Impresora PDF

Problemas resueltos
de estadística aplicada
a las ciencias sociales
Pablo Juan Verdoy
Modesto Joaquín Beltrán
María José Peris
Departament de Matemàtiques
Codis d’assignatura RA10, RL0906

P. Juan Verdoy / M. J. Beltrán / M. J. Peris - ISBN: 978-84-15444-38-1 Problemas resueltos de estadística aplicada a las ciencias sociales - UJI - DOI: http://dx.doi.org/10.6035/Sapientia100
Edita: Publicacions de la Universitat Jaume I. Servei de Comunicació i Publicacions
Campus del Riu Sec. Edifici Rectorat i Serveis Centrals. 12071 Castelló de la Plana
http://www.tenda.uji.es e-mail: publicacions@uji.es
Col·lecció Sapientia, 100

www.sapientia.uji.es
Primera edició, 2015
ISBN: 978-84-15444-38-1
Publicacions de la Universitat Jaume I és una editorial membre de l’une,

cosa que en garanteix la difusió de les obres en els àmbits nacional i inter-
nacional. www.une.es
Aquest text està subjecte a una llicència Reconeixement-NoComercial-CompartirIgual de

Creative Commons, que permet copiar, distribuir i comunicar públicament l’obra sempre que
especifique l’autor i el nom de la publicació i sense objectius comercials, i també permet crear
obres derivades, sempre que siguen distribuïdes amb aquesta mateixa llicència.
http://creativecommons.org/licenses/by-nc-sa/2.5/es/deed.ca
P. Juan Verdoy / M. J. Beltrán / M. J. Peris - ISBN: 978-84-15444-38-1 Problemas resueltos de estadística aplicada a las ciencias sociales - UJI - DOI: http://dx.doi.org/10.6035/Sapientia100
ÍNDICE
Prólogo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Unidad 1. Estadística descriptiva univariante . . . . . . . . . . . . . . . . . . . . . . . . 11

Introducción teórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Ayudas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Unidad 2. Estadística descriptiva bivariante . . . . . . . . . . . . . . . . . . . . . . . . . . 69

Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Ayudas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Unidad 3. Números índice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Ayudas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
Unidad 4. Series temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Ayudas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
P. Juan Verdoy / M. J. Beltrán / M. J. Peris - ISBN: 978-84-15444-38-1 3 Problemas resueltos de estadística aplicada a las ciencias sociales - UJI - DOI: http://dx.doi.org/10.6035/Sapientia100
Prólogo
La estadística es una ciencia con base matemática referente a la recogida, análisis
e interpretación de datos que busca explicar condiciones regulares en fenómenos
de tipo aleatorio. Es transversal a una amplia variedad de disciplinas, desde la
física hasta las ciencias sociales, desde las ciencias de la salud hasta el control de
calidad, y es usada para la toma de decisiones en áreas de negocios e instituciones
gubernamentales.
Podemos considerar dos ramas en la Estadística:
a) La estadística descriptiva, que se dedica a los métodos de recogida, descrip-

ción, visualización y resumen de datos originados a partir de los fenóme-
nos en estudio. Los datos pueden ser resumidos numérica o gráficamente.
Ejemplos básicos de parámetros estadísticos son: la media y la desviación
estándar. Algunos ejemplos gráficos son: histograma, pirámide poblacional,
clústeres, etc.
b) La inferencia estadística se dedica a la generación de los modelos, inferen-

cias y predicciones asociadas a los fenómenos en cuestión teniendo en cuen-
ta la aleatoriedad de las observaciones. Se usa para modelar patrones en los
datos y extraer inferencias sobre la población de estudio. Estas inferencias
pueden tomar la forma de respuestas a preguntas sí/no (prueba de hipótesis),
estimaciones de características numéricas (estimación), pronósticos de futu-
ras observaciones, descripciones de asociación (correlación) o modelización
de relaciones entre variables (análisis de regresión). Otras técnicas de mode-
lización incluyen anova, series de tiempo y minería de datos.
Ambas ramas (descriptiva e inferencial) comprenden la estadística aplicada. Hay

también una disciplina llamada estadística matemática, la cual hace referencia a
las bases teóricas de la materia. La palabra «estadística» también se refiere al re-
sultado de aplicar un algoritmo estadístico a un conjunto de datos, como en esta-
dísticas económicas, estadísticas criminales, etc.
En su origen, por lo tanto, la estadística estuvo asociada a datos para ser utilizados
por el gobierno y cuerpos administrativos (a menudo centralizados). La colección
de datos sobre estados y localidades continúa ampliamente a través de los servi-
cios de estadística nacionales e internacionales. En particular, los censos suminis-
tran información regular sobre la población.
Los métodos estadístico matemáticos emergieron desde la teoría de probabilidad,

que data desde la correspondencia ciertamente entre Pierre de Fermat y Blaise
Pascal (1654). Christian Huygens (1657) da el primer tratamiento científico que
se conoce en la materia. El Ars Conjectandi (póstumo, 1713) de Jakob Bernoulli y
la Doctrina de Posibilidades (1718) de Abraham de Moivre estudiaron la materia
como una rama de las matemáticas. En la era moderna, el trabajo de Kolmogorov
ha sido un pilar en la formulación del modelo fundamental de la Teoría de Proba-
bilidades, el cual es usado a través de la estadística. La teoría de errores se puede
remontar a la Opera Miscellanea (póstuma, 1722) de Roger Cotes y al trabajo
preparado por Thomas Simpson en 1755 (impreso en 1756) que aplica por primera
vez la teoría de la discusión de errores de observación. La reimpresión (1757) de
esta obra incluye el axioma de que errores positivos y negativos son igualmente
probables y que hay unos ciertos límites asignables dentro de los cuales se encuen-
tran todos los errores, se describen errores continuos y una curva de probabilidad.
Pierre-Simon Laplace (1774) hace el primer intento de deducir una regla para la
combinación de observaciones desde los principios de la teoría de probabilidades.
Laplace representó la ley de probabilidades de errores mediante una curva y de-
dujo una fórmula para la media de tres observaciones. También, en 1871, obtiene
la fórmula para la ley de facilidad del error (término introducido por Lagrange,
1744) pero con ecuaciones inmanejables. Daniel Bernoulli (1778) introduce el
principio del máximo producto de las probabilidades de un sistema de errores
concurrentes. El método de mínimos cuadrados, el cual fue usado para minimizar
los errores en mediciones, fue publicado independientemente por Adrien-Marie
Legendre (1805), Robert Adrain (1808) y Carl Friedrich Gauss (1809). Gauss ha-
bía usado el método en su famosa predicción de la localización del planeta ena-
no Ceres en 1801. Pruebas adicionales fueron escritas por Laplace (1810, 1812),
Gauss (1823), James Ivory (1825, 1826), Hagen (1837) , Friedrich Bessel (1838),
WF Donkin (1844, 1856), John Herschel (1850) y Morgan Crofton (1870). Otros,
Col van Ellis (1844), Augustus De Morgan (1864), Glaisher (1872) y Giovanni
Schiaparelli (1875).
El siglo xix incluye autores como Laplace, Silvestre Lacroix (1816), Littrow
(1833), Richard Dedekind (1860), Helmert (1872), Hermann Laurent (1873), Lia-
gre, Didion y Karl Pearson. Augustus De Morgan y George Boole mejoran la pre-
sentación de la teoría. Adolphe Quetelet (1796-1874) fue otro importante fundador
de la estadística y quien introdujo la noción del «hombre promedio» (l’homme
moyen) como un medio de entender los fenómenos sociales complejos como tasas
de criminalidad, tasas de matrimonio o tasas de suicidios. Durante el siglo xx, la
creación de instrumentos necesarios para asuntos de salud pública (epidemiología,
estadística, etc.) y propósitos económicos y sociales (tasa de desempleo, econome-
tría, etc.) necesitó de avances sustanciales en las prácticas estadísticas.
Hoy el uso de la estadística se ha extendido más allá de sus orígenes como un servicio
al Estado o al gobierno. Personas y organizaciones usan la estadística para entender
datos y tomar decisiones en ciencias naturales y sociales, medicina, negocios y otras
áreas. La estadística es entendida generalmente no como un subárea de las mate-
máticas sino como una ciencia diferente «aliada». Muchas universidades tienen
departamentos académicos de matemáticas y estadística separadamente. La es-
tadística se enseña en departamentos tan diversos como psicología, educación y
salud pública.
Al aplicar la estadística a un problema científico, industrial o social se comienza
con un proceso o población a ser estudiado. Esta puede ser la población de un
país, la de grandes cristalizados en una roca o la de bienes manufacturados por
una fábrica en particular durante un período dado. También podría ser un proceso
observado en varios instantes y los datos recogidos de esta manera constituyen una
serie de tiempo.
Por razones prácticas, en lugar de compilar datos de una población entera,

usualmente se estudia un subconjunto seleccionado de la población, llamado
muestra. Datos sobre la muestra son recogidos de manera observacional o expe-
rimental. Los datos son entonces analizados estadísticamente lo cual sigue dos
propósitos: descripción e inferencia.
El concepto matemático fundamental utilizado para entender la aleatoriedad es el

de probabilidad. La estadística matemática (también llamada teoría estadística)
es la rama de las matemáticas aplicadas que usa la teoría de probabilidades y el
análisis matemático para examinar las bases teóricas de la estadística. El uso de
cualquier método estadístico es válido solo cuando el sistema o población bajo
consideración satisface los supuestos matemáticos del método. El mal uso de la
estadística puede producir serios errores en la descripción e interpretación, afec-
tando las políticas sociales, la práctica médica y la calidad de estructuras tales
como puentes y plantas de reacción nuclear.
Incluso cuando la estadística es correctamente aplicada, los resultados pueden ser

difícilmente interpretados por un no experto. Por ejemplo, el significado estadísti-
co de una tendencia en los datos, que mide el grado en que la tendencia puede ser
causada por una variación aleatoria en la muestra, puede no estar de acuerdo con
el sentido intuitivo. El conjunto de habilidades estadísticas básicas (y el escepticis-
mo) que una persona necesita para manejar información en el día a día se refiere
como cultura estadística.
Este libro de problemas con ayudas es la primera parte de un conjunto de dos que
comprenderá todas las fases del proceso estadístico. En este volumen se estudian
mediante problemas los principales rasgos de la estadística descriptiva de una va-
riable, de dos variables, los números índices y series temporales.
La novedad que presenta este manual es que todos los ejercicios tienen dos tipos
de ayudas que aportan «pistas» de cómo resolver los ejercicios y los problemas.
Así pues, el alumno puede consultarlas siempre que no sepa por dónde continuar
mientras está resolviendo un ejercicio. De esta manera el estudiante evitará la des-
agradable sensación que una persona tiene cuando abandona la resolución de un
ejercicio. Además, también se incluyen las soluciones completas de los ejercicios,
muchos de ellos comentados con profundidad.
Es conveniente dejar claras dos cuestiones relevantes. La primera de ellas es que

no hay que sacar la falsa idea de entender la estadística como una mera colección
de métodos o técnicas útiles para el tratamiento de la información o, incluso lo que
es más, concluir que la estadística es lo que hacen los estadísticos. Aunque estas
dos ideas no son desacertadas, tampoco permiten tener una visión completa de
lo que es la estadística. La segunda es que nuestras decisiones se basan, cada vez
más, en un flujo creciente de información que necesitamos sintetizar para evitar
aquello de los árboles que impiden ver el bosque. Nuestras decisiones son de tipo
condicionado, ya que las mismas se toman en función de algún tipo de informa-
ción, tanto pasada como presente.
Este libro pretende ser un complemento didáctico de la teoría básica de estadística

que se puede encontrar en otros numerosos libros que hoy en día se pueden encon-
trar en nuestras bibliotecas, así como sobre todo el manual Introducción a la esta-
dística aplicada a las ciencias sociales de la Col·lecció Sapientia de Publicacions
de la uji, que puede considerarse el manual teórico que complementa este libro.
En definitiva, nuestra humilde pretensión es que este texto sirva de ayuda com-
plementaria a todos aquellos estudiantes que se enfrentan (muchas veces con poco
éxito) a la resolución de problemas de estadística descriptiva.
Los autores
Introducción
El presente libro de problemas se puede considerar como el primero de los dos
complementos del manual Introducción a la estadística aplicada a las ciencias
sociales de la Col·lecció Sapientia de Publicacions de la Universitat Jaume I, el
cual consta fundamentalmente de contenidos teóricos, quedando el apartado de
problemas en un segundo plano. Con este nuevo texto, basado casi exclusivamente
en problemas resueltos, se completa parte del manual teórico y se facilita al estu-
diante una herramienta excelente para consolidar el aprendizaje de sus contenidos.
Los problemas cuentan con ayudas, siendo la última su resolución completa. Es

decir, cada uno de los problemas tiene dos tipos de ayudas, que no son más que una
breve información que puede facilitar al estudiante el arduo trabajo de resolver
el problema. Las ayudas de tipo 1 son una mera orientación que tiene por objeto
manifestar los contenidos que se deben consultar para poder resolver el problema.
La ayuda de tipo 2 da bastante más información que la primera. Así, en muchas
ayudas de este tipo se muestra parte de la resolución del ejercicio. Finalmente, en
la resolución del problema se muestra con todo detalle los contenidos estadísticos
que se utilizan y numerosos comentarios que permiten intuir la resolución del
problemas similares.
Además, los problemas están clasificados por objetivos, ya que de esta manera el
estudiante sabe en cada momento qué contenidos se están trabajando y, por tanto,
puede consultar el manual teórico para revisar aquellas cuestiones en las que pre-
sente dificultades.
Por otra parte, este manual está dividido en cuatro unidades que hacen referencia
a la estadítica descriptiva univariante, la estadística descriptiva bivariante, los nú-
meros índices y, finalmente, las series temporales. Cada unidad está dividida en
cuatro bloques: en el primero se proponen los enunciados de los problemas clasi-
ficados por objetivos. La segunda parte proporciona únicamente las ayudas de tipo
1 En el tercer bloque las ayudas son del tipo 2. El hecho de que para un mismo
problema no se encuentren los dos tipos de ayudas conjuntamente tiene la preten-
sión de que el estudiante realice la consulta detallada de las ayudas, reforzando la
idea de pensar antes de consultar. En la última parte se muestran las resoluciones
completas de los problemas, las cuales están repletas de comentarios, gráficos y
diagramas que facilitan su comprensión.
UNIdAd 1
Estadística descriptiva
univariante
Introducción teórica
Como elementos introductorios de este capítulo, es conveniente recordar defini-
ciones de elementos importantes, ya desarrolladas en diferentes materiales como
los libros referenciados 1, 2 y 3, tales como:
Población: Es el conjunto de elementos, individuos o los sujetos a estudio y de los

que se quiere obtener un resultado.
Parámetro: Es una medida descriptiva de la población total, de todas las observa-

ciones.
Muestra: Conjunto de elementos que forman parte de la población total a la que

representa.
Tamaño de la muestra: Es el número de elementos u observaciones que forman la

muestra.
Estadístico: Es una medida descriptiva de la muestra y que estima el parámetro de

la población.
Variables cualitativas y cuantitativas

Las variables en las que únicamente es posible un recuento del número de elemen-
tos de la población o muestra que poseen una de sus modalidades se llaman varia-
bles cualitativas o atributos (libros referenciados 4, 8, 14 y 19). Las modalidades
de estos tipos de variables ni siquiera admiten una gradación y mucho menos una
medida numérica. Son variables como el sexo de una persona, la confesionalidad,
etc. Las modalidades que pueden tomar se denominan categorías. Así, las catego-
rías de la variable sexo son masculino y femenino.
El resto de variables en las que, además de admitir el recuento del número de

elementos de la población o muestra que poseen una de sus modalidades, también
es posible asignarle una medida a la propia modalidad, se denominan variables
cuantitativas. Son por ejemplo el peso, la altura, el sueldo mensual, el grado de
dureza, etc.
Estas últimas variables, las cuantitativas, también pueden clasificarse en discretas

y continuas. Una variable continua es aquella que puede tomar cualquier valor
dentro de un rango dado. Independientemente de la proximidad de dos observa-
ciones, si el instrumento de medida es suficientemente preciso, siempre se podrá
encontrar una tercera observación entre las dos primeras.
Una variable discreta está limitada para ciertos valores, generalmente números ente-
ros. Se diferencian de las continuas en que, dadas dos observaciones suficientemente
próximas, no se puede encontrar ninguna observación de la variable entre ellas.
Son ejemplos el número de hijos de las familias, el número de vehículos que tienen
las empresas, el número de turistas que visitan un país, etc.
La variable estadística se denota con mayúsculas. Asimismo, cada una de estas

variables puede tomar distintos valores siendo su notación la siguiente:
X = (x1, x2, x3,..., xk-2, xk-1, xk )
Tablas de frecuencia
Antes de construir las tablas de frecuencias, hay que realizar una serie de definiciones:
Se llama frecuencia absoluta del valor xi al número de veces que aparece repetida
la observación en la recopilación de datos. Se representa por ni .
Se llama frecuencia relativa del valor xi al cociente entre la frecuencia absoluta

de xi y el número total de datos n. Se representa por f i y, evidentemente, es la
proporción en que se encuentra el valor xi dentro del conjunto de datos en tanto
por uno; f = ni .
i
n
Por otra parte, suponiendo que se dispondrá de k datos diferentes, se cumple que la
suma de todos los ni es n ( n1 + n2 + ....... + nk = n ), y también que la suma de las
frecuencias relativas es igual a la unidad ( f1 + f 2 + ...... + f k = 1).
Se llama frecuencia absoluta acumulada del valor xi al número de datos de la

recopilación que son menores o iguales que xi . Se representa por N i y su valor se
calcula a partir de las frecuencias absolutas; N i = n1 + n2 + ....... + ni (asumiendo
que x1 < x2 < .....< xi).
Se llama frecuencia relativa acumulada del valor xi al cociente entre la frecuencia

absoluta acumulada de xi y el número total de datos n. Se representa por Fi y, evi-
dentemente, es la proporción en que se encuentran los valores menores o iguales a
N
xi dentro del conjunto de datos en tanto por uno; Fi = i . También hay otra ma-
n
nera de calcular Fi a partir de las frecuencias relativas, pues Fi = f1 + f 2 + ...... + f i .
(asumiendo que x1< x2< .....< xi).
Las frecuencias acumuladas también cumplen dos propiedades triviales como con-
secuencia de sus definiciones: suponiendo que se dispusiera de k datos diferentes,
se cumple que N k = n y Fk = 1.
Es importante remarcar que para calcular frecuencias acumuladas es necesario que

las variables por estudiar sean ordenables, es decir, debe ser posible establecer
una relación de orden entre las variables. En otros casos, no tiene ningún sentido
realizar estos cálculos.
Estas definiciones permiten resumir los datos. Sin embargo, la manera más
adecuada para sintetizar los datos es mediante lo que se denomina tabla de
frecuencias. En ella aparecen distribuidas los datos según las frecuencias.
Al mismo tiempo refleja todos los conceptos mencionados con anterioridad.
En ocasiones el número de datos diferentes que se está estudiando es muy nume-

roso. Entonces, si se decidiera construir una tabla como la anterior, la columna
relativa a las xi sería muy extensa, únicamente hay que pensar en doscientos datos
diferentes dentro de una recopilación de cuatrocientos.
La solución a esta cuestión consiste en agrupar los datos en intervalos o clases,

de modo que cada dato pertenezca a uno y solo un intervalo. En consecuencia,
los conceptos relativos a la frecuencia que hasta ahora se referían a los valores
diferentes de los datos, al realizar la agrupación, deben hacer referencia a los in-
tervalos.
Esta práctica, a pesar de que ayuda a resumir y clarificar la información, tiene en

cambio un inconveniente: se pierde información sobre la propia distribución de
datos. Al agruparlas en los intervalos los valores reales se «difuminan».
Un intervalo se suele representar por [Li-1, Li) y se define como el conjunto for-
mado por todos los valores reales que son mayores o iguales que Li-1 (Extremo
inferior) y menores que Li (Extremo superior).
Se llama marca de clase a la media aritmética de los dos extremos del intervalo. Es
evidentemente el valor central del intervalo ya que equidista de los extremos. Se
L +L
denota por ci . Se calcula ci = i−1 i .
2
Se llama amplitud de un intervalo a la distancia que hay entre los extremos. Se
denota por ai y se calcula ai = Li – Li-1.
Se llama densidad de frecuencia absoluta de un intervalo al cociente entre la

frecuencia absoluta del intervalo y su amplitud. Se denota por di. Se calcula
n
di = i .
ai
Sin embargo, en la literatura matemática es posible encontrar varias reglas para

calcular el número adecuado de intervalos a partir del número de datos, como que
no puede superar el 10 % del número total de datos o como el método de la raíz.
Según este método el número de clases es igual a la raíz cuadrada del número de
datos:
Número clases =
Se llama recorrido de un conjunto de datos a la diferencia entre el valor más gran-

de y el más pequeño del conjunto. Se denota por Re.
En consecuencia, para averiguar la amplitud de la clase calculamos:
Amplitud =
Conociendo el número de intervalos y la amplitud se pueden construir fácilmente

todos los intervalos. Al finalizar la construcción de todos los intervalos es necesa-
rio comprobar que todos los datos pertenecen a un y solo un intervalo. Si no es así,
hay que realizar alguna modificación en la amplitud o en el número de intervalos.
Gráficos estadísticos
Los gráficos también son muy útiles para describir los conjuntos de datos (referen-
cias 15, 20 y 23). De hecho, un gráfico estadístico permite formarse una primera
idea de la distribución de los datos tan solo con una observación. No obstante, hay
que tener cuidado pues en algunas ocasiones los gráficos presentan «tendencias»
no atribuibles al quehacer matemático.
Diagrama de sectores o diagrama circular: Es un círculo dividido en diferentes

sectores. El área de cada sector es proporcional a la frecuencia que se quiera repre-
sentar, sea absoluta o relativa.
Para calcular el ángulo asociado a cada frecuencia se aplica una simple propor-
n
ción: el ángulo asociado a una frecuencia absoluta ni es igual a f i · 360º ( f i = i ).
Para la frecuencia absoluta acumulada se razona de la misma manera. n
Diagrama de barras: Se utiliza para representar los datos que no están agrupados.
Consiste en colocar sobre un eje horizontal los distintos valores que toma la va-
riable estadística, y sobre cada uno de ellos levantar un rectángulo de altura igual
a la frecuencia (del tipo que se esté representando). Todos los rectángulos deben
tener la misma amplitud.
Histogramas: Se utilizan para representar datos agrupados en intervalos. Consiste en

colocar sobre un eje horizontal los diferentes intervalos. Sobre cada uno de ellos se
construye un rectángulo de superficie igual a la frecuencia que se esté representando.
Así, las alturas de los rectángulos deben ser las densidades de los intervalos. Hay que
notar que en el eje horizontal aparecen reflejadas las marcas de las clase.
Polígono de frecuencias: Es menos utilizado que los diagramas de barras y los

histogramas, pero pueden sustituirlos. Consiste en unir mediante líneas poligona-
les los extremos superiores de las barras si se trata de datos sin agrupar, o el punto
medio de la base superior de los rectángulos, si se trata de histogramas.
Pictograma: Se suele utilizar para expresar un atributo. Se suelen utilizar iconos

que se identifican con la variable (ejemplo una bombilla, si la variable es la energía
electrica consumida en un hogar) y su tamaño es proporcional a la frecuencia.
Medidas de posición
Son coeficientes que tratan de representar una determinada distribución; pueden
ser de dos tipos, centrales y no centrales.
Medidas Centrales
Media aritmética
Es el valor que habitualmente se toma como representación de los datos. Es la

suma de todos los valores de la variable dividida entre el número total de elemen-
tos. Si los datos están agrupados, se toma la marca de la clase como representante
del intervalo y se realizan todos los cálculos como si los valores de la variable
fueran las marcas de las clases.
Si se considera una variable estadística X que tiene k valores diferentes, que se re-
presentan por xi y sus frecuencias para ni , entonces la media aritmética se calcula:
n1 x1 + n2 x2 + ....... + nk xk
Media aritmética:
n
La media aritmética cumple las siguientes propiedades:
• La suma de las desviaciones de los valores de la variable respecto a la media

aritmética es 0.
• Si a todos los valores de la variable se les suma una misma constante, la

media aritmética queda aumentada en dicha constante.
• Si todos los valores de la variable se multiplican por una misma constante la

media aritmética queda multiplicada por dicha constante.
• Si una variable Y es transformación lineal de otra variable X (Y = a · X + b; a

y b números reales), la media aritmética de Y sigue la misma transformación
lineal respecto a la media aritmética de X. Es decir: YY ==aa· X
· X++bb .
• Si en un conjunto de valores se pueden obtener 2 o más subconjuntos dis-

juntos que suponen una partición del conjunto total de valores, la media arit-
mética del conjunto se relaciona con la media aritmética de cada uno de los
X ·N
subconjuntos disjuntos de la siguiente forma: X = ∑ i i (siendo X i la
n
media de cada subconjunto y N i el número de elementos de cada subconjunto).
Media aritmética ponderada
A veces, no todos los valores de la variable tienen el mismo peso. Es decir, cada
uno de los valores que toma la variable tiene asignado un número que indica su
importancia, el cual es independiente de la propia frecuencia absoluta.
El cálculo de la media aritmética ponderada en estas casos sigue la siguiente ex-

presión, donde wi es el peso asociado a cada valor de la variable xi .
k
∑x w n i i i
X wi = i=1
k
∑w n i i
i=1
Media geométrica
Puede utilizarse para mostrar cambios porcentuales en una serie de números posi-
tivos. Por lo tanto, tiene una amplia aplicación en los negocios y en la economía.
La media geométrica proporciona una medida precisa de un cambio porcentual
medio en una serie de números. Se representa por G y su cálculo –efectuando la
notación habitual– sigue la siguiente expresión.
G = n x1n1 · x 2n2 ·...... x knk ·
Utilizando la notación potencial, también se puede presentar por:

1
n1 n2 nk
G = ( x · x ·......x )
1 2 k
n
Media harmónica
Se representa por H y es la inversa de la media aritmética de las inversas de los

valores de la variable, con expresión:

n n
H= =
ni n1 n2 n
∑ x x + x + ....+ xk
i 1 2 k
Se utiliza para calcular el valor medio de magnitudes expresadas en términos rela-

tivos como velocidades, tiempos, rendimiento, tipo de cambio monetario, etc. Su
principal contrariedad es que cuando algún valor de la variable es 0 o próximo a
cero no se puede calcular.
En muchas ocasiones, no es necesario aplicar la fórmula anterior. Únicamente hay

que tener presente el concepto de media aritmética.
Mediana
La mediana es el valor de la variable que divide las observaciones en dos grupos de

igual número de elementos, de modo que en el primer grupo todos los datos sean
menores o iguales que la mediana, y en el otro grupo, todas los datos sean mayores
o iguales. Por lo tanto, es una cantidad que indica orden dentro de la ordenación.
Datos no agrupados
Al ordenar los datos, la posición que ocupa la mediana se determina dividiendo

n
el número total de valores entre 2 ( ) o lo que es lo mismo, calculando el 50 %
2
del total de datos (0,5 · n). Hay que tener en cuenta, sin embargo, la paridad de n:
• Cuando haya un número impar de valores, la mediana será justo el valor

central. Si hay muchos datos el cálculo no es inmediato, hay que construir
la tabla de frecuencias y fijarse en la columna de las frecuencias absolutas
acumuladas N i . La mediana será el valor de variable que tenga la frecuencia
absoluta acumulada igual a n . Es decir:
2
n
sisi N i−1 ≤ ≤ N i → Me = xi
2
• Cuando haya un número par de valores, la mediana será la media aritmética

de los dos valores centrales de la variable. Del mismo modo que en el caso
anterior, si el conjunto de observaciones es numeroso, es necesario construir
n
la tabla de frecuencias y fijarse en la columna de las N i . Si al calcular
2
este resulta ser un valor menor que una frecuencia absoluta acumulada, la
mediana se calculará de la misma manera que en el caso anterior; es decir,
n n
si
si N i−1 ≤ ≤ N i → Me = xi . Sin embargo, si coincide con algun N i , para
2 2
x +x
obtenerla se realizará el cálculo siguiente: Me = i i+1 . Los ejemplos si-
guientes clarifican los cálculos. 2
Datos agrupados
En distribuciones agrupadas es necesario determinar el intervalo [Li-1, Li) en el

que se encuentra la mediana. Este intervalo se determina siguiendo exactamente
los mismos procedimientos mencionados en el apartado anterior; se realiza el mis-
mo que en el caso de datos no agrupados. La diferencia radica en que se obtendrá
un intervalo en lugar de un valor. Una vez se tiene el intervalo [Li-1, Li), la mediana
se calcula:
n
− N i−1
Me = Li−1 + 2 ai donde,
ni
Li-1 Límite inferior
Ni-1 Es la frecuencia absoluta acumulada de la clase «anterior» a la clase mediana
ni Es la frecuencia de la clase mediana
ai Es la amplitud de la clase mediana
Es evidente que lo que se pretende es calcular un representante del intervalo con

el objeto de fijar la mediana en un valor. Una posibilidad hubiera sido considerar
la marca de clase, sin embargo, el criterio usualmente más seguido no es este sino
el de la fórmula antes mencionada.
En esta fórmula en primer lugar se considera el supuesto de que los datos es-
tán uniformemente distribuidos dentro de cada intervalo. Teniendo este hecho en
cuenta, se puede observar que la fórmula es una relación de proporcionalidad entre
las posiciones que ocupan los valores de la variable y la amplitud de los intervalos.
Moda
Es el valor de la variable que más veces se repite, es decir, el valor que tiene mayor
frecuencia absoluta.
Pueden existir distribuciones con más de una moda: bimodales, trimodal, etc.
Datos no agrupados
En las distribuciones sin agrupar, la obtención de la moda es inmediata.
Datos agrupados
En los supuestos que la distribución venga dada en intervalos, se pueden producir

dos casos: que tengan la misma amplitud, o que esta sea distinta. En ambos casos
el objetivo es encontrar un valor que represente la moda.
Intervalos con la misma amplitud
Es evidente que una vez determinada la mayor frecuencia a esta no le corresponde

un valor sino un intervalo. Entonces no tendremos un valor modal sino un inter-
valo modal. Para calcular el representado del intervalo que haga el papel de moda
hay distintos criterios. En el texto se recoge el siguiente. En primer lugar se calcula
el intervalo donde se encuentra la moda, es decir, el intervalo modal [Li-1, Li), el
cual tiene mayor frecuencia absoluta (ni). Posteriormente se calcula la moda de la
siguiente manera:
ni+1
Mo = Li−1 + ·ai
ni−1 + ni+1
Donde:
Li-1: extremo inferior del intervalo modal

ai: amplitud del intervalo
ni-1, ni+1: frecuencias de los intervalos anteriores y posterior respectivamente del
intervalo modal
Del mismo modo que la mediana, la fórmula tiene el supuesto de que los datos
están uniformemente repartidas dentro de cada intervalo. Además, siguiendo este
criterio se puede observar que la moda estará más cerca de aquel intervalo adya-
cente con mayor frecuencia absoluta.
Medidas no Centrales
Percentiles o cuantiles
Son medidas de localización similares a la mediana. Su función es informar del

valor de la variable que ocupará la posición (en tanto por ciento) que nos interese
respecto de todo el conjunto de observaciones.
Podemos decir que los cuantiles son unas medidas de posición que dividen la dis-
tribución en un cierto número de partes.
Las más importantes son:
• Cuartiles, dividen la distribución en cuatro partes iguales (tres divisiones).

C1, C2, C3, correspondientes a 25 %, 50 %, 75 %. Por ejemplo, el 1.º cuartil
tiene un 25 % de los datos menores o iguales a él, el segundo cuartil es la
mediana, etc.
• Deciles, dividen la distribución en 10 partes iguales (9 divisiones). D1,...,

D9, correspondientes a 10 %,..., 90 %.
• Percentiles, dividen a la distribución en 100 partes (99 divisiones). P1,...,

P99, correspondientes a 1 %,..., 99 %. Por ejemplo, el valor correspondiente
al percentil 65, tiene un 65 % de los datos menores o iguales a él.
Hay un valor en el que coinciden los cuartiles, los deciles y percentiles. Es la

mediana, ya que: P50 = C2 = D5. El cálculo de los cuantiles sigue el mismo proce-
dimiento que el que se ha utilizado en la mediana, tanto para los datos agrupados
como para los datos sin agrupar. Así, en general se calcula la posición en que se
encuentra el cuantil y después se calcula. Se distingue entre distribuciones agru-
padas y las que no lo están:
Datos no agrupados
Primero se calcula la posición que ocupa el cuantil que se está estimando. Así, si
Qa representa el cuantil que deja por debajo de él un a (%) de los datos:
a
·n ≤ N i → Qa = xi
si N i−1 ≤
100
a x +x
en el supuesto que ·n = N i → Q = i i+1
100 2
Datos agrupados
En distribuciones agrupadas, es necesario determinar el intervalo [Li-1, Li) en el

que se encuentra el cuantil. Este intervalo se determina siguiendo exactamente los
mismos procedimientos mencionados en el apartado anterior; se realiza el mismo
que en el caso de datos no agrupados. La diferencia radica en que se obtendrá un inter-
valo en lugar de un valor. Un vez se tiene el intervalo [Li-1, Li), el cuantil se calcula:
a
·n − N i−1
Me = Li−1 + 100 ai donde,
ni
Li-1 Límite inferior de la clase mediana

Ni-1 Es la frecuencia absoluta acumulada de la clase «anterior» a la clase mediana
ni Es la frecuencia de la clase mediana
ai Es la amplitud de la clase mediana
Medidas de dispersión
Son complementarias de las de posición, en el sentido que señalan la dispersión
del conjunto de todos los datos de la distribución, respecto de la medida o medidas
de localización adoptadas.
Recorrido
Se define como la diferencia entre el mayor y menor valor de las variables de una
distribución de datos, es decir:
Re = max(xi ) − min(xi )
Recorrido intercuartílico
Se define como la distancia que hay entre el tercer y el primer cuartil, es decir:

Re = C3 − C1
Desviación media respecto de la mediana
Se define como la media aritmética de los valores absolutos de las desviaciones de

los valores de la variable respecto de la mediana. Responde a la siguiente expresión:
∑ x − Me ·n i i
D Me = i=1
n
Varianza
Se define como la media aritmética de los cuadrados de las desviaciones de los

valores de la variable respecto de la media aritmética de la distribución. Responde
a la expresión:
(x − X) ·n1 + (x2 − X) ·n2 + ...+ (xk − X) ·nk

2 2 2 ∑(x − X) ·n i
2
i
s = 1
2
= i=1
n n
Como se puede observar en la definición, la varianza es un promedio del cuadrado

de los errores que se cometen al considerar la media aritmética como «el represen-
tante» de todos y cada uno de los datos.
Por otra parte, una de las principales dificultades que presenta la varianza es la
unidad, ya que viene dada en unidades al cuadrado (h2, m2, etc.). La manera de
solucionar esta circunstancia es estimando la raíz cuadrada.
Desviación típica o desviación estándar
Se define como la raíz cuadrada, con signo positivo, de la varianza. Responde a la

siguiente expresión:
∑(x − X) ·n i
2
i
s = s2 = i=1
n
En las definiciones anteriores se han estado considerando datos no agrupados. Si

lo fueran, únicamente hay que emplear las marcas de clases como representantes
de los intervalos. Es decir, ci = xi.
Por otra parte, se pueden definir dos estadísticos de dispersión más, llamados qua-
sivariancia y cuasidesviación típica como:
n 2 n
s n−1
2
= s yi s n−1 = ·s
n −1 n −1
Estos estadísticos tienen mucho interés en la Estadística Inferencial como se verá
en capítulos posteriores.
La varianza cumple las siguientes propiedades:
• La varianza es siempre un valor no negativo o 0. Únicamente puede ser 0 si

todos los datos son iguales. En este caso es evidente que X = xi para todo
los posibles valor del índice.
• Si a todos los valores de la variable se les suma una constante la varianza no

se modifica.
• Si todos los valores de la variable se multiplican por una constante la varian-

za queda multiplicada por el cuadrado de dicha constante.
• Si una variable X’ es transformación lineal de otra variable X ( X’ = a · X + b; a

y b números reales), la varianza de X’ se obtiene a partir de la de X del modo
s '2 = a 2 · s 2 .
Las medidas de dispersión absolutas son unos indicadores que presentan dificulta-
des a la hora de comparar la representatividad de las medidas de tendencia central
entre dos distrubucions de datos diferentes. Por ello, a veces se recurre a medidas
de dispersión relativas.
El coeficiente de variación de Pearson
Es una de las más significativas y determina el grado de significación de un con-

junto de datos relativo a su media aritmética. Se define como el cociente entre la
desviación típica y la media aritmética de la distribución de datos.
s
VX =
X
Medidas de forma
Nos dan información de la forma del histograma, de su simetría y de la menor o

menor proximidad de los valores de la variable respecto de su promedio.
Coeficiente de asimetría de Fisher
Las medidas de asimetría permiten determinar, sin que sea necesario hacer las
representaciones gráficas, el grado de simetría que presentan los datos respecto a
un valor central de la variable estadística, normalmente la media aritmética. Por
tanto, esta medida debe reflejar dos aspectos: la distancia de cada observación
respecto a la media aritmética (es decir, la diferencia entre cada valor y la media
aritmética: xi − x y la frecuencia de cada una de estas distancias (la que coincidi-
( )
rá, evidentemente, con la frecuencia de cada observación). De esta manera, intuiti-
vamente, si «predominan» las distancias negativas sobre las positivas (por ser más
frecuentes o ser distancias muy grandes), entonces la distribución es asimétrica a
izquierdas. Si por el contrario, se da la situación opuesta entonces la distribución
es asimétrica a derechas. Para finalizar, si las distancias negativas y las positivas
se «compensan», entonces la distribución es simétrica.
Ahora pues, lo que hay que encontrar es el estadístico que determine la asimetría
de la distribución de datos. Como la asimetría está directamente relacionada con
las desviaciones respecto a la media aritmética, una primera aproximación puede
k
∑(x − X)n i i
i=1
ser la media de las desviaciones, es decir, . Sin embargo, ya es cono-
n
cido que esta suma es cero (propiedades de la media aritmética).
Por otra parte, como lo que nos interesa es conocer el signo de las desviaciones,
tampoco podemos emplear el cuadrado de las desviaciones. Así pues, parece co-
herente tomar una potencia de grado tres de las desviaciones y calcular la media.
Así, si llamamos
k
∑(x − X) n i
3
i
i=1
m= ,
n
por lo que se cumple:
De esta manera se obtiene el coeficiente de asimetría de Fisher.
∑(x − X) n i
3
i
i=1
m n
g1 = =
s 3 ⎛ k ⎞
3
⎜
⎜
∑(xi − X)2 ni ⎟⎟
i=1
⎜ n ⎟
⎜ ⎟
⎜ ⎟
⎝ ⎠
Curtosis
Para estudiar el grado de curtosis de una distribución hay que tomar un modelo teóri-
co como referencia, la representación gráfica tenga forma de campana simétrica. No
es extraño pues, que se tome el modelo normal, ya que, como ya se ha mencionado
con anterioridad, se puede decir que es el modelo campaniforme por antonomasia.
De esta manera, tomando este modelo como referencia, se dice que una distribu-
ción es leptocúrtica si es más apuntada que la distribución normal. Si es menos
apuntada se le llama platicúrtica. Finalmente, si tiene el mismo apuntamiento que
una distribución normal se le llama mesocúrtica.
Del mismo modo que en el caso del estudio de la asimetría, hay un coeficiente que
permite clasificar los datos según la curtosis. En este caso, el coeficiente no es tan
intuitivo, por lo que únicamente se dará la definición y su interpetación. Como en
el caso de la otra medida de forma, este indicador tampoco tiene dimensión.
∑(x − X) ni
4
i
i=1
g2 = n −3
2
⎛ k ⎞
⎜ ∑ (xi − X)2 ni ⎟
⎜ i=1 ⎟
⎜ n ⎟
⎜ ⎟
⎝ ⎠
La idea del apuntamiento de una distribución de datos sale de la comparación de

la frecuencia de los valores centrales de una distribución con la frecuencia de los
valores centrales en un modelo teórico normal que tenga la misma media y la mis-
ma desviación típica que la distribución que se está estudiando.
k
∑(x − X) n i
4
i
i=1
Como en un modelo normal se cumple que n = 3, entonces:

s4
Una distribución será:

mesocúrtica (normal) si g 2 = 0
leptocúrtica si g 2 > 0
platicúrtica si g 2 < 0
Por último, debemos remarcar que el estudio de la curtosis no implica necesaria-

mente que las distribuciones sean simétricas. Así, por ejemplo, nos podríamos en-
contrar distribuciones de observaciones que sean leptocúrticas y, al mismo tiempo,
asimétricas positivas.
Cajas y bigotes (Box-plot)
Un diagrama de cajas y bigote (conocido también como Box and whisker plot
en inglés), es una representación gráfica de los datos que permite determinar con
mucha facilidad y de una manera visual la tendencia central, la variabilidad, la
asimetría y la existencia de valores anómalos de un conjunto de observaciones
(outliers). De alguna manera, se puede decir que es uno de los gráficos que más y
mejor resumen los conjuntos de datos.
El diagrama de cajas emplea el resumen de los 5 números: la menor observación,

la mayor observación, el primer cuartil, la mediana y el tercer cuartil.
Medidas de concentración
Estudian el grado de concentración de una magnitud, normalmente económica, en

determinados individuos. En cierto modo es un término opuesto a la equidad en el
reparto. Se denomina concentración al grado de equidad en el reparto de la suma
total de los valores de la variable considerada (renta, salarios, etc.).
Las infinitas posibilidades que pueden adoptar los valores se encuentran entre los
dos extremos:
Concentración máxima, cuando un solo individuo percibe el total y los demás

nada; en este caso, se está ante un reparto no equitativo:
el que recibe x1 = el que recibe x 2 = ....... = el que recibe x k−1 = 0 y el que recibe x k = el total
Concentración mínima, cuando el conjunto total de valores de la variable esta re-

partido por igual, en este caso se está ante un reparto equitativo:
el que recibe x1 = el que recibe x 2 = ....... = el que recibe x k−1 = el que recibe x k
Hay diferentes medidas de concentración, pero en el texto se va a estudiar el índice

de Gini; por ser un coeficiente, será un valor numérico. Para obtenerlo es necesario
realizar un conjunto de cálculos.
Se supone que hay una distribución de rentas ( xi · ni) donde i toma los valores de 1
hasta k (por ejemplo, xi son los sueldos y n el número de personas que cobran ese
sueldo) de la que se formará una tabla con las columnas siguientes:
1) Los productos xi · ni indicarán la renta total percibida por los ni rentistas de

renta individual xi .
2) Las frecuencias absolutas acumuladas N i .
3) Los totales acumulados ui que se calculan de la siguiente forma:
u=x n
1 1 1
u =x n +x n
2 1 1 2 2
u =x n +x n +x n
3 1 1 2 2 3 3
u =x n +x n +x n +x n
4 1 1 2 2 3 3 4 4
.....................................................
u = x n + x n + x n + x n + …………. + x n
k 1 1 2 2 3 3 4 4 k k
Por tanto, se puede decir que:
j
u j = ∑ xi ·ni para cualquier valor de j desde 1 hasta k.
i=1
4) La columna total de frecuencias acumuladas relativas, que se expresa en tanto

por ciento y que se representa por pi, vendrá dado por la siguiente notación:
Ni
pi =
n
5) La columna de renta acumulada relativa, que se expresa en tanto por ciento

y que se representa por la expresión:
ui
qi =
uk
Por tanto, ya se puede confeccionar la tabla:
Ni ui
pi = qi = pi - qi
xi ni xi ni Ni u
i
n uk
x n x n N u p q p -q
1 1 1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2 2 2
... ... ... ... ... ... ... ...
x n x n Nk uk 100 100 0
k k k k
Como se puede ver, la última columna es la diferencia entre las dos penúltimas;
esta diferencia sería 0 para la concentración mínima en la que se cumple pi = qi
para cualquier i, por tanto su diferencia sería cero.
k−1
∑( p − q ) i i
Analíticamente el índice de Gini: I G =

j=1
k−1
∑p i
j=1
Este índice tendrá los valores:
• iG = 0 cuando pi = qi concentración mínima

• iG = 1 cuando qi = 0 concentración máxima
Por otra parte, si se representan gráficamente los qi en el eje vertical y los pi en

la horizontal se obtendrá la curva de concentración o curva de Lorenz. Se puede
comprobar que esta curva resultante siempre aparecerá «por debajo» de la diago-
nal del primer cuadrante, la cual representa la concentración mínima. Además,
cuando más se aproxime esta curva a la diagonal, menor será la concentración.
A continuación, se desarrollará los objetivos y los ejercicios correspondientes a

este capítulo. Cabe recordar que el material desarrollado y el resultado de algunos
ejercicios son aplicaciones desarrolladas con el software R (referencias bibliográ-
ficas 13, 18 y 22).
Objetivos
Los problemas deben permitir que los alumnos alcanzan los objetivos didácticos:
1a) Conocer los conceptos básicos de las variables estadísticas.

