yt  yt  yt 12 mensuales.
EJEMPLO
Diferencia estacional de orden 4 Induce estacionariedad

(series trimestrales): en series estacionales
4 yt  1  B 4  yt  yt  yt 4 trimestrales.
NOTA: Muchas series mensuales necesitan que se les aplique una diferencia regular y otra
estacional para convertirlas en estacionarias:
12 yt  1  B  1  B12  yt  (1  B  B12  B13 ) yt  yt  yt 1  yt 12  yt 13
37
EJEMPLO
Transformaciones en los datos de series temporales: Diferencia estacional
El gráfico de la izquierda que se va a presentar reproduce la serie del consumo de

gasolina presentada antes (en logaritmos). Es claramente observable que esta serie
muestra, además de una tendencia creciente, un componente estacional. Sin
embargo, podemos observar, en el gráfico de la derecha, que se ha obtenido al aplicar
una diferencia estacional, que la estacionalidad ha desaparecido.

1. INTRODUCCIÓN
1.4. Transformaciones de los datos: EJEMPLO
t Yt Yt-1 Yt-2 Yt-3 Yt-4  Yt 4Yt  4 Yt
I/2009 1 ─ ─ ─ ─ ─ ─ Nota:
II/2009 7 1 ─ ─ ─ 6 ─
III/2009 4 7 1 ─ ─ -3 ─ Yt  Yt  Yt 1
IV/2009 5 4 7 1 ─ 1 ─ 4Yt  Yt  Yt 4
I/2010 6 5 4 7 1 1 5
II/2010 9 6 5 4 7 3 2
III/2010 2 9 6 5 4 -7 -2
Para calcular esta columna
IV/2010 15 2 9 6 5 13 10
necesito Yt 5 y no lo he
I/2011 4 15 2 9 6 -11 -2 calculado .
Se propone que el alumno
II/2011 8 4 15 2 9 4 -1 la calcule.
III/2011 7 8 4 15 2 -1 5
 4Yt  1  B  1  B 4  Yt 
IV/2011 5 7 8 4 15 -2 -5
… ─ 7 8 4 ─ ─
1  B  B 4
 B 5  Yt 
Yt  Yt 1  Yt  4  Yt 5
… ─ ─ 5 7 8 ─ ─
… ─ ─ ─ 5 7 ─ ─
… ─ ─ ─ ─ 5 ─ ─ 39
39
1. INTRODUCCIÓN
ANEXO: Relación entre la tasa de variación convencional y la tasa de variación logarítmica
Relación tasa variación convencional y tasa de variación logarítmica

yt  yt 1 y
Se define la tasa de variación convencional como:  t   t 1
yt 1 yt 1
Se define la tasa de variación logarítmica como: t   log  yt   ln yt  ln yt 1  ln  yt 

 yt 1 
Se puede comprobar fácilmente que la tasa de variación logarítmica es

aproximadamente igual a la tasa de variación habitual:
t  t para t pequeño

1. INTRODUCCIÓN
EJERCICIOS(I)
1) Clasifique las siguientes variables:
2) Diga qué tipos de datos son los siguientes:
a) La cuantía que del impuesto sobre la renta han pagado las familias españolas en 2017.
b) El valor, en euros, de los bienes exportados por España durante cada uno de los meses de
2017.
c) El dinero que se gastó en consumo un conjunto de 200 familias españolas, escogido al azar,
de entre todo el país, en el periodo 2005-2017.

1. INTRODUCCIÓN
EJERCICIOS(II)
3) Indique qué variables son cualitativas y cuáles cuantitativas, y en caso de ser cuantitativas,
si son discretas o continuas.
ESTADÍSTICA EMPRESARIAL I ––ESTADÍSTICA

ESTADÍSTICADESCRIPTIVA
DESCRIPTIVA 42
BIBLIOGRAFÍA
Paul Newbold, William L. Carlson y Betty Thorne. “Estadística para administración y

economía”,6ªedición, 2008, Prentice Hall
Peña, Daniel. "Fundamentos de Estadística". Ed. Alianza Universidad Madrid, 2008 (1ª
ed. 2001)
Martín Pliego, F.J., “Introducción a la Estadística económica y empresarial”. Edit.
Paraninfo, Madrid 2011
López de la Manzanara Barbero, J. “Problemas de Estadística”. Edit. Pirámide

Tema 1.introducción

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tema 1.introducción

Caricato da

Copyright:

Formati disponibili

ESTADÍSTICA EMPRESARIAL I

Rafael Flores de Frutos

Tema 3. Descripción conjunta de dos variables 131

Apéndice. Números índice. 155

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 5

•Individuo: Una bombilla producida en una fábrica. Bombilla de un tipo concreto, de

•Individuo: Trabajador de la empresa Abengoa.

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 6

DATOS INFORMACIÓN CONOCIMIENTO

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 7

Objetivo de la estadística descriptiva:

•Recoger los datos(encuestas)

•Presentar los datos (tablas y gráficas):

•Resumir los datos y detectar regularidades existentes en ellos

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 8

VARIABLE: Característica que ostenta un individuo que es seleccionado al azar de una

El tipo de variable condiciona los métodos aplicables y la interpretación de los resultados

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 9

Primera clasificación: Variables deterministas vs aleatorias

Segunda clasificación: Variables cualitativas vs cuantitativas

Variable cualitativa o categórica: Aquella cuyos resultados posibles no son numéricos.

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 10

Población: 200 empresas, todas ellas pertenecientes a un grupo multinacional que

Variable: Gasto en publicidad de la empresa seleccionada al azar, en el año 2013.

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 11

Población: Conjunto de sesiones en la Bolsa de Madrid, desde que se creó hasta su

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 12

Ejemplos variables cualitativas o categóricas:

Ejemplo #1: Sexo del individuo

Ejemplos variables cuantitativas o numéricas:

Ejemplo #1: Nº de hijos

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 13

Variables cuantitativas o numéricas:

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 14

Conversión de variables categóricas en numéricas : Variables ficticias (“dummyes”)

En ocasiones es conveniente transformar una variable categórica en otra numérica:

Blanco--------Se le asigna un número arbitrario 1

Se ha convertido en una variable discreta que toma los valores:1,2,3 y 4.

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA I – PARTE I: ESTADÍSTICA DESCRIPTIVA 15

VARIABLE RAZA(Color de la piel)

Se han creado cuatro variables ficticias:V1,V2,V3 y V4

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 16

Individuo Salario Años de Sexo Raza

Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I –ESTADÍSTICA DESCRIPTIVA 17

1.Datos de Sección Cruzada (o encuestas)

En un momento del tiempo “t” se realiza una encuesta y se observan “k”

TEMA 1 TEMA 2 TEMA 3

ESTADÍSTICA EMPRESARIAL I – ESTADÍSTICA DESCRIPTIVA 18

individuo salario Años de sexo Raza

Identificativo del Variable 1 Variable 2 Variable 3 Variable 4

Periodo PIB IPC Tipo Euribor

Serie temporal Serie Serie

Periodos ESPAÑA FRANCIA ALEMANIA GRECIA

PIB IPC PIB IPC PIB IPC PIB IPC