1b) Saber clasificar las variables estadísticas.
1c) Saber analizar y realizar tablas de frecuencias de un conjunto de datos.
1d) Conocer las diferencias entre las tablas de datos sin agrupar y las tablas de
datos agrupados.
1e) Saber interpretar y construir los principales gráficos estadísticos.
1f) Conocer los conceptos y saber realizar los cálculos de las medidas de ten-
dencia central y de dispersión. Concretar con la aplicación del coeficiente
de variación de Pearson en aquellas situaciones que lo requieran.
1g) Conocer los principales estadísticos que miden la forma de los datos a partir
de los gráficos.
1h) Saber calcular e interpretar el índice de Gini, así como saber realizar la
curva de Lorenz para medir la equidad de un reparto.
La tabla siguiente nos muestra cómo están distribuidos los objetivos según los
ejercicios:
Objetivos 1a 1b 1c 1d 1e 1f 1g 1h
Ejercicio
1 x x
2 x x x
3 x x x
4 x x x
5 x x x
6 x x x x
7 x x
8 x
9 x x x
Enunciados
1a) Conocer los conceptos básicos de
las variables estadísticas.
1b) Saber clasificar las variables esta-
dísticas.
Ejercicio 1
Clasifica las siguientes variables, justificando el por qué de la elección:
a) Color de los coches.

b) Marcas de ordenadores.
c) Longitud de carreteras en metros.
d) Nivel de estudios.
e) Número de hijos de una familia.
f ) Número de alumnos de estadística en una carrera.
g) Metros de altitud de las montañas.
h) Profesiones de las personas.
i) Sueldo mensual de los trabajadores de las empresas del sector cerámico.

dísticas.
1e) Saber interpretar y construir los
principales gráficos estadísticos.
Ejercicio 2
Actualmente, se está estudiando en las distintas comunidades autónomas el núme-
ro de hijos por familia para estudiar la natalidad. Uno de los trabajadores que está
haciendo las encuestas, recoge los datos de su barrio donde hay 100 familias. Ha
obtenido los siguientes datos que aparecen en la tabla sguiente:
1 3 3 0 4 3 1 4 0 0
2 1 0 3 1 2 1 4 1 2
3 3 4 2 0 4 3 0 2 3
1 3 4 2 2 4 4 4 2 1
4 2 1 1 0 1 1 2 3 0
3 3 3 1 1 3 3 0 2 3
4 3 0 3 1 2 2 1 2 3
3 2 1 3 1 3 4 4 4 1
3 0 3 1 0 4 3 2 3 2
1 2 0 2 0 0 2 2 3 4
a) Construye el gráfico que consideres más adecuado con las frecuencias acu-
muladas.
b) Construye el polígono de frecuencias con las frecuencias acumuladas.

dísticas.
Ejercicio 3
Los sueldos, en miles de euros mensuales de 40 empresarios del sector de la cons-
trucción del año 2007 son:
3,9 4,7 3,7 5,6 4,3 4,9 5,0 6,1 5,1 4,5
5,3 3,9 4,3 5,0 6,0 4,7 5,1 4,2 4,4 5,8
3,3 4,3 4,1 5,8 4,4 4,8 6,1 4,3 5,3 4,5
4,0 5,4 3,9 4,7 3,3 4,5 4,7 4,2 4,5 4,8
Se quiere estudiar si realmente son bastante altos y cuál es su distribución. Para

conseguirlo:
a) Representa gráficamente la información recogida.

b) Crea la misma representación en 4 clases para poder diferenciar de forma
más clara los tipos de sueldos.

dísticas.
1c) Saber analizar y realizar tablas de
frecuencias de un conjunto de datos.
1d) Conocer las diferencias entre las ta-
blas de datos sin agrupar y las tablas
de datos agrupados.
Ejercicio 4
La recopilación de 20 datos correspondientes al número de llamadas de teléfono
registradas en una empresa durante los días de preparación de material para una
feria de muestras durante el período de 9 a 12 horas.
15,5, 10, 5, 5, 6, 5, 6, 5, 6, 7, 10, 10, 12, 11, 11, 12, 15, 12, 15
Se quiere estudiar si realmente hay variación a lo largo de los días de las llamadas
que se reciben. Por este motivo se pide confeccionar una tabla de frecuencias que
recoja esta información.

dísticas.
1d) Conocer las diferencias entre las ta-
blas de datos sin agrupar y las tablas
de datos agrupados.
Ejercicio 5
Una empresa está haciendo el estudio del dinero que se gasta la gente para com-
prar una segunda casa como complemento de la primera vivienda. Reducir los da-
tos de los euros y en número de familias que han comprado este tipo de vivienda.
A continuación se puede ver los datos:
Euros Familias
0-50000 2145
50000-75000 1520
75000-100000 840
100000-115000 955
115000-135000 1110
135000-140000 2342
140000-150000 610
150000-200000 328
>200000 150
Se pide:
a) ¿De qué tipo de variable es el objeto de estudio?

b) Mostrar en forma de tabla de frecuencias el conjunto de los datos recogidos.
c) ¿Qué porcentaje de familias se gastan más de 150.000 euros?
d) El 65 % de familias que menos se gasta, ¿qué cantidad de dinero como máxi-
mo desembolsa?
dísticas.
1f) Conocer los conceptos y saber rea-
lizar los cálculos de las medidas
de tendencia central y de disper-
sión. Concretar con la aplicación
del coeficiente de variación de
Pearson en aquellas situaciones
que lo requieran.
Ejercicio 6
En el siguiente histograma se representa la distribución del dinero que durante el
último mes se han gastado los trabajadores de una empresa en dietas:
a) Determina, sabiendo que hay 200 trabajadores.

b) La tabla de frecuencias que muestra los datos que tenemos.
c) La cantidad media que se han gastado, la más frecuente y la cantidad que te-
nían como máximo, el 50 % de los trabajadores que menos cobraban.
d) Calcula e interpreta el rango de la distribución así como el rango intercuartílico.
e) Calcula el mínimo del 20 % de los empleados con mayor cantidad de dietas.
¿Qué porcentaje del total de la empresa corresponde a este grupo?
f) El intervalo centrado en la cantidad media en que se encuentran el 75 % de los
datos. ¿Es, pues, el sueldo medio muy representativo del conjunto de las dietas?
g) En el mes siguiente, la empresa decidió aumentar las dietas de todos los tra-
bajadores un 5 %. Además, les dio una prima de 50 euros en concepto de
productividad. Calcula el salario medio, el salario más frecuente y el salario
que tenían como máximo, el 50 % de los trabajadores que menos cobran el
mes siguiente.
h) De las dietas de otra empresa, que pertenece al mismo sector, se sabe que la
media aritmética de sus trabajadores es de 120 euros, con una varianza de
2,5 euros. ¿Qué empresa tiene una dieta media más representativa? Razona
la respuesta.

dísticas.
1g) Conocer los principales estadísti-
cos que miden la forma de los da-
tos a partir de los gráficos.
Ejercicio 7
Se quiere lanzar al mercado un nuevo producto cerámico y la empresa que lo crea
estudia el tiempo de publicidad, en segundos, que otras empresas han utilizado
para promocionar un producto similar. A continuación se puede ver para cada em-
presa la duración y los anuncios realizados:
Empresa 1
Duración Número de anuncios
0-20 3
20-25 17
25-30 13
30-40 9
40-60 8
Empresa 2
0-20 1
20-25 5
25-30 13
30-40 5
40-60 2
Empresa 3
0-20 4
20-25 6
25-30 7
30-40 5
40-60 3
Empresa 4
0-20 3
20-25 17
25-30 13
30-40 9
40-60 8
Para realizar el estudio, calcula:
a) La duración media de cada empresa.

b) ¿Tienen todas las distribuciones la misma forma? Comenta el resultado.
1h) Saber calcular e interpretar el índi-
ce de Gini, así como saber realizar
la curva de Lorenz para medir la
equidad de un reparto.
Ejercicio 8
Dos compañías de venta de coches tienen maneras diferentes de pagar a sus traba-
jadores. La compañía A lo hace mediante un sueldo fijo mensual y la compañía B
mediante un porcentaje sobre las ventas efectuadas. La distribución de los salarios
por categorías es la siguiente:
compañia a compañia B
Sueldo Número Sueldo Número

(centenares de euro) de trabajadores (centenares de euro) de trabajadores
26 10 4 10
39 10 5 10
52 40 6 40
247 20 7 20
260 10 26 10
273 10 27 10
a) Basándose únicamente en las observaciones, ¿en qué compañía el sueldo

medio fluctúa menos o tiene los repartos más equitativos? Justifica el resul-
tado mediante el análisis estadístico del reparto.
b) ¿En cuál de las dos compañías el sueldo es más homogéneo o concentrado?
Se debe obtener el resultado también de forma gráfica.
1f) Conocer los conceptos y saber rea-
lizar los cálculos de las medidas
de tendencia central y de disper-
sión. Concretar con la aplicación
del coeficiente de variación de
Pearson en aquellas situaciones
que lo requieran.
Ejercicio 9
La distribución de edades del Censo Electoral de Residentes a 1 de enero de 1999
para las comunidades autónomas de Aragón y Canarias, en tantos por ciento, es la
siguiente:
Edades Aragón Canarias
16–18 3,55 4,35
18–30 21,56 29,99
30–50 31,63 35,21
50–70 28,14 21,97
70–90 15,12 8,48
a) Representa sobre los mismos ejes de coordenadas los datos de la distribu-

ción de la edad para las dos comunidades autónomas (emplea distinto trazo
o distintos colores). ¿Qué conclusiones obtienes a la vista del gráfico?
b) Calcula la edad media para las dos comunidades. Compáralas. ¿Qué indican
estos resultados?
c) ¿En qué comunidad las observaciones son más dispersas?
d) Si los datos de edades fueron: Aragón: 10, 10, 10, 10, 20, 30, 40, 30, 40, 50,
60, 40, 40, 40, 60, 70, 80, 70, 80, 90 , 70, 50, 40, 90. Canarias: 20, 30, 40,
40, 140, 50, 40, 30, 40, 30, 50, 60, 40, 30, 30, 40, 30, 40, 30, 40 , 30, 50, 60,
70. Obten un gráfico que nos muestre la dispersión de los datos en el mismo
gráfico.
Ayudas
En este apartado se presentarán las ayudas a emplear en caso de ser necesario a
la hora de realizar los ejercicios y problemas. Es conveniente no hacer un abuso
excesivo de estas ayudas, es decir, antes de emplear la ayuda hay que pensar el
problema al menos durante unos 10-15 minutos. Después se consultará la ayuda
de tipo 1 y se intentará resolver el ejercicio con esta ayuda. Si no es posible resol-
verlo, entonces se consultará la ayuda de tipo 2; y en último término la solución.
Ayudas Tipo 1
Exercicio 1
Lo que se necesita para resolver este ejercicio, es primeramente conocer los tipos
de variables que existen. A continuación puedes ver una clasificación de los tipo de
variables.
Las variables cualitativas son aquellas que no se pueden medir, es decir, aquellas
que toman valores a los que no se puede asignar ningún número. Expresan cuali-
dades o categorías. Además pueden ser:
a) Ordinales: se pueden ordenar.

b) Nominales: no hay preferencias entre unas y otras.
Las variables cuantitativas, por el contrario, son medibles, es decir, los valores
que se observan pueden expresarse de forma numérica. Estas variables pueden
clasificarse en:
a) Discretas, cuando toman sus valores en un conjunto finito o numerable.

b) Continuas, cuando pueden tomar cualquier valor en un intervalo.
Exercicio 2
Lo que se necesita para resolver este ejercicio, es conocer primeramente los tipos
de variables que existen para elegir la correcta y el tipo de gráfico correspondiente.
La clasificación del tipo de variables, como ya se conoce del ejercicio anterior es:
– Las variables cualitativas (Ordinales o Nominales).

– Las variables cuantitativas (Discretas o Continuas).
Según el tipo de variable, el gráfico correspondiente será:
– Para las variables cualitativas: diagrama de barras o diagrama de sectores.

– Para las variables cuantitativas:
Discretas: Diagrama de barras o sectores.

Continuas: Histograma.
Los primeros pasos serán saber qué tipo de variable es, ya que este elemento afec-
tará a la elección tanto del tipo de tabla de frecuencias como la elección del tipo
de gráfico.
Queda claro que es una variable numérica. Por lo tanto, puede ser continua o
discreta. En este caso, como los datos hacen referencia al número de hijos será
cuantitativa discreta.
Con estas informaciones, se puede pasar a resolver el problema.
Ejercicio 3
Lo que se necesita para resolver este ejercicio, de la misma forma que el anterior,
es conocer los tipos de variables que existen para elegir la correcta y el tipo de
gráfico correspondiente. En este caso, los que aparecen son datos numéricos conti-
nuos. Por este motivo, lo que se trabaja es la creación de representaciones gráficas
como son los histogramas en los dos apartados.
Por otra parte, hay que pensar cómo crear las clases para hacer este tipo de proble-
mas y se puede hacer con el conocimiento de los siguientes elementos:
Se llama marca de clase a la media aritmética de los dos extremos del intervalo.
Es evidentemente el valor central del intervalo ya que equidista de los extremos.
L +L
Se denota por ci . Se calcula ci = i−1 i .
2
Se llama amplitud de un intervalo o recorrido a la distancia que hay entre los ex-
tremos.
Se llama densidad de frecuencia absoluta de un intervalo al cociente entre la fre-

cuencia absoluta del intervalo y su amplitud.
Método de la raíz: Según este método el número de clases es igual a la raíz cua-
drada del número de datos:
Número de clases = .
El siguiente paso es calcular la amplitud de los intervalos.
Por lo que, la amplitud .
Con esta información, se puede empezar sin problemas la solución del problema.
Ejercicio 4
Hay que recordar, sin embargo, que los diferentes valores que puede tomar la va-
riable estadística se denotan mediante xi . En este caso, ordenándolos de menor a
mayor, x1 = 5, x2 = 6, x3 = 7, x4 = 10, x5 = 11, x5 = 12, x6 = 15 .
la observación en la recopilación de datos. Se representa por ni . La frecuencia ab-
soluta del valor x 2 es 2 ( n2 = 2), pues el dato 6 se repite dos veces en el conjunto
de los datos de la muestra.
Se llama frecuencia relativa del valor xi al cociente entre la frecuencia absoluta

de xi y el número total de datos n. Se representa por f i y, evidentemente, es la
n n 2
por uno; f i = i . En el ejemplo f2 = 2 = = 0,1. Por tanto, el 10 % de los datos
son seises. n n 20
Es importante remarcar que para calcular frecuencias acumuladas, a las que lla-
maremos Fi como frecuencia relativa acumulada y Ni como frecuencia absoluta
acumulada, es necesario que las variables a estudiar sean ordenables, es decir,
debe ser posible establecer una relación de orden entre las variables. Sin embargo,
no tiene ningún sentido realizar dichos cálculos.
Estas definiciones permiten resumir los datos. Sin embargo, la manera más ade-
cuada para sintetizar los datos es mediante lo que se denomina tabla de frecuen-
cias. En ella aparecen distribuidas los datos según las frecuencias. Al mismo tiem-
po refleja todos los conceptos mencionados con anterioridad.
Ejercicio 5
a) En los ejercicios anteriores ya hemos visto que es necesario conocer la cla-

sificación de las variables.
b) La clasificación del tipo de variables, como ya se conoce del ejercicio ante-

rior es:
– Las variables cualitativas (Ordinales o Nominales).

– Las variables cuantitativas (Discretas o Continuas).
c) Para completar la tabla de frecuencias debemos conocer:
– Saber crear la tabla de datos continuos. En este caso, los intervalos ya los
tenemos, solo tenemos que añadir la marca de clase.
– Completar la tabla con las diversas frecuencias n, f, N y F.
– Además, hay que conocer los pasos para crear la tabla si no conocemos
los intervalos, pero esto es un problema que no tenemos en este caso.
d) Debemos buscar en la tabla el valor en los intervalos. En este caso, el inter-

valo que tiene el máximo en 150.000.
e) Se pide el percentil 65 Los percentiles dividen la distribución en 100 partes

(99 divisiones). P1,..., P99, correspondientes al 1 %,..., 99 %. En este caso,
el valor correspondiente al percentil 30, tiene un 30 % de los datos superio-
res o iguales a él.
Ejercicio 6
Como primera ayuda recordar que:
– Hay que saber el tipo de variable. En este caso es una variable cuantitativa
continua, ya que se muestra un gráfico con formato de histograma.
– Además, recuerda que en el eje de las ordenadas, lo que aparece es la fre-
cuencia relativa, ni la absoluta ni ninguna de las acumuladas. Esta suposi-
ción se basa en que el gráfico no está en todo momento aumentando.
– El formato de la tabla de frecuencias tendrá la forma:
[Li-1, Li) ni Ni fi Fi
Ejercicio 7
a) Por lo que respecta al cálculo de la media aritmética, hay que tener en cuenta que
es una variable continua y que hay que utilizar la marca de clase en cada caso.
b) Respecto a la forma de las distribuciones, tenemos que trabajar los coeficientes

de asimetría y curtosis, además de crear los gráficos para ver la forma de las
distribuciones. En este caso se puede utilizar el diagrama de barras aplicado a
cada empresa para ver la desviación respecto a la distribución normal.
La forma de los gráficos puede ser respecto a la simetría:
Respecto al apuntamiento:
Ejercicio 8
a) Respecto a lo que se nos pregunta en el primer apartado, debemos calcular

el coeficiente de variación de cada una de las compañías y luego realizar la
comparación.
b) En el segundo apartado se pregunta el índice de concentración de Gini. Para

calcularlo, se seguirá la siguiente información: se supone que se tiene una
distribución de rentas ( xi · ni) donde i toma los valores de 1 hasta k (por
ejemplo xi son los sueldos y ni el número de personas que cobran ese suel-
do) de la que se formará una tabla con las columnas siguientes:
1) Los productos, xi · ni indicarán la renta total percibida por los ni rentistas de
renta individual xi .
2) Las frecuencias absolutas acumuladas N i.
3) Los totales acumulados ui que se calculan de la siguiente forma:
u=x n
1 1 1
u =x n +x n
2 1 1 2 2
u =x n +x n +x n
3 1 1 2 2 3 3
u =x n +x n +x n +x n
4 1 1 2 2 3 3 4 4
.....................................................
u = x n + x n + x n + x n + …………. + x n
k 1 1 2 2 3 3 4 4 k k
Por tanto, se puede decir:
j
u j = ∑ xi ·ni para cualquier valor de j desde 1 hasta k.
i=1
4) La columna total de frecuencias acumuladas relativas, que se expresa en

tanto por ciento y que se representa por pi, vendrá dada por la siguiente no-
tación:
Ni
pi =
n
5) La columna de renta acumulada relativa, que se expresa en tanto por ciento
y que se representa por la expresión:
ui
qi =
uk
Por lo tanto, se puede hacer la tabla:
Ni ui
u pi = qi = pi - qi
xi ni xi ni Ni i n uk
1 1 1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2 2 2
... ... ... ... ... ... ... ...
x n x n Nk uk 100 100 0
k k k k
Ejercicio 9
a) Los datos en este caso son muy importantes, ya que se puede ver que se
muestran los datos agrupados pero en diferente amplitud. Por este motivo,
se ha de representar la densidad de los datos, no directamente los datos que
se nos presentan.
b) Para obtener los datos de la media aritmética, hay que tener en cuenta el
mismo elemento que se ha comentado con anterioridad, que son datos agru-
pados. Si la variable está agrupada en intervalos el concepto no cambia. En
este caso, se asignan las frecuencias a las marcas de clase y se procede de la
misma manera que en el caso de no agrupados.
c) El estudio de la dispersión está relacionada con el cálculo de la desviación

típica en el caso del trabajo de variables por separado, pero en este caso, para
compararlas, se utiliza el coeficiente de variación de Pearson.
d) Una posibilidad es obtener el gráfico de cajas y bigotes.
Ayudas Tipo 2
En este apartado se presentarán las ayudas para emplear en caso de ser necesario
a la hora de realizar los ejercicios y problemas, y tras consultar la ayuda de tipo 1.
Ejercicio 1
Aunque se conozca la clasificación de las variables, y se tenga suficiente informa-

ción para clasificar los distintos apartados, se pueden añadir ejemplos de cada caso
para compararlos con los que se piden:
– Variables cualitativas nominales: el sexo o el color.

– Variables cualitativas ordinales: estar bien, regular o enfermo y también
estar lleno, medio lleno o vacío.
– Variables cuantitativas discretas: número de trabajadores en una empresa o
número de edificios en una calle.
– Variables cuantitativas continuas: la altura de las personas, las calificacio-
nes numéricas de un examen o la medida en centímetros de la fabricación de
tablas.
Ejercicio 2
Ya conoces qué tipo de gráficos se debe utilizar en cada caso. Ahora tienes que
seguir los siguientes pasos para hacer los gráficos:
– Crear la tabla de frecuencias correspondiente, que en este caso, como es

una variable cuantitativa discreta, no será necesario crear intervalos y luego
crear los gráficos correspondientes con sus frecuencias.
Primeramente, crearemos la tabla de frecuencias para poder crear los gráficos co-
rrespondientes:
xi ni Ni fi Fi
0 15 15 0,15 0,15
1 21 36 0,21 0,36
2 21 57 0,21 0,57
3 27 84 0,27 0,84
4 16 100 0,16 1,00
Total 100 1
a) Respecto a las representaciones gráficas, ya que se refiere a datos discretos,

debemos utilizar un gráfico que puede ser el de sectores o de barras. Se re-
presenta en el eje de abscisas las clases, que en este caso es el número de
hijos, y en el eje de ordenadas la frecuencia correspondiente, que puede ser
tanto la absoluta como la relativa (acumulada o no).
b) Para construir el polígono de frecuencias con las frecuencias acumuladas se
utilizarán también los datos de la tabla de frecuencias y podrán ser tanto la
N como la F.
Ejercicio 3
El siguiente paso, con los datos agrupados en intervalos, será crear la tabla de fre-
cuencias agrupada como queda a continuación:
[3,25–3,75) 3 3 0,075 0,075
[3,75–4,25) 8 11 0,2 0,275
[4,25–4,75) 14 25 0,35 0,625
[4,75–5,25) 6 31 0,15 0,775
[5,25–5,75) 4 35 0,1 0,875
[5,75–6,25) 5 40 0,125 1
N = 40
En cada apartado debemos:
a) Crear un histograma de forma general.

b) Se creará un histograma con cuatro clases, sin realizar la separación general
de los datos agrupados que, como ya se conoce, es la raíz de los datos.
Ejercicio 4
El formato de la tabla será:
xi ni Ni fi Fi
Total
Y una forma de saber si los datos se mantienen a lo largo del tiempo o varían sería
el crear un gráfico de barras, por ser una variable numérica discreta.
Ejercicio 5
a) La variable de estudio es la cantidad de euros que se gastan las familias para

comprar la segunda vivienda en euros. Esta información nos ayudará en la
solución de los próximos apartados.
b) El formato de la tabla será:
Euros Marca Familias (ni) fi Ni Fi
c) Se puede utilizar la frecuencia relativa acumulada y restar a 1 el valor del Fi
anterior.
d) Se pide el percentil 65.

que en el caso de datos no agrupados. La diferencia radica en que se obtendrá un
intervalo en lugar de un valor.
Una vez se tiene el intervalo [Li-1, Li), el cuartil se calcula:
a
·n − N i−1
Cuartil = Li−1 + 100
Quantil ai donde,
ni
Li-1 Límite inferior de la clase del percentil

Ni-1 Es la frecuencia absoluta acumulada de la clase «anterior» a la clase del
percentil
ni Es la frecuencia de la clase del percentil
ai Es la amplitud de la clase del percentil
Ejercicio 6
Todos los apartados siguientes al de la creación de la tabla dependen de esta, que

ayuda a calcular cada uno de los estadísticos.
a) Nos preguntan: la media, la moda y la mediana.

b) El rango, como ya debes saber es la diferencia entre máximo y mínimo valor
de la variable, y el rango intercuartílico es la diferencia entre el cuartil pri-
mero y tercero.
c) Nos preguntan el percentil 80, ya que nos habla de los valores más altos y a
partir de este, se calcula el porcentaje.
d) Se debe aplicar el teorema de Thebyshev a partir de la desviación típica.
e) Aplicación de las propiedades de la media, la moda y la mediana, donde
todos los factores que suman, restan, multiplican o dividen a la variable les
afectan. En este caso: se multiplicaría por 0.05, por el 5 % y se sumaría a los
tres estadísticos 50 euros.
f) Lo que se pide es comparar la variabilidad o la dispersión de dos muestras
diferentes. En estos casos, lo más correcto es calcular el coeficiente de va-
riación de Pearson, CV. Por este motivo, es necesario calcular tanto la media
como la desviación típica de las variables.
Ejercicio 7
Para el apartado b), es necesario conocer la forma de los coeficientes de asimetría

y curtosis.
De esta manera se obtiene el coeficiente de asimetría de Fisher.
∑(x − X) n i
3
i
i=1
m n
g1 = =
s 3 ⎛ k ⎞
3
⎜
⎜
∑(xi − X) ni ⎟⎟ 2
i=1
⎜ n ⎟
⎜ ⎟
⎜ ⎟
⎝ ⎠
Hay que notar que como la desviación típica es positiva, el signo del coeficiente de
Fisher será el mismo que el de m. Y por lo tanto:
Así pues, cuando g1< 0, se dice que la distribución presenta asimetría a la izquierda
(o negativa) y entonces, de las dos ramas de la curva que separa la ordenada que
pasa por la media aritmética, la de la izquierda es más larga que la de la derecha.
Lo opuesto ocurre si g1> 0.
Del mismo modo que en el caso del estudio de la asimetría, hay un coeficiente que
permite clasificar los datos según la curtosis. En este caso, el coeficiente no es tan
intuitivo, por lo que únicamente se dará la definición y su interpretación. Como en
el caso de la otra medida de forma, este indicador tampoco tiene dimensión.
∑(x − X) n i
4
i
i=1
g2 = n −3
2
⎛ k ⎞
⎜ ∑ (xi − X)2 ni ⎟
⎜ i=1 ⎟
⎜ n ⎟
⎜ ⎟
⎝ ⎠
La idea del apuntamiento de una distribución de datos sale de la comparación de

la frecuencia de los valores centrales de una distribución con la frecuencia de los
valores centrales en un modelo teórico normal que tenga la misma media y la mis-
ma desviación típica que la distribución que se está estudiando.
k
∑(x − X) n i
4
i
i=1
Como en un modelo normal se cumple que n = 3, entonces, una dis-

tribución será: s4
mesocúrtica (normal) si g 2 = 0
leptocúrtica si g 2 > 0
platicúrtica si g 2 < 0
Ejercicio 8
Como ayuda final, se puede comentar el tipo de gráfico que se ha de presentar. Es

la curva de Lorenz. La forma de este gráfico es la siguiente:
Se deben representar los valores de qi frente a los valores de pi.
La línea central es la línea de equidad de los datos, que nos marcará el nivel de
concentración.
Ejercicio 9
a) La obtención de las densidades será el cociente, en cada caso, de la frecuen-

cia absoluta del intervalo entre su amplitud.
b) Un diagrama de cajas y bigote (conocido también como Box and whisker

plot en inglés), es una representación gráfica de los datos que permite deter-
minar con mucha facilidad y de una manera visual la tendencia central, la
variabilidad, la asimetría y la existencia de valores anómalos de un conjunto
de observaciones. De alguna manera, se puede decir que es uno de los gráfi-
cos que más y mejor resumen los conjuntos de datos.
El diagrama de cajas emplea el resumen de los 5 números: la menor observación,

la mayor observación, el primer cuartil, la mediana y el tercer cuartil. Estos 5 nú-
meros permiten construir la versión más simple del Box plot, el cual está formado
por:
Una caja (box) central que representa las observaciones comprendidas entre el
primer y el tercer cuartil. Los dos extremos de la caja son los cuartiles, y una línea
interior y vertical que parte la caja en dos partes, corresponde a la mediana. Es
obvio, pues, que la caja comprende el 50 % de las observaciones.
Bigotes (whiskers): El gráfico se completa en esta versión del Box plot, con dos lí-
neas a ambos lados de la caja que unen el primer cuartil con la menor observación,
y el tercer cuartil con la observación mayor.
Soluciones
Ejercicio 1
Clasifica las siguientes variables, justificando el por qué de la elección:
a) Color de los coches.

b) Marcas de ordenadores.
c) Longitud de carreteras en metros.
d) Nivel de estudios.
e) Número de hijos de una familia.
f ) Número de alumnos de estadística en una carrera.
g) Metros de altitud de las montañas.
h) Profesiones de las personas.
i) Sueldo mensual de los trabajadores de las empresas del sector cerámico.
Solución
a) Es una variable cualitativa nominal: color A, color B, color C, etc.

b) Es una variable cualitativa nominal: marca X, marca Y, marca Z, etc.
c) Es una variable cuantitativa continua: 1.93, 1.935, 1.76, 1.67, etc.
d ) Es una variable cualitativa ordinal: sin estudios, elementales, etc.
e) Es una variable cuantitativa discreta: 0, 1, 2, 3, etc.
f ) Es una variable cuantitativa discreta: 0, 1, 12, 3033, 5004, etc.
g) Es una variable cuantitativa continua: 36.1, 36.51, 36.512, 36.78, 37.1,
39.12, etc.
h) Es una variable cualitativa nominal: médico, profesor, payaso, etc.
i) Es una variable cuantitativa continua: 1200.50, 1165.43, 1500.23, etc.
Ejercicio 2
Actualmente, se está estudiando en las distintas comunidades autónomas el núme-

ro de hijos por familia para estudiar la natalidad. Uno de los trabajadores que está
haciendo las encuestas, recoge los datos de su barrio donde hay 100 familias. Ha
obtenido los siguientes datos:
1 3 3 0 4 3 1 4 0 0
2 1 0 3 1 2 1 4 1 2
3 3 4 2 0 4 3 0 2 3
1 3 4 2 2 4 4 4 2 1
4 2 1 1 0 1 1 2 3 0
3 3 3 1 1 3 3 0 2 3
4 3 0 3 1 2 2 1 2 3
3 2 1 3 1 3 4 4 4 1
3 0 3 1 0 4 3 2 3 2
1 2 0 2 0 0 2 2 3 4
a) Construye el gráfico que consideres más adecuado con las frecuencias acu-
muladas.
b) Construye el polígono de frecuencias con las frecuencias acumuladas.
Solución
El primer paso será saber qué tipo de variable es, ya que este elemento afectará a
la elección tanto del tipo de tabla de frecuencias como del tipo de gráfico.
Queda claro que es una variable numérica. Por lo tanto, puede ser continua o
discreta. En este caso, ya que los datos hacen referencia a número de hijos será
cuantitativa discreta.
Con estas informaciones, se puede pasar a resolver el problema.
Primeramente, crearemos la tabla de frecuencias para poder crear los gráficos co-
rrespondientes:
xi ni Ni fi Fi
0 15 15 0,15 0,15
1 21 36 0,21 0,36
2 21 57 0,21 0,57
3 27 84 0,27 0,84
4 16 100 0,16 1,00
Total 100 1
a) Respecto a las representaciones gráficas, como se refiere a datos discretos,

debemos utilizar un gráfico que puede ser el de sectores o de barras. En
ningún caso utilizaremos el histograma, ya que se usará para los datos con-
tinuos.
Se representa en el eje de abscisas las clases que, en este caso, es el número

de hijos, y en el eje de ordenadas la frecuencia correspondiente, que puede
ser tanto la absoluta como la relativa (acumulada o no).
El resultado de representar la frecuencia absoluta en un diagrama de barras es el
siguiente:
b) Para construir el polígono de frecuencias con las frecuencias acumuladas, se

utilizarán también los datos de la tabla de frecuencias y podrán ser tanto la
N como la F.
Como se puede ver a continuación, lo que se utiliza como resolución es la

frecuencia absoluta acumulada en el eje de ordenadas.
Ejercicio 3
Los sueldos, en miles de euros mensuales, de 40 empresarios del sector de la cons-

trucción del año 2007 son:
3,9 4,7 3,7 5,6 4,3 4,9 5,0 6,1 5,1 4,5
5,3 3,9 4,3 5,0 6,0 4,7 5,1 4,2 4,4 5,8
3,3 4,3 4,1 5,8 4,4 4,8 6,1 4,3 5,3 4,5
4,0 5,4 3,9 4,7 3,3 4,5 4,7 4,2 4,5 4,8
Se quiere estudiar si realmente son bastante altos y cuál es su distribución. Para
conseguirlo:
a) Representa gráficamente la información recogida.

b) Crea la misma representación en 4 clases para poder diferenciar de forma
más clara los tipos de sueldos.
Solución
El primer paso será saber qué tipo de variable es, ya que este elemento afectará a
la elección tanto del tipo de tabla de frecuencias como del tipo de gráfico. Queda
claro que es una variable numérica continua.
El siguiente paso es agrupar los datos en intervalos y crear la tabla de frecuencias

agrupada:
[3,25–3,75) 3 3 0,075 0,075
[3,75–4,25) 8 11 0,2 0,275
[4,25–4,75) 14 25 0,35 0,625
[4,75–5,25) 6 31 0,15 0,775
[5,25–5,75) 4 35 0,1 0,875
[5,75–6,25) 5 40 0,125 1
N = 40

a) Un posible resultado, será el siguiente histograma:
b) Como se pidn cuatro clases, el histograma pasará a ser el siguiente:
Ejercicio 4
La recopilación de 20 datos correspondientes al número de llamadas de teléfono

registradas en una empresa durante los días de preparación de material para una
feria de muestras durante el período de 9 a 12 horas.
15,5, 10, 5, 5, 6, 5, 6, 5, 6, 7, 10, 10, 12, 11, 11, 12, 15, 12, 15
Se quiere estudiar si realmente hay variación a lo largo de los días de las llamadas
que se reciben. Por este motivo se pide confeccionar una tabla de frecuencias que
recoja esta información.
Solución
Hay que recordar, sin embargo, que los diferentes valores que puede tomar la va-
riable estadística se denotan mediante xi . En este caso, ordenándolos de menor a
mayor, x1 = 5, x2 = 6, x3 = 7, x4 = 10, x5 = 11, x5 = 12, x6 = 15 .
la observación en la recopilación de datos. Se representa por ni . La frecuencia ab-
soluta del valor x 2 es 2 ( n2 = 2), pues el dato 6 se repite dos veces en el conjunto
de los datos de la muestra.
Se llama frecuencia relativa del valor xi al cociente entre su frecuencia absolu-

ta xi y el número total de datos n. Se representa por f i y evidentemente, es la
n n 2
por uno; f i = i . En el ejemplo f2 = 2 = = 0,1. Por tanto, el 10 % de los datos
son seises. n n 20
Es importante remarcar que para calcular frecuencias acumuladas, a las que lla-
maremos Fi como frecuencia relativa acumulada y Ni como frecuencia absoluta
acumulada, es necesario que las variables a estudiar sean ordenables, es decir,
debe ser posible establecer una relación de orden entre los valores de las variables.
En otros casos, no tiene ningún sentido realizar dichos cálculos.
Estas definiciones permiten resumir los datos. Sin embargo, la manera más ade-
cuada para sintetizar los datos es mediante lo que se denomina tabla de frecuen-
cias. En ella aparecen distribuidas los datos según las frecuencias. Al mismo tiem-
po refleja todos los conceptos mencionados con anterioridad.
Con todos estos datos, el resultado de la tabla será el siguiente:
xi ni Ni fi Fi
5 5 5 0,25 0,25
6 3 8 0,15 0,4
7 1 9 0,05 0,45
10 3 12 0,15 0,6
11 2 14 0,1 0,7
12 3 17 0,15 0,85
15 3 20 0,15 1
Total 20 1

Si además, representamos la frecuencia absoluta, podemos ver que realmente no
aumenta el número de llamadas, se mantiene bastante estable.
Ejercicio 5
Una empresa está haciendo el estudio del dinero que se gasta la gente para com-
prar una segunda casa como complemento de la primera vivienda. Se anotan los
datos de los euros y el número de familias que han comprado este tipo de vivienda.
A continuación se pueden ver los datos:
Euros Familias
0-50000 2145
50000-75000 1520
75000-100000 840
100000-115000 955
115000-135000 1110
135000-140000 2342
140000-150000 610
150000-200000 328
>200000 150
Se pide:
a) ¿De qué tipo de variable es el objeto de estudio?

b) Mostrar en forma de tabla de frecuencias el conjunto de los datos recogidos.
c) ¿Qué porcentaje de familias se gasta más de 150.000 euros?
d) El 65 % de familias que menos se gasta, qué cantidad de dinero como máxi-
mo desembolsa?
Solución
a) La variable de estudio es la cantidad de euros que se gastan las familias para

comprar la segunda vivienda en euros.
b) Para completar la tabla de frecuencias debemos conocer:
– El tipo de variable que se trabaja. En este caso es una variable cuantitati-

va continua.
– Saber crear la tabla de datos continuos. En este caso, los intervalos ya los
tenemos, solo tenemos que añadir la marca de clase.
– Completar la tabla con las diversas frecuencias n, f, N y F.
La tabla que se nos pide será:
Euros Marca Familias (ni) fi Ni Fi

0-50000 25000 2145 0,2145 2145 0,2145
50000-75000 62500 1520 0,152 3665 0,3665
75000-100000 87500 840 0,084 4505 0,4505
100000-115000 107500 955 0,0955 5460 0,546
115000-135000 125000 1110 0,111 6570 0,657
135000-140000 137500 2342 0,2342 8912 0,8912
140000-150000 145000 610 0,061 9522 0,9522
150000-200000 175000 328 0,0328 9850 0,985
>200000 200000 150 0,015 10000 1
c) Con la ayuda de la tabla, y con los datos de los intervalos, podemos ver cuá-
les son los casos superiores a 150.000. En este caso, por ejemplo, podemos
utilizar la frecuencia relativa acumulada:
1 – 0.9522 = 0.0488, que será un 4.88 %.
d) Se pide el percentil 65:
Los percentiles dividen la distribución en 100 partes (99 divisiones). P1,...,

P99, correspondientes a 1 %,..., 99 %. En este caso, el valor correspondiente
al percentil 30 tiene un 30 % de los datos inferiores o iguales a él.

que en el caso de datos no agrupados. La diferencia radica en que se obtendrá un
intervalo en lugar de un valor.
Una vez se tiene el intervalo [Li-1, Li), el cuantil se calcula:
Cuantil donde,
Li-1 Límite inferior

Ni-1 Es la frecuencia absoluta acumulada de la clase «anterior» a la clase del
cuartil
ni Es la frecuencia de la clase del cuartil
ai Es la amplitud de la clase del cuartil
En este caso, el valor del percentil 65 será de 133.738 euros.
Ejercicio 6
En el siguiente histograma se representa la distribución del dinero que durante el

último mes se han gastado los trabajadores de una empresa en dietas:
a) Determina, sabiendo que hay 200 trabajadores.

b) La tabla de frecuencias que muestra los datos que tenemos.
c) La cantidad media que se han gastado, la más frecuente y la cantidad que
tenían como máximo el 50 % de los trabajadores que menos cobraban.
d) Calcula e interpreta el rango de la distribución, así como el rango intercuar-
tílico.
e) Calcula el mínimo del 20 % de los empleados con mayor cantidad de dietas.
¿Qué porcentaje del total de la empresa corresponde a este grupo?
f ) El intervalo centrado en la cantidad media en que se encuentra el 75 % de
los datos. ¿Es, pues, el sueldo medio muy representativo del conjunto de las
dietas?
g) En el mes siguiente, la empresa decidió aumentar las dietas de todos los
trabajadores un 5 %. Además, les dio una prima de 50 euros en concepto de
productividad. Calcula el salario medio, el salario más frecuente y el salario
que tenían como máximo el 50 % de los trabajadores que menos cobran.
h) De las dietas de otra empresa, que pertenece al mismo sector, se sabe que la
media aritmética de sus trabajadores es de 120 euros, con una varianza de
2.5 euros. ¿Qué empresa tiene una dieta media más representativa? Razona
la respuesta.
Solución
a) Tabla de frecuencias de datos agrupados a partir de un gráfico:
[70-90) 16 16 0,08 0,08
[90-110) 12 28 0,06 0,14
[110-130) 8 36 0,04 0,18
[130-150) 14 50 0,07 0,25
[150-170) 20 70 0,10 0,35
[170-190) 24 94 0,12 0,47
[190-210) 32 126 0,16 0,63
[210-230) 34 160 0,17 0,80
[230-250) 40 200 0,20 1
N = 200 1
b) X = 182 / Mo = 240 / Me = 193.750. Todos los estadísticos en euros.
c) Rango = 250 – 70 = 180. Para calcular el rango intercuartílico, hay que cal-
cular primero el primer y tercer cuartil: C3 = 224,11 C1 = 150 Ri = 74,11
d ) El sueldo mínimo es el P80 = 230. La proporción = 26,373 %.
e) El intervalo se encuentra aplicando el teorema de Thebyshev: [131.681,

232.319]; pues la desviación típica es de 50.319 euros.
f ) X = 241 / Mo = 302 / Me = 253.43. Todos los estadísticos en euros.
g) Hay que calcular el coeficiente de variación de ambas observaciones. En la

S 50,319
primera empresa, el coeficiente de variación es: CV = = = 0,276
2,5 X 182
y en la segundo caso: CV = = 0,013 .
120
Por tanto, la media aritmética de los sueldos de la segunda empresa es más repre-
sentativo que la de la primera.
Ejercicio 7
Se quiere lanzar al mercado un nuevo producto cerámico y la empresa que lo crea

estudia el tiempo de publicidad, en segundos, que otras empresas han utilizado
para promocionar un producto similar. A continuación se puede ver para cada em-
presa la duración y los anuncios realizados:
Empresa 1
0-20 3
20-25 17
25-30 13
30-40 9
40-60 8
Empresa 2
0-20 1
20-25 5
25-30 13
30-40 5
40-60 2
Empresa 3
0-20 4
20-25 6
25-30 7
30-40 5
40-60 3
Empresa 4
0-20 3
20-25 17
25-30 13
30-40 9
40-60 8
Para realizar el estudio, calcular:
a) La duración media de cada empresa.

b) ¿Tienen todas las distribuciones la misma forma? Comenta el resultado.
Solución
a) La media aritmética para cada caso será:
Empresa 1: 29.70 segundos.

b) Representamos en forma de diagrama de barras o histograma de barras para

ver la forma de la distribución:
E mpr es a 1
18
16
14
12
10
0
0-20 20-25 25-30 30-40 40-60
E mpr es a 2
14
12
10
0-20 20-25 25-30 30-40 40-60
Empr esa 3
14
12
10
0
0- 20 20- 25 25- 30 30- 40 40- 60
E mpr es a 4
14
12
10
0
0-20 20-25 25-30 30-40 40-60
Además, podemos calcular los valores de los coeficientes de asimetría y curtosis

en cada caso, para ver claramente que:
– La empresa 1 es asimétrica a derechas.
– La empresa 2 es leptocúrtica.
– La empresa 3 es platicúrtica.
– La empresa 4 es asimétrica a izquierdas.
Asimetría (g1) 0,0506 1,4646 0,0000 -0,1231

Curtosis (g2) -0,1875 2,4434 -1,2000 -2,7111
Ejercicio 8
Dos compañías de venta de coches tienen maneras diferentes de pagar a sus traba-
jadores. La compañía A lo hace mediante un sueldo fijo mensual y la compañía B
mediante un porcentaje sobre las ventas efectuadas. La distribución de los salarios
por categorías es la siguiente:
compañia a compañia B
Sueldo Número Sueldo Número

(centenares de euro) de trabajadores (centenares de euro) de trabajadores
26 10 4 10
39 10 5 10
52 40 6 40
247 20 7 20
260 10 26 10
273 10 27 10
a) Basándose únicamente en las observaciones, ¿en qué compañía el sueldo

medio fluctúa menos o tiene los repartos más equitativos? Justifica el resul-
tado mediante el análisis estadístico del reparto.
b) ¿En cuál de las dos compañías el sueldo es más homogéneo o concentrado?

Se debe obtener el resultado también de forma gráfica.
Solución
a) El sueldo medio de la compañía A es de 130 y el coeficiente de variación es de
83.2. El sueldo medio de la compañía B es de 10 y el coeficiente de variación
es de 6.88. Es decir, en la compañía A el sueldo medio es el menos represen-
tativo de los datos.
b) Las dos distribuciones de datos tienen el mismo índice de Gini: 0.361538. Por
tanto, en las dos hay igual concentración.
A continuación se puede ver la representación de la curva de Lorenz para los dos casos:
Como se puede observar en el gráfico, las dos curvas de Lorenz se cruzan, por lo
que, pese a tener distribuciones diferentes la concentración es la misma.
Ejercicio 9
La distribución de edades del Censo Electoral de Residentes a 1 de enero de 1999 para

las comunidades autónomas de Aragón y Canarias, en tantos por ciento, es la siguiente:
Edades Aragón Canarias
16-18 3,55 4,35
18-30 21,56 29,99
30-50 31,63 35,21
50-70 28,14 21,97
70-90 15,12 8,48
a) Representa sobre los mismos ejes de coordenadas los datos de la distribu-
ción de la edad para las dos comunidades autónomas (emplea distinto trazo
o distintos colores). ¿Qué conclusiones obtienes a la vista del gráfico?
b) Calcula la edad media para las dos comunidades. Compáralas. ¿Qué indican
estos resultados?
c) ¿En qué comunidad las observaciones son más dispersas?
d) Si los datos de edades fueron: Aragón: 10, 10, 10, 10, 20, 30, 40, 30, 40, 50,
60, 40, 40, 40, 60, 70, 80, 70, 80, 90 , 70, 50, 40, 90. Canarias: 20, 30, 40,
40, 140, 50, 40, 30, 40, 30, 50, 60, 40, 30, 30, 40, 30, 40, 30, 40 , 30, 50, 60,
70. Obten un gráfico que muestre la dispersión de los datos.
Solución
a) Se representan los dos conjuntos de datos teniendo en cuenta que los interva-
los no tienen la misma amplitud y, por tanto, hay que calcular las densidades.
Podemos ver la diferencia representándolos, tal y como aparecen los datos y
la densidad, que será lo correcto:
Claramente tenemos diferencias utilizando la densidad y aumenta la propor-
ción en la comunidad de Aragón respecto a la de Canarias de gente de mayor
edad.
b) La edad media de Aragón es de 47.41 años y la de Canarias de 41.98. Por los

resultados, se podría decir que si las medias fueran representativas de los da-
tos, la población de Aragón está un poco más envejecida que la de Canarias.
c) Para saberlo, hay que calcular los coeficientes de variación en ambos con-
juntos de observaciones: CV Aragón = 40,75 %, CV Canarias = 42,56 %.
En consecuencia, en las islas Canarias las observaciones son más dispersas.

No obstante, como los coeficientes de variación de ambas comunidades son
muy altos, las medias aritméticas no serían muy representativas del conjunto
de datos en ningún caso.
c) Lo que deberemos obtener es el gráfico de cajas y bigotes para las dos varia-
bles, siendo 1 = Aragón y 2 = Canarias:

La dispersión es major en Aragón que en Canarias.
Unidad 2
Estadística descriptiva
bivariante
Introdución teórica
Normalmente, en cualquier investigación no se estudia una única variable de los
individuos que forman la muestra (referencias bibliográficas 1, 5, 9, 12 y 16), sino
que en muchas ocasiones son más. Así, si se desea estudiar el rendimiento de los
trabajadores de una empresa, de cada trabajador puede ser útil conocer la edad, el
sueldo, el nivel de estudios, las horas que trabaja, el número de personas que tiene
a su cargo, etc. Es decir, para cada individuo de la muestra se obtiene un vector
o registro en el que cada componente es el valor de una de las variables sujetas a
estudio; en el ejemplo que se está considerando un vector asociado a un individuo
sería:
(35 años, 24.500 €, diplomado, 47 horas semanales, 2 personas a su cargo...).
Este hecho origina que el investigador se plantee, además del estudio individuali-
zado de cada una de las variables, el estudio conjunto de todas o de algunas ellas.
De esta manera es posible conocer si existe algún tipo de relación funcional o es-
tadística entre las variables. Así, las observaciones pueden manifestar que aquellas
personas con más titulación tienen más personas a su cargo, o que a medida que
va aumentando la edad de los trabajadores también lo hace el sueldo. Además, si
esta relación existe puede que se pueda encontrar una «fórmula matemática» que
relacione formalmente las variables.
Por otra parte, la nomenclatura cambia si se estudian conjuntamente diferentes va-

riables. Así, si se realiza el estudio de dos variables se dice que se trabaja con varia-
bles bidimensionales, si son tres, variables tridimensionales, y si son más de tres,
variables pluridimensionales.
Distribuciones estadísticas bidimensionales:

tablas y gráficos
Cuando se desean estudiar dos características observables sobre una misma mues-
tra o población, cada una de las variables que constituye la variable bidimensional
(X, Y) se denomina componente o variable marginal de la misma, y puede ser
tanto un atributo como una variable cuantitativa. En cualquier caso, al realizarse
el trabajo de recogida de datos se obtiene un conjunto de pares ordenados del tipo:
{(x1, y1), (x1, y1),..., (x2, y1), (x2, y1),..., (xi, yj),..., (xi, yj),..., (xh, yk),..., (xh, yk)}
Por ejemplo, si se considerara X la variable días de estudio para un examen de Es-

tadística y Y la nota obtenida para un conjunto de estudiantes, los datos recogidos
serían del tipo:
{(5,3) ; (6,5); (5,3) ; (6,5); (5,7)}
En los datos, cada observación se repite un número de veces determinado. Así, una
primera manera de representar el conjunto de datos es mediante la terna siguiente:
en la que:
xi representan los valores de la variable X

yi representan los valores de la variable Y
ni,j es el número de veces que se repite cada dato , es decir, su frecuencia
absoluta
Siguiendo con el ejemplo tenemos:

x1 = 5 y1 = 3 n11 = 2
x1 = 5 y3 = 7 n13 = 1
x2 = 6 y2 = 5 n22 = 2 La resot de ni,j = 0
Por otra parte, es evidente que tener trescientos pares ordenados de observaciones
aclara bien poco la información. No es posible observar casi nada. En consecuen-
cia, es necesario representar los datos de manera que sean más comprensibles y fa-
cilitan el estudio. La manera de hacerlo es mediante tablas (tabla 1).
Tabla 1
X Y nij
x1 y1 n11
... … …
xi yj nij
. . .
. xh yk nhk
Para construir esta tabla ordenamos una de las variables, por ejemplo X, y vamos
asociándole el valor correspondiente de la variable Y, así como su frecuencia ab-
soluta conjunta. Si los datos fueran agrupados en intervalos, entonces la represen-
tación mediante esta tabla se realiza de forma similar. En ocasiones se utilizará la
marca de la clase como representación del intervalo.
Esta tabla presenta y ordena los datos, sin embargo, en algunas ocasiones no es la
tabla más adecuada y hay que construir la tabla de doble entrada o de contingencia.
Ejemplo 1
En 1999, los residentes de un pequeño pueblo estaban preocupados por el incre-
mento del coste de la vivienda en la zona. El alcalde consideraba que los precios
de la vivienda fluctuaban con los precios de los solares. Los costes de los terrenos
y los de las viviendas (en miles de euros) sobre los que se construyeron las casas
son los siguientes:
X Y ni,j
3,7 54 3
3,8 36 4
5,5 60 2
5,9 58 2
6,9 63 2
7 67 2
7 67,15 1
8,9 76 4
9,6 87 4
9,9 89 3
10 92 2
Como se puede apreciar, los datos recogidos en la tabla anterior aportan poca in-
formación Se construyó, ya que no hay muchos pares diferentes, la tabla con las
tres columnas. Se supondrá:
X = Valor del terreno

Y = Valor de la vivienda
Tabla de doble entrada o de contingencia

La tabla anterior, tal y como se ha comentado antes, algunas veces es incómoda
y es preferible utilizar la tabla de doble entrada; la que permite extraer mucha más
información de la distribución de datos. La tabla 2 presenta la forma de rectángulo,
tal y como se puede observar a continuación:
Tabla 2

Y
y1 y2 ..... yj ….. yk ni.
X
x1 n11 n12 n1j ….. n1k

n1.
x2 n21 n22 ….. n2j …. n2k

n2.
.. . . . .
xi ni1 ni2 nij …. nik ni.
Xh nh1 nh2 nhj .. nhk nh.
n. j n. 1 n. 2 n. j … n. k n
En la primera fila se sitúan las diferentes categorías o valores que toma una de las
componentes, y en la primera columna los valores o las categorías relativas a la
segunda (si es posible, ordenadas tanto la fila como la columna). De esta forma,
cualquier número que aparece en una celda interior de la tabla de doble entrada
es la frecuencia absoluta conjunta del dato bivariante, formado por los valores
correspondientes ubicados en las correspondientes fila y columna. En algunas oca-
siones también se suele representar en cada celda la frecuencia relativa conjunta,
además de la absoluta.
Por otra parte, los valores que aparecen en la última columna y la última fila co-
rresponden a las frecuencias absolutas de los valores de las variables de la primera
columna y la primera fila respectivamente. Así, ni. representa la frecuencia abso-
luta del valor de la variable X, xi.
Si los datos fueran agrupados en intervalos, entonces la representación mediante

esta tabla se realizaría de forma similar, utilizando la marca de la clase como re-
presentación del intervalo.
Ejemplo 2
Con los mismos datos que en el ejemplo 1 anterior, la tabla de doble entrada queda:

Y
36 54 58 60 63 67 67,15 76 87 89 92 ni.
X
3,7 3 3
3,8 4 4
5,5 2 2
5,9 2 2
6,9 2 2
7 2 1 3
8,9 4 4
9,6 4 4
9,9 3 3
10 2 2
n. j 4 3 2 2 2 2 1 4 4 3 2 29
Las celdas vacías representan unas frecuencias absolutas conjuntas iguales a cero.
Del mismo modo que ocurría con las distribuciones de datos unidimensionales, las
representaciones gráficas facilitan la comprensión de la distribución con tan solo
un vistazo.
Representaciones gráficas: diagrama de dispersión o nube

de puntos
La representación gráfica de la distribución de frecuencias de una variable bidi-
mensional (X, Y) varía sensiblemente según la naturaleza de las variables. Si las
variables son discretas, la representación común de la distribución conjunta es la
nube de puntos o diagrama de dispersión, el cual se construye situando sobre el eje
horizontal de un sistema cartesiano los diferentes valores de la variable X, sobre la
vertical los de la variable Y, y un punto en la posición (xi, yi) si es que esta obser-
vación tiene una frecuencia absoluta conjunta de 1. Si tuviera más de 1, hay dife-
rentes posibilidades para representarlo: dibujar puntos de diferente superficies (la
que representará la frecuencia), escribir la frecuencia junto al punto marcado, etc.
Ejemplo 3
Con los datos del ejemplo 1 que se está considerando relativo al valor del terreno
y el costo de la vivienda, la nube de puntos es:
Distribuciones estadísticas marginales y condicionadas

Es evidente que la tabla de doble entrada mencionada en el epígrafe anterior ofrece
mucha información. De hecho, es posible analizar cada variable componente de la
variable conjunta, así como una variable condicionada a un valor concreto de la otra.
Distribuciones marginales
Si las variables X y Y son no agrupadas o cualitativas, la distribución marginal
de X se obtiene de la tabla de doble entrada adjuntando a cada uno de los valores
x1 , x 2 ,......., x h de la variable estadística X, sus frecuencias absolutas, que vienen
dadas en el ultima columna de la tabla. Asimismo, se obtiene la distribución mar-
ginal de Y. En este caso los valores de la variable y1 , y 2 ,......., y k y sus frecuencias
absolutas aparecen en la primera y la última fila respectivamente. Si las variables
fueran agrupadas en intervalos, se realiza el mismo procedimiento tomando la
marca de la clase como representante del intervalo, y por tanto, como valor de la va-
riable estadística. Hay que decir que cada distribución marginal puede ser tratada
estadísticamente como una variable unidimensional.
Ejemplo 4
En el ejemplo 1 se está considerando el valor del terreno y el coste de la vivienda:
Distribución marginal: Distribución marginal:

Coste de la vivienda Valor del terreno
Y n. j X ni.
36 4 3,7 3
54 3 3,8 4
58 2 5,5 2
60 2 5,9 2
63 2 6,9 2
67 2 7 3
67,15 1 8,9 4
76 4 9,6 4
87 4 9,9 3
89 3 10 2
92 2 29
29

Distribuciones condicionadas
De la tabla de doble entrada, también es posible obtener, además de las distribu-
ciones marginales, otras distribuciones. Si se asocia a los valores de Y las frecuen-
cias correspondientes a la fila en la que está ubicado el valor xi de X, resulta la
distribución condicionada de Y a xi (distribución de la variable Y ). Análo-
X = xi
gamente, pero teniendo presente las columnas en lugar de las filas, se obtendría la
distribución de X condicionada a yj de Y, (distribución de la variable X ).
Y = yj
Ejemplo 5
Si en el ejemplo 1 se desea conocer la distribución del precio de la vivien-

da cuando el precio del solar es de 7000 euros, la distribución condicionada es
7000 y se puede obtener la tabla de doble entrada:
Distribución condicionada: Precio solar 7000 €
Y n. j
X =7
67 2
67,15 1
Correlación lineal
Cuando se estudian dos variables estadísticas conjuntamente, es importante saber
si hay algún tipo de relación entre ellas. Así, si se recogieran trescientos datos en
que la primera variable fuera la altura de una persona y la segunda, el resultado
de lanzar un dado, seguramente la intuición diría que las dos variables no tienen
ningún tipo de relación entre sí. Si por el contrario, se consideraran las variables
horas extra que trabaja una persona y el sueldo que cobra mensualmente, la rela-
ción cambiaría hasta el punto de conocer el sueldo de un individuo si se supiera
las horas extras que hace. Se podría decir que las dos variables están ligadas por
una relación funcional. Sin embargo, si se consideran las variables horas de pre-
paración de un examen y nota obtenida, la intuición establecería que sí hay alguna
relación entre ambas variables, siendo mucho más fuerte en el primer caso, pero
más débil que en el segundo.
Como es evidente, las relaciones funcionales gozan de una fórmula que demues-
tra el tipo de relación. Por el contrario, para el resto de pares de variables no hay
ninguna fórmula absoluta, a pesar de los lazos que existen en algunos casos. Para
evidenciarlo surge el concepto de correlación, y el coeficiente de correlación rxy.
Así, si dos variables tienen un relación muy fuerte, el valor absoluto de la correla-
ción será muy próximo a 1 y en caso contrario será próximo al cero. Los casos 0 y
1 equivalen a no tener ningún tipo de relación y a tener una relación funcional. El
vector siguiente lo resume:
│ rxy │= 0 rxy │<1 � r│XYrxy│=1

� rXY �=0 0<�0<│
rXY �<1 �=1
Relació funcional
NoNo existerelació
existeix relación Existe
Existix relación
relació Relación funcional
Cuando el tipo de relación funcional que se estudia entre las variables es una fun-
ción lineal (una función del tipo y = ax + b), se habla de correlación lineal. A lo
largo de la unidad, cuando se mencione el término correlación se considerará la
correlación lineal, si no se explicita otra cosa.
Una primera manera de observar la relación existente entre las variables X y Y son
los gráficos de dispersión. Así, teniendo en cuenta lo expuesto al comienzo de este
punto sobre la correlación:
núvol
nube dedepuntos
punts núvoldedepuntos
nube punts
10 30
8 25
Variable Y
Variable YY
Variable Y
20
Variable
6
15
4
10
2 5
0 0
0 10 20 30 40 0 2 4 6 8 10
Variable
Variable XX Variable
Variable XX
a) No existe correlación b) Correlación lineal positiva marcada
nube dedepuntos
núvol punts nube
núvoldedepuntos
punts
26 26
21 21
Y
Variable Y
Variable Y
Variable Y
16 16
Variable
11 11
6 6
1 1
-4 -4
0 2 4 6 8 10 0 2 4 6 8 10
Variable
Variable XX
c) Correlación lineal positiva perfecta d) Correlación lineal negativa marcada
nube de depuntos
núvol punts nube Núvol
dedepuntos
punts
27 1,004
24 1
Variable Y
Variable Y
Variable Y
Variable Y
21 0,996
18 0,992
15 0,988
12 0,984
9 0,98
0 2 4 6 8 10 -10 -6 -2 2 6 10
Variable
Variable X X
e) Correlación lineal negativa perfecta f) Correlación no lineal entre X i Y
Como se puede observar, en el ejemplo e) se detecta una relación entre las varia-
bles X y Y. Sin embargo, es evidente que no se trata de una relación lineal; pues
estos tipos de relaciones determinan una nube de puntos similares a una línea rec-
ta. (Ejemplos b, c, d y e). En el ejemplo a), no se distingue ningún tipo de vínculo
entre ambas variables; los puntos están muy dispersos.
Covarianza
El gráfico es una primera aproximación al estudio de la relación que existe entre
las variables, pero únicamente aporta información de tipo intuitivo. El concepto
que es necesario definir para poder decidir si hay o no relación lineal entre dos va-
riables es el de correlación lineal. En primer lugar, debemos introducir el concepto
de covarianza.
La covarianza es un estadístico (o un parámetro) por calcular, similar al de va-

rianza y permite conocer si dos variables están relacionadas o no linealmente, se
representa por SXY y se calcula según la fórmula:
h k
(xi − X)(y j −Y )·ni j
SXY = ∑∑
i=1 j=1 n
La interpretación de este estadístico es la siguiente:
• Si SXY > 0 ==> dependencia lineal directa (positiva), es decir a grandes valo-
res de X corresponden grandes valores de Y (ejemplos b) y c).
• Si SXY > 0 ==> incorrelacionadas, es decir no hay relación lineal (ejemplos
a) y f).
• Si SXY > 0 ==> dependencia lineal inversa o negativa, es decir a grandes va-
lores de X corresponden pequeños valores de Y (ejemplos d) y e).
Ejemplo 6
En el caso que se está considerando el valor del terreno y el valor de la vivienda,

la covarianza es:
Sabiendo que Valor terreno = X = 7,1586, Valor vivienda: =Y = 68.0052 y n = 29

se calcula:
h k
(xi − X)(y j −Y )·ni j 10 11
(xi − 7,1586)(y j − 68,0052)·ni j
SXY = ∑∑ = ∑∑ = 42,1527 €
i=1 j=1 n i=1 j=1 29
Así pues, el valor de la covarianza es

coherente con la nube de puntos que ha
obtenido: parece existir un relación di-
recta o positiva entre valor del terreno
y coste de la vivienda. Además, ama-
yor valor del terreno, más coste de la
vivienda.
Propiedades de la covarianza
• Si a todos los valores de la variable X, se les suma una constante b y a todos

los valores de la variable Y una constante C, la covarianza no varía.

Es decir, S X + b Y +C = Sxy
• Si todos los valores de una variable x se multiplican por una constante a y

todos los valores de la variable Y por una constante b, la covarianza queda
multiplicada por el producto de las constantes.

Es decir, S a · X b · Y = a · b Sxy
• A partir de las anteriores: si se tienen dos variables X y Y con covarianza SXY,

y dos transformaciones lineales de las variables de la forma X’ = ax + c, i Y’
= by + d, la nueva covarianza se relaciona con la anterior de la forma:
S a · X b · Y = a · b Sxy
Cálculo de la covarianza
Existe otra forma de obtener la covarianza mediante un cálculo más sencillo:

h k
xi y j ·ni j
SXY = ∑∑ − X ·Y
i=1 j=1 n
Se puede demostrar la equivalencia de ambas definiciones mediante procedimien-

tos algebraicos elementales.
Ejemplo 7
Se verá a continuación un ejemplo de aplicación de esta última propiedad. De la

siguiente tabla de doble entrada se determinará la covarianza:
X Y 1,6 1,7 1,8
60 2 1 0 3
70 2 4 2 8
80 1 1 4 6
90 0 2 1 3
5 8 7 20
En primer lugar se calculará la media aritmética de cada variable marginal:
X = 74,5 y Y = 1,71
h k
xi y j ·ni j
En segundo lugar, hay que calcular el primer sumando deSXY,
n
. Por ∑∑
i=1 j=1
ello, es necesario calcular primero los productos, sumarlos todos y luego dividir el
resultado por el número total de datos:
60 * 1,6 * 2 = 192 Por tanto tendremos:

60 * 1,7 * 1 = 102
h k
70 * 1,6 * 2 = 224
∑∑ x ·y ·n i j ij = 2554
70 * 1,7 * 4 = 476 i=1 j=1
70 * 1,8 * 2 = 252 h k
xi y j ·ni j 2554
80 * 1,6 * 1 = 128 ∑∑ n
=
i=1 j=1 20
80 * 1,7 * 1 = 136 h k
xi y j ·ni j
80 * 1,8 * 4 = 576 Sxy = ∑∑ – X·Y=
i=1 j=1 n
90 * 1,7 * 2 = 306
90 * 1,8 * 1 = 162 2554
= – 74,5 · 1,71 =
20

TOTAL SUMA = 2554
= 127,7 – 127,395 = 0,305
Correlación lineal
La covarianza permite discernir si dos variables X y Y tienen una relación positi-
va, negativa o cero, pero no aporta información del grado de dependencia de una
variable respecto a la otra (referencias bibliográficas 6, 10 y 17). Además, la cova-
rianza depende de las unidades de medida empleadas para X y Y –si, por ejemplo,
X se mide en m3 y Y en mm3, cada desviación de X aumenta Sxy 109 veces–. Para
hacer frente a estas dos dificultades se define el concepto ya introducido anterior-
mente de correlación lineal rxy:
S XY
rxy = siendo Sx y Sy las desviaciones típicas de X y Y.
S X · SY
Es evidente que, por definición, el coeficiente de correlación lineal informa de las
mismas cosas que lo hace la covarianza. Además, cumple una propiedad muy im-
portante, está acotado por 1 y por –1. Así pues rxy , se caracteriza por:
• Ser adimensional y siempre estar comprendido entre –1 y 1.

• Si hay relación lineal fuerte positiva, rxy > 0 y está cerca de 1.
• Si hay relación lineal negativa fuerte, rxy < 0 y está cerca de –1.
• Si no hay relación lineal rxy será 0.
Ejemplo 8
En el ejemplo 1 que se está considerando, para calcular la correlación es necesario

primero conocer las varianzas y la covarianza. Aprovechando los cálculos ante-
riores, se tiene: Sxy = 42,1527; S X = 18,1656; S Y = 2,4242. En consecuencia, el
S 42,1527
coeficiente de correlación lineal rxy = XY = = 0,9572. Por lo
SX ·SY 18,1656·2, 4242
tanto, la relación lineal entre las dos variables es alta.
Recta de regresión. Calidad del ajuste

Como se ha expuesto anteriormente, cuando se estudian dos características simul-
táneamente sobre una muestra, se puede considerar que una de ellas influye sobre
la otra de alguna manera. El objetivo principal de la regresión es descubrir el modo
en que se relacionan. Un dibujo de la nube de puntos o diagrama de dispersión de
la distribución puede indicar si es razonable pensar que puede haber una buena
correlación lineal entre las dos variables.
nube
núvoldedepuntos
punts
nube
núvolde
de puntos
punts
30
10
25
Variable Y
8
Variable Y
20
6
15
4 10
2 5
0 0
0 10 20 30 40 0 2 4 6 8 10
Variable X Variable X
En los diagramas anteriores se puede observar como en el de la derecha, una línea rec-
ta puede aproximarse a casi todos los puntos, mientras que en el otro, cualquier recta
deja muchos puntos alejados de ella. Así, hacer un análisis de regresión lineal solo
estaría justificado en el ejemplo de la derecha.
Como se puede ver en ambos diagramas, ninguna recta es capaz de pasar por to-
dos los puntos. De todas las rectas posibles, la recta de regresión de Y sobre X es
aquella que minimiza «el error de aproximación», considerando X como variable
explicativa o independiente y Y como la explicada o dependiente. Pero ¿cómo se
calcula la recta y se minimiza el error?
nube de puntos
Valor
estimado
Valor
real
Se considera la recta y = a + b X donde a y b donde a y b son parámetros. De

este modo, la recta o función lineal es genérica (representa todas las funciones
lineales posibles, únicamente hay que dar valores a los parámetros para obtener
las infinitas rectas). Lo que se va a realizar consiste en encontrar los valores de los
parámetros a y b, de modo que la recta se ajuste lo más posible a los puntos de la
figura anterior. El método que se emplea para buscar los valores de los parámetros
a y b es el de los mínimos cuadrados.
Usando técnicas de derivación se deduce que, de todos los posibles valores de a y

de b, aquellos que minimizan la suma anterior son:
s xy s xy
a y x b
s x2 y s x2
NOTA: No hay que olvidar que si se conocen los datos también se conocen los
términos:

y , x , S xy , S x2 
, y por tanto a y b serán números reales en el momento
que se produzcan las sustituciones.
Así, sustituyendo en Y = a + b X, la ecuación de la recta de regresión de Y sobre

X es:

 s xy   s xy 
y   y  2  x    2   x
 sx   sx 

y también se puede escribir de la forma siguiente, recordando la ecuación de la
recta punto-pendiente:
S
y −Y = XY2 ·(x − X)
SX
Si se hubiera tomado Y como variable independiente o explicativa, y X como
dependiente o explicada, la recta de regresión que se necesita es la que minimiza
errores de la X. Se llama recta de regresión de X sobre Y y se calcula fácilmente
permutando los puestos de x e y, obteniéndose:
s xy
xx   y  y
s 2y
Ejemplo 9
En el ejemplo que se está considerando, se tiene que la variable independiente es

el valor del terreno y el valor de la vivienda es la variable dependiente.
Por los estudios realizados a lo largo de la unidad se sabe que la relación es directa,
pues la covarianza es positiva. Como la correlación obtenida ha sido un número
cercano a 1, la relación lineal entre las dos variables es importante. Por tanto, el
cálculo de la recta de regresión tiene sentido. Para calcularla, se utilizará la última
expresión:
SXY S 42,1527
y −Y = ·(x − X) . Así, XY2 = y la recta será:
SX2
SX 5,8768
42,1527
y – 7,1586 = (x – 68,0052), y aislando la variable y, la recta y = 16,6583 +
7,17274 x. 5,8768
Por lo tanto:
Coste de la vivienda = 16,6583 + 7,17274 · Valor del terreno
Calidad del ajuste. Coeficiente de determinación

El coeficiente de determinación lineal se puede definir como el porcentaje de va-
rianza de Y que se puede explicar por X y, se le suele llamar Calidad o bondad del
ajuste porque valora la proximidad de la nube de puntos a la recta de regresión (o
dicho de otro modo, como está de ajustada la nube de puntos a la recta de regresión).
En cuanto al cálculo del coeficiente de determinación, hay que definir previamente:
• La varianza de la variable Y que es explicada por la regresión lineal, llamada

S r2 , y que representa la variabilidad de la variable Y causada por las varia-
ciones de la variable X.
• La varianza residual, que se representa por S e2 , determina en qué medida

difieren los valores ajustados por la recta de los valores observados. Es decir,
se plantea medir la magnitud de los residuos.
Así:
h k
nij 2 h k * * 2 nij h k
* 2 nij 2
h k
n
Sr2 = ∑∑ (y*j − y* )2 Sr = ∑∑ (y j − y i) S 2
y e ∑∑ j
= (y i − y j ) Se = ∑ ∑ (y j − y*j )2 ij
i=1 j=1 n i=1 j=1 n i=1 j=1 n i=1 j=1 n
Se puede demostrar matemáticamente que, en la regresión lineal de la variable

Y sobre la variable X, la varianza de la variable Y se puede descomponer de la
siguiente manera:
S Y2 = S r2 + S e2
Así pues, de la relación se deduce que cuanto mayor sea la varianza explicada por
la regresión lineal ( S r2 ) respecto de la varianza total, menor será la variabilidad del
error de ajuste ( S e2 ) y mejor será la bondad del ajuste.
S r2 S e2
Si ahora se divide la expresión anterior para S , se obtiene: 1 = 2 + 2 2
Y
SY SY
Y retomando el significado del coeficiente de correlación lineal (R2) como el por-

centaje de varianza de Y que se puede explicar por X, se tiene:
Sr2 Se2
R2= = 1− (En tanto por uno)
SY2 SY2
De esta definición se pueden sacar algunas conclusiones:
• 0  R2  1, por ser la parte de un total.

• R2 = 1 implica que la varianza residual es nula y por lo tanto el ajuste es
perfecto. En consecuencia, la relación entre ambas variables es lineal.
• R2 = 0 implica que la varianza residual es igual a la varianza de la variable Y
y que la variable explicativa no aporta información válida para la estimación
de la variable explicada. En consecuencia, no existe relación lineal entre las
dos variables.
• Cuanto más próximo a 1 esté R2 mejor será la bondad o calidad del ajuste.
SR2 SXY 2
Por otra parte, en una regresión lineal se puede demostrar que R2 = =
Sy2 Sx2 Sy2
que evidentemente coincide con el cuadrado del coeficiente de correlación lineal y
justifica todas las propiedades antes mencionadas de ambos coeficientes.
rxy2 = R2
Predicciones. Usos y abusos
El primer objetivo de la regresión lineal era poner de manifiesto la relación exis-
tente entre dos variables estadísticas. Una vez se constata que la hay, y se calcula la
recta de regresión apropiada, esta se puede usar para obtener valores de la variable
explicada, a partir de valores de la variable explicativa.
Por ejemplo, si se comprueba una buena correlación lineal entre las variables X =
«horas de estudio semanal» y Y = «nota del examen», con una recta de regresión
(de Y sobre X) igual a Y = 0.9 + 0.6 x se puede plantear la siguiente pregunta:
¿Qué nota puede obtener (según los datos) un alumno que estudia 10 horas sema-
nales?
Y la respuesta es tan sencilla como calcular Y, sustituyendo en la ecuación de la

recta x = 10, resultando Y = 6.9. El coeficiente determinación es el dato que indi-
cará si la predicción obtenida es fiable o no, ya que es el coeficiente que informa
sobre la calidad del ajuste.
En el momento de hacer predicciones hay que tener ciertas precauciones, porque

es posible obtener resultados absurdos. Según la recta de regresión anterior, un
alumno que estudie 20 horas por semana (x = 20) tendría un resultado de 12.9
puntos en su examen, lo que no tiene sentido si se evalúa sobre 10. La limitación
de la predicción consiste en el hecho de que solo se puede realizar para valores de
X que estén situados dentro del rango de los valores de X .
Objetivos
Los problemas deben permitir que los alumnos alcancen los objetivos didácticos:
2a) Saber analizar y extraer información de una distribución de datos bidimen-

sional a partir de la construcción de la tabla de doble entrada.
2b) Saber extraer conclusiones del análisis, tanto de las distribuciones margina-
les como de las condicionadas de una distribución de datos bidimensional.
2c) Distinguir gráfica y analíticamente si las dos variables de una distribución
de datos bidimensional tienen relación lineal.
2d) Saber calcular e interpretar la covarianza, así como aplicar las propiedades
que este estadístico cumple.
2e) Saber calcular el coeficiente de correlación lineal así como su interpretación.
2f ) Construir la recta de regresión lineal de una variable estadística respecto a
la otra en una distribución de datos bidimensional.
2g) En una distribución de datos bidimensional, saber predecir el valor de una
variable a partir de un valor de la otra mediante la recta de regresión y co-
nocer su fiabilidad.
Ejercicios:
EJERCICIOS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
2a X X X X
2b X X X X
2c X X X
2d X X
2e X X X X X X X X X X X X
OBJETIVOS
2f X X X X X X X X X
2g X X X X X X X X X
Enunciados
2a) Saber analizar y extraer información

de una distribución de datos bidimen-
sional a partir de la construcción de la
tabla de doble entrada.
2b) Saber extraer conclusiones del análisis,
tanto de las distribuciones marginales
como de las condicionadas de una dis-
tribución de datos bidimensional
Ejercicio 1
Una empresa ha entrevistado a veinticinco de sus trabajadores con tareas adminis-

trativas para conocer el grado de implicación en su formación profesional. A cada
uno le preguntó el número de cursos de formación de más de 30 horas y el número
de cursos de perfeccionamiento de idiomas que había realizado en los últimos tres
años. Los resultados son los que se muestran en la tabla siguiente:
Formación 8 9 4 5 6 7 7 9 10 7 5 6 7
Idiomas 8 8 3 5 7 7 8 10 10 7 6 7 8
Formación 8 5 8 9 8 8 7 7 9 9 8 7
Idiomas 7 5 8 8 7 8 7 7 8 10 8 8
a) Construye la tabla de frecuencias conjunta.

b) Calcula el número medio de cursos formación y el número medio de cursos
de idiomas que han realizado los trabajadores de la empresa.
c) Calcula el número medio de cursos de formación que han hecho aquellos
trabajadores que hicieron siete de perfeccionamiento de idiomas.
d) ¿Qué proporción de trabajadores ha realizado más de cinco cursos en ambas
categorías? ¿Qué proporción de trabajadores ha hecho más de cinco cursos
de formación? ¿Y más de cinco cursos de idiomas?
e) ¿Qué proporción de trabajadores ha realizado más de siete cursos de forma-
ción y más de 8 en idiomas?
f) ¿Qué porcentaje de los trabajadores que han hecho cinco o más cursos de
formación, ha hecho siete o más cursos de idiomas?
Ejercicio 2
Una empresa quiere abrir un punto de venta en un barrio de una gran ciudad de
la Comunidad Valenciana. Como el segmento de población al que va dirigido el
producto es a personas de edades comprendidas entre 45 y 55 años, ha decidido
encuestar a una muestra de 50 vecinos del barrio cuya edad está en esta franja. La
tabla siguiente muestra dos de las preguntas que aparecían en la encuesta: edad e
ingresos mensuales en miles de euros.
Edad 50 51 53 50 51 48 50 49 52 52 49 50 52 51 52 49 50
Ingresos
3.2 4.1 4.5 3 3.6 2.9 3.8 3.8 3.6 3.9 3 3.8 4.1 3.5 4.0 3.1 3.1
mensuales
Edad 51 50 51 52 53 52 52 51 50 51 54 50 51 51 51 52 51
Ingresos
4.3 3.3 3.9 3.7 4.1 4.2 3.5 3.8 3.6 3.4 4.6 3.5 3.6 3.1 4 3.8 4.2
mensuales
Edad 52 51 50 51 49 51 48 50 52 53 52 50 52 51 51 51
Ingresos
4 4.4 3.9 3.7 3.4 3.3 2.7 3.4 3.6 4.4 4.3 3.3 4.2 4.2 3.3 3.7
mensuales
a) Construye la tabla de doble entrada agrupando los ingresos mensuales en in-

tervalos de amplitud 0,5 y de manera que el extremo pequeño de la primera
clase sea 2,5.
b) ¿Qué ingresos medios tienen los encuestados de 51 años? ¿Qué porcentaje
de estos tiene unos ingresos inferiores a 4000 €?
c) ¿Cuál es la media de edad de los encuestados que tienen unos ingresos entre
3500 y 4000 euros? ¿Qué porcentaje de estos tienen 50 o 51 años?
d) ¿Qué porcentaje de los clientes ingresan mensualmente 4000 euros o más y
tienen más de 50 años?
e) ¿Qué porcentaje de las personas encuestadas tienen más de 51 años o unos
ingresos de 4000 € o más?
Ejercicio 3
El Departamento de Recursos Humanos de una empresa ha decidido realizar dos
tests para seleccionar a las personas que deberán hacerse cargo de un proyecto de
innovación. Las notas obtenidas por los aspirantes se muestran en la siguiente tabla:
TEST 1 7 6 5 4 5 8 7 8 9 6 5 8 6 8 7 8 7 6 6 9
TEST 2 8 7 6 6 7 10 9 9 10 8 6 10 8 9 8 8 7 8 6 8
a) Construye la tabla de doble entrada.

b) Calcula la nota media en el test 2 de los aspirantes que han obtenido un 6 en
el test 1.
c) Calcula el porcentaje de aspirantes que obtienen un nota inferior a 8 en el
test 2 entre aquellos que obtienen un nota en el test 1 superior a 6.
Ejercicio 4
La siguiente tabla muestra el número de personas ocupadas distribuidas atendiendo
al sueldo neto de la actividad principal que desarrollan (en centenas de euro) y la edad
en el año 2010, según datos recogidos del Ministerio de Trabajo y de Inmigración.12
SUELDO
EDAD [0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30, 40)1

[16,25) 289,79 490,44 249,08 126,47 38,03 1,70 0
[25,30) 232,55 673,68 571,85 430,16 192,86 20,80 11,01
[30,45) 566,18 1777,07 1671,91 2190,02 1248,87 736,77 155,06
[45,55) 323,65 797,11 881,81 1123,69 724,93 448,78 138,99
[55,652) 185,20 430,59 503,77 568,69 306,20 225,13 123,53
a) Construye las tablas de frecuencia de las distribuciones de las variables mar-

ginales y calcula la media aritmética de cada una.
b) Construye la tabla de frecuencia de la edad de aquellas personas ocupadas
que tienen un sueldo de 1200 a 1600 euros. Calcula también la edad media
de las personas que cobran entre 1200 y 1600 euros.
c) Construye la tabla de frecuencia del sueldo de aquellas personas ocupadas
que tienen 30 años o más. ¿Qué sueldo medio cobran?
d) ¿Qué porcentaje de personas ocupadas tienen 45 años o más y cobran 1600
euros o más?
e) ¿Qué porcentaje de personas ocupadas tienen 45 años o más o cobran 1600
euros o más?
f) ¿Qué porcentaje de ocupados tiene menos de 30 años de aquellos que cobran
1200 euros o más?
1. En la tabla original el último intervalo es 3000 euros o más. Se ha cerrado el intervalo para hacer el ejercicio.
2. En la tabla original el último intervalo es 55 años o más. Se ha cerrado el intervalo para hacer el ejercicio.
2c) Distinguir gráfica y analíticamente
si las dos variables de una distri-
bución de datos bidimensional tie-
nen relación lineal.
Ejercicio 5
La siguiente tabla muestra la población en edad de trabajar analfabeta en la Comu-
nidad Valenciana, Madrid, Andalucía y el País Vasco a lo largo de los años 2000-
2010 en miles de personas.
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Andalucía 332,28 280,99 342,14 307,41 294,91 247,90 262,25 278,03 294,34 290,37 279,91
Madrid 73,15 58,88 74,06 83,33 71,83 47,35 43,35 40,34 46,68 56,98 72,21
País Vasco 17,69 13,77 14,67 12,56 13,27 9,37 11,34 12,50 13,66 14,23 11,10
C. Valenciana 128,01 96,83 110,81 117,30 114,73 69,46 79,91 79,01 92,45 99,06 85,76
Fuente: ine

a) Representa la nube de puntos entre las variables: Población analfabeta en
edad de trabajar en Andalucía y Población en edad de trabajar en la Comuni-
dad Valenciana. ¿Qué observas en cuanto a la existencia o no de la relación
lineal entre las dos variables?
b) Representa la nube de puntos entre las variables: Población analfabeta en edad
de trabajar en la Comunidad de Madrid y en el País Vasco. ¿Qué observas en
cuanto a la existencia o no de la relación lineal entre las dos variables?
c) Calcula el estadístico adecuado para confirmar las suposiciones que has he-
cho en los dos apartados anteriores.
2c) Distinguir gráfica y analíticamente

si las dos variables de una distri-
bución de datos bidimensional tie-
nen relación lineal.
2d) Saber calcular e interpretar la cova-
rianza, así como aplicar las propie-
dades que este estadístico cumple.
Ejercicio 6
Se recogieron los valores mensuales de los gastos en publicidad de una compañía
ferroviaria y el número de pasajeros a lo largo de 15 meses. Los datos los muestra
la tabla:
Publicidad
10 12 8 17 10 15 10 14 19 10 11 13 16 10 12
(en miles )
Pasajeros
15 17 13 23 16 21 14 20 24 17 16 18 23 15 16
(en miles)
a) Calcula el gasto medio y el número medio de pasajeros.
b) Haz la nube de puntos y calcula la covarianza. ¿Es coherente el valor del
estadístico con la nube de puntos?
c) Si para los 15 meses posteriores se prevé que la inversión en publicidad de
cada mes aumente un 10 % respecto al mismo mes del período anterior, y
también se prevé que este hecho provocará un aumento del 8 % en el número
de pasajeros cada mes, ¿cuál será la covarianza en este segundo período?
Ejercicio 7
Una empresa ha realizado dos tests psicotécnicos a los 9 trabajadores de un depar-
tamento como parte del proceso de selección del nuevo director del departamento.
La siguiente tabla muestra los resultados obtenidos por los aspirantes:
TEST 1 5 7 6 9 3 1 2 4 6
TEST 2 6 5 8 6 4 2 1 3 7
a) Calcula la covarianza. ¿Existe algún tipo de relación lineal entre las dos
variables?
b) Ha habido un error en una pregunta de cada test y el tribunal decide aumentar
un 5 % la puntuación de cada participante. Calcula nuevamente la covarianza.
2e) Saber calcular el coeficiente de co-

rrelación lineal así como su inter-
pretación.
Ejercicio 8
Dados las siguientes nubes de puntos, contesta:
a) Asocia cada nube de puntos con el valor del coeficiente de correlación que
le corresponde entre estos valores: –0,9; 0,4; 0,95: –0,65; 0,1; 0,6. Razona
la respuesta.
b) Indica para cada nube de puntos el signo de la covarianza y di cuál es su
significado.
Ejercicio 9
La siguiente tabla muestra el gasto total promedio, el gasto medio en alimentos y
bebidas no alcohólicas y el gasto en vivienda, agua, electricidad, gas y otros com-
bustibles en euros, por número de personas que forman la unidad familiar en el año
2009,3 según datos del ine.
Número de miembros
1 2 3 4 5 6 o más
de la familia
Gastos medios totales 18355,25 27755,08 33414,09 38576,14 40699,09 41562,31
Gastos
en vivienda, agua,
7493,88 8990,72 9205,13 9645,19 10114,49 9272,18
electricidad, gas y
otros combustibles
a) ¿Existe una fuerte relación lineal entre el número de miembros que viven en
un hogar y el gasto medio total? Razona la respuesta.
b) ¿Y entre el número de miembros que viven en un hogar y el gasto en vivien-
da, agua, electricidad, gas y otros combustibles? Razona la respuesta.
3. Para realizar el ejercicio, considera 7 miembros en el intervalo 6 o más.
Ejercicio 10
El director de Recursos Humanos de una empresa ha realizado dos tests psicotéc-
nicos para seleccionar a las personas que deben trabajar en el Departamento de
Marketing. Se han presentado 9 personas y los resultados obtenidos en cada uno
de los tests han sido los siguientes:
TEST 1 175 181 192 211 235 255 275 286 292
TEST 2 169 185 202 219 240 266 295 329 357
Teniendo en cuenta los resultados de los tests, ¿crees que el director podría haber
eliminado uno de los dos tests para decidir los candidatos? Razona la respuesta.
2f) Saber calcular el coeficiente de co-

rrelación lineal así como su inter-
pretación.
2e) Construir la recta de regresión li-
neal de una variable estadística res-
pecto a la otra en una distribución
de datos bidimensional.
2g) En una distribución de datos bidi-
mensional, saber predecir el valor
de una variable a partir de un va-
lor de la otra mediante la recta de
regresión y conocer su fiabilidad.
Ejercicio 11
En una muestra de 150 empresas del sector de servicios se recogen datos sobre el
número de trabajadores de la empresa (X) y la facturación (Y) anual en millones
de euros. Los resultados se muestran resumidos en los siguientes estadísticos:
a) Calcula el coeficiente de correlación lineal e interprétalo.

b) Calcula el modelo de regresión lineal que mejor aproxima la facturación en
función del número de trabajadores
c) En función de este ajuste, calcula de forma aproximada la cantidad que se
espera que facture una empresa con 15 trabajadores. ¿Es fiable esta predic-
ción? Razona la respuesta.
d) Calcula el modelo de regresión lineal que mejor aproxima el número de tra-
bajadores en función de la facturación.
f) En función de este ajuste calcula de forma aproximada el número de traba-
jadores que se espera que tenga una empresa que facture 105 millones. ¿Es
fiable esta predicción? Razona la respuesta.
Ejercicio 12
Las dos tablas siguientes muestran el grado medio de satisfacción de los ocupados
según el trabajo que realizan por edad y por el nivel de estudios en 2010. Los datos
han sido extraídos del Ministerio de Trabajo e Inmigración.4
NIVEL GRADO GRADO

EDAD
ESTUDIOS DE SATISFACCIÓN DE SATISFACCIÓN
1 7,05 [16,25) 7,33
2 7,09 [25,30) 7,39
3 7,21 [30,45) 7,37
4 7,23 [45,55) 7,30
5 7,50 [55,65) 4
7,43
6 7,55
Hay que decir que la variable nivel de estudios ha sido convertida a numérica
discreta para ser graduable. Así, la equivalencia es: 1 = menos que Primarios;
2 = Primarios; 3 = Secundarios; 4 = Bachillerato; 5 = Formación Profesional y 6 =
Universitarios. Esta conversión se ha hecho a efectos didácticos:
a) Calcula el coeficiente de relación lineal de ambos pares de variables. ¿En
cuál de las dos convendría calcular la recta de regresión?
b) Calcula la recta de regresión del grado de satisfacción en función del nivel
de estudios.
Ejercicio 13
El grado medio de satisfacción medio de los ocupados, según el trabajo que reali-
zan por nivel de ingresos y por sexo en el año 2010, se muestra en la tabla siguien-
te. Los datos han sido extraídos del Ministerio de Trabajo e Inmigración.5
GRADO GRADO
NIVEL
DE SATISFACIÓN DE SATISFACIÓN
DE INGRESOS
HOMBRES MUJERES
[0,600) 6,19 7,253
[600,1000) 6,83 7,234
[1000,1200) 7,28 7,339
[1200,1600) 7,39 7,61
[1600,2100) 7,60 7,768
[2100,3000) 7,82 7,682
[3000,4000)5 7,925 7,499
4. En la tabla original el últímo intervalo es 55 años o más. Se ha cerrado el intervalo para poder hacer el ejercicio.
5. En la tabla original el últímo intervalo es 3000 euros o más. Se ha cerrado el intervalo para poder hacer el ejercicio.
a) Calcula el coeficiente de correlación lineal entre las variables Nivel de in-
gresos y Grado de satisfacción en los hombres y entre las variables Nivel
de ingresos y Grado de satisfacción en las mujeres. ¿Qué conclusiones se
pueden obtener?
b) Calcula la recta de regresión que explique el grado de satisfacción medio en
el trabajo de los hombres en función del nivel de ingresos.
Ejercicio 14
El número total de expedientes de regulación del trabajo a lo largo de los años
2001-2010, según los datos extraídos del Ministerio de Trabajo e Inmigración, son
los que se muestran en la tabla.
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Alicante 139 169 224 268 292 180 164 393 939 679
Castellón 49 59 55 76 88 59 58 291 939 777
a) ¿Existe algún tipo de relación lineal entre las variables? ¿Es fuerte esta rela-
ción? Razona las respuestas.
b) Calcula la recta de regresión lineal que relaciona el número de expedientes
totales en Castellón en función de los de Alicante.
Ejercicio 15
La siguiente tabla muestra el número total de hipotecas firmadas, así como la tasa
de paro en España en el período 2004-2010, según datos extraídos del ine.
Hipotecas Tasa de paro
2004 1608497 8,1

2005 1798630 9,2
2006 1896515 8,3
2007 1780627 8,6
2008 1283374 13,9
2009 1082587 18,83
2010 961601 20,05
a) ¿Existe algún tipode relación lineal entre las variables? ¿Es fuerte esta rela-
b) Calcula la recta de regresión lineal que relaciona el número hipotecas firma-
das en función de la tasa de desempleo.
Ejercicio 16
La siguiente tabla muestra el número de horas extraordinarias totales en miles
(remuneradas y no remuneradas) realizadas en el conjunto de España, así como
las tasas de paro desde el primer trimestre de 2008 hasta el último trimeste del año
2010. Los datos han sido extraídos del ine.
Número total de Tasa de

Trimestres
horas extras paro
2010TIV 5574,9 20,33
2010TIII 5058,9 19,79
2010TII 6002,7 20,09
2010TI 6154,1 20,05
2009TIV 6493,2 18,83
2009TIII 6069 17,93
2009TII 7042 17,92
2008TIV 8398,4 13,91
2008TIII 8813,2 11,33
2008TII 9794,4 10,44
2008TI 10058,1 9,63
a) Halla, en su caso, las recta de regresión que explica el número de horas ex-
tras en función de la tasa de desempleo.
b) En el primer trimestre de 2009 la tasa de paro era del 17,36 %. Da una esti-
mación del número de horas extras en este trimestre, así como una medida
de su fiabilidad.
Ejercicio 17
2001-2010 en Cataluña y la Comunidad Valenciana, extraídos del Ministerio de
Trabajo e Inmigración, son las que se muestran en la tabla, a excepción de los da-
tos del año 2005 que se han omitido.
Comunidad
Año Cataluña
Valenciana
2001 661 465
2002 724 494
2003 608 594
2004 565 619
2006 455 413
2007 470 487
2008 874 1286
2009 3964 3490
2010 3318 2810
Se sabe que el número de expedientes en 2005 en Cataluña fue 512. Da una esti-
mación, si es conveniente, del número de expedientes en la Comunidad Valencia-
na así como una medida del ajuste.
Ejercicio 18
En un museo se desea estudiar la repercusión que tienen las quejas realizadas por los
visitantes y los ingresos. Para realizarlo, se observaron las dos variables a lo largo
de las últimas diez semanas. Las visitas están expresadas en decenas de asistentes.
Quejas 18 26 30 33 38 39 42 44 46 49
Visitas 107 105,5 105 104,4 104,3 104 103,7 103,4 103,1 103
Si la entrada al museo tiene un coste de 3,6 euros, estima los ingresos del museo si
en una semana se hubieran producido 43 quejas.
Ejercicio 19
La siguiente tabla muestra el número de personas ocupadas distribuidas atendiendo el
sueldo neto de la actividad principal que desarrollan (en centenas de euro) y el nivel
de estudios que tenían en 2010, según datos recogidos del Ministerio de Trabajo y de
Inmigración. Hay que decir, sin embargo, que la variable nivel de estudios ha sido
convertida a numérica discreta para ser graduable. Así, la equivalencia es: 1 = menos
que Primarios; 2 = Primarios; 3 = Secundarios; 4 = Bachillerato; 5 = Formación Pro-
fesional y 6 = Universitarios. Esta conversión se ha hecho a efectos didácticos.
SUELDO
Nivel de
[0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30, 40)
estudios
1 8,75 21,67 15,00 7,93 5,65 0,74 1,56
2 293,18 790,92 601,61 472,64 92,82 56,30 3,77
3 538,08 1551,52 1226,20 1098,34 340,72 74,78 13,56
4 323,39 670,29 607,31 709,62 313,35 142,00 53,20
5 303,28 801,87 843,80 982,42 444,90 183,90 50,73
6 164,47 439,26 619,51 1155,75 1230,07 919,40 282,14
a) ¿Están relacionadas linealmente el sueldo y el nivel de estudios?

b) Calcula una estimación del sueldo que cobraría una persona ocupada que
tuviera un nivel de estudios equivalente a 4,5, así como su fiabilidad.
Ayudas
a la hora de realizar los ejercicios y problemas. Es conveniente no hacer un abuso
excesivo de estas ayudas, es decir, antes de emplearlas hay que pensar el problema
al menos durante unos 10-15 minutos. Después se consultará la ayuda de tipo 1 y
se intentará resolver el ejercicio con esta ayuda. Si no es posible resolverlo, enton-
ces se consultará la ayuda de tipo 2, y en último término la solución.
Ayudas Tipo 1
Ejercicio 1
Consulta la introducción teórica.
Ejercicio 2
Consultar la introducción teórica. En el apartado e) nota que pide el porcentaje de
las personas encuestadas que tienen más de 51 años o unos ingresos de 4000 euros
o más. Hay que contar pues el número de personas que cumplen una condición o
la otra.
Ejercicio 3
Ejercicio 4
En el apartado c) debes tener presente que la variable que condiciona, en este caso
la edad, incluye más de un intervalo. Entonces hay que agrupar las frecuencias
conjuntas adecuadamente.
Ejercicio 5
En el apartado c) tienes que calcular el estadístico que permite contrastar si dos

variables estadísticas están relacionadas linealmente.
Ejercicio 6
Para hacer el gráfico tienes que seguir las indicaciones del ejercicio 5. Para afirmar
que el gráfico es coherente con el resultado de la covarianza debes fijarte en el
signo del estadístico.
Para responder a la aparta c) hay que aplicar una propiedad.
Ejercicio 7
Ejercicio 8
El coeficiente de correlación lineal informa de las mismas cosas que lo hace la
covarianza. Puedes consultar la introducción teórica para saber las propiedades.
Ejercicio 9
Hay que calcular un estadístico que mida el grado de relación lineal entre dos variables.
Ejercicio 10
El director podría haber eliminado una de las dos pruebas siempre y cuando las
dos discriminen a las mismas personas.
Ejercicio 11
El apartado a) es directo y para el resto de apartados hay que construir las funcio-
nes lineales que mejoran el ajuste. Para hacer las predicciones hay que sustituir las
valores de las variables explicativas en las fórmulas.
Ejercicio 12
Hay que hacer lo mismo que en el ejercicio 11 pero en este caso tienes que calcu-
lar los estadísticos a partir de los datos. Únicamente habrá que calcular la recta de
regresión que tenga un coeficiente de correlación superior a 0,8.
Ejercicio 13
Véase la ayuda del ejercicio 12.
Ejercicio 14
Para contestar la pregunta a) tienes que calcular el estadístico que informa sobre el
grado de relación lineal entre dos variables.
Ejercicio 15
Para contestar la pregunta a) tienes que calcular el estadístico que informa sobre el
grado de relación lineal entre dos variables.
Ejercicio 16
Únicamente cuando sea pertinente convendrá calcular la recta y hacer la predicción.
Ejercicio 17
Únicamente cuando sea pertinente convendrá calcular la recta y hacer la predicción.
Ejercicio 18
Debes tener en cuenta que los ingresos dependen completamente del número de
visitas. Es decir, si sabes un estimación de las visitas sabrás una estimación de los
ingresos.
Ejercicio 19
Para contestar la pregunta del apartado a) tienes que calcular el coeficiente de co-
rrelación. Utiliza la tabla para hacer los cálculos de los estadísticos y los productos
que se necesitan para calcular la covarianza.
Ayudas Tipo 2
Ejercicio 1
Para contestar la pregunta b) hay que construir la tabla de la distribución marginal,
y para la pregunta c), la tabla de la distribución condicionada:
Cursos de
formación
ni x i · ni X/(Y = 7) ni x i · ni
4 1 4 6 2 12
5 3 15 7 4 28
6 2 12 8 2 16
7 7 49 8 56
8 6 48
9 5 45
10 1 10
25 183
Para hacer los recuentos puedes ayudarte de la tabla de doble entrada:
Y = cursos de idiomas
3 5 6 7 8 10 ni.
4 1 1
5 2 1 3
X = cursos de formación
6 2 2
7 4 3 7
8 2 4 6
9 3 2 5
10 1 1
n.j 1 2 1 8 10 3 25
Ejercicio 2
En el apartado e) nota que pide el porcentaje de las personas encuestadas que tienen
más de 51 años o unos ingresos de 4000 € o más. Observa que este número pedido
es igual a: (encuestados que ingresan más de 4000) + (encuestados que tienen más
de 51 años) – (encuestados que tienen más de 51 años e ingresan más de 4000 €).
Ejercicio 3
Como es muy similar al ejercicio 1, consúltalo en sus ayudas.
Ejercicio 4
Muy similar al ejercicio 1. Consulta en las ayudas de este ejercicio. Calcula pre-
viamente las marcas de las clases de cada variable. En el apartado c) puedes utili-
zar la siguiente tabla:
EDAD [0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30,40)

[30,45) 566,18 1777,07 1671,91 2190,02 1248,87 736,77 155,06
[45,55) 323,65 797,11 881,81 1123,69 724,93 448,78 138,99
[55,65) 185,2 430,59 503,77 568,69 306,2 225,13 123,53
n.j 1075,03 3004,77 3057,49 3882,4 2280 1410,68 417,58
Ejercicio 5
En el apartado c) has de calcular la covarianza.
Ejercicio 6
Para responder en el apartado c) debes aplicar la propiedad de la covarianza, te-
niendo en cuenta que hay que definir dos variables nuevas a partir de las dos ante-
riores: X’ = gastos en el segundo período y Y’ = número de pasajeros en el segundo
período. Según el enunciado X’ = 1,1 · X y Y’ = 1,08 · Y.
Ejercicio 7
Misma ayuda que en el ejercicio 6. En este caso las nuevas variables son: X’ = nota
del test 1 tras el aumento y Y’ = nota del test 2 después del aumento.
Según el enunciado X’ = 1,05 · X y Y’ = 1,058 · Y.
Ejercicio 8
Se remite a la ayuda de tipo 1 por ser lo suficientemente aclaratoria.
Ejercicio 9
Hay que calcular el coeficiente de correlación lineal.
Ejercicio 10
Hay una relación casi funcional entre las dos variables. El director podría haber
eliminado una de las dos pruebas siempre y cuando exista.
Ejercicio 11
Las funciones lineales que hay que calcular son las rectas de regresión. Para saber
la fiabilidad de las predicciones busca el coeficiente de determinación.
Ejercicio 12
Ejercicio 13
Véase la ayuda del ejercicio 12.
Ejercicio 14
Para contestar la pregunta del apartado a) tienes que calcular el coeficiente de
correlación.
Ejercicio 15
Para contestar la pregunta del apartado a) tienes que calcular el coeficiente de co-
rrelación.
Ejercicio 16
Únicamente si el coeficiente de correlación es cercano a 1 o a –1 es pertinente
calcular la recta y hacer la predicción.
Ejercicio 17
Únicamente si el coeficiente de correlación es cercano a 1 o a –1 es pertinente
calcular la recta y hacer la predicción.
Ejercicio 18
Si existe tipo de relación lineal entre el número de quejas y el número de visitas,
entonces podremos encontrar la recta de regresión entre el número de visitas y el
de quejas y, con posterioridad, se podrán estimar los ingresos.
Ejercicio 19
Soluciones
Ejercicio 1
Una empresa ha entrevistado a veinte y cinco de sus trabajadores con tareas ad-
ministrativas para conocer el grado de implicación en su formación profesional.
A cada uno se le preguntó el número de cursos de formación de más de 30 horas
y el número de cursos de perfeccionamiento de idiomas que había realizado en
los últimos tres años. Los resultados son los que se muestran en la tabla siguiente:
Formación
8 9 4 5 6 7 7 9 10 7 5 6 7
est
Idiomas
8 8 3 5 7 7 8 10 10 7 6 7 8
eco
Formación
8 5 8 9 8 8 7 7 9 9 8 7
est
Idiomas
7 5 8 8 7 8 7 7 8 10 8 8
eco

b) Calcula el número medio de cursos de formación y el número medio de cur-
sos de idiomas que han realizado los trabajadores de la empresa.
trabajadores que hicieron siete de perfeccionamiento de los idiomas.
e) ¿Qué proporción de trabajadores ha realizado más de siete cursos de forma-
ción y más de ocho en idiomas?
f ) ¿Qué porcentaje de los trabajadores que han hecho cinco cursos o más de
formación, ha hecho siete cursos o más de idiomas?
Solución
Para construir la tabla de doble entrada, en primer lugar, hay que ordenar los datos
de las dos variables de menor a mayor y construir una cuadrícula, por lo que en la
primera fila se sitúan las diferentes categorías o valores que toma una de las varia-
bles, y en la primera columna los valores o las categorías relativas a la segunda.
Así, el número que hay que asociar a cada celda de la tabla de doble entrada es la
frecuencia absoluta conjunta del dato bivariante, formada por los valores corres-
pondientes ubicados en la primera fila y en la primera columna.
En nuestro caso podemos representar en las filas la variable Cursos de formación
y en las columnas la variable Cursos de idiomas. Así pues:
Y = Cursos de idiomas
3 5 6 7 8 10 ni.
4 1 1
5 2 1 3
X = Cursos de formación
6 2 2
7 4 3 7
8 2 4 6
9 3 2 5
10 1 1
n.j 1 2 1 8 10 3 25
b) Calcula el número medio de cursos de formación y el número medio de cur-

sos de idiomas que han realizado los trabajadores de la empresa.
Para contestar estas preguntas hay que estudiar las dos distribuciones marginales;
X = Cursos de formación y Y = Cursos de idiomas. Es decir: variable Cursos de
formación en las filas y en las columnas la variable Cursos de idiomas. Así pues:
Cursos de Cursos de
ni x i · ni ni y i · ni
formación idiomas
4 1 4 3 1 3
5 3 15 5 2 10
6 2 12 6 1 6
7 7 49 7 8 56
8 6 48 8 10 80
9 5 45 10 3 30
10 1 10 25 185
25 183
183 185
x = = 7,32 cursos
cursos y= = 7, 4 cursos
cursos
25 25

trabajadores que han realizado siete de perfeccionamiento de los idiomas.
En primer lugar, en este apartado, hay que construir la variable cursos de forma-
ción condicionada a que el valor de la variable cursos de idiomas es 7. Es decir,
hay que construir la variable X / (Y = 7). Extrayendo de la tabla este distribución
marginal:
X/(Y = 7) ni x i · ni
6 2 12 En consecuencia:
7 4 28
X 56
8 2 16 = = 7cursos
cursos
(Y = 7) 8
8 56

Y = Cursos de idiomas
3 5 6 7 8 10 ni.
4 1 1
5 2 1 3
X = Cursos de formación
6 2 2
7 4 3 7
8 2 4 6
9 3 2 5
10 1 1
n.j 1 2 1 8 10 3 25
Para contestar a la primera pregunta, es necesario que contemos el número de da-

tos que cumplen las dos condiciones a la vez, es decir, los datos que aparecen con
la celda en color rojo:
17 0,68 68
Así pues, como hay 17, el porcentaje solicitado es = = , un 68 %.
25 1 100
De esta forma, se cuenta el número de personas que ha hecho más de 5 cursos de
formación, que son 17, lo que representa un 68 %. También podemos calcular fá-
cilmente el número de trabajadores que ha hecho más de 5 cursos de idiomas, que
son 18; los cuales representan un 72 %.
e) ¿Qué proporción de trabajadores han realizado más de 7 cursos de formación

y más de 8 en idiomas?
En este apartado hay que contar el número de trabajadores que cumplen ambas
condiciones. En este caso son 3 (las que aparecen en amarillo en el apartado d)).
Por tanto, el porcentaje es de 3 de 25, un 12 %.
f) ¿Qué porcentaje de los trabajadores que ha hecho cinco cursos o más de for-
mación, ha hecho siete o más cursos de idiomas?
En este apartado hay que observar que cambia la cantidad total sobre la que te-
nemos que hacer el porcentaje. Es decir, no se nos pide el porcentaje sobre los 25
datos, sino sobre los que han hecho cinco o más cursos de formación que son 24.
De estos hay 21 que han hecho 7 cursos o más de idiomas. En consecuencia, hay
un 87,5 %.
Ejercicio 2
Una empresa quiere abrir un punto de venta en un barrio de una gran ciudad de
la Comunidad Valenciana. Como el segmento de población al que va dirigido el
producto es a personas de edades comprendidas entre 45 y 55 años, ha decidido
encuestar a una muestra de 50 vecinos del barrio cuya edad está en esta franja. La
tabla siguiente muestra dos de las preguntas que aparecían en la encuesta: edad e
ingresos mensuales en miles de euros.
Edad 50 51 53 50 51 48 50 49 52 52 49 50 52 51 52 49 50
Ingresos
3.2 4.1 4.5 3 3.6 2.9 3.8 3.8 3.6 3.9 3 3.8 4.1 3.5 4.0 3.1 3.1
mensuales
Edad 51 50 51 52 53 52 52 51 50 51 54 50 51 51 51 52 51
Ingresos
4.3 3.3 3.9 3.7 4.1 4.2 3.5 3.8 3.6 3.4 4.6 3.5 3.6 3.1 4 3.8 4.2
mensuales
Edad 52 51 50 51 49 51 48 50 52 53 52 50 52 51 51 51
Ingresos
4 4.4 3.9 3.7 3.4 3.3 2.7 3.4 3.6 4.4 4.3 3.3 4.2 4.2 3.3 3.7
mensuales
a) Construye la tabla de doble entrada agrupando los ingresos mensuales en

intervalos de amplitud 0,5 y de manera que el extremo inferior de la primera
clase sea 2,5.
de estos tiene unos ingresos inferiores 4000 euros?
ingresos de 4000 euros o más?
Solución
a) Construye la tabla de doble entrada agrupando los ingresos mensuales en

intervalos de amplitud 0,5 y de manera que el extremo inferior de la primera
clase sea 2,5.
En primer lugar, hay que construir los intervalos de la variable que debe estar agrupa-
da; en este caso los ingresos mensuales. Así pues, siguiendo las indicaciones que da
el enunciado, los intervalos son [2,5, 3); [2,5, 3); [3, 3,5); [3,5, 4,); [4, 4,5); [4,5, 5).
Siguiendo ahora las indicaciones del ejercicio anterior apartado a), podemos cons-
truir la tabla de doble entrada con las variables X = Ingresos mensuales y Y = Edad.
Y = Edad
48 49 50 51 52 53 54 ni.
X = Ingresos mensuales
[2,5 , 3) 2 2
[ 3, 3,5) 3 6 4 13
[3,5 , 4) 1 5 7 6 19
[4 , 4,5) 6 6 2 14
[ 4,5 , 5) 1 1 2
n.j 2 4 11 17 12 3 1 50

de estos tiene unos ingresos inferiores 4000 euros?
Hay que construir la variable Ingresos condicionada a que la edad sea de 51 años.
Es decir X / Y = 51. Además, como que la variable X está agrupada en intervalos
es necesario calcular las marcas de clase para obtener la media pedida. Así, la tabla
de frecuencias de esta variable es:
X/Y = 51 ci ni c i · ni En consecuencia, la media será:

[ 3, 3,5) 3,25 4 13
X 64, 75
= = 3,809 miles
milers€€
(Y = 51) 17
[3,5 , 4) 3,75 7 26,25
Por otra parte, hay 11 encuestados con
[4 , 4,5) 4,25 6 25,5
un sueldo inferior 4000 euros, lo que
n.j 17 64,75 representa un 64,7 % de 17.
Ahora hay que construir la variable Edad condicionada a unos ingresos de entre 3500
y 4000 euros. Es decir, Y / (X = [3,5, 4)). La tabla de frecuencias de la variable es:
Y/X=[3,5 , 4) ni xi · ni
En consecuencia, la media será:
49 1 49
Y 968
= años
=50,95anys
50 5 250 (X = [3,5 , 4) 19
51 7 357
Por otra parte, hay 12 que tienen 50 o
52 6 312 51 años, lo que representa un 63,16 %.
n.j 19 968

Hay que hacer el recuento de las personas encuestadas que cumplen las dos con-
diciones que cita el enunciado. Las que se traducen en que deben ingresar más de
4000 euros (X > 4) y tener más de 50 años (Y > 50).
Revisando la tabla se observa que hay 16, los cuales representan el 32 % de los 50
encuestados.

ingresos de 4000 euros o más?
La pregunta es diferente a la anterior, ya que nos pregunta qué porcentaje cumple

una condición o la otra. Es decir, hay que contar los encuestados que ingresan más
de 4000 euros (cielo con mayor tamaño) o tienen más de 51 años (cielo rojas).
Hay que notar que no podemos sumar el número de personas que cumplen una
condición más el número de personas que cumplen la otra, ya que de esta manera
estaríamos contando las personas que cumplen ambas condiciones dos veces.
Y = Edad
48 49 50 51 52 53 54 ni.
X = Ingresos mensuales
[2,5 , 3) 2 2
[ 3, 3,5) 3 6 4 13
[3,5 , 4) 1 5 7 6 19
[4 , 4,5) 6 6 2 14
[ 4,5 , 5) 1 1 2
n.j 2 4 11 17 12 3 1 50
Por tanto, el número de encuestados pedidos son: (encuestados que ingresan más
de 4000) + (encuestados que tienen más de 51 años) – (encuestados que tienen
más de 51 años e ingresan más de 4000 euros) = 16 + 16 – 10 = 22. Por lo tanto,
el porcentaje que representan respecto a 50 es el 44 %.
Ejercicio 3
El Departamento de Recursos Humanos de una empresa ha decidido realizar dos

tests para seleccionar a las personas que han de hacerse cargo de un proyecto de in-
novación. Las notas obtenidas por los aspirantes se muestran en la siguiente tabla:
TEST 1 7 6 5 4 5 8 7 8 9 6 5 8 6 8 7 8 7 6 6 9
TEST 2 8 7 6 6 7 10 9 9 10 8 6 10 8 9 8 8 7 8 6 8
a) Construye la tabla de doble entrada.

el test 1.
c) Calcula el porcentaje de aspirantes que obtienen un nota inferior a 8 en el
test 2 de entre aquellos que obtienen un nota en el test 1 superior a 6.
Solución
De la misma manera que hacíamos en el apartado a) del primer ejercicio, construi-

mos la tabla de doble entrada.
Y = Test 1
X = Test 2 4 5 6 7 8 9 ni.
6 1 2 1 4
7 1 1 1 3
8 3 2 1 1 7
9 1 2 0 3
10 2 1 3
n.j 1 3 5 4 5 2 20

el test 1.
Se nos pide que calculemos la media aritmética de la variable test 2 condicionada a

que la variable Test 1 sea 6. Es decir; X / Y = 6. Calculamos la tabla de frecuencias
correspondiente.
Y/X = 6 ni xi · ni
En consecuencia, la media será:
6 1 6
X 37
= 7, 4 punts.
puntos
=
7 1 7 (Y = 6) 5
8 3 24
n.j 5 37
c) Calcula el porcentaje de aspirantes que obtienen un nota inferior a 8 en el test

2 de entre aquellos que obtienen un nota en el test 1 superior a 6.
De la misma manera que en el apartado f ) del ejercicio 1, en este apartado no se

nos pide el porcentaje sobre las 20 aspirantes, sino sobre los que han sacado más
de 6 en el Test 1, que son 11. De estas, hay 1 que ha sacado menos de 8. En con-
secuencia, hay un 9,09 %.
Ejercicio 4
La siguiente tabla muestra el número de personas ocupadas distribuidas atendien-
do al sueldo neto de la actividad principal que desarrollan (en centenas de euro)
y la edad en el año 2010, según datos recogidos del Ministerio de Trabajo y de
Inmigración.67
SUELDO
EDAD [0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30, 40)6

[16,25) 289,79 490,44 249,08 126,47 38,03 1,70 0
[25,30) 232,55 673,68 571,85 430,16 192,86 20,80 11,01
[30,45) 566,18 1777,07 1671,91 2190,02 1248,87 736,77 155,06
[45,55) 323,65 797,11 881,81 1123,69 724,93 448,78 138,99
[55,657) 185,20 430,59 503,77 568,69 306,20 225,13 123,53

d) ¿Qué porcentaje de personas ocupadas tienen años 45 o más y cobra 1600
euros o más?
6. En la tabla original el último intervalo es 3000 euros o más. Se ha cerrado el intervalo para hacer el ejercicio.
7. En la tabla original el último intervalo es 55 años o más. Se ha cerrado el intervalo para hacer el ejercicio.
e) ¿Qué porcentaje de personas ocupadas tiene años 45 o más o cobra 1600
euros o más?
f) ¿Qué porcentaje de ocupados tiene menos de 30 años de aquellos que cobran
1200 euros o más?
Solución

De la misma manera que en el apartado a) del ejercicio 1, se construye las tablas

de frecuencia de las variables marginales X = Edad de las personas ocupadas y Y
= Sueldo de las personas ocupadas.
Edad ci ni c i · ni Sueldo ci ni c i · ni
[16,25) 20,5 1195,51 24507,955 [0, 6) 3 1597,37 4792,11
[25,30) 27,5 2132,91 58655,025 [ 6,10) 8 4168,89 33351,12
[30,45) 37,5 8345,88 312970,5 [10,12) 11 3878,42 42662,62
[45,55) 50 4438,96 221948 [12,16) 14 4439,03 62146,42
[55,65) 60 2343,11 140586,6 [16,21) 18,5 2510,89 46451,47
n.j 18456,37 758668,08 [21,30) 25,5 1433,18 36546,09
[30,40) 35 428,59 15000,65
18456,37 240950,5
Y calculamos las medias:
758668,08 240950,5
x= = 41,12 años
anys y= = 13,06 milers€
miles €
18456,37 18456,37
Hay que notar que, aunque el ejercicio no lo pide explícitamente, es conveniente

calcular la desviación típica, para conocer una medida de dispersión de los datos.

Construimos la tabla de frecuencias de la variable Edad condicionada a que la

variable Sueldo está comprendido entre 1200 y 1600 euros. Es decir, X / (Y =
[1200,1600)). Así pues:
X/(Y =
ci ni c i · ni
[1200,1600))
[16,25) 20,5 126,47 2592,635
[25,30) 27,5 430,16 11829,4 En consecuencia, la media será:

[30,45) 37,5 2190,02 82125,75
X 186853,69
= = 42,1anys
años
[45,55) 50 1123,69 56184,5 (Y = [12,16) 4439,03
[55,65) 60 568,69 34121,4
n.j 4439,03 186853,69

Nótese que la variable que condiciona, en este caso la edad, incluye más de un
intervalo. Entonces hay que agrupar las frecuencias conjuntas adecuadamente:
EDAD [0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30,40)

[30,45) 566,18 1777,07 1671,91 2190,02 1248,87 736,77 155,06
[45,55) 323,65 797,11 881,81 1123,69 724,93 448,78 138,99
[55,65) 185,2 430,59 503,77 568,69 306,2 225,13 123,53
n.j 1075,03 3004,77 3057,49 3882,4 2280 1410,68 417,58
En consecuencia, la variable Sueldo condicionada a la edad de 30 años o más será:
Y/(X ≥ 30) ci ni c i · ni
[0, 6) 3 1075,03 3225,09
[ 6,10) 8 3004,77 24038,16 Y, por lo tanto, la media
[10,12) 11 3057,49 33632,39 aritmética será:
[12,16) 14 3882,4 54353,6
Y 208016,88
[16,21) 18,5 2280 42180 = =13, 751milers
miles €€
[21,30) 25,5 1410,68 35972,34
(X > 30 15127,95
[30,40) 35 417,58 14615,3
15127,95 208016,88
d) ¿Qué porcentaje de personas ocupadas tienen 45 años o más y cobran 1600 €

o más?
Hay que buscar el número de ocupados que cumpla las dos variables. Así, hay
–observando la tabla y sumando los números adecuados– 1967,56 miles. Lo que
representa un 10,66 %.
e) ¿Qué porcentaje de personas ocupadas tiene 45 años o más o cobra 1600
euros o más?
De la misma manera que en el apartado f ) del ejercicio 2, hay que contar los ocu-
pados que tienen 45 años o más (celdas con mayor tamaño) o cobran 1600 euros
o más (celdas rojas).
SUELDO
EDAD [0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30,40) ni.
[16,25) 289,79 490,44 249,08 126,47 38,03 1,7 0 1195,51
[25,30) 232,55 673,68 571,85 430,16 192,86 20,8 11,01 2132,91
[30,45) 566,18 1777,07 1671,91 2190,02 1248,9 736,77 155,06 8345,88
[45,55) 323,65 797,11 881,81 1123,69 724,93 448,78 138,99 4438,96
[55,65) 185,2 430,59 503,77 568,69 306,2 225,13 123,53 2343,11
n.j 1597,37 4168,89 3878,42 4439,03 2510,89 1433,18 428,59 18456,37
Del mismo modo que el ejercicio 2, el número de ocupados que cumplen las dos
condiciones son:
(45 años o más) + (1600 euros o más) – (45 años o más y 1600 euros o más)
6782,07 + 4372,66 a 1967,56 = 9187,17.
Por lo tanto, el porcentaje de demandas será un 49,788 %.
f ) ¿Qué porcentaje de ocupados tiene menos de 30 años de aquellos que cobran

1200 euros o más?
En primer lugar, hay que saber cuántos ocupados cobran 1200 euros o más. Su-
mando los valores de la tabla se obtienen 8811,69 miles de personas (recuadro
rojo). De este defecto 821,03 (sombreado amarillo) tienen menos de 30 años. Por
lo tanto, el porcentaje pedido es el 9,32 %.

SUELDO
EDAD [0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30,40)
[16,25) 289,79 490,44 249,08 126,47 38,03 1,7 0
[25,30) 232,55 673,68 571,85 430,16 192,86 20,8 11,01
[30,45) 566,18 1777,07 1671,91 2190 1248,87 736,77 155,06
[45,55) 323,65 797,11 881,81 1123,7 724,93 448,78 138,99
[55,65) 185,2 430,59 503,77 568,69 306,2 225,13 123,53
Ejercicio 5
La siguiente tabla muestra la población en edad de trabajar analfabeta en las co-
munidades Valenciana, Madrid, Andalucía y el País Vasco a lo largo de los años
2000-2010 en miles de personas.
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Andalucía 332,28 280,99 342,14 307,41 294,91 247,90 262,25 278,03 294,34 290,37 279,91
Madrid 73,15 58,88 74,06 83,33 71,83 47,35 43,35 40,34 46,68 56,98 72,21
País Vasco 17,69 13,77 14,67 12,56 13,27 9,37 11,34 12,50 13,66 14,23 11,10
C. Valenciana 128,01 96,83 110,81 117,30 114,73 69,46 79,91 79,01 92,45 99,06 85,76
Fuente: ine
a) Representa la nube de puntos entre las variables: Población en edad de tra-

bajar en Andalucía y Población en edad de trabajar en la Comunidad de
Madrid. ¿Qué observas en cuanto a la existencia o no de la relación lineal
entre las dos variables?
b) Representa la nube de puntos entre las variables: Población en edad de tra-
bajar en la Comunidad de Madrid y Población en edad de trabajar en el País
Vasco. ¿Qué observas en cuanto a la existencia o no de la relación lineal
Solución
a) Representa la nube de puntos entre las variables: Población en edad de tra-

bajar en Andalucía y Población en edad de trabajar en la Comunidad de
Madrid. ¿Qué observas en cuanto a la existencia o no de la relación lineal
Una nube de puntos es un gráfico de dos dimensiones en el que se representan los

valores de las dos variables. Cada punto de la nube tiene coordenada x (abscisa u
horizontal) el valor de una de las variables, y coordenada y (vertical u ordenada) el
valor que le corresponde de la otra variable. La forma de este gráfico es el primer
paso para saber si dos variables están correlacionadas.
En nuestro caso podemos representar en el eje de las abscisas la población activa

y analfabeta en Andalucía, y en el eje de ordenadas las personas analfabetas y ac-
tivas de la Comunidad de Madrid. Así el gráfico queda:
Con lo que observa visualmente, parece haber una relación lineal positiva entre
las dos variables.
b) Representa la nube de puntos entre las variables: Población en edad de tra-

bajar en la Comunidad de Madrid y Población en edad de trabajar en el País
Vasco. ¿Qué observas en cuanto a la existencia o no de la relación lineal
La estructura será similar al gráfico anterior.
Se observa que también existe una relación lineal positiva, aunque en este caso no
parece tan claro porque la nube de puntos es más «ancha». Es decir, parece que
los datos no siguen un línea recta creciente con tanta claridad como en el apartado
anterior.
En los dos apartados anteriores hemos observado a partir del gráfico que existe una
relación lineal positiva entre las dos variables. El estadístico que permite contrastar
esta hipótesis es la covarianza. Si este estadístico tiene signo positivo entonces
existe relación lineal entre las dos variables y esta es positiva. Si por el contrario,
tiene signo negativo entonces también existe relación lineal, pero en este caso es
negativa. Si la covarianza es cero, entonces las dos variables no tienen relación
lineal.
h k
(xi − X)(y j −Y )·ni j
La expresión de la covarianza será: SXY = ∑∑ . Sin embargo,
n i=1 j=1
para realizar los problemas emplearemos la expresión equivalente:
h k
xi y j ·ni j
SXY = ∑∑ − X ·Y
i=1 j=1 n
Así pues, hay que calcular las covarianzas de ambos pares de variables.
Andalucía y Comunidad de Madrid
Podemos considerar la variable X = activos y analfabetos en Andalucía y por Y =

activos y analfabetos en Madrid.
Como se observa en la fórmula, en primer lugar hay que calcular para cada varia-
ble sus medias aritméticas. Haciendo estos cálculos de la misma manera que en la
unidad 1 se obtienen los valores: X = 291,866 y Y = 60, 742 .
h k
xi y j ·ni j
En segundo lugar debemos calcular los sumatorios
n
. Como se ob- ∑∑
i=1 j=1
serva lo que hace falta es multiplicar cada valor de la variable X por su correspon-
diente de la variable Y y por su frecuencia conjunta. Luego hay que sumar todos
estos productos y dividirlos entre el número total de datos.
Como en nuestro caso la frecuencia conjunta de cada dato bivariante es 1, solo

hay que hacer los productos de cada valor de una variable por su correspondiente
y luego hacer la suma. Así:
X 332,28 280,99 342,14 307,41 294,91 247,9 262,25 278,03 294,34 290,37 279,91
Y 73,15 58,88 74,06 83,33 71,83 47,35 43,35 40,34 46,68 56,98 72,21
xi · y j 24306,28 16544,69 25338,89 25616,48 21183,39 11738,07 11368,54 11215,73 13739,79 16545,28 20212,30
Así, sustituyendo la expresión anterior:

h k
xi y j ·ni j 24306,28 + 16544,69 + 25338,89 + 25616,48 + ...+ 16545,28 + 20212,30
∑∑ n
=
11
i=1 j=1

197809,430
= = 17982,675
11
Y por tanto:
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 17982,675 – 291,866 · 60,742 = 332,954.
i=1 j=1 n
Como la covarianza nos queda positiva, también existe relación lineal positiva. Se
concluye pues que el gráfico y el estadístico están en concordancia.
País Vasco y Comunidad de Madrid
Hay que hacer exactamente lo mismo, pero ahora considerando X = activos y anal-
fabetos en el País Vasco y para Y = activos y analfabetos en Madrid. Calculado las
medias para cada variable: X = 13,105 y Y = 60, 742 .
h k
xi y j ·ni j
Calculamos ahora ∑∑ n
tal y como está hecho con anterioridad:
i=1 j=1
X 17,69 13,77 14,67 12,56 13,27 9,37 11,34 12,5 13,66 14,23 11,1
Y 73,15 58,88 74,06 83,33 71,83 47,35 43,35 40,34 46,68 56,98 72,21
xi · y j
1294,024 810,778 1086,460 1046,625 953,184 443,670 491,589 504,250 637,649 810,825 801,53
Así, sustituyendo la expresión anterior:
h k
xi y j ·ni j
1294,024 + 810,778 + 1086,460 + 1046,625 + ...+ 810,825 + 801,53
∑∑ n
=
11
i=1 j=1
8880,594
= = 807,236
11
Y por lo tanto:
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 807,236 – 13,105 · 60,742 = 11,212 .
i=1 j=1 n
Como la covarianza nos queda positiva, también existe relación lineal positiva. Se
concluye pues que el gráfico y el estadístico están en concordancia.
Hay que notar, sin embargo, que con la covarianza todavía no podemos saber el
grado de esta relación lineal entre ambas variables. Hay que calcular otro estadís-
tico para estudiarlo: el coeficiente de correlación lineal.
Ejercicio 6
Se recolectaron los valores mensuales de los gastos en publicidad de una com-
pañía ferroviaria y el número de pasajeros a lo largo de 15 meses. Los datos los
muestra la tabla:
Publicidad
10 12 8 17 10 15 10 14 19 10 11 13 16 10 12
(en miles )
Pasajeros
15 17 13 23 16 21 14 20 24 17 16 18 23 15 16
(en miles)

Solución
Para calcular el gasto medio y el número medio de pasajeros hay que estudiar las
distribuciones marginales de las dos variables. Si llamamos X = Gastos en publici-
dad y Y = Número de pasajeros, entonces las distribuciones marginales son:
X ni Y ni Del mismo modo que en la uni-

8 1 13 1 dad 1 se calculan las medias arit-
10 5 14 1 méticas, que en este caso son:
11 1 15 2
12 2 16 3 X = 12, 467 y Y = 17,867 .
13 1 17 2
14 1 18 1
15 1 20 1
16 1 21 1
17 1 23 2
19 1 24 1
n.j 15 n.j 15
Para determinar la covarianza hay que hacer lo mismo que en el ejercicio 5. Como
las medias las hemos calculado ya en el apartado anterior, ahora es necesario en-
contrar otros elementos componentes de la expresión de la covarianza. Así:
X 10 12 8 17 10 15 10 14 19 10 11 13 16 10 12
Y 15 17 13 23 16 21 14 20 24 17 16 18 23 15 16
xi · y j 150 204 104 391 160 315 140 280 456 170 176 234 368 150 192
h k
xi y j ·ni j 150 + 204 + .......+150 +192
∑∑ = = 233 , por lo tanto la covarianza es:
i=1 j=1 n 15
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 233 – 12,467· 17,867 = 10,252.
i=1 j=1 n
Como se comprueba, la nube de puntos concuerda con el valor de la varianza.
Se nos pide el valor de la covarianza de las variables Gasto en publicidad y Nú-

mero de pasajeros en este segundo período; en el que los gastos han aumentado
un 10 % y el número de pasajeros un 8 %. Definimos pues estas dos nuevas
variables: X’ = Gastos en el segundo período y Y’ = Número de pasajeros en el
segundo período.
Así, según el enunciado X’ = 1,1 · X y Y’ = 1,08 · Y. Para calcular la covarianza

entre X’ y Y’ únicamente hay que aplicar las propiedades.8
Entonces: SX 'Y ' = 1,1 · 1,08 SXY = 1,1 · 1,08 · 10,252 = 12,179.
8. Si todos los valores de una variable x se multiplican por una constante a y todos los valores de la variable Y por una cons-
tante b, la covarianza queda multiplicada por el producto de las constantes. Es decir: = a · b S XY
Ejercicio 7
Una empresa ha realizado dos tests psicotécnicos a los 9 trabajadores de un depar-
tamento como parte del proceso de selección del nuevo director del departamento.
La siguiente tabla muestra los resultados obtenidos por los aspirantes:
TEST 1 5 7 6 9 3 1 2 4 6
TEST 2 6 5 8 6 4 2 1 3 7
variables?
Solución
variables?
Del mismo modo que en los problemas anteriores, hay que encontrar cada uno de
los componentes. Llamamos X = Notas del Test 1 y para Y = Notas del Test 2 y
obtenemos las medias de cada variable: X = 4,778 y Y = 4,667.
h k
xi y j ·ni j
Buscamos ahora
n
∑∑
. Para hacerlo, hay que calcular los productos co-
i=1 j=1
rrespondientes y hacer la suma.
X 5 7 6 9 3 1 2 4 6
Y 6 5 8 6 4 2 1 3 7
xi · y j 30 35 48 54 12 2 2 12 42
Y por lo tanto,
h k
xi y j ·ni j 30 + 35 + 48 + .....+ 2 +12 + 42
∑∑ n
=
9
=26 y consecuentemente la cova-
i=1 j=1
h k
xi y j ·ni j
rianza es: SXY = ∑∑ − X · Y = 26 –4,778· 4,667 = 3,701
i=1 j=1 n

De la misma manera que en el apartado c) del ejercicio 6, hay que definir unas nue-
vas variables y aplicar la misma propiedad. Definimos pues estas dos nuevas varia-
bles: X’ = Nota del test 1 tras el aumento y Y’ = Nota del test 2 después del aumento.
Según el enunciado X’ = 1,05 · X y Y’ = 1,058 · Y. Para calcular la covarianza entre

X’ y Y’ únicamente hay que aplicar las propiedades.
Entonces: SX 'Y ' = 1,1 · 1,08 SXY = 1,1 · 1,08 · 3,701 = 4,397.
Ejercicio 8
Dadas las siguientes nubes de puntos, contesta:
a) Asocia cada nube de puntos con el valor del coeficiente de correlación que le
corresponde entre estos: –0,9; 0,4; 0,95: –0,65; 0,1; 0,6. Razona la respuesta.
significado.
Solución
a) Asocia cada nube de puntos con el valor del coeficiente de correlación que le
corresponde entre estos: –0,9; 0,4; 0,95: –0,65; 0,1; 0,6. Razona la respuesta.
Como ya se ha comentado en los problemas anteriores de esta unidad, la covarian-

za permite discernir si dos variables X y Y tienen una relación positiva, negativa o
cero, pero no aporta información del grado de dependencia de una variable respec-
to a la otra. Además, la covarianza depende de las unidades de medida empleadas
para X y Y. Si por ejemplo X se mide en m3 y Y en mm3, cada desviación de X
aumenta SXY 109 veces. Para hacer frente a estas dos dificultades se define el con-
cepto de correlación lineal rXY :
SXY
rXY = siendo Sx y Sy las desviaciones típicas de X y Y.
SX ·SY
Es evidente que por definición el coeficiente de correlación lineal informa de las

mismas cosas que lo hace la covarianza. Además, cumple una propiedad muy im-
portante, está acotado por 1 y por –1. Así pues, se caracteriza por:
• Ser adimensional y siempre estar entre –1 y 1.

• Si hay relación lineal fuerte positiva, rXY > 0 y está cerca de 1.
• Si hay relación lineal negativa fuerte, rXY < 0 y está cerca de –1.
• Si no hay relación lineal rXY será 0.
Así pues, el coeficiente de correlación será tan próximo a 1 o –1 cuanto la nube de

puntos sea más «estrecha». Así pues, a nubes de puntos estrechos le corresponden
valores de rXY rXY cercanos a 1 o –1, y por lo tanto los datos se ajustarán bien a una
línea recta. Por el contrario, valores rXY próximos al 0, implica que la nube de puntos
es más ancha y, en consecuencia, los datos no se ajustaron bien a una línea recta.
En nuestro ejercicio hay que asociar cada nube de puntos con el coeficiente de
correlación adecuada. Teniendo en cuenta lo que acabamos de comentar, las aso-
ciaciones serán:

significado.
Teniendo presente lo que hemos dicho en el apartado a), el signo del coeficiente
de correlación es el mismo que el de la covarianza. Por lo tanto, las nubes de los
gráficos A, B, C y D tendrán una covarianza positiva (relación lineal positiva) y
las nubes E y F tendrán una covarianza negativa (relación lineal negativa). Hay
que notar que el gráfico F tiene una correlación de 0,1. Es decir, a pesar de tener
signo positivo la relación lineal de ambas variables es muy débil para ser rXY muy
cerca de 0.
Ejercicio 9
La siguiente tabla muestra el gasto total promedio, el gasto medio en alimentos y
bebidas no alcohólicas y el gasto en vivienda, agua electricidad, gas y otros com-
bustibles en euros, por número de personas que forman la unidad familiar en el año
2009,9 según datos del ine.
Número de miembros
1 2 3 4 5 6 o más
de la familia
Gastos medios totales 18355,25 27755,08 33414,09 38576,14 40699,09 41562,31
Gastos en vivienda,
agua, electriciad, gas 7493,88 8990,72 9205,13 9645,19 10114,49 9272,18
y otros combustibles
Solución
Ya hemos comentado en el apartado a) del ejercicio 8 que para conocer el grado

de relación lineal entre dos variables hay que calcular el coeficiente de correlación.
S
La expresión es rXY = XY . Por lo tanto, tenemos que encontrar la covarianza y
SX ·SY
las desviaciones típicas de cada variable.
Llamamos X = Número de miembros del hogar y Y = Gasto medio total y hacemos

los cálculos necesarios. Las medias y las desviaciones típicas las calcularemos tal
como hacíamos en la unidad 1. Así: X = 3,667; SSXX == 11,972
,972 i Y = 33393,6;6 SSYY== 8214,845
8214,845.
9. Para realizar el ejercicio, considera 7 miembros en el intervalo 6 o más.
h k
xi y j ·ni j
Tenemos ∑∑
n
. Para hacerlo es necesario calcular los productos corres-
i=1 j=1
pondientes y hacer la suma.
X 1 2 3 4 5 7
Y 18355,25 27755,08 33414,09 38576,14 40699,09 41562,31
xi · y j 18355,25 55510,16 100242,27 154304,56 203495,45 290936,17
Y por lo tanto:
h k
xi y j ·ni j 18355,25 + 55510,16 + .....+ 203495, 45 + 290936,17
∑∑ n
=
6
=137140,643
i=1 j=1
y consecuentemente la covarianza es:
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 137140,643 –3,667· 33363,93 =14795,112.
i=1 j=1 n
SXY 14795,112
Así pues, rXY = = = 0,913, lo que significa que la relación
SX ·SY 1,972 · 8214,845
lineal entre las variables Gasto medio total y Miembros que forman un hogar es lo
suficientemente fuerte, cuestión perfectamente lógica para otra parte.

En este apartado hay que hacer exactamente lo mismo que en el anterior. Llama-
mos X = Número de miembros del hogar y Y = Gasto en vivienda, agua, electrici-
dad, gas y otros combustibles y hacemos los cálculos necesarios. X = 3,667; SSXX == 1,972
1,972 y Y = 9120,265;SSYY == 812
812,016.
,016
h k
xi y j ·ni j
Tenemos ahora ∑∑ . Para hacerlo, calculamos los productos correspon-
i=1 j=1 n
dientes y la suma.
X 1 2 3 4 5 7
Y 7493,88 8990,72 9205,13 9645,19 10114,49 9272,18
xi · y j 7493,88 17981,44 27615,39 38580,76 50572,45 64905,26
Y por lo tanto:
h k
xi y j ·ni j 7493,88 +17981, 44 + .....+ 64905,26
∑∑ n
=
6
=34524,8633
i=1 j=1
Y la covarianza será:
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 34524,863 –3,667· 9120,265 =1080,851.
i=1 j=1 n
SXY 1080,851
De modo que, rXY = = = 0,675, lo que significa que la re-
SX ·SY 1,972 · 812,016
lación lineal entre las variables Gasto en vivienda, agua, electricidad, gas y otros
combustibles y Miembros que forman un hogar es bastante débil.
Ejercicio 10
El director de Recursos Humanos de una empresa ha realizado dos tests psicotéc-
nicos para seleccionar a las personas que deben trabajar en el Departamento de
Marketing. Se han presentado 9 personas y los resultados obtenidos en cada uno
de los tests han sido los siguientes:
TEST 1 175 181 192 211 235 255 275 286 292
TEST 2 169 185 202 219 240 266 295 329 357
Teniendo en cuenta los resultados de los tests, ¿crees que el director podría haber
eliminado uno de los dos tests para decidir los candidatos? Razona la respuesta.
Solución
El director podría haber eliminado una de las dos pruebas siempre y cuando las
dos discriminen a las mismas personas. Es decir, si existe una relación casi fun-
cional entre las dos variables. Así pues, para contestar a la pregunta habrá que
calcular el coeficiente de correlación lineal y, si este es cercano a 1 o –1, entonces
la relación lineal entre las dos variables será fuerte y, por tanto, un test no aportará
información adicional y se podría eliminar.
Calculamos, pues, rXY siendo X = notas test 1 y Y = notas test 2.
Hacemos los cálculos necesarios:

X = 233,556;SSXX == 43,169
43,169 y Y = 251,333S
; SY Y==61,560
61,560.
h k
xi y j ·ni j
Buscamos
n
∑∑ . Para hacerlo hay que calcular los productos correspon-
i=1 j=1
dientes y hacer la suma.
Y por lo tanto,
h k
x y ·n 175 · 169 + .....+ 292 · 357 551746
∑∑ i nj i j = 9
=
9
= 61305,111
i=1 j=1
y consiguientemente la covarianza es:

h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 61305,111 – 233,556 · 251,333 = 2604,781.
i=1 j=1 n
SXY 2604,781
De ahí que, rXY = = = 0,980.
SX ·SY 43,169 · 61,560
Como el coeficiente rXY es tan cercano a 1, las dos pruebas permiten escoger a las
mismas personas, y por tanto una de las dos podría eliminarse.
Ejercicio 11
En una muestra de 150 empresas del sector de servicios se recogen datos sobre el
número de trabajadores de la empresa (X) y la facturación (Y) anual en millones
de euros. Los resultados se muestran resumidos en los siguientes estadísticos:
X = 14 trabajadores, Y = 100 millones, SX = 2 trabajadores; SY = 25 millones;

SXY = 45 trabajadores × millón
a) Calcula la correlación lineal e interprétalo.

función del número de trabajadores.
c) En función de este ajuste calcula de forma aproximada la cantidad que se
d) Calcula el modelo de regresión lineal que mejor aproxima el número de tra-
e) En función de este ajuste calcula de forma aproximada el número de traba-
Solución
a) Calcula la correlación lineal e interprétala.
En este caso hay que únicamente sustituir en la expresión del coeficiente de corre-
lación:
SXY 45
rXY = = = 0,9.
SX ·SY 25 · 2
Como está bastante cerca de 1, podemos decir que la relación lineal es bastante
fuerte.

función del número de trabajadores
La recta de regresión de una variable Y, llamada explicada o dependiente, respecto

a otra X, llamada explicativa o independiente, es la función lineal Y = aX + b que
mejor se ajusta a los datos empleando el criterio de los mínimos cuadrados. Es de-
cir, por un lado cada valor rXY .como está bastante cerca de 1, podemos decir que
la relación lineal es bastante fuerte. yi de la distribución de datos tiene su corres-
pondiente valor xi por la distribución de datos. Pero además, para todo valor de xi
también se puede calcular su valor por la recta: yi' = axi + b . Pues bien, el método
de los mínimos cuadrados permite obtener los valores de la ecuación de la recta a y
b que minimizan la suma de los cuadrados de las distancias entre yi i yi' .
Los valores de a y de b que se obtienen por el método de los mínimos cuadrados

dependen obviamente de los datos. Así, los valores son:
s xy s xy
a y  x y b 
s x2 s x2
Y, por tanto, la recta de regresión de Y sobre X es:
⎛ S ⎞ S
Y = ⎜ y − XY2 ⋅ x ⎟ + XY2 ·X
⎝ SX ⎠ SX
Recolocándo
los términos, tenemos:
SXY
Y −Y = ·(X − X).
SX2
Si se hubiera tomado Y como variable independiente o explicativa, y X como

dependiente o explicada, la recta de regresión que se necesita es la que minimiza
errores de la X. Se llama recta de regresión de X sobre Y y se calcula fácilmente
permutando los puestos de x e y, obteniéndose:
SXY
X−X = ·(Y −Y ).
SY2
En este caso pide la recta que cuenta la facturación en función del número de tra-
bajadores. Por lo tanto, nos pide la recta Y sobre X. Para calcularla, tan solo hay
que hacer las sustituciones correspondientes, ya que el ejercicio nos da todos los
estadísticos necesarios.
Sustituyendo:
SXY 45
y −Y = ·(x − X) g y −100 = ·(x −14) g aislando la variable y mediante ma-
SX2
4
temáticas elementales, obtenemos: Y = 11,25 X – 57,5.
Es decir:
La facturación = 11,25 · Número de trabajadores – 57,5.
a) En función de este ajuste calcula de forma aproximada la cantidad que se

Para hacer la predicción únicamente hay que sustituir X por 15, ya que de esta
manera obtendremos la estimación de la facturación para una empresa que tuviera
15 trabajadores. Así pues:
La facturación = 11,25 · 15 – 57,5 = 111,25 millones.
Para calcular la fiablilidad hay que emplear el coeficiente de determinación lineal

(R2), el cual se puede definir como el porcentaje de varianza de Y que se puede
explicar por X, y se le suele llamar calidad o bondad del ajuste porque valora la
proximidad de la nube de puntos en la recta de regresión (o dicho con otras pa-
labras, cómo está de ajustada la nube de puntos en la recta de regresión). En las
regresiones lineales, este coeficiente tiene una expresión extremadamente simple,
ya que coincide con el cuadrado del coeficiente de correlación lineal: rXY 2 = R2.
Así, en nuestro caso el coeficiente de determinación será R2 = rXY 2 = 0,92 = 0,81 y,

por tanto, la fiabilidad es bastante elevada.
b) Calcula el modelo de regresión lineal que mejor aproxima el número de tra-

En este caso se pide la recta que concreta el número de trabajadores en función de

la facturación. Por lo tanto, nos pide la recta X sobre Y. Para calcularla, tan solo
hay que hacer las sustituciones correspondientes, ya que el ejercicio nos da todos
los estadísticos necesarios.
Sustituyendo:
SXY 45
X−X = ·(Y −Y ) g X −14 = ·(Y −100 g aislando la variable y mediante
SY
2
625
matemáticas elementales, obtenemos: X = 0,072 Y + 6,8.
Es decir,
Número de trabajadores = 0,072 · la facturación + 6,8.
c) En función de este ajuste calcula de forma aproximada el número de traba-
Para hacer la predicción únicamente hay que sustituir Y por 105, ya que de esta
manera obtendremos la estimación del número de trabajadores para una empresa
que tuviera 105 millones de facturación. Así pues:
Número de trabajadores = 0,072 · 105 + 6,8 = 14,36
El coeficiente de determinación es R2 = rXY 2 = 0,92 = 0,81 y, por tanto, la fiabilidad

es bastante elevada.
Ejercicio 12
Las dos tablas siguientes muestran el grado medio de satisfacción de los ocupados
según el trabajo que realizan por edad y por el nivel de estudios en 2010. Los datos
han sido extraídos del Ministerio de Trabajo e Inmigración.10
NIVEL
GRADO DE SATISFACCIÓN EDAD GRADO DE SATISFACCIÓN
ESTUDIOS
1 7,05 [16,25) 7,33
2 7,09 [25,30) 7,39
3 7,21 [30,45) 7,37
4 7,23 [45,55) 7,30
5 7,50 [55,65) 10
7,43
6 7,55
Hay que decir que la variable Nivel de estudios ha sido convertida a numérica
discreta para ser graduable. Así la equivalencia es: 1 = menos que Primarios; 2 =
Primarios; 3 = Secundarios; 4 = Bachillerato; 5 = Formación Profesional y 6 =
Universitarios. Esta conversión se ha hecho a efectos didácticos.
a) Calcula el coeficiente de relación lineal de ambas parejas de variables. ¿En

de estudios.
Solución
a) Calcula el coeficiente de relación lineal de ambas parejas de variables. ¿En

10. En la tabla original el últímo intervalo es 55 años o más. Se ha cerrado el intervalo para poder hacer el ejercicio.
Edad y grado de satisfacción
Para calcular el coeficiente de correlación hay que hacer lo mismo que en los ejer-
cicios anteriores. Sin embargo, la variable Edad está agrupada y, por tanto, hay que
obtener previamente las marcas de clase.
Llamamos X = Edad y Y = Grado de satisfacción y calculamos los estadísticos

necesarios para obtener rXY .
Así, la tabla de la variable X en la que aparecen los intervalos y las clases, y donde
se muestran también los productos de los valores de cada variable, así como el
sumatorio es:
X ci Y xi · y j
[16,25) 20,5 7,33 150,265
[25,30) 27,5 7,39 203,225
[30,45) 37,5 7,37 276,375
[45,55) 50 7,3 365
[55,65) 60 7,43 445,8
1440,665
De la tabla podemos obtener los estadísticos que se necesitan:
X = 39,1 SX = 14, 413 i Y = 7,364 SY = 0,045
h k
xi y j ·ni j
Tenemos ∑∑n
. Para hacerlo hay que calcular los productos correspon-
i=1 j=1
Por lo tanto:
h k
xi y j ·ni j 20,5 · 7,33+ .....+ 60 · 7, 43 1440,665
∑∑ n
=
5
=
5
= 288,133
i=1 j=1

h k
x y ·n
SXY = ∑∑ i j i j − X · Y = 288,133 – 39,1 · 7,364 = 0,2006.
i=1 j=1 n
SXY 0,2006
De modo que rXY = = = 0,309
SX ·SY 14, 413 · 0,045
Como el coeficient rXY es tan cercano a 0, la relación lineal entre las dos variables
es débil.
Nivel de estudios y grado de satisfacción
Llamamos X = Nivel de estudios y Y = Grado de satisfacción y calculamos los

estadísticos necesarios para obtener rXY :
X = 3,5 S X = 1,708 y Y = 7,272 S Y = 0,190
h k
xi y j ·ni j
Tenemos ∑∑ n
. Para hacerlo hay que calcular los productos correspon-
i=1 j=1
Y por lo tanto,
h k
x y ·n 1 · 7,05 + .....+ 6 · 7,55 154,58
∑∑ i nj i j = 6
=
6
= 25,763
i=1 j=1
y consecuentemente, la covarianza es:

h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 25,763 – 3,5 · 7,272 = 0,311.
i=1 j=1 n
SXY 0,311
Por consiguiente, rXY = = = 0,96.
SX ·SY 1, 708 · 0,190
Como el coeficiente rXY es tan cercano a 1, la relación lineal entre las dos variables
es fuerte y tiene perfecto sentido calcular la recta de regresión.

de estudios.
Manteniendo la notación del apartado anterior, X = Nivel de estudios y Y = Grado

de satisfacción, el ejercicio pide la recta de regresión de Y sobre X. Hay que sus-
tituir los estadísticos calculados en el apartado anterior a la ecuación de la recta:
SXY 0,311
y −Y = ·(x − X) g y − 7,271 = ·(x − 3,5) g aislando la variable y me-
SX2
2,917
diante matemáticas elementales, obtenemos: Y= 0,107 X + 6,898.
Es decir,
La satisfación media en el trabajo = 0,107 · Nivel de estudios + 6,898.
Ejercicio 13
El grado medio de satisfacción medio de los ocupados según el trabajo que reali-
zan por nivel de ingresos y por sexo en el año 2010 se muestra en la tabla siguien-
te. Los datos han sido extraídos del Ministerio de Trabajo e Inmigración.11
GRADO GRADO
NIVEL
DE SATISFACCIÓN DE SATISFACCIÓN
DE INGRESOS
HOMBRES MUJERES
[0,600) 6,19 7,253
[600,1000) 6,83 7,234
[1000,1200) 7,28 7,339
[1200,1600) 7,39 7,61
[1600,2100) 7,60 7,768
[2100,3000) 7,82 7,682
[3000,4000)10 7,925 7,499

gresos y Grado de satisfacción en los hombres, y entre las variables Nivel
pueden obtener?
Solución

gresos y Grado de satisfacción en los hombres, y entre las variables Nivel
pueden obtener?
Si llamamos por X = Nivel de ingresos, Y = Grado de satisfacción medio en los

hombres y Z = Grado de satisfacción medio en las mujeres, se nos pide rXY y rXZ .
Para calcularlos hay que hacer lo mismo que en el ejercicio anterior, ya que la
variable X está agrupada en intervalos, siendo necesario obtener las marcas de
clase. Así:
11. En la tabla original el últímo intervalo es 3000 o más edad. Se ha cerrado el intervalo para poder hacer el ejercicio.
X ci Y Z
[0,600) 300 6,19 7,253
[600,1000) 800 6,83 7,234
[1000,1200) 1100 7,28 7,339
[1200,1600) 1400 7,39 7,61
[1600,2100) 1850 7,6 7,768
[2100,3000) 2550 7,82 7,682
[3000,4000) 3000 7,925 7,499
Nivel de ingresos y grado de satisfación en los hombres
De la tabla podemos obtener los estadísticos que se necesitan:
X = 1571, 429 SX = 889,565 y Y = 7,291 S Y = 0,562
h k
xi y j ·ni j
Ahora buscamos
n
∑∑ . Para hacerlo hay que calcular los productos co-
i=1 j=1
rrespondientes y hacer la suma.
Y por lo tanto,
h k
x y ·n 300 · 6,19 + .....+ 3000 · 7,925 83451
∑∑ i nj i j = 7
=
7
= 11921,571
i=1 j=1

h k
x y ·n
SXY = ∑∑ i j i j − X · Y = 11921,571 – 1571,429 · 7,291 = 464,283.
i=1 j=1 n
SXY 464,283
Así que rXY = = = 0,93.
SX ·SY 889,565 · 0,562
Como el coeficiente rXY es tan cercano a 1, la relación lineal entre las dos variables
es fuerte.
Nivel de ingresos y grado de satisfación en las mujeres
En este caso los valores de los estadísticos son: X = 1571,429 ;SSXX ==889,565
889,565
h k
xi y j ·ni j 83146,9
Z = 7,484;SSZz == 0,197
0,197 y ∑∑ = = 11878,129
i=1 j=1 n 7

h k
x y ·n
SXY = ∑∑ i j i j − X · Y = 11878,129 – 1571,429 · 7,484 = 117,554.
i=1 j=1 n
SXY 117,554
Y por lo tanto, rXY = = = 0,67.
SX ·SY 889,565· 0,197
Como el coeficiente rXY es menor que el anterior, se puede decir que el grado de
satisfacción medio en el trabajo está más relacionado con el sueldo para los hom-
bres que para las mujeres.

Manteniendo la notación del apartado anterior, X = Nivel de ingresos; Y = Grado

de satisfacción medio en los hombres, el ejercicio pide la recta de regresión de Y
sobre X. Hay que sustituir los estadísticos calculados en el apartado anterior en la
ecuación de la recta:
SXY 464,283
y −Y = ·(x − X) g y − 7,291 = ·(x −1571, 429) g aislando la va-
SX2
791325,889
riable y mediante matemáticas elementales, obtenemos: Y = 0,000587 X + 6,369.
Es decir:
La satisfación media en el trabajo = 0,000587 · nivel de ingresos + 6,369.
Ejercicio 14
2001-2010, según los datos han sido extraídos del Ministerio de Trabajo e Inmi-
gración, son las que se muestran en la tabla.
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Alicante 139 169 224 268 292 180 164 393 939 679
Castellón 49 59 55 76 88 59 58 291 939 777
Solución
Llamamos X = El número total de expedientes de regulación en Castellón Y = El

número total de expedientes de regulación en Alicante. Para saber si existe algún
tipo de relación lineal entre las variables hay que estudiar la covarianza, y para
saber el grado de esta relación lineal, el coeficiente de correlación.
Calculamos, pues, los estadísticos necesarios a partir de la tabla y de la misma

manera que hacíamos en la Unidad 1.
X = 344, 7 SX = 249,694 , Y = 245,1SY = 316,02 y
h k
xi y j ·ni j 1618965
∑∑ n
=
10
= 161896,5
i=1 j=1
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 161896,5 – 344,7 · 245,1 = 77410,53.
i=1 j=1 n
SXY 77410,53
SX ·SY 249,694 · 316,02
Como el coeficiente rXY es muy cercano a 1, existe una correlación lineal muy
fuerte entre ambas variables, aunque, como se puede observar, las dos distribu-
ciones marginales tienen mucha dispersión. Es decir, a pesar de que en las dos
variables las medias no sean representativas de los datos (valores muy altos de
la desviación típica) los datos en conjunto sí que se «amontonan» alrededor de
una recta. Este hecho se puede observar en el gráfico de dispersión que aparece a
continuación:
Manteniendo la notación del apartado anterior, de Y sobre X. Hay que sustituir los
estadísticos calculados en el apartado anterior a la ecuación de la recta:
SXY
y −Y = ·(x − X) g g aislando la varia-
SX2
ble y mediante matemáticas elementales, obtenemos: Y = 0,775 X + 154,713.
Es decir:
expedientes de Alicante = 0,775 · expedientes de Castellón + 154,713.
Ejercicio 15
La siguiente tabla muestra el número total de hipotecas firmadas, así como la tasa
de paro en España en el período 2004-2010, según datos extraídos del ine.
Hipotecas Tasa de paro

2004 1608497 8,1
2005 1798630 9,2
2006 1896515 8,3
2007 1780627 8,6
2008 1283374 13,9
2009 1082587 18,83
2010 961601 20,05
b) Calcula la recta de regresión lineal que relaciona el número de hipotecas
firmadas en función de la tasa de desempleo.
Solución
Llamamos Y = Número de hipotecas X = Tasa de paro. Para saber si existe algún

tipo de relación lineal entre las variables hay que estudiar la covarianza, y para
saber el grado de esta relación lineal, el coeficiente de correlación.
Calculamos, pues, los estadísticos necesarios a partir de la tabla y de la misma

manera que hacíamos en la Unidad 1.
X = 12, 426;SSXX == 4,812

4,812, Y = 1487404,429;SSYy = 347819,845
= 347819,845 y
h k
xi y j ·ni j 118134800,26
∑∑ n
=
7
= 16876400,037.
i=1 j=1
Y consecuentemente, la covarianza es:
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 16876400,037 – 12,426 · 1487404,429 = -1606087,405.
i=1 j=1 n
SXY - 1606087,405
SX ·SY 4,812 · 347819,845
Entre estas dos variables existe una relación lineal negativa, ya que la covarianza
es menor que cero. Además, como el coeficiente de correlación está muy cerca de
–1, la relación lineal es fuerte.
b) Calcula la recta de regresión lineal que relaciona el número de hipotecas

firmadas en función de la tasa de desempleo.
Manteniendo la notación del apartado anterior, de Y sobre X. Hay que sustituir los
estadísticos calculados en el apartado anterior a la ecuación de la recta:
SXY -1606087,405.
y −Y = ·(x − X) g y −1487404, 429 = ·(x −12, 426) g aislan-
SX2
23,155
do la variable y mediante matemáticas elementales, obtenemos:
Y= –69362,445 X + 2349302,166, que es la ecuación de la recta que se pide.
Ejercicio 16
La siguiente tabla muestra el número de horas extraordinarias totales en miles
(remuneradas y no remuneradas) realizadas en el conjunto de España, así como
las tasas de paro desde el primer trimestre de 2008 hasta el último trimeste del año
2010. Los datos han sido extraídos del ine.
Número total de Tasa de

Trimestres
horas extra paro
2010TIV 5574,9 20,33
2010TIII 5058,9 19,79
2010TII 6002,7 20,09
2010TI 6154,1 20,05
2009TIV 6493,2 18,83
2009TIII 6069 17,93
2009TII 7042 17,92
2008TIV 8398,4 13,91
2008TIII 8813,2 11,33
2008TII 9794,4 10,44
2008TI 10058,1 9,63
a) Halla, en su caso, la recta de regresión que explica el número de horas extras

en función de la tasa de desempleo.
de su fiabilidad.
Solución
a) Halla, en su caso, la recta de regresión que explica el número de horas extras

en función de la tasa de desempleo.
Llamamos X = Tasa de paro y Y = Número de horas extras. El ejercicio pide que

calculemos la recta de Y sobre X cuando sea pertinente, es decir, cuando las dos
variables estén fuertemente correlada. Por tanto, lo que hay que hacer primero es
calcular el coeficiente de correlación entre las dos variables para decidir si es o no
pertinente calcular la recta.
Para hallar el coeficiente de correlación hay que calcular algunos estadísticos, tan-
to de las distribuciones marginales como de la conjunta. así:
X = 16,386 ;SSX X==4,019
4,019; Y = 7223,536;SSYY = 1664
1664,837
,837 y
h k
xi y j ·ni j 1230502,401
∑∑ n
=
11
= 111863,855
i=1 j=1
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 111863,855 – 16,386 · 7223,563 = –6501,448.
i=1 j=1 n
SXY
SX ·SY
Como el coeficiente de correlación está muy cerca de –1, la relación lineal es fuer-
te y tiene sentido calcular la recta de regresión Y sobre X.
Calculamos:
SXY
y −Y = ·(x − X) g g aislando la va-
SX2
riable y mediante matemáticas elementales, obtenemos:
Y = –402,516 X + 13819,163, que es la ecuación de la recta de regresión.
de su fiabilidad.
Para calcular la estimación debemos sustituir la ecuación de la recta de regresión.

Sustituyendo X por 17,36 obtenemos:
Y = –402,516 17,36 + 13819,163 = 6831,485.
Para conocer la fiabilidad de esta predicción es preciso determinar el coeficiente

de determinación12 R2, el cual es, en las regresiones lineales, el cuadrado del coefi-
ciente de regresión. Por lo tanto, su valor es R2 = 0,9722 = 0,945, y la estimación
es fiable.
12. Revisar el ejercicio 11.
Ejercicio 17
2001-2010 en Cataluña y la Comunidad Valenciana, extraídos del Ministerio de
Trabajo e Inmigración son las que se muestran en la tabla, a excepción de los datos
del año 2005 que se han omitido.
Comunidad
AÑO Cataluña
Valenciana
2001 661 465
2002 724 494
2003 608 594
2004 565 619
2006 455 413
2007 470 487
2008 874 1286
2009 3964 3490
2010 3318 2810
Se sabe que el número de expedientes en 2005 en Cataluña fue de 512. Haz una
estimación, si conviene, del número de expedientes en la Comunidad Valenciana,
así como una medida del ajuste.
Solución
Llamamos X = Número de expedientes en Cataluña y Y = Número de expedientes

en la Comunidad Valenciana. Para obtener la estimación de los expedientes en la
Comunidad Valenciana a partir de los datos hay que construir la recta de regresión
Y sobre X, pero para que este cálculo sea provechoso, es necesario que las dos
variables estén fuertemente correlacionadas. Por lo tanto, lo que hay que hacer en
primer lugar es calcular el coeficiente de correlación.
Para hallar el coeficiente de correlación hay que calcular algunos estadísticos, tan-
to de las distribuciones marginales como de la conjunta. Así:
X = 1293,2 ; SSX X= 1269,838;

= 1269,838Y = 1184,2; SSYY ==1091,001
1091,001 y la covarianza:
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 2897179,67 – 1293,22 · 1184,22 = 1365722,682.
i=1 j=1 n
SXY 1365722,682
SX ·SY 1269,838 · 1091,001
Como el coeficiente de correlación está muy cerca de 1, la relación lineal es fuerte
y tiene sentido calcular la recta de regresión Y sobre X.
Calculamos:
SXY 1365722,682.
y −Y = ·(x − X) g y −1184,22 = ·(x −1293,22) g aislando la
SX2
1269,8382
variable y mediante matemáticas elementales, obtenemos:
Y = 0,847 X + 88,907
Para estimar el número de expedientes en la Comunidad Valenciana hay que sus-

tituir X por 512, de esta manera obtenemos Y = 0,847 · 512 + 88,907 = 522,571.

ciente de regresión. Por lo tanto, su valor es R2 = 0,9862 = 0,972, y la estimación
es fiable.
Ejercicio 18
En un museo se desea estudiar la repercusión que tienen las quejas realizadas
por los visitantes y los ingresos. Para realizarlo, se observaron las dos variables a
lo largo de las últimas diez semanas. Las visitas están expresadas en decenas de
asistentes.
Quejas 18 26 30 33 38 39 42 44 46 49
Visitas 107 105,5 105 104,4 104,3 104 103,7 103,4 103,1 103
Si la entrada al museo tiene un coste de 3,6 euros, estima los ingresos del museo si
en una semana se hubieran producido 43 quejas.
Solución
El ejercicio pide que estimemos los ingresos según las quejas. Pero es evidente que
los ingresos dependen del número de visitas, por lo tanto, lo que tenemos que averi-
guar es si existe algún tipo de relación lineal entre el número de quejas y el número
de visitas. Si efectivamente esta se produce, entonces podremos encontrar la
recta de regresión entre el número de visitas y el de quejas y, con posterioridad, se
podrán estimar los ingresos.
Así pues, en primer lugar hay que calcular el coeficiente de correlación entre las dos
variables X = Número de quejas y Y = Visitas para saber si están correlacionadas.
Hacemos los cálculos necesarios:
X = 36,5; SSXX = 9,211

9,211; Y = 104,34 ;SSY y==1,166
1,166 y la covarianza:
h k
xi y j ·ni j
SXY = ∑∑ − X · Y = 3797,82 – 36,5 · 104,34 = –10,59.
i=1 j=1 n
SXY
Y por tanto, rXY = = = – 0,986.
SX ·SY
Como el coeficiente de correlación está muy cerca a –1, la relación lineal es fuerte
y tiene sentido calcular la recta de regresión Y sobre X.
Calculamos:
SXY
y −Y = ·(x − X) g g aislando la variable y
SX2
mediante matemáticas elementales, obtenemos:
Y = 0,125 X + 108,866.
Para estimar el número de visitas cuando cuando se producen 43 quejas hay úni-
camente sustituir X por 43. De esta manera obtenemos Y = 0,125 · 43 + 108,866 =
114,241.
Para conocer la fiabilidad de esta predicción es preciso determinar el coeficien-

te de determinación14 R2, el cual es, en las regresiones lineales, el cuadrado del
coeficiente de regresión. Por lo tanto su valor es R2 = 0,9862 = 0,972. Por tanto, la
estimación es fiable.
Finalmente, los ingresos estimados son 3,6 euros multiplicado por el número de
visitas estimadas. Es decir, 3,6 · 1088,66 = 3919,176 euros.
Ejercicio 19
La siguiente tabla muestra el número de personas ocupadas distribuidas atendien-
do el sueldo neto de la actividad principal que desarrollan (en centenas de euro) y
el nivel de estudios que tenían en 2010, según datos recogidos del Ministerio de
Trabajo y de Inmigración. Hay que decir, sin embargo, que la variable nivel de
estudios ha sido convertida a numérica discreta para ser graduable. Así, la equiva-
lencia es: 1 = menos que Primarios; 2 = Primarios; 3 = Secundarios; 4 = Bachi-
llerato; 5 = Formación Profesional y 6 = Universitarios. Esta conversión se ha
hecho a efectos didácticos.
SUELDO
Nivel de
[0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30, 40)
estudios
1 8,75 21,67 15,00 7,93 5,65 0,74 1,56
2 293,18 790,92 601,61 472,64 92,82 56,30 3,77
3 538,08 1551,52 1226,20 1098,34 340,72 74,78 13,56
4 323,39 670,29 607,31 709,62 313,35 142,00 53,20
5 303,28 801,87 843,80 982,42 444,90 183,90 50,73
6 164,47 439,26 619,51 1155,75 1230,07 919,40 282,14
a) ¿Están relacionadas linealmente el sueldo y el nivel de estudios?

tuviera un nivel de estudios equivalente a 4,5 así como su fiablidad.
Solución
a) Están relacionadas linealmente el sueldo y el nivel de estudios?
Llamamos X = Nivel de estudios y Y = Sueldo. Debemos calcular el coeficiente de

correlación entre ambas variables para saber si las dos variables están linealmente
relacionadas y con qué grado.
Para hacer estos cálculos hay que tener presente que la variable Y está agrupada en
intervalos y necesitamos las marcas de clase, y que cada dato bivariante tiene una
frecuencia absoluta superior a 1. Este último hecho puede complicar los cálculos,
por eso es conveniente seguir un criterio a la hora de hacerlos. Nosotros lo hare-
mos en la tabla de doble entrada:
- UJI - DOI: http://dx.doi.org/10.6035/Sapientia100
Y
X [0, 6) [ 6,10) [10,12) [12,16) [16,21) [21,30) [30, 40)
Marcas--> 3 8 11 14 18,5 25,5 35 n.j
Problemas resueltos de estadística aplicada a las ciencias sociales

1 8,75 21,67 15 7,93 5,65 0,74 1,56 61,3
2 293,18 790,92 601,61 472,64 92,82 56,3 3,77 2311,24
3 538,08 1551,52 1226,2 1098,34 340,72 74,78 13,56 4843,2
4 323,39 670,29 607,31 709,62 313,35 142 53,2 2819,16
5 303,28 801,87 843,8 982,42 444,9 183,9 50,73 3610,9
P. Juan Verdoy / M. J. Beltrán / M. J. Peris - ISBN: 978-84-15444-38-1 148

6 164,47 439,26 619,51 1155,75 1230,07 919,4 282,14 4810,6
ni . . 1631,15 4275,53 3913,43 4426,7 2427,51 1377,12 404,96 18456,4
6006,13 15584,14 15262,12 18933,31 12071,77 7341,58 2209,07
18018,4 124673,12 167883,32 265066,3 223327,75 187210,29 77317,5 1063496,7
De la manera natural se calculan los estadísticos de las distribuciones marginales:
1,412 Y = 12,913S
X = 4,194; SSX ==1,412; ; SY Y==6,6,478.
478 Para calcular la covarianza hay que
hacer los productos de cada valor por su correspondiente y luego hacer la suma.
Así, el procedimiento que empleamos es el siguiente: la fila con ∑ xi · ni1 se ob-
tiene multiplicando cada fila por su frecuencia conjunta, por ejemplo, 6006,13
= 1 · 8,75 + 2 · 293,18+ ... + 6 · 164.47. La fila y1 ∑ xi · ni1 se obtiene multipli-
cando cada resultado por el valor de la primer columna; por ejemplo, 18018,4
h k
xi y j ·ni j 1063496,7
= 6006,13 · 3. Así, ∑∑ = = 57,622. Como consecuencia, la
i=1 j=1 n 18456, 4
h k
xi y j ·ni j
covarianza es: SXY = ∑∑ − X · Y = 57,622 – 4,194 · 12,913 =3,465.
i=1 j=1 n
SXY 3,465
Y por lo tanto, rXY = = = 0,38, el cual es muy bajo, y por eso
SX ·SY 1,412 · 6,478
la relación es muy débil y no tendría mucho sentido hacer la recta de regresión.
tuviera un nivel de estudios equivalente a 4,5, así como de su fiablidad.
Como se ha comentado en el apartado anterior, el coeficiente de correlación es

muy bajo y, por tanto, carece de sentido hacer la recta de regresión. No obstante,
la calcularemos para fines didácticos.
Debemos calcular la recta Y sobre X. Entonces:
g g aislando la variable y
mediante matemáticas elementales, obtenemos:
Y = 1,738 X + 5,622.
Para estimar el sueldo de una persona con un nivel de estudios de 4,5: Y = 1,738 ·
4,5 + 5,622 = 13,443 miles de euros.

ciente de regresión. Por lo tanto su valor es R2 = 0.382 = 0,144, y la estimación es
poco fiable.
UNIDad 3
Números índice
ciones de conceptos que necesitaremos para alcanzar los objetivos de esta unidad
(referencias bibliográficas 7, 11 y 18).
Índice simple
Los índices, calculados a partir de una serie de datos de una magnitud y en un
período t que denotaremos por xit, nos permitirán evaluar, en términos relativos o
porcentajes, la evolución de los datos de la serie por períodos. Así:
xit
I it−1
t
=
xit−1
Índice complejo
Hablaremos de índice complejo cuando queramos estudiar la evolución de una
magnitud compleja, porque nos interesa aglutinar en una sola, la diversidad de dis-
tintas magnitudes simples. En un ejemplo para analizar la producción de cereales
en cierta comunidad (magnitud compleja) necesitamos los datos de maíz, trigo,
avena, etc. (que serían las magnitudes simples).
Dentro de los índices complejos, nosotros trabajaremos con índices ponderados. Ve-
remos en los ejercicios las fórmulas de los índices de precios y cantidades de Laspe-
yres y Paasche, con la intención de analizar las razones que justifican la utilización
del índice de Laspeyres de precios en el cálculo oficial del ipc en Europa. Así:
Índice de precios por Laspeyres
Para calcular estos índices, empezaremos por conocer y deducir la fórmula que se
empleará. Hemos reducido su cálculo a tres artículos, pero no olvidemos que este
cálculo se extiende a la totalidad de artículos representativos del consumo de las
familias en un país (Véase ecpf).
donde t es el año actual y 0 será el año que tomaremos como referencia en la com-
paración. Si se trata de índices encadenados podríamos decir años t-1 y t.
pit será el precio del artículo y el año t
pi 0 será el precio del artículo y el año 0
qit será la cantidad del artículo y el año t
qi 0 será la cantidad del artículo y el año 0
es una media ponderada donde el «peso» de cada artículo, ppi0i0 ⋅⋅qqi0i0 , es el valor del
artículo en la «cesta de la compra» del año de referencia y permanecerá constante
a lo largo del período, mientras no se cambia la base. Un inconveniente de este
método es que si la importancia de los artículos en los hábitos de consumo cambia
mucho, estos coeficientes quedan desfasados.
Índice de cantidades por Laspeyres
En este caso se estudia la evolución de las cantidades demandadas y para la ponde-

ración se utilizan los mismos coeficientes de la fórmula anterior ppi0i0 ⋅⋅qqi0i0 :
Índice de precios por Paasche
es una media ponderada donde el «peso» de cada artículo, pi0 ⋅ qit , intenta mejorar
la propuesta de Laspeyres, evitando en cierto modo el desfase, ya que recoge la
importancia del artículo al considerar la cantidad en el período por comparar. Pre-
senta otros inconvenientes.
Índice de cantidades por Paasche
Esta propuesta, como analiza la evolución de las cantidades, considera como

coeficiente pi0 ⋅ qit que indica el «peso» de cada artículo, y el precio del año t para
actualizar la importancia del artículo.
Índices encadenados
Para calcular el incremento de una serie en un período más largo, podemos utilizar
los índices previamente conocidos de los períodos que internamente conforman el
período total. Así:
I tm = I t ⋅ I t+1 ⋅ I t+2 ⋅...⋅ I m−2 ⋅ I m−1

t+1 t+2 t+3 m−1 m
Incremento medio
En cierto período largo que incluye varios períodos menores internamente, pode-
mos conocer los incrementos de los períodos menores, uno a uno, consecutiva-
mente y observar entre ellos acusadas diferencias en signos (aumentos y disminu-
ciones) o en magnitud. Para calcular el incremento medio de todos ellos podemos
hacer la raíz del producto de estos índices, teniendo en cuenta que el índice de la
raíz coincide con el número de índices considerados. Así:
m-t I tt+1 ⋅ I t+1

t+2
⋅ I t+2
t+3
⋅...⋅ I m−2
m−1
⋅ I m−1
m
Canvio de base en el ipc
Por razones que habrá que profundizar en la teoría, en ciertos momentos había que
hacer un cambio en el año de referencia del cálculo oficial del ipc y se empezaba a
obtener la nueva serie de este índice, comenzado de nuevo con el valor 100. Dire-
mos que se hacía un «cambio de base».
A menudo, como podremos ver en los ejercicios propuestos, es necesario utilizar

en un mismo cálculo el valor del ipc de años que corresponden a períodos de bases
diferentes y necesitaremos trabajar con todos los valores del ipc referidos a una
misma base. Estos datos los podrás encontrar fácilmente en la página web del ine,
pero en los ejercicios podremos ver cómo se puede encontrar el enlace técnico que
permite unificar la base de las dos series.
Para obtener los valores del ipc del año «y» en base B hemos multiplicado el ipc
IPC BB
del año «y» en base A por la fracción B
el valor de la que se lo que denomi-
naremos «enlace técnico». IPC A
Sería interesante profundizar en los mecanismos del cálculo del ipc por el ine y
los cambios metodológicos introducidos en los últimos años a partir del 2000 y el
proceso de armonización con Europa.
http://www.ine.es/daco/daco43/metoipc06.pdf
Actualización de un valor
Utilizando los valores del ipc, podemos conocer el valor actualizado de una renta,
de un alquiler, de un sueldo, de un bien, etc. Tan solo hemos considerado que esta
operación la podremos hacer siempre y cuando los períodos iniciales y finales por
considerar estén ambos antes o después de enero de 2002. En otro caso, habrá que
recurrir a un índice lau que se puede encontrar en el ine:
IPC mes final

Valor actualizado = Valor inicial ×
�
IPC mes inicial
Pérdida o gananacia del poder adquisitivo
Se puede decir que nosotros ganamos poder adquisitivo (capacidad de compra de

bienes de consumo) si el salario que percibimos este año está por encima de lo que
ingresaríamos si nuestro salario hubiera sido incrementado en el mismo porcentaje
que aumentan los precios de estos bienes. Podríamos razonar de la misma mane-
ra para definir la pérdida de poder adquisitivo cuando nuestro salario queda por
debajo de lo que tendríamos si la hubieran incrementado con el mismo porcentaje
que los precios.
El incremento de estos precios está reflejado en el ipc que publica el ine cada mes.
Nosotros tomaremos la media anual general de este índice que podremos encon-
trar fácilmente en la web de este organismo.
Ahora bien, como hacemos un análisis en términos relativos y damos el resultado

en porcentajes, veamos en la siguiente expresión, cómo el salario concreto del que
partimos no es necesario en el estudio de la evolución del poder adquisitivo:
Ganancia o pérdida del poder adquisitivo
= =
La pérdida o ganancia del poder adquisitivo, pues, se calcula a partir de la compa-

ración de los incrementos anuales del salario (Δsalario) y del ipc (ΔIPC) paralelamente.
A tal fin, comenzaremos por calcular los índices «encadenados» de los salarios,
que nos permitirán averiguar los incrementos salariales anuales, y a partir de los
valores del ipc publicados en el ine podremos hacer lo mismo.
Deflactar una serie o pasarla a temas reales
Para estudiar el análisis de una magnitud económica en términos reales, es nece-

sario transformar los valores originales en términos corrientes mediante los ipc
que convengan, para convertir todos los valores de la serie en los equivalentes
referidos a un mismo año que denominaremos año de referencia. Esta operación
es llamada deflactación de la serie.
Con esta operación, le hemos «eliminado» a la serie original, el efecto de la infla-

ción y podremos analizar «en términos reales» su evolución como tal magnitud,
salvo las influencias de los devenires de la economía general que se reflejan en las
variaciones del índice de precios.
Objetivos
3a) Saber calcular los números índices simples de una serie de valores para
estudiar la evolución de una magnitud a lo largo del tiempo.
3b) Interpretar el valor del índice para conocer el incremento porcentual de la
magnitud en el período indicado y viceversa.
3c) Saber calcular índices con la misma base de referencia y también índices
encadenados.
3d ) Calcular el incremento total y medio de una serie en cierto período, así
como los índices correspondientes, tanto si conocemos los términos de una
serie como si conocemos sus incrementos porcentuales por períodos.
3e) Conocer y calcular el enlace para cambiar de base los índices.
3f ) Conocer las fórmulas de Laspeyres y Paasche como índices complejos.
3g) Actualizar el valor de un bien utilizando los valores del ipc.
3h) Deflactar una serie utilizando el ipc.
3i) Conocer el concepto de términos monetarios nominales (moneda corriente)
y términos reales (moneda constante) en una serie económica para evaluar
su evolución.
3j) Hacer previsiones de los valores de una serie para datos inmediatos.
3k) Saber calcular las variaciones del poder adquisitivo de un salario, en fun-
ción de las variaciones del salario y del ipc.
ejercicios:
Objetivos
3a 3b 3c 3d 3e 3f 3g 3h 3i 3j 3k
Ejercicio
1 x x x x x
2 x x x x x
3 x x x x x
4 x
5 x
6 x
7 x x x x
8 x
9 x
10 x x x x x x x x
Enunciados
3a) Saber calcular los números índi-
ces simples de una serie de valores
para estudiar la evolución de una
magnitud a lo largo del tiempo.
3b) Interpretar el valor del índice para
conocer el incremento porcentual
de la magnitud en el período indi-
cado y viceversa.
3c) Saber calcular índices con la mis-
ma base de referencia y también
índices encadenados.
3d) Calcular el incremento total y me-
dio de una serie en cierto período,
así como los índices correspon-
dientes, tanto si conocemos los
términos de una serie como si co-
nocemos sus incrementos porcen-
tuales por períodos.
3j) Hacer previsiones de los valores de
una serie para datos inmediatos.
Ejercicio 1
A continuación presentamos el volumen total de alumnos matriculados en la Uni-
versitat Jaume I en los últimos años.
Número total de alumnos matriculados

Curso 2005/2006 12676
Curso 2006/2007 12928
Curso 2007/2008 13159
Curso 2008/2009 13210
Curso 2009/2010 13904
Curso 2010/2011 14702
a) Calcula los índices para cada año, tomando como año de referencia el 2005
(hará referencia al curso 2005-2006). Interpreta el resultado.
b) Calcula los índices encadenados de esta serie. Interpreta los resultados.
c) Calcula el incremento total e incremento medio anual de este período, a par-
tir de las cantidades originales y de los índices encadenados.
d) Haz previsiones para la matrícula del curso 2011/2012 y 2012/2013 si con-
sideramos que no habrán cambios significativos en su comportamiento.
3a) Saber calcular los números índices
simples de una serie de valores
cado y viceversa.
Ejercicio 2
En la siguiente tabla se muestran los datos del ini que hacen referencia al total de
visitantes a los parques nacionales de España, en los años que hacemos referencia.
Naturaleza y biodiversidad
Zonas protegidas
Número de visitantes por nacionalidades y período
Unidades: número de personas
Total
2000 10252799
2001 10002517
2002 9661493
2003 10296382
2004 11134880
2005 10743480
2006 10979470
2007 10864738
2008 10222818
2009 9952606
Fuente: Ministerio de Medio Ambiente y Medio Rural y Marino.
Red de parques Naturales.
Copyright ine 2011
e interpreta el resultado.
tir de las cantidades originales y de los índices encadenados.
d) Haz previsiones del número de visitantes de los parques considerados para
los años 2010, 2011 y 2012, si consideramos que no hubiera cambios signi-
ficativos en el comportamiento de la afluencia.
Fuente: ine


simples de una serie de valores
cado y viceversa.
Ejercicio 3
A continuación presentamos las variaciones porcentuales del volumen de ventas
de cierta superficie comercial, en los últimos años.
Año Variaciones del volumen de ventas (%)

2006 –3,13
2007 –2,15
2008 +2,12
2009 +3,15
2010 +4,12
2011 +4,31
a) Calcula los índices de las ventas de cada año, tomando como referencia el
año 2005 y los índices encadenados.
b) Calcula la variación o incremento medio anual y total de las ventas en este
período.
c) Estima las ventas de los dos años siguientes si suponemos que no hay cam-
bios significativos en el comportamiento de las ventas en estos años.
3e) Conocer y calcular el enlace para

cambiar de base los índices.
Ejercicio 4
A continuación presentamos los valores del índice de precios al consumo, ipc, que
podemos consultar en la página del ine, y que hace referencia a los datos en base
a 2001 y 2006.
Por razones que habrá que estudiar en la teoría, en ciertos momentos hay que hacer
un cambio en el año de referencia y se empieza a obtener la nueva serie del ipc, co-
menzado de nuevo con el valor 100. Diremos que ha habido un «cambio de base».
A menudo, como podrás ver en ejercicios posteriores, hay que utilizar en un mis-
mo cálculo el valor del ipc de años que corresponden a períodos de bases diferen-
tes y necesitaremos trabajar con todos los valores del ipc referidos a una misma
base. Estos datos los podrás encontrar fácilmente en la página web del ine, pero
en este ejercicio vamos a ver cómo se calculan los valores de las casillas que están
sombreadas en gris.
En primer lugar, presentamos la tabla de los valores del ipc desde el año 2002 al
2006 en base 2001.
Índice de Precios al Consumo

Medias anuales. Base 2001
Nacional por general y Grupos coicop

Unidades: Índices y tasas
General
Media anual
2006 117,624
2005 113,63
2004 109,927
2003 106,684
2002 103,538
Y a continuación, los datos de los valores del ipc desde el año 2006 al 2010 en base
2006, aunque están añadidos los valores de las casillas grises que corresponden a
los valores obtenidos «a posteriori» para facilitar los trabajos de cálculo referidos
a períodos de diferentes bases.
Índice de Precios al Consumo

Índices nacionales: general y de grupos coicop

Unidades: Base 2006 = 100
General
Media anual
2010 108,588
2009 106,668
2008 106,976
2007 102,787
2006 100
2005 96,604
2004 93,456
2003 90,699
2002 88,024
Explica cómo se han obtenido los datos de las casillas sombreadas en gris, averi-
guando el valor del enlace.
Fuente: ine
3f) Conocer las fórmulas de Laspeyres

y Paasche como índice complejos.
Ejercicio 5
Calcular los índices de precios y cantidades de los artículos A, B y C mediante la
fórmula de Laspeyres y Paasche, de los años 2008, 2009 y 2010 en función del
año 2008, utilizando los datos de las siguientes tablas donde están indicadas las
cantidades qi y precios pi que hay que conocer.
2008 2009 2010
Precio Cantidad Precio Cantidad Precio Cantidad

pi qi pi qi pi qi
Art. A 12 100 14 112 15 115
Art. B 10 50 8 65 7 72
Art.
5 20 10 10 15 5
C
3g) Actualizar el valor de un bien, uti-

lizando los valores del ipc.
Ejercicio 6
Supongamos que compramos una vivienda por 16.125.000 ptas. en diciembre de
1998 y la hemos vendido en diciembre de 2006 por un valor de 240.000 euros.
Averigua el porcentaje de beneficios o pérdidas que hemos tenido en la operación.
Nota: Para realizar las operaciones consultaremos los valores del ipc que necesi-
tamos en la página web del ine. www.ine.es (sería interesante calcular este incre-
mento con el ipc general y con el ipc del grupo de la vivienda).
El cambio de moneda que consideraremos se 1 € = 166,386 ptas.

3i) Conocer el concepto de términos
monetarios nominales (moneda co-
rriente) y términos reales (moneda
constante) en una serie económica
para evaluar su evolución.
3k) Saber calcular las variaciones del
poder adquisitivo de un salario, en
función de las variaciones del sala-
rio y del ipc.
Ejercicio 7
En la siguiente tabla mostramos los datos de los impuestos municipales de cierta
vivienda en los últimos años.
Importe impuesto municipal
Año
(términos nominales)
2006 503,24
2007 515,65
2008 536,73
2009 578,84
2010 584,42
Para analizar su evolución:
a) Deflactar la serie, convirtiéndola en monedas constantes del año 2006.

b) Calcula los índices que nos permitirán estudiar su evolución año por año, en
términos reales o monedas constantes del año 2006. Interpreta los resultados.
c) Calcula el incremento total e incremento medio en el período en términos reales.
d ) Suponiendo que los impuestos sigan este comportamiento, averigua el valor,
en términos nominales o monedas corrientes para los años 2011, 2012 y 2013.
Nota: Para resolver este ejercicio utilizaremos los valores de la media anual del ipc
general que necesitamos, obteniéndose de la página web del ine. www.ine.es

función de las variaciones del sa-
lario y del ipc.
Ejercicio 8
En la tabla siguiente se indica el valor de la nómina mensual de un trabajador en
los últimos años.
Estudia la pérdida o ganancia de su poder adquisitivo para cada año y de todo el

período global, considerando los valores de la media anual del ipc general que
puedes encontrar en la página del ine.
Año Nómina mensual (€)
2007 2034,75
2008 2062,13
2009 2218,61
2010 2253,67
2011 2181,75
función de las variaciones del sa-
lario y del ipc.
Ejercicio 9
En las tablas siguientes se presentan los valores del ipc y el incremento salarial de
un trabajador en los años que se indica en cierta comunidad.
Incremento salarial anual (%)

Años ipc Años
Anual ipc
2008 115,1 2008
2009 119,2 2009 1,8
2010 121,6 2010 2,7
2011 123,8 2011 1,7
a) Calcula el incremento medio y total del salario en el período 2008-2011.

b) Calcula el incremento anual, medio y total del ipc en el período 2008-2011.
c) Si suponemos que las condiciones económicas de la comunidad no varían,
realiza una previsión del valor del ipc para el año 2013.
d) Estudia para cada año y para el período total la pérdida o ganancia del poder
adquisitivo y realiza una interpretación de los datos obtenidos.
simples de una serie de valores para
estudiar la evolución de una magni-
tud a lo largo del tiempo.
conocer el incremento porcentual de
la magnitud en el período indicado y
viceversa.
3c) Saber calcular índices con la misma
base de referencia y también índices
encadenados.
3d) Calcular el incremento total y medio de
una serie en cierto período, así como
los índices correspondientes, tanto si
conocemos los términos de una serie
como si conocemos sus incrementos
porcentuales por períodos.
3e) Conocer y calcular el enlace para
cambiar de base los índices.
3i) Conocer el concepto de términos mo-
netarios nominales (moneda corrien-
te) y términos reales (moneda cons-
tante) en una serie económica para
evaluar su evolución.
Ejercicio 10
Para hacer un estudio de la evolución del precio de cierto modelo de ordenador en
términos reales, disponemos de los datos que presentamos en la tabla siguiente:
a) Calcula el incremento anual, medio y total del precio del ordenador en tér-
minos reales.
b) Si seguimos esta evolución, estima el precio que podría tener el ordenador
en 2008.
c)
2000 2001 2002 2003 2004
ipc base 1992 131 135 139
ipc base 2002 103 106 109
1300 1275 1250 1100 950
Nota: Debemos recurrir a períodos y valores muy antiguos o imaginados para tra-
bajar el objetivo del cambio de base del ipc, debido a que con la nueva metodología
del cálculo del ipc por el ine esta circunstancia se ha superado, pero es importante
que el alumno conozca este contenido para advertir la necesidad de no trabajar en
series de ipc no adecuadas en un mismo ejercicio.
Ayudas
excesivo de estas ayudas, es decir, antes de emplearlas hay que pensar el problema
al menos durante unos 10-15 minutos. Después se consultará la ayuda de tipo 1 y
se intentará resolver el ejercicio con esta ayuda. Si no es posible resolverlo, enton-
ces se consultará la ayuda de tipo 2; y en último término la solución.
Ayudas Tipo 1
Ejercicio 1
En el apartado a) hay que calcular los índices en base 2005, comparando de mane-
ra porcentual cada valor de la lista con 12.676.
En el apartado b) hay que hacer lo mismo que en el apartado anterior pero compa-
rando cada valor de la lista con la anterior, utilizando e interpretando los índices
correspondientes.
En el apartado c) hay que comparar el primer y último valor de la lista para el

incremento total y calcular después la raíz correspondiente para calcular el incre-
mento medio anual.
Hay que decidir el índice de esta raíz, en función del número de años que consi-
deramos en el período.
d ) Para hacer previsiones de la matrícula para los cursos venideros, utilizare-

mos el incremento medio anual que hemos obtenido en el apartado anterior.
Ejercicio 2
Todos los apartados de este ejercicio son iguales que los del ejercicio anterior
excepto en un aspecto: el primer ejercicio, los valores de la magnitud siempre cre-
cían, mientras que en este segundo ejercicio algunos valores aumentan y en otros
disminuyen a lo largo del período considerado.
Ejercicio 3
En este ejercicio, a diferencia de los dos anteriores, no conocen los valores de la
magnitud que queremos estudiar. En el enunciado nos dan los porcentajes de creci-
miento o decrecimiento directamente. Es necesario que convirtamos esta informa-
ción directamente en índice. Por ejemplo, puedes rellenar la siguiente tabla para
hacer el apartado a) y resolver el resto de apartados como lo has aprendido los
ejercicios 1 y 2.
Variaciones del Índices

Año
volumen de ventas (%) Encadenados
2006 -3,13 2006

I 2005 = 0,9687
2007 -2,15 2007

I 2006 =
2008 +2,12 2008

I 2007 = 1,0212
2009 +3,15 2009

I 2008 =
2010 +4,12 2010

I 2009 =
2011 +4,31 2011

I 2010 =
Es interesante aprender a calcular los índices en base 2005 a partir de los índices
encadenados de la tabla anterior. Por ejemplo:
I 2005
2007
= I 2005
2006
⋅ I 2006
2007
= 0,9687 · 0,9785 = 0,9479
Y así sucesivamente...
I 2005
2008
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
= ...
I 2005
2009
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
= ...
I 2005
2010
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
⋅ I 2009
2010
= ...
I 2005
2011
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
⋅ I 2009
2010
⋅ I 2010
2011
= ...
En el apartado b) nos piden el incremento total, que ya hemos encontrado en la

última línea, y el incremento medio anual mediante el cálculo de la raíz sexta del
índice que acabamos de nombrar.
En el apartado c) hay que hacer una reflexión. Explicar por qué no es posible hacer
la previsión que nos piden.
Ejercicio 4
En este ejercicio nos piden un estudio de cómo se hace un cambio de base en la se-
cuencia de valores del ipc. Recordar que este cálculo es necesario hacerlo siempre
que necesitamos utilizar en una misma operación valores del ipc que corresponden
a años que se han calculado con diferentes bases. También hablaremos del enlace
técnico que permite hacer directamente esta transformación.
Hay que comprender que tan solo se plantea una proporcionalidad (regla de tres)
que se mantiene entre la secuencia de valores de la serie de una base y la serie
obtenida con la base nueva. También hay que considerar que en el año que se
hace el cambio de base, se calcula el ipc con la vieja y nueva base y se plantea la
equivalencia.
Veamos el planteamiento del primer año que hay que resolver:
2002 2002
IPC2001 = 103,538 g IPC2006 = x
2006 2006
IPC2001 = 117,624 g IPC2006 = 100
Los datos marcados en rojo serán los términos necesarios para definir el enlace
técnico.
Ejercicio 5
Para resolver este ejercicio es necesario conocer las fórmulas que hay que emplear,
y que puedes consultar en un manual de teoría sobre los índices de precios y can-
tidades.
Índice de precios de Laspeyres
Índice de cualidades de Laspeyres
Índices de precios de Paasche
Índice de cantidades de Paasche
paración. Si se trata de índices encadenados podríamos decir años t-1 y t.

pi 0 será el precio del artículo y el año 0
qi 0 será la cantidad del artículo y el año 0
Ejercicio 6
En este ejercicio en primer lugar, es necesario actualizar la moneda. Nosotros lo
hemos resuelto aplicando el cambio y convirtiendo la cantidad de compra en euros.
Para actualizar el valor, es necesario conocer el valor del ipc del momento de com-
pra y venta en la misma base y operar convenientemente.
Ejercicio 7
En este ejercicio aprenderemos a estudiar el análisis de una magnitud económica
en términos reales.
En el apartado a) hay que transformar los valores originales mediante el ipc para
convertir todos los valores en los equivalentes del año 2006. Esta operación se
llama deflactación de la serie.
En el apartado b) calcularemos los índices encadenados con los datos transforma-

das del apartado anterior.
El apartado c) se calcula como los ejercicios 1 y 2. Es recomendable utilizar los

valores primero y último de la lista del apartado a).
El apartado d ) incluye diferentes cálculos que indicamos a continuación. Recuer-

da que para hacer previsiones hacia el futuro hacemos la hipótesis de que las mag-
nitudes evolucionan al ritmo del incremento medio anual que tomamos para hacer
los cálculos.
Hay que hacer las previsiones de los impuestos en términos reales, multiplicando
la última fecha conocida en términos reales y multiplicándola por el incremento
medio anual tantas veces como años pasen.
Hay que hacer también las previsiones del ipc de los años venideros, aplicando a la
última fecha publicada el incremento medio anual obtenido de los ipc de los años
considerados.
También necesitamos convertir las previsiones de los resultados anteriores en tér-

minos reales, en términos relativos o monedas corrientes utilizando los valores del
ipc del año base y las estimaciones del ipc de los años venideros.
Ejercicio 8
En este ejercicio vamos a calcular la pérdida o ganancia de poder adquisitivo de un
salario del que conocemos los valores.
También hay que obtener los valores del ipc de los mismos años de la web del ine.
Con las dos listas hay que calcular los incrementos anuales mediante los índices
encadenados.
Recuerda que para calcular las variaciones del poder adquisitivo es necesario ha-
cer esta operación:
Ganancia o pérdida (1 + Δsalari)

de = ---------------
poder adquisitivo (1 + ΔIPC)
Luego se completa la tabla con la columna equivalente, calculada con los datos
inicial y final del período.
Acabaremos con esta tabla completada, donde ya hemos indicado los incrementos
anuales antes mencionados:
2008 2009 2010 2011 TOTAL
Incremento salarial +1,4 % +7,6 % +1,6 % -3,2 %
Incremento ipc +4,1 % -0,3 % +1,8 % +2,1 %

Pérdida o ganancia
poder adquisitivo

Ejercicio 9
Para hacer este ejercicio solo tienes que hacer el mismo esquema del ejercicio 8.
Ejercicio 10
Para empezar hay que hacer un cambio de base y encontrar todos los valores del
ipc en la misma base. Llenaremos la tabla con los nuevos valores encontrados, tal
como se hizo en el ejercicio 4.
2000 2001 2002 2003 2004
ipc base 1992 131 135 139
ipc base 2002 103 106 109
minos reales.
Dado que el análisis del precio del ordenador nos lo piden en términos reales,
primero es necesario hacer la conversión del precio de la computadora en moneda
constante del año 2000 (deflactación de la serie de precios de la computadora).
Podemos ayudarnos de las siguientes tablas para dar los resultados de cada año
con más claridad.
Precio ordenador Precios ordenador

Año
(términos nominales) (términos reales 2000)
2000 1300 1300
IPC1992
2000
2001 1275 1275 ⋅ =

IPC1992
2001
............................
IPC1992
2000
2002 1250 1250· =

IPC1992
2002
2003 1100
2004 950
Para calcular el incremento anual del precio del ordenador en términos reales,
operamos en la tabla siguiente mediante índices encadenados.
Precio ordenador Precio ordenador
Interpretación:
Año (términos (términos reales Índice
Incremento anual
nominales) 2000)
2000 1300 1300 -----
....... Ha disminuido un
2001 1275 1237,2
.........%
2002 1250 1178,06
2003 1100 1007,34
2004 950 846,02
Y finalmente, con los datos de la tabla, calcularemos el incremento total y medio

del período.
b) Si seguimos esta evolución, estimamos el precio que podría tener el ordena-

dor en 2008.
Para hacer este apartado, consideremos que nos piden la estimación en términos
corrientes del precio, suponiendo que no varía el comportamiento del ipc ni la evo-
lución del precio del ordenador en términos reales, que hemos analizado en el
apartado anterior.
Para hacer estas estimaciones necesitamos el incremento medio de las dos series y
con estos datos, podremos estimar el valor del ipc el año 2008.
Haremos las mismas operaciones con la serie de los precios de los ordenadores
en términos reales y, por último, hay que pasar el resultado a términos corrientes en
moneda del año 2008.
Ayudas Tipo 2
Ejercicio 1
En el apartado a), para calcular los índices, proponemos llenar esta tabla:
Número total Índice

alumnos matriculados Base 2005
2005
Curso 2005/2006 12676 I 2005 =1
2006 12928
Curso 2006/2007 12928 I 2005 = = 1,01988009
12676
2007 13159
Curso 2007/2008 13159 I 2005 = =
12676
2008 13210
Curso 2008/2009 13210 I 2005 = =
12676
2009
Curso 2009/2010 13904 I 2005 =
2010
Curso 2010/2011 14702 I 2005 =
Ahora hay que interpretar los resultados de la columna de la derecha.
En el apartado b) nos piden los índices encadenados y también podemos llenar la

siguiente tabla:
Número total
alumnos matriculados
Curso 2005/2006 12676 ---
2006 12928
Curso 2006/2007 12928 I 2005 = = 1,01988009
12676
2007 13159
Curso 2007/2008 13159 I 2006 = =
12928
2008
Curso 2008/2009 13210 I 2007 =
2009
Curso 2009/2010 13904 I 2008 =
2010
Curso 2010/2011 14702 I 2009 =
Interpretaremos también los resultados de la columna de la derecha. Como los
índices son todos mayores que 1, indica que la serie siempre aumenta pero a dife-
rente ritmo, según el año que analicemos.
2010 14702
En el apartado c) nos piden el incremento total del período I 2005 = = 1,16.
12676
Y el incremento medio anual con la raíz quinta de este cociente.
En el apartado d ), para hacer previsiones, partimos de la hipótesis de que el incre-

mento medio anual que hemos obtenido en el apartado anterior será una estima-
ción del incremento anual de los años que están por venir, y a partir del último dato
conocido calcularemos las cantidades de alumnos que podremos esperar.
Así, para estimar la cantidad de alumnos que podemos esperar que se matricule en
el curso 2011/2012, será de 14.702 · 1,03 = 15.143 alumnos.
Con el mismo razonamiento podemos hacer el resto de estimaciones.
Ejercicio 2
Este ejercicio es igual que el ejercicio 1, pero obtendremos algunos índices por
encima de1 y otros por debajo. Dejemos la interpretación para los lectores.
En el apartado a) hay que hacer los cálculos que sugerimos en la columna de la

derecha de la siguiente tabla:

visitantes Base 2000
2000
2000 10252799 I 2000 =1
2001 10002517
2001 10002517 I 2000 = =
10252799
2002 9661493
2002 9661493 I 2000 = = 0,94232736
10252799
2003 10296382
2003 10296382 I 2000 = = 1,00425084
10252799
2004 11134880
2004 11134880 I 2000 = =
10252799
2005 10743480
2005 10743480 I 2000 = = 1,04785825
10252799
2006 10979470
2006 10979470 I 2000 = =
10252799
2007
2007 10864738 I 2000 =
2008
2008 10222818 I 2000 =
2009
2009 9952606 I 2000 =
Hay que hacer la interpretación de estos resultados, especialmente prestar atención

a la de los índices menores que 1.
Para calcular los índices encadenados del apartado b) también sugerimos los cál-
culos por realizar en la última columna de la siguiente tabla:
Número total
visitantes
2000 10252799
2001 10002517
2001 10002517 I 2000 = = 0,97558891
10252799
2002 9661493
2002 9661493 I 2001 = =
10002517
2003 10296382
2003 10296382 I 2002 = =
9661493
2004
2004 11134880 I 2003 = = 1,08143618
10296382
2005 10743480
2005 10743480 I 2004 = = 0,96484919
2006
2006 10979470 I 2005 = = 1,02196588
2007
2007 10864738 I 2006 =
2008
2008 10222818 I 2007 =
2009
2009 9952606 I 2008 =
Dejemos las interpretaciones de los resultados al lector.
En el apartado c) nos piden el incremento total. Hay que obtener el siguiente índice
2009
I 2000 y con el resultado hacer la raíz que nos permita averiguar el valor del incre-
mento medio anual del –0,33 %.
En el apartado d) nos piden previsiones que calcularemos a partir del últim dato
conocido (9.952.606) y aplicando reiteradamente el factor correspondiente al in-
cremento medio anual del –0,33 % (0,9967).
Ejercicio 3
Este ejercicio trabaja los mismos conceptos que los anteriores, pero empezando por
incrementos porcentuales que permiten convertirlos en índice encadenados directa-
mente. En la tabla siguiente se indican algunos valores y os invitamos a completarla:

Año
volumen de ventas (%) encadenados
2006
2006 -3,13 I 2005 = 0,9687
2007
2007 -2,15 I 2006 =
2008
2008 +2,12 I 2007 = 1,0212
2009
2009 +3,15 I 2008 =
2010
2010 +4,12 I 2009 = 1,0412
2011
2011 +4,31 I 2010 =
Para calcular los índices de base 2005, multiplicaremos los índices anteriores (aquí
tienes calculados algunos de ellos. Calcula tú el resto).
I 2005
2007
= I 2005
2006
⋅ I 2006
2007
= 0,9687 · 0,9785 = 0,9479
I 2005
2008
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
= 0,9687 · 0,9785 · 1,0212 = 0,9680
I 2005
2009
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
=
I 2005
2010
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
⋅ I 2009
2010
=
I 2005
2011
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
⋅ I 2009
2010
⋅ I 2010
2011
=
= 0,9687 · 0,9785 · 1,0212 · 1,0315 · 1,0412 · 1,0431 = 1,0844
En el apartado b) nos piden el incremento total a partir de los factores de los índi-
ces, que es el último cálculo que hemos visto y así, el incremento medio anual es:
que podemos interpretar como que el aumento total es equivalente a un incremen-

to anual constante del 1,36 %.
En el aparato c) nos piden previsiones y hay que reflexionar si este supuesto es

posible.
Ejercicio 4
En este ejercicio nos presentan el proceso de cálculo de un cambio de base de los
índices de precios (ipc).
A tal fin hay que considerar los datos que presentamos en esta tabla y plantear
proporcionalidades como las que mostramos a continuación para llenar las casillas
sombreadas en gris.
2002 2003 2004 2005 2006 2007 2008 2009 2010

ipc
117,624 117,624 117,624 117,624 117,624
Base 2001
ipc
88,024 90,699 100 102,787 106,976 106,668 108,588
Base 2006
2002 2002
IPC2001 = 103,538 g IPC2006 = x
2006 2006
IPC2001 = 117,624 g IPC2006 = 100
IPC2001
2002
⋅ IPC2006
2006
103,538·100 100
IPC2006
2002
= = = 103,538 =
IPC20012006
117,624 117,624
= 103,538 · 0,8502 = 88,025
IPC2001
2003
⋅ IPC2006
2006
106,684·100 100
IPC2006
2003
= = = 106,684 =
IPC20012006
117,624 117,624
= 106,684 · 0,8502 = 90,699
Y así, hasta completar la tabla.
Es evidente, que para obtener los valores del ipc del año «y» en base 2006 hemos
2006
IPC 2006
multiplicado el ipc del año «y» en base 2001 por la fracción 2006
el valor de la
IPC 2001
que hemos reseñado en rojo y es lo que denominaremos «enlace técnico».
Aunque no se contempla en el ejercicio, si dividimos los valores del ipc de la

segunda tabla por este «enlace técnico», también podríamos obtener los ipc del
período 2006-2010 en base 2001.
Ejercicio 5
Como en las ayudas de tipo 1 ya hemos presentado las fórmulas por emplear en
cada uno de los casos y el significado de la notación, pondremos un ejemplo hecho
de cada una de ellas:
Índice de cantidades de Laspeyres
Índice de precios de Paasche
Índice de cantidades de Paasche
Ejercicio 6
La primera operación permitirá hacer el cambio a euros de la cantidad de compra:
96.913,20 euros en moneda corriente del año 1998, y para transformarla en mone-
da del año 2006, haremos la siguiente operación:
IPC2001
2006
117,624
96913,20 ⋅ = 96913,20 ⋅ = 124961,01€
IPC2001
1998
91,223
Los valores del ipc se encuentran en la web del ine con el consecuente cambio de
base, como aprendimos en el ejercicio 4.
Como en el enunciado se dice que la hemos vendido por 240.000 euros, vamos a cal-
240000
cular los beneficios en términos relativos, a partir del concepto de índice: .
Interpreta el resultado. 124961,01
Ejercicio 7
Para deflactar la serie (pasarla a términos reales del año 2006) hay que hacer las
operaciones que se reflejan en la siguiente tabla. A tal fin, es necesario que con-
sultemos los valores del ipc de estos años. Tomaremos las medias anuales del ipc
general.
Importe impuesto municipal Importe impuesto municipal

Año
2006 503,24 503,24
IPC2006
2006
100
2007 515,65 515,65 ⋅ = 515,65 ⋅ = 501,67
IPC2006
2007
102, 787
IPC2006
2006
100
2008 536,73 536,73 ⋅ = 536,73 ⋅ =
IPC2006
2008
106,976
IPC2006
2006
100
2009 578,84 578,84 ⋅ = 578,84 ⋅ =
IPC2006
2009
106,668
IPC2006
2006
100
2010 584,42 584,42 ⋅ = 584,42 ⋅ =
IPC2006
2010
108,588
En el apartado b) nos piden los índices encadenados con los valores en términos
reales que presentamos en la siguiente tabla.
Importe impuesto Importe impuesto
municipal municipal
Año Índice
(términos (términos reales
nominales) 2006)
2006 503,24 503,24 -----
501,67
2007 515,65 501,67 I 2006
2007
= = 0,997 Ha disminuido un
503,24 0,3 %
501, 73 Podemos
2008 536,73 501,73 I 2007
2008
= considerar
501,67 que es constante
2009
2009 578,84 542,66 I 2008 =
2010 Ha disminuido
2010 584,42 538,20 I 2009 =
un ...%
En el apartado c) nos piden el incremento total y el incremento medio anual pero

disponemos de las magnitudes de la columna correspondiente (tercera de la tabla
anterior).
Para calcular el incremento total del período, interpretaremos el índice:
538,20
I 2006
2010
=
503,24
y para calcular el incremento medio anual, calcularemos la raíz cuarta del resulta-
do anterior.
Para abordar el apartado d), y como se trata de hacer estimaciones, supondremos

que los fenómenos evolucionarán con el ritmo que podamos interpretar del incre-
mento medio anual de cada una.
Calcularemos, en primer lugar, lo que corresponde a los ipc de los años 2006 al 2010
con los datos de la web del ine. Hemos obtenido un incremento del 2,08 % anual y
con este dato y el ipc del año 2010 calcularemos los ipc de los años 2011, 2012 y 2013.
También estimaremos el importe del impuesto en términos reales de estos años,

aplicando el incremento medio anual (1,7 %) sobre el valor de este importe del año
2010, es decir, 538,20 euros en términos reales del 2006.
Como estos resultados están expresados en términos reales del año 2006, hay que con-
vertirlos a términos nominales, utilizando los ipc que acabamos de estimar también.
Indicamos las operaciones del primer resultado:
IPC2006
2011
110,847
Año 2011 → 547,25⋅ = 547,25 ⋅ = 606,61
IPC2006
2006
100
Y el resto lo calculamos de la misma manera.
Ejercicio 8
En este ejercicio se trata de estudiar la pérdida o ganancia de poder adquisitivo de
un salario.
Habrá que calcular los incrementos anuales de los salarios como se indica en la
siguiente tabla:
Año Nómina mensual (€) Índice

2007 2034,75 ------ -------
2062,13
2008 2062,13 I 2007
2008
= = 1,014 Ha aumentado 1,4 %
2034, 75
2009 2218,61 I 2008

2009
= = 1,076 Ha aumentado ...%
2062,13
2253,67
2010 2253,67 I 2009
2010
= = Ha aumentado 1,6 %
2011
2011 2181,75 I 2010 = = 0,968 Ha disminuido ...%
También calcularemos los incrementos anuales del ipc de los años correspondientes:
ipc
Año Índice
Base 2006
2007 2007 ------ -------
IPC2006 = 102,787
2008 106,976
2008 2008 I 2007 = = 1,041 Ha aumentado 4,1 %
IPC2006 = 106,976 102,787
2009 106,668
2009 2009 I 2008 = = Ha aumentado ...%
IPC2006 = 106,668 106,976
2010 108,588
2010 2010 I 2009 = = Ha aumentado 1,8 %
IPC2006 = 108,588
2011
2011 2011 I 2010 = = Ha disminuido ...%
IPC2006 = 110,847 108,588
Con estos resultados hay que rellenar las casillas en gris de la siguiente tabla:
2008 2009 2010 2011
Incremento salarial 1,014 1,076 1,016 0,968
Incremento ipc 1,041 0,997 1,018 1,021

Pérdida o ganancia
0,974
poder adquisitivo
Indicamos cómo obtener el resultado que hemos puesto en la tabla.
1,014
Año 2008 g = 0,974 , de la misma manera podemos llenar el resto de casillas.
1,041
Con los valores de los ipc y los salarios podemos obtener el incremento total del
período de cada una de las magnitudes. Asimismo, añadir los resultados en la co-
lumna de la derecha de la tabla:
Indicamos todos los resultados obtenidos para comprobar:
2008 2009 2010 2011 TOTAL
Incremento salarial +1,4 % +7,6 % +1,6 % –3,2 % +7,2 %
Incremento ipc +4,1 % –0,3 % +1,8 % +2,1 % +7,8 %

Pérdida o ganancia
–2,6 % +7,9 % –0,2 % –5,2 % –0,6 %
poder adquisitivo
Ejercicio 9
Para hacer este ejercicio tienes que seguir las pautas del ejercicio 8.
Ejercicio 10
Para empezar, hay que hacer un cambio de base y encontrar todos los valores del
ipc en la misma base. Llenaremos la tabla con los nuevos valores encontrados,
como se hizo en el ejercicio 4.
2000 2001 2002 2003 2004
ipc base 1992 131 135 139
ipc base 2002 103 106 109
Pueden plantearse por proporcionalidad, como aquí se puede ver para el año 2003:
103 g 106
139 g X y calcular el dato desconocido.
minos reales.
Dado que el análisis del precio del ordenador nos lo piden en términos reales, es
necesario primero hacer la conversión de su precio en moneda constante del año
2000 (deflactación de la serie de precios del ordenador) como hemos empezado en
la tabla siguiente;
Precio ordenador
Precio ordenador
Año (términos
(términos reales 2000)
nominales)
2000 1300 1300
IPC1992
2000
2001 1275 1275 ⋅ = 1275 ⋅ 131 = 1237,2

IPC1992
2001
135
IPC1992
2000
2002 1250 1250· =

IPC1992
2002
IPC1992
2000
2003 1100 1100· =

IPC1992
2003
IPC1992
2000
2004 950 950· =

IPC1992
2004
operamos en la tabla siguiente mediante índices encadenados (intenta acabarla).
Precio ordenador Precio ordenador Interpretación:

Año (términos (términos Índice Incremento
nominales) reales 2000) anual
2000 1300 1300 -----
1237,2 Ha disminuido
2001 1275 1237,2 I 2000
2001
= = 0,9517
1300 un 4,83 %
Ha disminuido
2002 1250 1178,06
un 4,78 %
1007,34
2003 1100 1007,34 I 2002
2003
= = 0,8551
1178,06
2004 950 846,02
Para conocer el incremento total y medio del período, calcularemos y la raíz

correspondiente de índice 4.
a) Si seguimos esta evolución, valoremos el precio que podría tener el ordena-

dor en 2008.
Para hacer este apartado, consideremos que nos piden la estimación en términos
corrientes del precio, suponiendo que no varía el comportamiento del ipc ni la
evolución del precio del ordenador en términos reales que hemos analizado en el
apartado anterior.
Para hacer estas estimaciones necesitamos el incremento medio de las dos series y,
con estos datos, podemos calcular el valor del ipc en el año 2008:
IPC
IPC
IPC
2008
==IPC
2008
1992
2008
1992
1992 =IPC
IPC
2004
·1,0294
2004
1992 · ·1,0294
2004
1992
1992 ·1,0294==147,10·1,0294
4 4 4
=147,10·1,0294
147,10·1,0294
· ==165,18
4 4 4
=165,18
165,18
Haremos las mismas operaciones con la serie de los precios de los ordenadores en
términos reales.
Precio ordenador para el año 2008 en términos reales del 2000 = 846,02 · 0,89824
= 550,65 euros.
Y finalmente, hay que pasar a términos corrientes en moneda del 2008.
Soluciones
Ejercicio 1
A continuación presentamos el volumen total de alumnos matriculados en la Uni-
versitat Jaume I en los últimos años.
Número total de alumnos matriculados

Curso 2005/2006 12676
Curso 2006/2007 12928
Curso 2007/2008 13159
Curso 2008/2009 13210
Curso 2009/2010 13904
Curso 2010/2011 14702
(hará referencia al curso 2005/2006). Interpreta el resultado.
tir de las cantidades originales y a partir de los índices encadenados.
d) Haz previsiones para la matrícula de los cursos 2011/2012 y 2012/2013, si
consideramos que no habrá cambios significativos en su comportamiento.
Solución
(hará referencia al curso 2005/2006). Interpreta el resultado.
Tomaremos como fecha de referencia, los 12.676 alumnos matriculados el curso

2005/2006 y en la siguiente tabla indicaremos los cocientes correspondientes a los
índices que queremos calcular:
alumnos matriculados Base 2005
2005
Curso 2005/2006 12676 I 2005 =1
12928
Curso 2006/2007 12928 2006
I 2005 = 12676 = 1,01988009
13159
Curso 2007/2008 13159 2007
I 2005 = 12676 = 1,0381035
13210
Curso 2008/2009 13210 2008
I 2005 = 12676 = 1,04212685
13904
Curso 2009/2010 13904 2009
I 2005 = 12676 = 1,09687599
14702
Curso 2010/2011 14702 2010
I 2005 = 12676 = 1,1598296
Para interpretar estos datos consideraremos que estos cocientes comparan dos
magnitudes en términos relativos y son cantidades que no vienen expresadas en
ninguna unidad, sino que podemos interpretarlas como porcentajes. Así, si redon-
deamos los resultados con dos cifras decimales podremos decir:
2006
I 2005 = 1,02 nos indica que el número de alumnos del curso 2006 es un 2 % superior
2006 12928
al del año 2005. También podríamos expresarlos así I 2005 = ⋅100 = 102 %.
12676
2007
I 2005 = 1,04 nos indica que el número de alumnos del curso 2007 es un 4 % supe-
rior al del 2005.
2008
I 2005 = 1,04 nos indica que el número de alumnos del curso 2008 es un 4 % su-
perior al del año 2005. Indica un cierto estacionamiento en el aumento del número
de alumnos.
2009
I 2005 = 1,10 nos indica que el número de alumnos del curso 2009 es un 10% su-
perior al del 2005.
2010
I 2005 = 1,16 nos indica que el número de alumnos del curso 2010 es un 16 % su-
perior al del 2005.
Estos índices dan idea del aumento del número total de alumnos de la uji, conside-
rando siempre como referencia el número de alumnos del curso 2005 que podre-
mos considerar que sería del 100 %.
Para calcular estos índices utilizaremos la siguiente tabla, que podremos comparar
con la tabla del apartado anterior:
Número total
Índice encadenado
alumnos matriculados
Curso 2005/2006 12676
2006 12928
Curso 2006/2007 12928 I 2005 = = 1,01988009
12676
2007 13159
Curso 2007/2008 13159 I 2006 = = 1,01786819
12928
2008 13210
Curso 2008/2009 13210 I 2007 = = 1,00387567
13159
2009 13904
Curso 2009/2010 13904 I 2008 = = 1,05253596
13210
2010 14702
Curso 2010/2011 14702 I 2009 = = 1,05739356
13904
Como se puede ver en estos índices, la cantidad que tomamos como referencia es
el número de alumnos matriculados en el año anterior, por lo que podemos deno-
minarlos «índices encadenados» y nos permitirá ver el crecimiento año tras año.
2006
rior al del 2005.
2007
rior al del año 2006.
2008
I 2007 = 1,004 nos indica que el número de alumnos del curso 2008 es un 0,4 %
superior al del año 2007.
2009
2010
Estos índices dan idea del aumento del número total de alumnos de la uji, pero
detallando la evolución por años.
Para calcular el incremento total basándonos en las cantidades originales, tan solo
hay que considerar el número de alumnos de los primeros y últimos cursos, para com-
pararlos. Este concepto corresponde al último índice calculado en el apartado a). Así:
2010 14702
I 2005 = = 1,16 que ya hemos comentado que nos indica que el número de
12676
alumnos se ha incrementado en un 16 % en el período estudiado.
Para obtener el incremento medio anual, habrá que considerar la raíz con un índice
que viene dado por el número de incrementos que contiene el período estudiado.
Notamos que corresponde al número de años menos uno. Así, en nuestro ejercicio:
14702 5
5 = 1,1598296 = 1,03
12676
y podremos interpretar que este crecimiento total del 16 % sería equivalente a un
crecimiento constante anual del 3 %.
Reseñamos que en estos cálculos ya hechos hemos utilizado el número de alumnos

del primer y último curso que consideramos en el período.
En otras magnitudes podemos no conocer estas cantidades, pero sí los incrementos

anuales o índices encadenados que nosotros hemos obtenido en el apartado b). En
este caso también podremos calcular este incremento total e incremento medio
anual. Veamos:
I 2005
2010
= I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
⋅ I 2009
2010
=
12928 13159 13210 13904 14702 14702

= ⋅ ⋅ ⋅ ⋅ = =
12676 12928 13159 13210 13904 12676
= 1,01988009 · 1,01786819 · 1,00387567 · 1,05253596 · 1,05739356 = 1,1598296
que nos permite interpretar que en el período considerado el número de alumnos
ha aumentado un 16 %.
Para calcular el incremento medio, calcularemos pues la raíz quinta del producto
de los índices (el índice de la raíz coincide con el número de índices que forman
el producto).
que interpretaremos como un incremento anual constante del 3 %.
d ) Haz previsiones para la matrícula de los cursos 2011/2012 y 2012/2013, si
consideramos que no habrá cambios significativos en su comportamiento.
Para hacer previsiones hay que partir de la hipótesis de que el incremento medio
anual que hemos obtenido en el apartado anterior, podría ser una estimación del
incremento anual de los años que están por venir y que, a partir del último dato
conocid, calcularemos las cantidades de alumnos que podremos esperar.
Así, para estimar la cantidad de alumnos que podemos esperar que se matricule en
el curso 2011/2012, será de 14.702 · 1,03 = 15.143 alumnos.
Y para estimar la cantidad de alumnos que podremos esperar para el curso

2012/2013 hay que considerar que pasarán dos años desde la fecha de la última
cantidad de alumnos real 14.702 · 1,032 = 15.507 alumnos.
Notamos que por previsiones o estimaciones partiremos del último dato real y lo
multiplicaremos por el incremento medio anual que hemos calculado previamente,
y elevándolo al número de años o períodos que están por venir.
Ejercicio 2
En la siguiente tabla se muestran los datos del ini que hacen referencia al total de
visitantes a los parques nacionales de España, en los años indicados.
Naturaleza y biodiversidad
Zonas protegidas
Número de visitantes por nacionalidades y período
Unidades: número de personas
Total
2000 10252799
2001 10002517
2002 9661493
2003 10296382
2004 11134880
2005 10743480
2006 10979470
2007 10864738
2008 10222818
2009 9952606
Fuente: Ministerio de Medio Ambiente y Medio Rural y Marino. Red de
Parques Naturales
Copyright ine 2011
e interpreta los resultados.
Fuente: ine
Solución
e interpreta los resultados.
Tomaremos como fecha de referencia, los 10.252.799 visitantes que recorrieron los
parques naturales de España en su totalidad en el año 2000 y en la siguiente tabla
indicaremos los cocientes correspondientes a los índices que queremos calcular:

visitantes Base 2000
2000
2000 10252799 I 2000 =1
2001 10002517
2001 10002517 I 2000 = = 0,97558891
10252799
2002 9661493
2002 9661493 I 2000 = = 0,94232736
10252799
2003 10296382
2003 10296382 I 2000 = = 1,00425084
10252799
2004 11134880
2004 11134880 I 2000 = = 1,08603319
10252799
2005 10743480
2005 10743480 I 2000 = = 1,04785825
10252799
10979470
2006 10979470 2006
I 2000 = 10252799 = 1,07087538
10864738
2007 10864738 2007
I 2000 = 10252799 = 1,05968507
10222818
2008 10222818 2008
I 2000 = 10252799 = 0,99707582
9952606
2009 9952606 2009
I 2000 = 10252799 = 0,97072087
Para interpretar estos datos consideraremos que estos cocientes comparan dos
magnitudes en términos relativos y podemos interpretarlas como porcentajes. A
diferencia del apartado anterior, esta magnitud disminuye y crece según de qué
período sean los datos. Así, si redondeamos los resultados con dos cifras decima-
les podremos decir:
2001
I 2000 = 0,98 nos indica que el número de visitantes ha disminuido un 2 % del año
2000 al 2001.
2002
2000 al 2002.
2003
I 2000 = 1,004 nos indica que el número de visitantes ha aumentado un 0,4 % del
año 2000 al 2003.
2004
I 2000 = 1,09 nos indica que el número de visitantes ha aumentado un 9 % del año
2000 al 2004.
2005
2000 al 2005.
2006
2000 al 2006.
2007
2000 al 2007.
2008
I 2000 = 0,997 nos indica que el número de visitantes ha aumentado un 0,3 % del
año 2000 al 2008.
2009
2000 al 2009.
Estos índices dan idea de las variaciones en el número de visitantes a los parques
de España, a pesar de que tan solo consideran los valores del comienzo y la fina-
lización del período referido y no se reflejan las fluctuaciones dentro del período.
Para calcular estos índices, utilizaremos la siguiente tabla, que podremos compa-
rarla con la del apartado anterior:
Número total
Índice encadenados
visitantes
2000 10252799
2001 10002517
2001 10002517 I 2000 = = 0,97558891
10252799
2002 9661493
2002 9661493 I 2001 = = 0,96590618
10002517
2003 10296382
2003 10296382 I 2002 = = 1,06571334
9661493
2004 11134880
2004 11134880 I 2003 = = 1,08143618
10296382
2005 10743480
2005 10743480 I 2004 = = 0,96484919
11134880
10979470
2006 10979470 2006
I 2005 = 10743480 = 1,02196588
10864738
2007 10864738 2007
I 2006 = 10979470 = 0,98955032
10222818
2008 10222818 2008
I 2007 = 10864738 = 0,94091712
9952606
2009 9952606 2009
I 2008 = 10222818 = 0,97356776
Como se puede ver en estos índices, la cantidad que tomamos como referencia es
el número de visitantes de los parques del año anterior, por lo que podemos deno-
minarlos «índices encadenados» y nos permitirá ver el crecimiento año tras año.
2001
2000 al 2001.
2002
2001 al 2002.
2003
2002 al 2003.
2004
2003 al 2004.
2005
I 2004 = 0,96 nos indica que el número de visitantes ha disminuido un 4 % en 2004
a 2005.
2006
I 2005 = 1,02 nos indica que el número de visitantes ha disminuido un 2 % en 2005
a 2006.
2007
2006 al 2007.
2008
2007 al 2008.
2009
2008 al 2009.
Estos índices dan idea del aumento del número total de visitantes en todo el perío-
do detallando la evolución por años, por lo que podemos diferenciar los años en
que el número ha aumentado y en los que ha disminuido.

Para calcular el incremento total basándonos en las cantidades originales, tan solo
hay que considerar el número de visitantes del primer y último año del período por
analizar. Este concepto corresponde al último índice calculado en el apartado a). Así:
0,97 nos indica que si comparamos las visitas del año 2009 con las del año 2000,
veremos que han disminuido un 3 %.
Para obtener el incremento medio anual, habrá que considerar la raíz con un índice
9 que viene dado por el número de incrementos que contiene el período estudiado.
Notamos que corresponde al número de años o datos menos uno. Así, con los datos
del ejercicio:
9952606 9
9 = 0,97072087 = 0,9967
10252799
que podremos interpretar como que la evolución total de disminución del 3 % es

equivalente a una disminución anual del 0,33 %. Diremos que el incremento anual
medio es del –0,33 %.
Reseñamos que en estos cálculos que hemos hecho, tan solo hemos utilizado el
número de visitantes de los parques de los años 2000 y 2009.
Veamos también cómo se pueden calcular estos mismos incrementos totales y me-
dio, basándonos en los índices encadenados que hemos obtenido en el apartado b).
I 2000
2009
= I 2000
2001
⋅ I 2001
2002
⋅ I 2002
2003
⋅ I 2003
2004
⋅ I 2004
2005
⋅ I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
=
= 0,97558891 · 0,96590618· 1,06571334 · 1,08143618 · 0,96484919 · 1,02196588

· 0,98955032 · 0,94091712 · 0,97356776 = 0,97072087
Para conocer el incremento medio, calcularemos pues la raíz novena del producto
de los índices (el índice de la raíz coincide con el número de índices que forman
el producto).
9 I 2000
2001
⋅ I 2001
2002
⋅ I 2002
2003
⋅ I 2003
2004
⋅ I 2004
2005
⋅ I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
=
9
0,9756 · 0,9660· 1,0657 · 1,0814 · 0,9648 · 1,0220 · 0,9896 · 0,9409 · 0,9736 =
9
0,9707 = 0,9967
que interpretaremos como un disminución anual constante del 0,33 %.

Para hacer previsiones hay que partir de la hipótesis de que el incremento medio
anual que hemos obtenido en el apartado anterior, podría ser una estimación del
incremento anual de los años que están por venir y que, a partir del último dato
conocido, calcularemos las cantidades de visitantes que podremos esperar para los
años 2010, 2011 y 2012:
9952606 · 0,9967 = 9919762 visitantes

9952606 · 0,99672 = 9887027 visitantes
9952606 · 0,99673 = 9854400 visitantes
Notamos que por previsiones o estimaciones partiremos del último dato real y lo
multiplicaremos por el incremento medio anual que hemos calculado previamente,
y elevándolo al número de años o períodos que están por venir.
Ejercicio 3
A continuación presentamos las variaciones porcentuales del volumen de ventas
de cierta superficie comercial, en los últimos años.
Año Variaciones del volumen de ventas (%)

2006 –3,13
2007 –2,15
2008 +2,12
2009 +3,15
2010 +4,12
2011 +4,31
período.
Solución
Hay que ver que los datos de este ejercicio se diferencian de los dos anteriores, ya
que en este caso los datos son incrementos porcentuales anuales, por lo que los da-
tos de la tabla se podrán «traducir» y convertirse en índice encadenados, tal como
se indica en la siguiente tabla:

Año
volumen de ventas (%) encadenados
2006
2006 –3,13 I 2005 = 0,9687
2007
2007 –2,15 I 2006 = 0,9785
2008
2008 +2,12 I 2007 = 1,0212
2009
2009 +3,15 I 2008 = 1,0315
2010
2010 +4,12 I 2009 = 1,0412
2011
2011 +4,31 I 2010 = 1,0431
Podemos ver cómo calculamos estos índices. A tal fin, le sumamos o restamos a 1
el incremento, y así convertiremos el tanto por ciento en tanto por uno:
2006
I 2005 = 1 – 0.0313 = 0,9687
2007
I 2006 = 1 – 0,0215 = 0,9785
2008
I 2007 = 1 + 0,0212 = 1,0212
2009
I 2008 = 1 + 0,0315 = 1,0315
Y así con el resto de valores de la columna de la derecha de la tabla.
Para calcular los índices de base 2005, multiplicaremos los índices anteriores:
2007
I 2005 = I 2005
2006
⋅ I 2006
2007
= 0,9687 · 0,9785 = 0,9479
2008
I 2005 = I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
= 0,9687 · 0,9785 · 1,0212 = 0,9680
2009
I 2005 = I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
= 0,9687 · 0,9785 · 1,0212 · 1,0315 = 0,9985
2010
I 2005 = I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
⋅ I 2009
2010
=
= 0,9687 · 0,9785 · 1,0212 · 1,0315 · 1,0412 =1,0396
2011
I 2005 = I 2005
2006
⋅ I 2006
2007
⋅ I 2007
2008
⋅ I 2008
2009
⋅ I 2009
2010
⋅ I 2010
2011
=
= 0,9687 · 0,9785 · 1,0212 · 1,0315 · 1,0412 · 1,0431= 1,0844
Presentaremos todos los índices en la siguiente tabla:
Variaciones del Índice Índice

Año
volumen de ventas (%) encadenados Base 2005
2006 2006
2006 –3,13 I 2005 = 0,9687 I 2005 = 0,9687
2007 2007
2007 –2,15 I 2006 = 0,9785 I 2005 = 0,9479
2008 2008
2008 +2,12 I 2007 = 1,0212 I 2005 = 0,9680
2009 2009
2009 +3,15 I 2008 = 1,0315 I 2005 = 0,9985
2010 2010
2010 +4,12 I 2009 = 1,0412 I 2005 = 1,0396
2011 2011
2011 +4,31 I 2010 = 1,0431 I 2005 = 1,0844
Si interpretamos los índices de la última columna podremos ver el incremento

global en el volumen de ventas de la superficie, en la casilla inferior. Este índice
indica un aumento de +8,44 % en el período analizado.

período.
Para calcular el incremento total de las ventas tan solo hay que interpretar el índice
2011
I 2005 = 1.0844, el cual nos indica que las ventas han aumentado un 8,44 % en el
período analizado.
Podemos recordar que este índice lo hemos calculado multiplicando los índices en-
cadenados que hemos «construido» con los datos de los porcentajes del enunciado.
Para determinar el incremento medio anual, calculamos la raíz de índice 6, ya que

hacemos una media geométrica con los índices de cada año.También podemos
partir del índice que representa el incremento total del período.
Así, el incremento medio anual es

6
0,9687· 0,9785· 1,0212· 1,0315· 1,0412· 1,0431 = 6 1,0844 = 1,0136
que podemos interpretar como que el aumento total es equivalente a un incremen-

to anual constante del 1,36 %.
No podemos estimar las ventas porque no conocemos la magnitud de las ventas

de ningún año para cogerlo de referencia ya partir de él calcular las ventas del año
que nos interesa.
Ejercicio 4
A continuación presentamos los valores del índice de precios al consumo, ipc, que
podemos consultar en la página del ine y que hace referencia a los datos en base a
2001 y 2006.
Por razones que habrá que estudiar en la teoría, en ciertos momentos hay que hacer
un cambio en el año de referencia y se empieza a obtener la nueva serie del ipc, co-
menzado de nuevo con el valor 100. Diremos que ha habido un «cambio de base».
A menudo, como podrás ver en ejercicios posteriores, hay que utilizar en un mis-
mo cálculo el valor del ipc de años que corresponden a períodos de bases diferen-
tes, y necesitaremos trabajar con todos los valores del ipc referidos a una misma
base. Estos datos los podrás encontrar fácilmente en la página web del ine, pero
en este ejercicio vamos a ver cómo se calculan los valores de las casillas que están
sombreadas en gris.
En primer lugar, presentamos la tabla de los valores del ipc desde el año 2002 al
2006 en base 2001.
Índice de precios al consumo
Nacional por general y Grupos coicop

Unidades: Índice y tasas
General
Media anual
2006 117,624
2005 113,63
2004 109,927
2003 106,684
2002 103,538
Y a continuación, los datos de los valores del ipc desde el año 2006 al 2010 en base
2006, aunque están añadidos los valores de las casillas gris que corresponden a los
valores obtenidos «a posteriori» para facilitar los trabajos de cálculo referidos a
períodos de diferentes bases.
Índice de precios al consumo

Medias anulales. Base 2006
Índices nacionales: general y de grupos coicop

Unidades: Base 2006=100
General
Media anual
2010 108,588
2009 106,668
2008 106,976
2007 102,787
2006 100
2005 96,604
2004 93,456
2003 90,699
2002 88,024
Explica cómo se han obtenido los datos de las casillas sombreadas en gris, averi-
guando el valor del enlace.
Fuente: ine
Solución
Este proceso que denominamos «cambio de base» tan solo es la transformación de

los valores del ipc para asegurarnos la proporcionalidad en la cadena de los valores
de los períodos anteriores al momento en que, por razones que no vienen al caso,
el ine realiza esta actualización y, por tanto, comienza una nueva serie de valores
partiendo del 100.
Veamos que el cálculo es tan solo la resolución de una proporcionalidad (regla de

tres) donde hay términos fijos que nos permitirán encontrar el valor del enlace.
En la primera tabla tenemos los valores del ipc correspondientes al período 2002-
2006 en base 2001. Pero llegado el año 2006 se decide un cambio de base y como
se puede ver en la segunda tabla, tenemos una nueva serie de datos que comienza
en el año 2006 con un 100. En alguna situación que veremos en ejercicios pos-
teriores necesitamos utilizar el ipc de los dos períodos, por lo que es necesario
conocer todos los datos referidos a la misma base para no romper la continuidad
de la secuencia que refleja el comportamiento de los precios al consumo y, por
consiguiente, se convierte en uno de los principales indicadores de la inflación y
de los devenires económicos de un país.
Veamos, pues, cómo se calculan los valores de las casillas sombreadas en gris.
Son los valores de los antiguos ipc en la nueva base. Para su cálculo, tan solo hay
que plantear los datos implicados para asegurarnos la proporcionalidad real en la
evolución de los precios.
Veamos los datos de 2002:
Para calcular el dato desconocido
IPC2001
2002
⋅ IPC2006
2006
103,538·100 100
IPC2006
2002
= = = 103,538 = 103,538 · 0,8502 =
IPC20012006
117,624 117,624
= 88,025
Del mismo modo, el resto de años repetimos el proceso:
IPC2001
2003
⋅ IPC2006
2006
106,684·100 100
IPC2006
2003
= = = 106,684 = 106,684 · 0,8502 =
IPC20012006
117,624 117,624
= 90,699
IPC2001
2004
⋅ IPC2006
2006
109,927·100 100
IPC2006
2004
= = = 109,927 = 109,927 · 0,8502 =
IPC20012006
117,624 117,624
= 93,456
IPC2001
2005
⋅ IPC2006
2006
113,63·100
IPC2006
2005
= = = 113,63 · 0,8502 =
IPC20012006
117,624
96,604
Es evidente que para obtener los valores del ipc del año «y» en base 2006 hemos
2006
IPC2006
multiplicado el ipc del año «y» en base 2001 por la fracción 2006
el valor de la
IPC2001
que hemos reseñado en rojo y es lo que denominaremos «enlace técnico».
Aunque no se contempla en el ejercicio, si dividimos los valores del ipc de la

segunda tabla por este «enlace técnico», también podríamos obtener los ipc del
período 2006-2010 en base 2001.
La tabla completa quedaría:
2002 2003 2004 2005 2006 2007 2008 2009 2010

ipc
103,538 106,684 109,927 113,63 117,624 120,902 125,829 125,467 127,726
Base2001
ipc
88,024 90,699 93,456 96,604 100 102,787 106,976 106,668 108,588
Base2006
Ejercicio 5
Calcula los índices de precios y cantidades de los artículos A, B y C mediante las
fórmulas de Laspeyres y Paasche, de los años 2008, 2009 y 2010 en función del
año 2008, utilizando los datos de las siguientes tablas donde están indicadas las
cantidades qi y precios pi que hay que conocer.
2008 2009 2010
Precio Cantidad Precio Cantidad Precio Cantidad

pi qi pi qi pi qi
Art. A 12 100 14 112 15 115
Art. B 10 50 8 65 7 72
Art. C 5 20 10 10 15 5
Solución
Para calcular estos índices, empezaremos por conocer y deducir la fórmula que
emplearemos. Hemos reducido su cálculo a tres artículos pero no olvidemos que este
cálculo se extiende a la totalidad de artículos representativos del consumo de las
familias en un país (véase ecpf).
paración. Si se trata de índice encadenados podríamos decir años t-1 y t.

pi0 será el precio del artículo y el año 0
qi0 será la cantidad del artículo y el año 0
es una media ponderada donde el «peso» de cada artículo pi0 · qi0 es el valor del
artículo en la «cesta de la compra» del año de referencia y permanecerá constante
a lo largo del período mientras no se cambie la base. Un inconveniente de este
método es que si la importancia de los artículos en los hábitos de consumo cambia
mucho, estos coeficientes quedan desfasados.
Así:
Se puede comprobar que el denominador no varía y tan solo hay que actualizar los
precios de los artículos en el período nuevo por comparar. Esto es una gran ventaja
de esta fórmula.
Índice de cantidades de Laspeyres
En este caso vamos a estudiar la evolución de las cantidades demandadas y para

la ponderación se utilizan los mismos coeficientes del apartado anterior pi0 · qi0.
Así:
Índice de precios de Paasche
es una media ponderada donde el «peso» de cada artículo pi0 · qit intenta mejorar
la propuesta de Laspeyres, evitando en cierto modo el desfase, ya que recoge la
importancia del artículo al considerar la cantidad en el período comparar.
Así:
Índice de catidades de Paasche
Esta propuesta, como que analiza la evolución de las cantidades, considera como
coeficiente qi 0  pit que indica el «peso» de cada artículo, el precio del año t para
actualizar la importancia del artículo.
Así:
Como se puede ver en estos índices, en cada uno calculado por las fórmulas de
Paasche, hay que determinar siempre tanto el numerador como el denominador
de cada fracción. Esta diferencia que nos puede parecer irrelevante para tres artícu-
los, no lo parece igual para la gran cantidad de datos que hay que trabajar para el
cálculo del ipc y con los recursos tecnológicos de tiempo atrás.
Ejercicio 6
Supongamos que compramos una vivienda por 16.125.000 ptas. en diciembre de
1998 y la hemos vendido en diciembre de 2006 por un valor de 240.000 euros.
Averigua el porcentaje de beneficios o pérdidas que hemos tenido en la operación.
Nota: Para realizar las operaciones consultaremos los valores del ipc que necesi-
tamos en la página web del ine. www.ine.es (sería interesante calcular este incre-
mento con el ipc general y con el ipc del grupo de la vivienda).
El cambio de moneda que consideraremos es 1 € = 166,386 ptas.
Solución
Para empezar a comparar habrá que trabajar en una única moneda. Decidimos
trabajar en euros. Es obvio que el resultado en términos relativos o porcentajes no
varía si trabajamos en pesetas.
Para transformar 16.125.000 ptas. a euros utilizaremos el cambio que propone

la nota (1 € = 166,386 ptas.) por lo que, 16.125.000 / 166,386 = 96.913,20 euros
en términos corrientes de diciembre de 1998. Para averiguar cuál sería su valor
equivalente en términos corrientes del año 2006, hay que hacer la siguiente trans-
formación:
2006
IPC 2001 117,624
96913,20  1998
 96913,20   124961,01€€
IPC 2001 91,223
i
En las páginas del ine se pueden obtener estos datos.
1998 2001
IPC1992 = 123,791 IPC2001 = 100
2001 2006
IPC1992 = 135,702 IPC2001 = 117,624
1998
Y como necesitaban averiguar el valor de IPC2001 , hemos procedido como se ex-
plica en el ejercicio 4:
IPC1992
1998
⋅ IPC2001
2001
123,791·100
IPC2001
1998
= = = 91,223
IPC1992
2001
135,702
Estos 124.961,01 euros serían el valor equivalente, en cuanto a poder adquisitivo,

del valor de compra de la vivienda en el año 2006.
Como en el enunciado se dice que la hemos vendido por 240.000 euros, vamos a
calcular los beneficios en términos relativos a partir del concepto de índice:
240000
= 1,92
124961,01
Este cociente nos permite interpretar que tenemos un beneficio del 92 %, es decir,
casi se ha duplicado el valor de la vivienda en el período de 8 años que hemos
contemplado.
Nota: Para realizar los cálculos hemos utilizado las medias anuales del ipc, pero
se podría hacer también con los valores del ipc exactamente los meses de compra
y venta, así como elegir los ipc del grupo de vivienda en lugar de la ipc general.
Dejemos estas variantes para el trabajo del lector.
Ejercicio 7
En la siguiente tabla mostramos los datos de los impuestos municipales de cierta
vivienda en los últimos años.

Año
2006 503,24
2007 515,65
2008 536,73
2009 578,84
2010 584,42
Para analizar su evolución,
a) Deflacta la serie, convirtiéndola en monedas constantes del 2006.

c) Calcula el incremento total e incremento medio en el período en términos
reales.
d) Suponiendo que los impuestos sigan este comportamiento, averigua el valor
en términos nominales o monedas corrientes para los años 2011, 2012 y
2013.
Nota: Para resolver este ejercicio, utilizaremos los valores de la media anual del
ipc general que necesitamos, obteniéndose los de la página web del ine. www.ine.es.

Solución
Para analizar su evolución,
a) Deflacta la serie, convirtiéndola en monedas constantes del 2006.
A tal fin, es necesario que consultemos los valores del ipc de estos años. To-
maremos las medias anuales del ipc general. Hay que insistir en que todos los
índices que trabajamos en el mismo ejercicio deben estar en la misma base; de
lo contrario, hay que hacer el cambio de base que proceda, tal y como se explicó
en el ejercicio 4.
Presentamos los resultados en la siguiente tabla:
Importe impuesto
Año municipal
(términos reales 2006)
2006 503,24 503,24
IPC2006
2006
100
2007 515,65 515,65 ⋅ = 515,65 ⋅ = 501,67
IPC2006
2007
102, 787
IPC2006
2006
100
2008 536,73 536,73 ⋅ = 536,73 ⋅ = 501,73
IPC2006
2008
106,976
IPC2006
2006
100
2009 578,84 578,84 ⋅ = 578,84 ⋅ = 542,66
IPC2006
2009
106,668
IPC2006
2006
100
2010 584,42 584,42 ⋅ = 584,42 ⋅ = 538,20
IPC2006
2010
108,588
Con esta operación, le hemos «eliminado» al importe del impuesto, el efecto de la

inflación y podremos analizar «en términos reales» su evolución como tal magni-
tud, salvo las influencias de los devenires de la economía general que se reflejan
en las variaciones del índice de precios.

Nos piden los índices encadenados con los valores de la última columna de la tabla
anterior:
Importe Importe
impuesto impuesto
Año municipal municipal Índice Interpretación
(términos (términos
nominales) reales 2006)
2006 503,24 503,24 -----
501,67 Ha disminuido un 0,3 %

2007 515,65 501,67 I 2006
2007
= = 0,997
503,24
501, 73 Podemos considerar que

2008 536,73 501,73 I 2007
2008
= = 1,0001 es constante
501,67
542,66 Ha aumentado un 8,2 %

2009 578,84 542,66 I 2008
2009
= = 1,082
501, 73
538,20 Ha disminuido un 0,8 %

2010 584,42 538,20 I 2009
2010
= = 0,992
542,66
En general, vemos que en términos reales era un importe que permanece estable
en el período analizado, ya que la evolución del importe es paralela a la evolución
del ipc, excepto en el año 2009 que de manera puntual hace un aumento del 8,2 %.
Podemos ver con más claridad esta evolución, cuando hemos «borrado» el efecto
de la inflación.
c) Calcula el incremento total e incremento medio en el período en términos

reales.
Para calcular los incrementos que nos planteamos, es más cómodo partir de los da-
tos de la magnitud. En este caso, nos referimos al importe del impuesto municipal
en términos reales del 2006.
Para calcular el incremento total del período, interpretaremos el índice:
538,20
I 2006
2010
= = 1,069
503,24
que nos permite afirmar que el importe del impuesto ha aumentado un 6,9 % en
términos reales en el período considerado.
Para calcular el incremento medio anual, calcularemos la raíz siguiente:
4 1,069 = 1,017
que nos permite afirmar que el incremento total del 6,9 % es equivalente a un in-
cremento constante anual del 1,7 % durante 4 años.
Queremos señalar que estos resultados también se podrían obtener a partir de los
índices «encadenados», aunque no es razonable si disponemos de los valores de la
magnitud por analizar.
Así, el incremento total del período sería:
0,997 · 1,0001 · 1,082 · 0,992 = 1,07
que sería un 7 % de aumento total en el período. La diferencia (un décima) se debe

a los errores del redondeo de cada uno de los índices.
El incremento medio anual se obtendría también:
4 0,997· 1,0001· 1,082· 0,992 = 4 1,0702 = 1,017
que da el mismo resultado que hemos comentado antes.
d) Suponiendo que los impuestos sigan este comportamiento, averigua el valor
en términos nominales o monedas corrientes para los años 2011, 2012 y
2013.
Como nos piden que demos el resultado en moneda corriente o términos nomina-
les tendremos que estimar los posibles valores del ipc en los años venideros, para
operar de una manera similar en el apartado a) pero en sentido opuesto.
A tal fin, obtendremos el incremento medio anual del ipc de los años del período
estudiado, a partir de los valores del primer y último año.
2010
IPC 2006 108,588
2006
= = 1,08588 y para obtener el incremento medio anual del ipc del
IPC 2006 100
período calcularemos la raíz cuarta correspondiente,
4 1,08588 = 1,0208 que nos permite afirmar que dicho incremento es del 2,08 %
anual.
Así, basándonos en este resultado, podremos estimar el ipc de los siguientes años:
IPC2006
2011
= IPC2006
2010
⋅1,0208 = 108,588⋅1,0208 = 110,847
IPC2006
2012
= IPC2006
2010
⋅1,02082 = 108,588⋅1,02082 = 113,152
IPC2006
2013
= IPC2006
2010
⋅1,02083 = 108,588⋅1,02083 = 115,506
Calcularemos primero el importe del impuesto en términos reales, aplicando el

incremento medio anual (1,7 %) sobre el valor de este importe del año 2010, es
decir, 538,20 euros en términos reales de 2006.
Año 2011 g 538,20 · 1,017 = 547,25

Año 2012 g 538,20 · 1,017 2 = 556,46
Año 2013 g 538,20 · 1,017 3 = 565,82
Como estos resultados están expresados en términos reales del año 2006, hay que
convertirlos a términos nominales:
IPC2006
2011
110,847
Año 2011 g 547,25⋅ = 547,25 ⋅ = 606,61
IPC2006
2006
100
IPC2006
2012
113,152
Año 2012 g 556,46⋅ = 556,46 ⋅ = 629,65
IPC2006
2006
100
IPC2006
2013
115,506
Año 2013 g 565,82 ⋅ = 565,82 ⋅ = 653,56
IPC2006
2006
100
Tan solo notar que esta estimación está hecha bajo la hipótesis de que tanto el ipc
como el importe del impuesto, evolucionará al ritmo anual que indique el incre-
mento medio anual de cada una de las magnitudes.
En este ejercicio, a pesar de todo, parece que este incremento no refleja la realidad
del comportamiento del importe del impuesto, que ya hemos comentado que ha
sido estable la mayor parte del período y solo experimentó un importante aumento
del 8 % en el año 2009, de manera puntual. Esta matización hace que las estima-
ciones, en cierto modo, pierdan cierta fiabilidad.
Ejercicio 8
En la tabla siguiente se indica el valor de la nómina mensual de un trabajador en
los últimos años.
Año Nómina mensual (€)
2007 2034,75
2008 2062,13
2009 2218,61
2010 2253,67
2011 2181,75
Estudia la pérdida o ganancia de su poder adquisitivo para cada año y de todo el

período global, considerando los valores de la media anual del ipc general que
puedes encontrar en la página del ine.
Solución
Sería conveniente recordar en este momento el concepto de pérdida o ganancia de

poder adquisitivo. Se puede decir que nosotros ganamos poder adquisitivo (capa-
cidad de compra de bienes de consumo) si el salario que percibimos este año está
por encima de lo percibiríamos si nuestro salario hubiera sido incrementado en el
mismo porcentaje que aumentan los precios de estos bienes. Podríamos razonar
de la misma manera para definir la pérdida de poder adquisitivo cuando nuestro
salario queda por debajo de lo que tendríamos si la hubieran incrementado con el
mismo porcentaje que los precios.
El incremento de estos precios está reflejado en el ipc que publica el ine cada mes.
Nosotros tomaremos la media anual general de este índice que podremos encon-
trar fácilmente en la web de este organismo.
Ahora bien, como hacemos un análisis en términos relativos y damos el resultado

en porcentajes, veamos en la siguiente expresión, cómo el salario concreto del que
partimos, no es necesario en el estudio de la evolución del poder adquisitivo:
Ganancia o pérdida de poder adquisitivo = ∆poder adquisitivo =

ración de los incrementos anuales del salario (Δsalario) y del ipc (ΔIPC,) paralelamente.
A tal fin, comenzaremos por calcular los índices «encadenados» de los salarios,
que nos permitirán averiguar los incrementos salariales anuales. En la siguiente
tabla se detallan cálculos y resultados.
Año Nómina mensual (€) Índice

2007 2034,75 ------ -------
2062,13
2008 2062,13 I 2007
2008
= = 1,014 Ha aumentado 1,4 %
2034, 75
2218,61
2009 2218,61 I 2008
2009
= = 1,076 Ha aumentado 7,6 %
2062,13
2253,67
2010 2253,67 I 2009
2010
= = 1,016 Ha aumentado 1,6 %
2218,61
2181, 75
2011 2181,75 I 2010
2011
= = 0,968 Ha disminuido 3,2 %
2253,67
Consultaremos la página del ine para encontrar los valores del ipc de estos años.
Nos interesa la media anual del índice general en base 2006. Si no se dispone de
los datos del año 2011, se utiliza la estimación que se obtiene en el ejercicio 7 de
esta colección. Y con estos datos haremos los mismos análisis que hemos hecho
con las nóminas para obtener los incrementos anuales.
ipc
Año Índice
Base 2006
2007
2007 IPC2006 = 102,787 ------ -------
2008 106,976
2008 2008
IPC2006 = 106,976 I 2007 = = 1,041 Ha aumentado 4,1 %
102,787
2009 106,668
2009 2009
IPC2006 = 106,668 I 2008 = = 0,997 Ha disminuido 0,3 %
106,976
2010 108,588
2010 2010
106,668
2011 110,847
2011 2011
108,588
Ya hemos explicado al comenzar el ejercicio el concepto de pérdida o ganancia
de poder adquisitivo. Se gana poder adquisitivo cuando el incremento salarial está
por encima del incremento del ipc que nos indica, asimismo, el incremento de los
precios de los bienes de consumo. Del mismo modo, habrá una pérdida de poder
adquisitivo cuando el incremento salarial esté por debajo del incremento del ipc.
Para hacer esta comparación, partiremos de los índices que hemos calculado en las
dos tablas anteriores y, como se hace un estudio en términos relativos, haremos los
cocientes de estas cantidades año por año. Mostramos los resultados en la siguien-
te tabla y los cálculos de las casillas sombreadas en gris están debajo de la tabla.
2008 2009 2010 2011
Incremento salarial 1,014 1,076 1,016 0,968
Incremento ipc 1,041 0,997 1,018 1,021

Pérdida o ganancia
0,974 1,079 0,998 0,948
poder adquisitivo
1,014 1,076
Año 2008 g = 0,974 Año 2009 g = 1,079
1,041 0,997
1,016 0,968
Año 2010 g = 0,998 Año 2011 g = 0,948
1,018 1,021
Queda más claro si anotamos las interpretaciones en porcentajes, y así lo mostra-

mos en la siguiente tabla. Convendremos que el signo positivo indica ganancia de
poder adquisitivo y el signo negativo, pérdida.
2008 2009 2010 2011
Incremento salarial +1,4 % +7,6 % +1,6 % –3,2 %
Incremento ipc +4,1 % –0,3 % +1,8 % +2,1 %

Pérdida o ganancia
–2,6 % +7,9 % –0,2 % –5,2 %
poder adquisitivo
Si queremos analizar el incremento total de los tres conceptos, podemos utilizar

las magnitudes originales que disponemos tanto en lo que respecta a los salarios
como al ipc, y lo haremos a partir de sus índices, para el poder adquisitivo.
Veamos el incremento salarial del total del período:
g Ha aumentado un 7,2 %
Calculemos ahora el incremento del ipc (recordemos que la fecha del ipc del 2011
es una estimación).
2011
IPC2006 110,847
I IPC 2011
2007 = 2007
= = 1,078 g Ha aumentado un 7,8 %
IPC2006 102,787
Para calcular la pérdida de poder adquisitivo, planteamos el cociente de estos in-

crementos en su expresión de índice.
I salaris 2011 1,072

I poder adquisitiu 2011 = 2007
= = 0,994 g Ha disminuido un 0,6 %
2007
I IPC 2011
2007
1,078
Si completamos la tabla anterior con esta información tenemos detallada la evo-

lución total.
2008 2009 2010 2011 TOTAL
Incremento salarial +1,4 % +7,6 % +1,6 % –3,2 % +7,2 %
Incremento ipc +4,1 % –0,3 % +1,8 % +2,1 % +7,8 %

Pérdida o ganancia
–2,6 % +7,9 % –0,2 % –5,2 % –0,6 %
poder adquisitivo
Advertimos que aunque de un vistazo nos pueda parecer que los resultados de las
casillas sombreadas se podrían obtener sumando y restando los porcentajes en filas
y columnas, hay que fijarse en que no es cierto tal y como se puede comprobar con
las datos totales y en algunas columnas, por ejemplo en el año 2008.
Ahora bien, sí podemos obtener los resultados, a partir de los índices de la tabla
previa, multiplicándolos.
Veamos el incremento salarial del total del período:

I salaris 2011
2007 = 1,014· 1,076 · 1,016 · 0,968 = 1,073 g Ha aumentado un 7,3 %
Calculemos ahora el incremento del ipc.

I IPC 2011
2007 = 1,041 · 0,997 · 1,018 · 1,021 = 1,079 g Ha aumentado un 7,9 %
Para calcular la pérdida de poder adquisitivo, planteamos también el producto de

los factores:
I poder adquisitiu 2011 = 0,974 · 1,079 · 0,998 · 0,948 = 0,994 g Ha disminuido un 0,6 %
2007
Hay que advertir que la diferencia con los resultados anteriores (del orden de déci-
mas) se debe al redondeo de cada factor. Por esta razón insistimos en la recomen-
dación de utilizar los datos originales de las magnitudes por analizar si dispone-
mos de estas, pero presentamos los dos métodos de resoluciones, para los casos en
que la información disponible sean los incrementos porcentuales anuales.
Ejercicio 9
En las tablas siguientes se presentan los valores del ipc y el incremento salarial de
un trabajador en los años que se indica en cierta comunidad.
Incremento salarial anual (%)

Años ipc Años
Anual ipc
2008 115,1 2008
2009 119,2 2009 1,8
2010 121,6 2010 2,7
2011 123,8 2011 1,7

c) Si las condiciones económicas de la comunidad suponemos que no varían,
Solución
Sería conveniente recordar en este momento el concepto de pérdida o ganancia de

poder adquisitivo que puedes encontrar en el ejercicio 8.
Ganancia o pérdida de poder adquisitivo = ∆poder adquisitivo =

ración de los incrementos anuales del salario (Δsalario) i del ipc (ΔIPC,) paralelamente.
A tal fin, como en el enunciado ya disponemos de los incrementos anuales de los

salarios, habrá que calcular los incrementos medio y total en el período 2008-
2011.
Año Salarios Índice
2008
2009 Ha aumentado 1,8 %
Para calcular el incremento medio de los salarios del período consideraremos que
tenemos 3 índices, y así calcularemos la raíz tercera del producto de estos factores:
que interpretamos como que los salarios

han aumentado un promedio de 2,07 % anual.
Para calcular el incremento total del período lo haremos a partir de los índices
encadenados:
que interpretamos como que

los salarios han aumentado un 6,33 % a lo largo de los tres años.
Para calcular el incremento anual, medio y total del ipc en el período 2008-2011,
calcularemos la secuencia de índices encadenados que presentamos a continua-
ción, donde podemos ver los incrementos anuales:
Año ipc Índice

2008 115,1
2009 119,2 Ha aumentado 3,56 %
2010 121,6 Ha aumentado 2,01 %
2011 123,8 Ha aumentado 1,81 %
Para calcular el incremento total del período podemos operar a partir de los índices
encadenados:
o también a partir de los valores del ipc iniciales y finales del período total:
interpretaremos que el ipc ha aumentado un 7,56 % en todo el período.
Para calcular el incremento medio del ipc, también podemos operar paralelamente:
u obrar así:
interpretaremos que el ipc ha aumentado un promedio de 2,46 % cada año.
c) Si las condiciones económicas de la comunidad suponemos que no varían,

Partiremos del último dato conocido del ipc del año 2011 y lo incrementaremos
con el porcentaje que hemos obtenido como incremento medio en el apartado
anterior:
Para calcular las variaciones del poder adquisitivo presentaremos los datos de los
incrementos en la siguiente tabla:
Año 2009 2010 2011 Total
Inc. salarial 1,8 2,7 1,7 6,33
Inc. ipc 3,56 2,01 1,81 7,56
Inc. poder adquisitivo –1,7 +0,68 –0,11 -1,14
Ya hemos explicado al comenzar el ejercicio el concepto de pérdida o ganancia

de poder adquisitivo. Se gana poder adquisitivo cuando el incremento salarial está
por encima del incremento del ipc que nos indica, asimismo, el incremento de los
precios de los bienes de consumo. Del mismo modo, habrá una pérdida de poder
adquisitivo cuando el incremento salarial esté por debajo del incremento del ipc.
Para hacer esta comparación partiremos de los índices que hemos calculado en las
dos tablas anteriores y, como se hace un estudio en términos relativos, haremos
los cocientes de estas cantidades año por año. Mostramos los resultados en la tabla
anteriores y los cálculos de las casillas sombreadas en gris están a continuación:
Año 2009 g g –1,7 %
Año 2010 g g +0,68 %
Año 2011 g g –0,11 %
Para estudiar el período total g g –1,14 %
Queda más claro si anotamos las interpretaciones en porcentajes, y así lo mostra-

mos en la anterior tabla. Convendremos que el signo positivo indica ganancia de
poder adquisitivo y el signo negativo, pérdida.
Ejercicio 10
Para hacer un estudio de la evolución del precio de cierto modelo de ordenador en
términos reales, disponemos de los datos que presentamos en la tabla siguiente:
minos reales.
en 2008.
c)
2000 2001 2002 2003 2004
ipc base 1992 131 135 139
ipc base 2002 103 106 109
1300 1275 1250 1100 950
Nota: Debemos recurrir a períodos y valores muy antiguos o imaginados para

trabajar el objetivo del cambio de base del ipc, debido a que con la nueva meto-
dología del cálculo del ipc por el ine esta circunstancia se ha superado, pero es
importante que el alumno conozca este contenido para advertir la necesidad de no
trabajar en series de ipc no adecuadas en un mismo ejercicio.
Solución
Para empezar, hay que hacer un cambio de base y encontrar todos los valores del
ipc en la misma base. Llenaremos la tabla con los nuevos valores encontrados (en
rojo) y bajo anotaremos los cálculos realizados.
2000 2001 2002 2003 2004
ipc base 1992 131 135 139 143,05 147,10
ipc base 2002 97,07 100,04 103 106 109
Veamos los datos del año 2003:
103 g 106
139 g X
Para calcular el dato desconocido:
IPC2002
2003
⋅ IPC1992
2002
IPC 2003
1992 = = = 106 · 1,35 = 143,05
IPC20022002
Del mismo modo, calculemos el dato del 2004:
103 g 109
139 g X
Para calcular el dato desconocido:
IPC2002
2004
⋅ IPC1992
2002
IPC1992
2004
= = = 109 · 1,35 = 147,10
IPC20022002
Podríamos plantear de la misma manera (por proporcionalidad) los cálculos para

obtener el resto de datos de la base 2002.
Para continuar el ejercicio utilizaremos los ipc en esta base 1992 o en 2002. Es
indiferente siempre y cuando tengamos cuidado de trabajar todos los índices en la
misma base.
a) Calcula el incremento anual, medio y total del precio del ordenador en términos
reales.
Dado que el análisis del precio del ordenador nos lo piden en términos reales, pri-
mero es necesario hacer la conversión del precio del ordenador en moneda cons-
tante del año 2000 (deflactación de la serie de precios del ordenador).
Precio ordenador Precio ordenador
Año
2000 1300 1300
IPC1992
2000
2001 1275 1275 ⋅ = 1275 ⋅ 131 = 1237,2

IPC1992
2001
135
IPC1992
2000
2002 1250 1250 · = 1250 ⋅ 131 = 1178,06

IPC1992
2002
139
IPC1992
2000
131
2003 1100 1100 · = 1100⋅ = 1007,34
IPC1992
2003
143,05
IPC1992
2000
131
2004 950 950 · = 950⋅ = 846,02
IPC1992
2004
147,10
operamos en la tabla siguiente mediante índices encadenados:
Precio Precio
ordenador ordenador Interpretación:
Año Índice
(términos (términos Incremento anual
nominales) reales 2000)
2000 1300 1300 -----
1237,2 Ha disminuido
2001 1275 1237,2 I 2000
2001
= = 0,9517
1300 un 4,83 %
1178,06
2002 1250 1178,06 I 2001
2002
= = 0,9522 Ha disminuido
1237,2 un 4,78 %
1007,34
2003 1100 1007,34 I 2002
2003
1178,06 un 14,49 %
846,02
2004 950 846,02 I 2003
2004
1007,34 un 16,01 %
Para calcular el incremento total y medio del período, operamos:
846,02
I 2000
2004
= = 0,6508 g A lo largo del período ha disminuido un 34,92 % su
1300
valor en términos reales, que equivale a un incremento medio anual de:
846,02 4
4 = 0,6508 = 0,8982 g una disminución anual media del 10,18 %
1300
en 2008.
Para hacer este apartado, consideramos que nos piden la estimación en términos
corrientes del precio, suponiendo que no varía el comportamiento del ipc ni la
evolución del precio del ordenador en términos reales que hemos analizado en el
apartado anterior.
Para hacer estas estimaciones necesitamos el incremento medio de las dos series.
Nos falta calcular el incremento medio del ipc en el período que nos ocupa:
El ipc ha aumentado un 2,94 % anualmente, por lo que podemos estimar el valor

del ipc en el año 2008.
IPC
IPC
IPC
2008
2008
1992 ==IPC
2008
1992
1992 =IPC
IPC
2004
·1,0294
2004
1992 · ·1,0294
2004
1992
1992 ·1,0294==147,10·1,0294
4 4 4
=147,10·1,0294
147,10·1,0294
· ==165,18
4 4 4
=165,18
165,18
Haremos las mismas operaciones con la serie de los precios de los ordenadores en
términos reales.
Precio ordenador para el año 2008 en t. reales del 2000 = 846,02 · 0,89824 =
550,65 euros.
Para pasarlos a términos corrientes en moneda del 2008:
IPC
IPC
2008
2008
165,18
165,18
550,65·
550,65·
550,65 · 1992
1992
==550,65·
550,65·
550,65 · ==694,32€
694,32€
€
IPC
IPC
2000
2000
1992
1992 131
131
unidad 4
Series temporales
ciones de conceptos que necesitaremos para alcanzar los objetivos de esta unidad
(referencias bibliográficas 1, 21 y 24).
Serie temporal
Es una sucesión de observaciones cuantitativas de un fenómeno ordenadas en los
tiempos y períodos equidistantes. Cada observación que denotaremos por yij, co-
rresponde al valor de la magnitud en el año i y período j. Ejemplo: si tenemos una
serie de observaciones trimestrales a lo largo de los años 2001 a 2005, entendere-
mos que el dato concierne al valor x23 correspondiente al tercer trimestre de 2002.
Gráfica de una serie temporal

La primera herramienta descriptiva que nos puede permitir analizar una serie es su
gráfica, que dibujaremos situando los valores de la serie en el eje de ordenadas y
los valores de los períodos en el eje de abscisas.
Más adelante detallaremos la importancia de observar este gráfico para asegurar-

nos de ajustar nuestra serie a un modelo aditivo y para confirmar los resultados de
las componentes, que han de reflejar cuantitativamente unos valores que confir-
men nuestra visión del fenómeno en la gráfica.
Componentes de una serie temporal

En el análisis de una serie temporal en este tema, consideraremos que toda serie
empírica que analicemos está formada por cuatro componentes teóricas: tenden-
cia, variaciones estacionales, variaciones cíclicas y variaciones residuales.
Tendencia: es la componente que nos explica el comportamiento del fenómeno a
«largo plazo». La denotaremos por Tik y nos permitirá explicar si las medias anua-
les de los valores de la serie aumentan o disminuyen en el período que queremos
analizar.
Variaciones cíclicas: son variaciones que se producen con una periodicidad su-
perior al año y frecuentemente se manifiestan como consecuencia de períodos de
prosperidad y de depresión en la actividad económica, o en otras magnitudes cual-
quiera. Las denotamos por cik. No las obtendremos en este tema, ya que quedan
fuera del alcance de las técnicas que desarrollaremos para tablas pequeñas a fin de
estudiar el desarrollo y la justificación teóricos y explícitos de los cálculos. Para
tablas más grandes nos ayudaremos de software que nos dará resultados que habrá
que analizar con las consideraciones teóricas que podremos ver en los ejercicios
propuestos con tablas de menor tamaño.
Variaciones estacionales: son oscilaciones que se producen con una periodicidad

dentro del año y que se pueden identificar repetidamente a lo largo de los años de
los que disponemos datos por analizar. Por ejemplo, históricamente las series del
paro aumentan en invierno y disminuyen en verano, el volumen de ventas de una
superficie comercial tiene subidas significativas en períodos de rebajas, etc. Las
podremos medir en valores absolutos (componente estacional ek) o en valores re-
lativos (índices estacionales Ik) respecto a la media global (M = media aritmética
de las medias corregidas).
Variaciones residuales o erráticas: ya que los datos son empíricos, es de esperar

que de manera natural haya en ellas pequeñas variaciones aleatorias respecto al
modelo teórico que pretende analizar la serie con la información del resto de los
componentes. Las denotaremos por rik y también se denominaran residuos. Es ne-
cesario que no presentan periodicidad manifiesta y sean de valor reducido. Cuando
cualquiera de sus valores nos llame la atención por su valor absoluto respecto al
resto, nos indicará un dato que por cualquier motivo no se ajusta al modelo que
pretendemos obtener. Hay que analizar su origen: error, efecto producido por una
huelga, un accidente, una perturbación meteorológica que habrá que encontrar
con la información pertinente al alcance del contexto de la serie estudiada y que
intentaremos explicar para justificar la variación de estos datos en particular que
se desajustan del modelo.
Nosotros estudiaremos solo series temporales que supondremos que se ajustan al

modelo aditivo, circunstancia que se puede comprobar acudiendo a la bibliografía
que referimos y que no hemos desarrollado en esta colección de problemas. Por
ello podemos considerar que un dato en particular es el resultado de la suma de
sus componentes. Así:
yij = Tik + cik + eik + rik
Para hacer el análisis de una serie estudiaremos dos métodos: ajuste analítico y el
método de las medias móviles. A continuación pondremos el formulario y la no-
tación de cada uno de los métodos que se podrán seguir en los ejercicios resueltos
a continuación:
Método del ajuste analítico
Para trabajar este método, es conveniente presentar los cálculos en forma de tabla
(véanse ejemplos en los ejercicios resueltos) convenientemente ordenados.
Para calcular la recta de tendencia, en la parte inferior de la tabla de los datos,

calcularemos por columnas las medias mensuales de cada año y i, los valores de
la escala i, y en las dos filas inferiores yi ⋅ i, i2, que nos permitirá calcular en la co-
lumna totales la suma de los valores de cada fila.
Hay que explicar que la fila i es una escala que crearemos para facilitar la reso-
lución del sistema lineal de dos ecuaciones con dos incógnitas. El procedimiento
nos dará resultados óptimos situando el valor del año 0 en la columna central de la
tabla en caso de tener un número impar de años en la tabla, o en cualquiera de las
columnas adyacentes en caso de un número par de años por estudiar:
Ejemplo:
TOTALES
Año 2008 2009 2010 2011 2012
i -2 -1 0 1 2 0
TOTALES
Año 2008 2009 2010 2011 2012 2013
i -2 -1 0 1 2 3 3
Con estos datos que hemos acumulado en la columna de totales, plantearemos y

resolveremos el siguiente sistema:
⎧∑ y = Na + b∑ i
⎪ i i i
⎨
⎪∑ yi ⋅ i = a∑ i + b∑ i 2
⎩ i i i
donde los coeficientes a y b son los coeficientes de la recta de regresión que de-
nominamos recta de tendencia, la formula es Ti = a + b, en la que i hace referencia
al año que se indica en la escala de las tablas superiores de los ejemplos y N es el
número de años o columnas que tiene la tabla de los datos.
Esta recta que encontramos no es sino la recta de ajuste lineal por mínimos cua-
drados a las medias anuales yi.⋅ i
Por su interpretación nos fijaremos en el signo de su pendiente (coeficiente b) que

nos determinará un fenómeno creciente o decreciente, según el signo de b sea
positivo o negativo respectivamente, y el valor del incremento medio anual de la
media anual de los valores de la serie.
El valor de la tendencia lo denotaremos por Ti y lo consideraremos constante para

todos los datos del año i.
Para calcular la componente estacional, trabajaremos las columnas que se pueden

ver a la derecha de la tabla original.
En la primera columna podemos encontrar las medias aritméticas de los valores

∑ yij
originales de los datos de cada período o fila: yk = i .
N
La columna siguiente corresponde a las medias corregidas, , la fórmula de las

cuales es:
donde b/m podemos interpretarlo como el incremento que correspondería a cada

período del incremento anual de los datos, debido a la tendencia del fenómeno. Por
eso se corrige este incremento con la fórmula antes indicada.
Notamos que m es el número de filas de la tabla original, que corresponde al nú-

mero de observaciones que disponemos en cada año. Así, m = 12 si se tratan de
observaciones mensuales, m = 4 si se trata de observaciones trimestrales, etc.
M es la media global corregida y es la media de las medias corregidas antes defi-

nidas:
∑y '
k
M= k
m
que podemos interpretar como el valor medio de las nuevas medias corregidas y que
representará el 100 % o valor de referencia, frente a la que se comparan los com-
portamientos estacionales que calculamos en las dos columnas de la derecha de la
tabla y que son la componente estacional y los índices estacionarios
yk'
I k = ·100. Con estos resultados podremos interpretar en qué períodos los valores
M
de las observaciones están por encima o por debajo del valor de M. ek nos pre-
senta esta desviación en cantidades absolutas, mientras que I k lo indica de manera
porcentual.
Para calcular la componente residual rik habrá que determinar primeramente el valor
de la tendencia Ti para cada año considerado en la tabla, sustituyendo en la recta de
tendencia el valor de i correspondiente y consideraremos para la componente esta-
cional ek los valores que ya hemos calculado y explicado en los párrafos anteriores.
Así, para cada observación, operaremos rik = yik − Ti − ek y dispondremos los re-
sultados en la distribución de la tabla original para facilitar su interpretación e
identificación del período y año correspondientes.
Hacemos esta advertencia porque todos sabemos que las cantidades que hay que
obtener de la componente residual deberían ser pequeñas en valor absoluto, y que no
presentan ninguna regularidad. Ya sabemos que estamos calculando las cantidades
no explicadas por nuestro modelo y que permitirán resaltar aquellos valores pun-
tuales que, por razones no predecibles, muestran divergencia del valor que cabría
esperar, atendiendo a las componentes de la tendencia y estacional.
Hacer predicciones para los años próximos implica que el análisis de nuestro mo-
delo sea vigente y que ninguna otra circunstancia ajena altere las regularidades
que hemos reseñado con nuestro modelo (la tendencia explicada y el comporta-
miento de los períodos ya cuantificado).
Si queremos prever las cantidades de los próximos años será necesario calcular los
valores de su tendencia sustituyendo en la ecuación de su recta los valores de i que
les correspondería en caso de que la tabla continuara.
También consideraremos los valores obtenidos de la componente estacional antes

mencionada, y podremos hacer las previsiones de los datos futuros operando yik =
Ti + ek.
Método de las medias móviles
Este método está basado en el «suavizado» de una serie cuando esta es sustituida
por una sucesión de medias aritméticas de p observaciones, como explicaremos a
continuación. En este apartado teórico (cálculo de las medias móviles) cambiare-
mos la notación de la serie de observaciones inicial y pasaremos a ordenarla con
un único subíndice, considerándola como una sucesión ordenada sin contemplar
su procedencia de período y año.
Para aplicar este método hay que elegir un número p de observaciones por prome-
diar con unos criterios que después explicaremos.
Si p es impar, formaremos una serie nueva de medias que será:
, ,
donde puede verse que los subíndices que adjudicamos a estas medias obtenidas ,
, ... corresponden a un número entero, por lo que estas medias podemos
hacerlas corresponder a un período original, ya que corresponde al centro de los
períodos promediados.
Si p es par, esta circunstancia no se da, ya que , , ... no corresponden

en este caso a un número entero, por lo que, ante la imposibilidad de hacer corres-
ponder las medias aritméticas en algún período de la serie original, haremos los
cálculos de la misma manera, y posteriormente haremos un «centrado» calculando
la media aritmética de cada dos medias móviles consecutivas antes calculadas.
Así:
, , ... ya que ahora los
nuevos subíndices , , ... sí se corresponden a números enteros y,

consecuentemente, a períodos concretos de la serie inicial de observaciones.
Este método está basado en que la nueva serie de medias móviles nos permitirá
vislumbrar la tendencia de la serie original a «largo plazo», ya que se suaviza el
valor individual de cada uno de los datos y las oscilaciones. Para que esta afirma-
ción sea cierta hay que elegir convenientemente el número p de observaciones por
promediar, como hemos indicado antes y vamos a detallar a continuación.
El número p es necesario que sea múltiplo del número de observaciones anuales

(m) a fin de considerar en cada media todas las fluctuaciones estacionales. Así,
debido al método de construcción de las medias móviles antes mencionado, en
cada media se sustituirá un dato que corresponde a un cierto período por otra que
se corresponde al mismo período en la media siguiente, y siempre tenemos asegu-
rada en cada cálculo la media de todas las oscilaciones de los diferentes períodos
dentro de un año o más.
El otro criterio a tener en cuenta se basa en la observación de la gráfica de la serie

original, la importancia de la cual ya hemos comentado al comenzar este apartado
teórico. Observando esta gráfica hay que intentar encontrar una cierta periodicidad
superior al año, es decir, hay que anular el efecto de una componente estacional,
tomando un número p que ha de ser múltiplo del número de observaciones q que
comprende el «período» gráfico que se repite a lo largo de la serie.
De ello resulta que, para calcular la tendencia, habrá que coger un número p de ob-
servaciones que sea el mínimo común múltiplo de m y q. Por ejemplo, si tenemos
una serie de datos trimestrales, m = 4 y de la observación de la gráfica podemos
ver un patrón bianual que se repite aproximadamente cada 8 observaciones, en ese
caso el número p que deberemos considerar para el cálculo de las medias móviles
será 8, y por tratarse de un número par será necesario hacer después un posterior
«centrado».
Para calcular la componente estacional, determinaremos por un lado la media arit-

mética de todos los datos que corresponden a cada período y que denotaremos por
, por otro, calculamos las medias móviles con p = m, número de observaciones
anuales. En caso de que la serie tenga una componente cíclica anual, podremos
aprovechar los cálculos del apartado de la tendencia.
A continuación dispondremos las medias móviles en la distribución bidimensio-

nal que originariamente tenían los datos, distribuyéndolas en años por columnas
y en períodos por filas. Podremos observar que el método de las medias móviles
centradas obliga a que algunas de las celdas de la tabla queden vacías, ya que no
podemos hacer corresponder ningún dato a los períodos iniciales y finales.
A continuación, calcularemos la media aritmética de las medias que corresponden

a cada período y que denotaremos por Ek, ya que podemos considerarla como la
componente extraestacional, pues el comportamiento estacional ha sido anulado
por la elección de los datos conveniente para hacer las medias móviles con p = m.
Así: .
Para finalizar esta parte, recordamos que los temas siguientes serán el desarrollo
de la probabilidad y la inferencia (referencias bibliográficas 7 y 26).
Objetivos
4a) Reconocer en una colección de datos los patrones y la notación de una serie
temporal.
4b) Analizar una serie y a partir de su gráfica, poder comprobar que se adapta
al modelo aditivo.
4c) Conocer las diferentes componentes de una serie temporal: tendencia, com-
ponente estacional, componente errática o residual.
4d) Saber calcular las diferentes componentes de una serie, suponiendo un mo-
delo aditivo, por el método del ajuste analítico.
4e) Saber calcular las diferentes componentes de una serie, suponiendo un mo-
delo aditivo, por el método de las medias móviles.
4f ) Saber interpretar los resultados obtenidos de las diferentes componentes de
una serie temporal y relacionarlos con la gráfica de la serie.
4g) Hacer estimaciones de los valores de una serie temporal en fechas futuras
cercanas a los valores analizados, en el ajuste analítico.
Objetivos
4a 4b 4c 4d 4e 4f 4g
Ejercicios
1 x x x x x x
2 x x x x x x
3 x x x x x x
4 x x x
5 x x x x x
6 x x x x x
7 x x x x x x x
Enunciados
4a) Reconocer en una colección de da-
tos los patrones y la notación de una
serie temporal.
4b) Analizar una serie y a partir de su
gráfica, poder comprobar que se
adapta al modelo aditivo.
4c) Conocer las diferentes componen-
tes de una serie temporal: tenden-
cia, componente estacional, com-
ponente errática o residual.
Ejercicio 1
Para analizar la evolución de los gastos en un departamento de una empresa, se
tomaron los siguientes datos, que expresan en miles de euros los gastos cuatrimes-
trales de los cuatro años que figuran en la tabla:
2008 2009 2010 2011
1.er cuatrimestre 26 25 21 20
2.o cuatrimestre 18 15 12 10
a) Suponiendo modelo aditivo, calcula por el método del ajuste analítico, las
componentes de esta serie e interpreta cada uno de los resultados obtenidos.
b) Estima los valores de los gastos que se pueden esperar para el año 2012.

serie temporal.
Ejercicio 2
Los siguientes datos, extraídos del ini, nos muestran las pernoctaciones hoteleras
en la Comunidad Valenciana, desde el año 2006 hasta el 2010.
Realiza un análisis del fenómeno, obteniendo las diferentes componentes de la
serie temporal para el ajuste analítico, suponiendo un modelo aditivo. Interpreta el
significado de cada una de las componentes.
Haz las previsiones que podemos esperar para los años 2012 y 2013.
2006 2007 2008 2009 2010
Enero 1.296.648 1.307.384 1.289.627 1.115.865 1.061.450
Febrero 1.424.453 1.472.806 1.562.471 1.329.013 1.347.885
Marzo 1.750.282 1.892.925 1.993.175 1.700.733 1.800.323
Abril 2.152.783 2.226.734 1.868.049 1.925.454 1.943.080
Mayo 2.131.194 2.181.889 2.114.631 1.952.409 2.049.616
Junio 2.399.782 2.523.555 2.311.444 2.241.147 2.049.616
Julio 2.884.491 2.983.227 2.877.028 2.871.011 2.945.899
Agosto 3.153.407 3.308.833 3.227.055 3.274.561 3.341.961
Septiembre 2.540.711 2.580.090 2.524.888 2.381.776 2.424.567
Octubre 2.207.203 2.097.005 2.012.838 1.954.615 2.053.500
Noviembre 1.674.433 1.741.296 1.498.967 1.471.579 1.472.610
Diciembre 1.437.036 1.420.988 1.251.809 1.201.342 1.174.451

serie temporal.
Ejercicio 3
Con los siguientes datos, extraídos de la dgt, que nos muestran las nuevas licen-
cias de todos los tipo de carnés de conducir en la Comunidad Valenciana, desde el
año 2008 hasta el 2010, realiza un análisis del fenómeno, obteniendo las diferentes
componentes de la serie temporal para el ajuste analítico.
Interpreta el significado de cada una de las componentes.
2008 2009 2010
Enero 12031 8380 7071
Febrero 12208 8993 7685
Marzo 9497 7973 8444
Abril 12862 7360 6781
Mayo 12567 7874 7728
Junio 12723 7881 7585
Julio 19003 11820 11138
Agosto 2147 1346 2205
Septiembre 10826 8876 7901
Octubre 11196 8374 7427
Noviembre 10628 10137 7665
Diciembre 9064 8083 5746

serie temporal.
Ejercicio 4
La siguiente gráfica es la representación de una serie temporal donde se detallan
los datos bimensuales de 6 años. Si tuviéramos que calcular la tendencia y la com-
ponente estacional de dicha serie por el método de las medias móviles, explica la
elección del número de datos que hay que considerar para el cálculo de las medias
(p) en cada caso, justificando la respuesta.
26
23
20
17
14
11
1/10 1/11 1/12 1/13 1/14 1/15 1/16

serie temporal.
Ejercicio 5
En la siguiente tabla presentamos el número total de viajeros transportados en los
servicios de transporte público en la Comunidad Valenciana, detallados por meses,
de los años 2006 al 2010.
2006 2007 2008 2009 2010

Enero 12340 12542 12622 11869 10283
Febrero 11850 12156 12202 11365 10981
Marzo 13721 13729 10457 12024 12207
Abril 10919 11612 12960 10469 10549
Mayo 13495 13777 12713 12038 12076
Junio 13029 13094 12619 12314 11783
Julio 12118 12364 12351 11490 10621
Agosto 8803 8814 8846 8027 7698
Septiembre 12148 11768 12057 10964 10705
Octubre 13141 13266 13277 11956 11447
Noviembre 13307 12655 12474 11718 11557
Diciembre 11859 11624 11682 10894 10769
a) Calcula las componentes de esta serie, por el método de las medias móviles.
Interpreta los resultados.
serie temporal.
Ejercicio 6
Realiza la gráfica de la siguiente serie que indica los miles de kilos de fruta comer-
cializada por trimestres en los últimos 4 años.
2008 2009 2010 2011
1.er trimestre 10 23 12 29
2.o trimestre 11 27 11 28
Observa las siguientes tablas que presenten los cálculos que hemos hecho para
obtener la tendencia y la componente estacional de dicha serie.
Identifica el método empleado, añade aquellos datos que faltan en las tablas, co-
mentando el procedimiento de cálculo que hay que hacer en las mesas, justificán-
dolos.
datos datos
10 10
11 11
9 9
12,75
8 8
16,75
23 23 18,75
27 27
16,875 23,75
25 16,9375 25 22,375
17 21
20 17 20 19
17 17
12 17,375 12 15,125
13,25
11 11 11,75
17,875 10,25
10 17,625 10
17,375
8 8 16,625
18,75
29 29 20,125
28 28
21 21
23 23
serie temporal.
4d) Saber calcular las diferentes com-
ponentes de una serie, suponiendo
un modelo aditivo, por el método
del ajuste analítico.
Ejercicio 7
La siguiente serie cronológica muestra el número de nuevas contrataciones de una
superficie comercial por cuatrimestres en los años indicados:
2007 2008 2009 2010 2011
1.er cuatrimestre 41 39 35 21 22
2.o cuatrimestre 37 33 27 15 16
a) Realiza la gráfica de la serie y, suponiendo un modelo aditivo, calcula por el

método del ajuste analítico las componentes de esta serie e interpreta cada
uno de los resultados obtenidos.
b) Haz las previsiones que podemos esperar para los años 2012 y 2013.
c) Realiza el análisis de la serie por el método de las medias móviles, estiman-
do también las componentes de la serie.
d) Compara los resultados del análisis por los dos métodos empleados.
Ayudas
excesivo de estas ayudas, es decir, antes de emplear la ayuda hay que pensar el
problema al menos durante unos 10-15 minutos. Después se consultará la ayuda
de tipo 1 y se intentará resolver el ejercicio con esta ayuda. Si no es posible resol-
verlo, entonces se consultará la ayuda de tipo 2, y en último término la solución.
Ayudas Tipo 2
Ejercicio 1
Para resolver este problema sería conveniente llenar la siguiente tabla. En la parte
inferior de los datos realizaremos los cálculos referentes a la recta de tendencia.
Con los valores de las celdas de los totales podremos resolver el sistema corres-
pondiente.
Observa la diferencia en este apartado por ser un número impar de columnas (en
el ejercicio 2 había 4 columnas) y para hacer la escalera tal como está indicada en la
siguiente tabla (fila i).
En las columnas de la derecha podremos hacer los cálculos para obtener la com-
ponente estacional y los índices estacionales (en porcentaje).
2006 2007 2008 2009 2010 yk y k' ek Ik
TOTALES
yi M=
i -2 -1 0 1 2
yi ⋅ i

i2
Recuerda interpretar los resultados que te permitirán confirmar la coherencia de
tus resultados con los datos originales.
Como se trata de una serie mensual con muchos datos habría que ayudarse con una
hoja de cálculo.
Para hacer las previsiones habrá que calcular previamente la tendencia de cada año
y la componente de cada período, y para obtener los datos que queremos, sumare-
mos en cada caso los datos correspondientes.
Ejercicio 2
Para hacer este ejercicio seguiremos el mismo procedimiento que en el ejercicio 2.
También se trata de una serie mensual, por lo que sería conveniente utilizar una
hoja de cálculo. Por tratarse también de un número impar de columnas y utilizando
la escala de la fila i, poniendo el 0 en la columna central, se simplifica mucho la
resolucion del sistema que hay que plantear para la tendencia.
Tal como se ha comentado en el ejercicio 2, es conveniente trabajar los datos re-

llenando una tabla similar a la del ejercicio anterior.
Ejercicio 3
En este ejercicio no se pide hacer ningún cálculo. Tan solo es una reflexión para
aprender a elegir el número de datos (p) que hay que coger para hacer las medias
móviles, tanto para el cálculo de la tendencia como para el cálculo de la compo-
nente estacional.
Ejercicio 4
Se trata de una serie con muchos datos, por lo que habría que ayudarse de una
hoja de cálculo porque debemos abordar el análisis por el método de las medias
móviles.
Hay que hacer, en primer lugar, la gráfica de los datos y buscar la periodicidad de
dicha gráfica. En este caso tiene un comportamiento que se repite año tras año, habrá
pues que calcular medias móviles de 12 datos (p = 12) para el cálculo de la tendencia.
Por tratarse de un número par tendremos que hacer después un posterior «centrado».
Para calcular la componente estacional podremos aprovechar las mismas medias

del apartado anterior por tratarse de p = 12.
Para trabajar más claramente sería conveniente preparar una tabla parecida a esta
(presentamos tan solo los primeros cálculos y espacios).
Las gráficas pueden servirnos también para la interpretación de los resultados y la

validación de la coherencia de estos con los datos originales.
Enero 2006 12.340
Febrero 2006 11.850
Marzo 2006 13.721
Abril 2006 10.919
Mayo 2006 13.495
Junio 2006 13.029
12227,5
Julio 2006 12.118 12235,9167
12244,3333
Agosto 2006 8.803 12257,0833
12269,8333
Ejercicio 5
En este ejercicio ya nos dan las tablas preparadas para el método de las medias
móviles y con muchos cálculos ya realizados. Es un ejercicio de consolidación de
la técnica y también se trabaja el mismo objetivo del problema 4, que es aprender
a averiguar el número de datos que hay que tomar para calcular la tendencia y la
componente estacional. Comienza pensando qué es este número p en cada caso y
completa las tablas donde faltan valores al principio, en medio y al final. Por tra-
tarse de números pares hay que hacer después un «centrado» en cada caso.
Luego también hay que calcular la componente residual.
Ejercicio 6
En realidad este ejercicio es «doble» ya que nos piden el análisis por los dos mé-
todos. Este es un ejercicio para terminar el tema y consolidar nuestro trabajo repa-
sando las dos técnicas de análisis que hemos visto a lo largo del tema.
Habrá que hacer, en primer lugar, un análisis por el método del ajuste analítico.
Puedes seguir la pauta de los ejercicios 2 y 3 en este apartado.
Para hacer el análisis por el método de las medias móviles puedes seguir la pauta
de los ejercicios 5 y 6 pero con menos datos, lo que simplificará los cálculos.
Nos piden que comparemos ambos métodos para reflexionar sobre las semejanzas
y diferencias entre ellos.
Ayudas Tipo 2
Ejercicio 1
Para realizar el análisis de una serie temporal por el método del ajuste analítico es
conveniente disponer los datos en la tabla siguiente, como ya se indicaba en la de
la ayuda tipo 1.
06 07 08 09 10 yk y k' ek I k
TOTALES
yi 10200467 M = 2.059.542
i –2 –1 0 1 2 0
yi ×i –424346

i2 4 1 0 1 4 10
Para calcular la tendencia, nos fijaremos en las celdas de la parte inferior. Hemos
llenado los valores de la columna de los «totales» para poder comprobar sus cál-
culos y habrá que resolver el siguiente sistema:
⎧∑ y = Na + b∑ i
⎪ i i i
⎧10200467 = 5a + 0b
⎨ ⇒ ⎨
⎪∑ yi ⋅ i = a∑ i + b∑ i 2 ⎩-424346 = 0a +10b
⎩ i i i
Los resultados de este sistema nos permiten obtener la recta de tendencia:
Para calcular la componente estacional, nos fijaremos en las celdas de la parte de

la derecha. Recordemos que hay que calcular b/m = –42434,6/12 = –3536,2 para
poder obtener las medias corregidas. Indicamos el valor de M en la tabla.
La componente estacional la obtenemos en valores absolutos y como índice, don-

de el valor de M es el valor de referencia.
Para obtener la componente residual rik = yik - Ti - ek , por lo que hay que tener
previamente calculados los valores de la tendencia (para cada año) y el valor de la
componente estacional (para cada período).
Para hacer las previsiones hay que calcular la tendencia que corresponderá a los
años 2012 y 2013, y construir la serie para los períodos que nos piden sumando
estas componentes: y ik = Ti + ek .
Ejercicio 2
Este ejercicio es muy parecido al anterior y la tabla y los cálculos seguirán el mis-
mo planteamiento.
La tabla para llenar con los «totales» será la siguiente:
08 09 10 yk y k' ek I k
TOTALS M = 9.772
yi 26602
i –1 0 1 0

yi ×i –3948
i2 1 0 1 2
Algunos resultados parciales que puedes comprobar:
Recta de tendencia: Ti = a + bi = 8867,36 −1974i
b/m = –164,5
e1 = –611 e2 = 21 e3 = –805
e4 = –278 e5 = 276 e6 = 447
e7 = 5.202 e8 = –6.721 e9 = 745
e10 = 707 e11 = 1.350 e12 = –332
Con estos valores se debe encontrar la componente errática o residual y las previ-
siones que nos piden.
Ejercicio 3
Para resolver este ejercicio es necesario observar la gráfica de la serie y el número
de datos que hay en cada «período» de la gráfica.
26
23
20
17
14
11
1/10 1/11 1/12 1/13 1/14 1/15 1/16
En este caso, para calcular la tendencia debemos considerar que en esta gráfica se
«repite» el patrón cada 9 observaciones y que por tratarse de datos bimensuales
tenemos 6 datos por año. ¿Cuál será, pues, el número de datos que hay que tomar
en cada media para hacer un «suavizado» por el método de las medias móviles?
Para calcular la componente estacional, ¿cuál será el número de datos a coger?

¿cuántos datos tenemos por año?
Ejercicio 4
Se trata de una serie con muchos datos por lo que hay que advertir que sería reco-
mendable hacer los cálculos con la ayuda de una hoja de cálculo.
Como vamos a utilizar el método de las medias móviles, en primer lugar hay que
decidir el número de datos por considerar en cada media, por lo que hay que ver
la gráfica de la serie:
Podemos ver que tiene una periodicidad anual y como tenemos datos mensuales,
pues hay que calcular medias con 12 datos. Por tratarse de un número par de datos,
tendremos que hacer después un «centrado».
En la siguiente tabla se indican los primeros resultados que podréis comprobar:
Enero 2006 12340
Febrero 2006 11850
Marzo 2006 13721
Abril 2006 10919
Mayo 2006 13495
Junio 2006 13029

12227,5
Julio 2006 12118 12235,9167
12244,3333
Agosto 2006 8803 12257,0833
12269,8333
Septiembre 2006 12148 12270,1667
12270,5
Octubre 2006 13141 12299,375
12328,25
Noviembre 2006 13307 12340
12351,75
Diciembre 2006 11859 12354,4583
12357,1667
Enero 2007 12542
................
Febrero 2007 12.156 ....................
................
La columna de la derecha recoge los valores de la tendencia.
Para hallar la componente estacional, calculamos las medias de los datos origina-
les, por períodos y las denotamos como yk:
2006 2007 2008 2009 2010 yk
Enero 12340 12542 12622 11869 10283
Febrero 11850 12156 12202 11365 10981
Marzo 13721 13729 10457 12024 12207
Abril 10919 11612 12960 10469 10549
Mayo 13495 13777 12713 12038 12076
Junio 13029 13094 12619 12314 11783
Julio 12118 12364 12351 11490 10621
Agosto 8803 8814 8846 8027 7698
Septiembre 12148 11768 12057 10964 10705
Octubre 13141 13266 13277 11956 11447
Noviembre 13307 12655 12474 11718 11557
Diciembre 11859 11624 11682 10894 10769
Por otra parte, en este caso, podemos aprovechar los resultados de las medias de
la tendencia (por estar calculadas con 12 datos, observaciones que tenemos de cada
año), aunque hay que redistribuirlos en años y períodos, en forma de tabla y calcu-
lar sus medias por períodos (filas). Las denotaremos por Ek .
En la siguiente tabla tienes algunos valores para comprobar, aunque hay otros que
deberás calcular.
2006 2007 2008 2009 2010 Ek
Enero 11041,125 11776,9896
Febrero 10991,2083 11749,8854
Marzo 10966,7083 11723,3437
Abril 10934,7083 11690,6667
Mayo 10906,7917 11654,7917
Junio 10894,875
Julio 12235,9167
Agosto 12257,0833
Septiembre 12270,1667
Octubre 12299,375
Noviembre 12340
Diciembre 12354,4583
Para calcular la componente estacional habrá que restar las columnas finales de
estas dos tablas, ek = y k - E k , que nos permitirá explicar cuáles son los meses
de mayor y menor utilización del transporte público en la Comunidad Valenciana.
Para calcular la componente errática o residual hay que restarle a cada valor inicial
el valor de la tendencia correspondiente a cada celda en los casos en que esta existe
(no a los primeros y últimos valores de la serie), y también le restamos el valor de
la componente estacional que corresponde a cada período.
En la siguiente tabla se presentan los resultados de estos cálculos que puedes com-
probar. ¿Sabrías explicar lo que nos dicen los valores reseñados en rojo y en azul?
2006 2007 2008 2009 2010
Enero 20,3729 462,9979 20,1646 –912,335
Febrero –183,0396 235,5021 –220,5396 28,8771
Marzo 661,993725 –2266,21458 –225,214575 536,035425
Abril –351,25835 1329,90835 –586,50835 3,15835
Mayo 281,82497 –476,38333 –484,84163 4,19997
Junio –141,799975 –342,841675 77,908325 –54,466675
Julio 20,168725 215,335425 498,793725 433,502125
Agosto –77,82652 –101,74322 298,21508 290,75678
Septiembre 106,939145 –160,477455 331,647545 88,980845
Octubre –59,283964 287,674336 460,132736 –59,992264
Noviembre 302,245684 –99,004316 25,203984 –66,754316

Diciembre –224,748979 –130,415679 209,501021 65,251021
Ejercicio 5
En este ejercicio nos presentan dos tablas que, evidentemente, se corresponden al
método de las medias móviles.
Miramos la gráfica de la serie (el patrón de periodicidad se puede decir que se re-
pite cada dos años, 8 observaciones) y como se trata de datos trimestrales (4 datos
por año), debemos tomar 8 datos para calcular las medias de la tendencia , ya que
mcm (8,4) = 8.
En la tabla de la izquierda faltan valores para llenar al principio, en medio y al

final. También faltan por calcular las celdas de la columna de la derecha que co-
rresponde al «centrado» (media aritmética de cada dos valores de la columna an-
terior).
Mientras, en la tabla de la derecha que nos proponen en el ejercicio, las medias

que se han calculado son de 4 observaciones, ya que por tratarse de datos trimes-
trales tenemos 4 por año. Podemos comprobar que faltan los resultados de algunas
celdas en la columna de las medias como la del «centrado» de la columna de la
derecha. Estas medias nos permitirán calcular la componente estacional.
Habrá que repetir el proceso del problema anterior:
a) Calcula las medias de los datos originales por períodos yk .

b) Organiza en forma de tabla de doble entrada (años y trimestres) los resulta-
dos de la última columna de la tabla de la derecha.
c) Calcula las medias para cada período de la tabla anterior, E k .
d) Los valores de la componente estacional se obtienen restando .
e) Interpreta los resultados.
Para calcular la componente residual o errática: . Tan solo po-

demos determinarla para los dos años centrales por no disponer de más datos de
tendencia.
Ejercicio 6
Este ejercicio propone hacer el análisis de la serie por los dos métodos para invi-
tarnos a confrontar las dos técnicas.
a) Por el método del ajuste analítico:
Habrá que rellenar la siguiente tabla. Para el cálculo de la tendencia necesitaremos

las celdas de la parte inferior y utilizaremos la columna de «totales» para plantear
el sistema que nos permite obtener los coeficientes de la recta de tendencia:
2007 2008 2009 2010 2011 yk y k' ek Ik
1r cuat. 41 39 35 21 22 112,06 %
2n cuat. 37 33 27 15 16 97,87 %
TOTALES
3r cuat. 36 30 16 12 13 90,07 %
i
yi 38 34 26 16 17 131 M = 28,2
i 0
yi ×i -60
i2 10
En la tabla presentamos algunos resultados que podremos comprobar, y a conti-

nuación los resultados que hay que obtener con los valores de la tabla:
Recta de tendencia: Ti = 26,−6i
b/m = –6/3 = –2
∑y '
k
M= k
= 28,2
m
Componente estacional:
e1 = y1' − M = 31,6 − 28,2 = 3, 4

e2 = y2' − M = 27,6 − 28,2 = −0,6
e3 = y3' − M = 25, 4 − 28,2 = −2,8
Índices estacionales:
y1' 31,6
I1 = ·100 = ·100 = 112,05%
112,05 %
M 28,2
y' 27,6
I 2 = 2 ·100 = ·100 = 97,87
97,87%%
M 28,2
y' 25, 4
I 3 = 3 ·100 = ·100 = 90,07
90,07%%
M 28,2
Para calcular la componente residual: rik = yik − Ti − ek
b) Por el método de las medias móviles:
Hay que ver la gráfica de la serie y como su comportamiento es anual y tenemos

datos cuatrimestrales, tomaremos 3 datos para calcular cada media y obtener la
columna de las medias móviles. Como se trata de un número impar de datos no es
necesario hacer un posterior «centrado».
En la tabla siguiente figuran algunos resultados de los valores por comprobar.

Faltan otras celdas por llenar. La columna, ya completada, son los valores de la
tendencia. Puedes ayudarte de este gráfico para interpretarla:
datos Tik
41
37 38,00
36 37,33
39
33
30 32,67
35 3067
27
16
21 17,33
15 16,00
12
22
16 17,00
13
Estos resultados, que hemos obtenido de las medias, los colocamos de nuevo en
forma de tabla de doble entrada (como el enunciado) haciendo corresponder a
cada período de la tabla su media, y repetiremos todo el procedimiento como se ha
indicado en el ejercicio 6.
La comparación de los dos métodos puedes encontrarla dando respuesta a estas

cuestiones, entre otras posibles que tú puedes añadir:
a) ¿Los resultados son iguales? ¿Y su interpretación?

b) ¿Son igualmente fiables o la calidad de las interpretaciones depende de las
características de los datos (periodicidad, regularidad, etc.)?
c) ¿Puedes hacer previsiones con ambos métodos?
El ejercicio que debes haber encontrado es el ejercicio 6.
Las portadas se diferencian únicamente por las noticias que aparecen, y no por la
posición de cada noticia en la primera plana. Por lo tanto, hay que contar combi-
naciones de 6 noticias agrupadas de 4 en 4.
Soluciones
Ejercicio 1
Para analizar la evolución de los gastos en un departamento de una empresa, se
tomaron los siguientes datos que expresan en miles de euros los gastos cuatrimes-
trales de los cuatro años que figuran en la tabla:
2008 2009 2010 2011
a) Suponiendo un modelo aditivo, calcula por el método del ajuste analítico, las
Solución
a) Suponiendo modelo aditivo, calcula por el método del ajuste analítico, las
Identificación del modelo y gráfica
Siempre hay que empezar con una gráfica de los datos para ver el patrón de com-
portamiento de la serie y confirmar que podemos aplicarle un ajuste analítico de
tipo aditivo:
Viendo esta gráfica solo cabe esperar una tendencia decreciente y también una
componente estacional bastante marcada por la «periodicidad», que podemos ver
en la gráfica (eje X) que coincide con el intervalo anual que corresponde cada tres
datos.
Cálculo de la tendencia
Para calcular la componente de la tendencia llenaremos las casillas de la parte

inferior de la tabla siguiente para ajustar una recta de regresión a las medias cua-
∑ yik
trimestrales anuales que figuran en la tabla en la fila yi = k .
m
Hacer notar que yi es la media de los valores de cada columna. Recordemos tan
solo que cada dato de una serie temporal la representamos por dos subíndices yik
donde i hace referencia al año y k hace referencia al período, m indica el número
de filas de la tabla o número de períodos de los que tenemos datos para cada año.
En nuestro caso m = 3 porque un año tiene 3 cuatrimestres.
Vemos que en la fila siguiente podemos encontrar una escalera i que hace refe-
rencia a los años para simplificar los cálculos; es recomendable poner el valor 0
en alguna de las columnas centrales de la tabla porque simplificará muchos los
cálculos posteriores.
A continuación llenaremos las filas tercera y cuarta que hacen referencia a yi ⋅ i y i 2,

considerando los valores de las filas anteriores.
Después sumaremos las filas y obtendremos los valores que podemos encontrar en
la columna «totales».
2008 2009 2010 2011
3.er cuatrimestre 22 20 18 12 TOTALES
yi 22 20 17 14 73
i -1 0 1 2 2
yi ×i -22 0 17 28 23
i2 1 0 1 4 6
Utilizaremos estos valores «totales» para resolver el sistema que se plantea a con-
tinuación:
⎧∑ y = Na + b∑ i
⎪ i i i
⎨
⎪∑ yi ⋅ i = a∑ i + b∑ i 2
⎩ i i i
donde N es el número de años de los que tenemos datos en la tabla (en este caso,
4 años que corresponden a las 4 columnas) y los coeficientes a y b son los coefi-
cientes de la recta de regresión que denominamos recta de tendencia, la fórmula
de la cual es Ti = a + bi , donde i hace referencia al año que se indica en la escala de
la tabla superior.
⎧∑ y = Na + b∑ i
⎪ i i i
⎧ 73 = 4a + 2b
⎨ ⇒ ⎨
⎪∑ yi ⋅ i = a∑ i + b∑ i 2 ⎩23 = 2a + 6b
⎩ i i i
Resolveremos el sistema por el método que consideremos más adecuado (sería

muy fácil por reducción) y encontramos los valores a = 19,6 y b = –2,7, con los
cuales se concluye que Ti = 19,6 – 2,7i.
Para interpretar esta componente de la serie, Ti , que se llama tendencia y que nos
explica el comportamiento del fenómeno a «largo plazo», nos fijamos en el valor
de la pendiente b = 2,7. Que por ser negativa nos permite explicar que los gastos
del departamento van decreciendo año tras año, y además podemos detallar que
el valor de la media de gastos cuatrimestrales del departamento, y i, cada año ha
disminuido en 2,7 miles de euros.
Cálculo de la componente estacional
La segunda componente de la serie que hay que calcular es la componente esta-

cional, que denotaremos por ek, que nos permitirá analizar el comportamiento del
fenómeno por períodos dentro del año (en nuestro ejercicio, por cuatrimestres),
valorando en cuáles de ellos los valores están por encima o por debajo de un valor
global que denotaremos por M y que llamaremos media global corregida.
Los valores de ek estarán expresados en valores absolutos y en las mismas unida-

des que los datos de la tabla original (en este ejercicio en miles de euros).
Para abordar los cálculos de ek trabajaremos ampliando la tabla en diferentes co-

lumnas hacia la derecha, ya que nos interesa hacer un trabajo por períodos, en este
caso, por cuatrimestres.
En la columna primera calcularemos la media de los valores de cada cuatrimestre

∑ yij
y esta media la denotaremos por yk = i .
N
2008 2009 2010 2011 yk y k' ek Ik
1.er cuatrimestre 26 25 21 20 23 23 3,85 120,10 %
2.o cuatrimestre 18 15 12 10 13,75 14,65 -4,5 76,50 %
TOTALES
3.er cuatrimestre 22 20 18 12 18 19,8 0,65 103,39 %
i
M = 19,15
En la siguiente columna calcularemos las medias corregidas y k' (donde elimina-

mos en cada dato el valor proporcional a la tendencia que le podemos asignar a
cada período), suponiendo que este decrecimiento b = –2,7 ha sido constante a lo
largo de los períodos del año.
En este ejercicio, b/m = –2,7 / 3 = – 0,9. Al ser una tendencia negativa, los valores
de las medias corregidas y k' seran mayores que las medias originales y k , ya que
estas se calculan así:
b
y k' = y k - (k - 1)
m
Así:
b
y1' = y1 − (1−1) = 23− (−0,9)(1−1) = 23
m
b
y2' = y2 − (2 −1) = 13, 75 − (−0,9)(2 −1) = 14,65
m
b
y3' = y3 − (3−1) = 18 − (−0,9)(3−1) = 19,8
m
A continuación, en una celda inferior calculamos M, la media de las medias corre-

gidas, ya que:
∑y '
k
23+14,65 +19.8
M= k
= = 19,15
m 3
y representa el valor de referencia para analizar los valores de los períodos, me-
diante ek = yk' –- M,
M que calcularemos en la siguiente columna:
e1 = y1' − M = 23−19,15 = 3,85

e2 = y2' − M = 14,65 −19,15 = −4,5
e3 = y3' − M = 19,8 −19,15 = 0,65
La componente estacional ek nos explicita el comportamiento por períodos en
valores absolutos, indicándonos signo y cantidad en las mismas unidades que los
datos originales (miles de euros). Así, diremos que durante el primer cuatrimestre
los gastos del departamento de nuestra empresa tienen un valor por encima de la
la media de 3850 euros, mientras que los gastos del segundo cuatrimestre son de
4500 euros por debajo de la media y el tercer cuatrimestre son superiores solo en
650 euros a dicha media. El valor de la media de referencia sería M = 19.150 euros
que podría representar un promedio de gastos cuatrimestrales global.
Otra interpretación de estos datos se puede dar con los índices estacionales
y'
I k = k ·100 que calculamos en la siguiente columna, donde se indica en forma
M
de porcentaje (valor relativo, donde M representa el 100 %) la misma información
que la componente estacional, pero que al tener carácter porcentual es más fácil de
presentar sin particularizar y dar el valor de M.
y1' 23
I1 = ·100 = ·100 = 120,10%
120,10 %
M 19,15
y2' 14,65
I2 = ·100 = ·100 = 76,50
76,50%%
M 19,15
y3' 19,8
I3 = ·100 = ·100 = 103,39%
103,39 %
M 19,15
Esta componente estacional expresada en términos de porcentaje, los índices es-

tacionales, nos permite analizar e interpretar el comportamiento de los datos de la
serie, es decir, los valores de los gastos del departamento por cuatrimestres.
Podremos afirmar que los gastos eran mayores en el primer cuatrimestre, con va-
lores un 20,10 % superiores a la media anual, mientras que los valores del tercer
cuatrimestre siquiera superan dicho valor en un 3,39 %. Cabe destacar que los
gastos disminuyen el segundo cuatrimestre con valores que están alrededor del
76,50 % del valor de dicha media anual global, que podríamos considerar el valor
de M = 19,15 miles de euros.
Cálculo de la componente residual o errática
En tercer lugar, hay que calcular la componente errática o residual que denotamos
por rik, que nos permite destacar el comportamiento de algún dato yik, el valor del
cual no se pueda explicar por las anteriores componentes, lo que permitirá inferir
que por cualquier causa por identificar (motivos extraordinarios) este valor no está
dentro del patrón de comportamiento que hemos encontrado y con el que hemos
interpretado los datos originales para explicar el fenómeno. Los valores de esta
componente errática deben ser pequeños en valor, variados en signo y sin regulari-
dad ni patrón. Nos permiten ver que los datos reales no se ajustan completamente
al patrón que hemos encontrado con la tendencia y la componente estacional. Es
por eso que si algún valor es muy alto o bajo dejará identificar algún dato que
corresponda al período de un año, el valor del cual se aleja mucho de los valores
que cabría esperar.
La calcularemos así rik = yik − Ti − ek en cada celda de la tabla. Para tal fin, prime-
ramente hay que calcular la tendencia para cada año de la tabla Ti = 19,6 − 2, 7i .
T2008 = T−1 = 19,6 − 2, 7(−1) = 22,3

T2009 = T0 = 19,6 − 2, 7·0 = 19,6
T2010 = T1 = 19,6 − 2, 7·1 = 16,9
T2011 = T2 = 19,6 − 2, 7·2 = 14,2
Los valores de la componente estacional están en columna de la tabla ek:

e1 = 3,85 e2 = −4,5 e3 = 0,65
Así, los cálculos para cada celda la están en la siguiente tabla:
2008 2009 2010 2011

26 – 22,3 – 3,85 = 25 – 19,6 – 3,85 = 21 – 16,9 – 3,85 = 20 – 14,2 – 3,85 =
1.er cuatrimestre
–0,15 1,55 0,25 1,95
18 – 22,3 + 4,5= 15 – 19,6 + 4,5 = 12 – 16,9 + 4,5 = 10 – 14,2 + 4,5 =
2.o cuatrimestre
0,2 –0,1 –0,4 0,3
22 – 22,3 – 0,65 = 20 – 19,6 –0,65 = 18 – 16,9 – 0,65= 12 – 14,2 – 0,65 =
3.er cuatrimestre
–0,95 –0,25 0,45 –2,85
De estos resultados, los valores que nos llaman más la atención serían los corres-
pondientes al primer cuatrimestre de 2011, que es superior a lo que cabría esperar
con r2011,1 = 1,95, y el tercer cuatrimestre del mismo año con un valor aún más infe-
rior con r2011,3 = −2,85. Habría que estudiar si alguna circunstancia extraordinaria
justifica estos valores o, por el contrario, indica que el comportamiento del fenó-
meno está cambiando sustancialmente. Habría que estar atentos a los próximos
datos del año siguiente.
Para hacer las estimaciones que nos piden en este apartado, recordemos que no
podemos prever la componente residual, por lo que calcularemos:
yik = Ti + ek
Considerando la escala que hemos adoptado en la tabla para los años, con el
propósito de simplificar los cálculos de la tendencia, podemos establecer que si
2009 ⇒ i = 0, esto comporta 2012 ⇒ i = 3, lo que nos permitirá obtener el valor
de la tendencia para este año: T2012 = T3 = 19,6 − 2, 7·3 = 11,5 y como conocemos
la componente estacional e1 = 3,85, e2 = −4,5 y e3 = 0,65, podremos estimar los
valores de los gastos del año 2012 por quadrimestres.
y2012,1qua = 11,5 + 3,85 = 15,35 miles de euros

y2012,2qua = 11,5 − 4,5 = 7 miles de euros
y2012,3qua = 11,5 + 0,65 = 12,15 miles de euros
Ejercicio 2
Los siguientes datos, extraídos del ini, nos muestran las pernoctaciones hoteleras
en la Comunidad Valenciana, desde el año 2006 hasta el 2010.
Realiza un análisis del fenómeno, obteniendo las diferentes componentes de la

serie temporal para el ajuste analítico, suponiendo un modelo aditivo. Interpreta el
significado de cada una de las componentes.
2006 2007 2008 2009 2010
Enero 1296648 1307384 1289627 1115865 1061450
Febrero 1424453 1472806 1562471 1329013 1347885
Marzo 1750282 1892925 1993175 1700733 1800323
Abril 2152783 2226734 1868049 1925454 1943080
Mayo 2131194 2181889 2114631 1952409 2049616
Junio 2399782 2523555 2311444 2241147 2049616
Julio 2884491 2983227 2877028 2871011 2945899
Agosto 3153407 3308833 3227055 3274561 3341961
Septiembre 2540711 2580090 2524888 2381776 2424567
Octubre 2207203 2097005 2012838 1954615 2053500
Noviembre 1674433 1741296 1498967 1471579 1472610
Diciembre 1437036 1420988 1251809 1201342 1174451
Solución
Análisis del modelo y gráfica
Para empezar, hay que observar la gráfica de los datos y comprobar que pueden ser
analizados por el método del ajuste analítico, suponiendo un modelo aditivo. Es
fácil observar un patrón que se repite con bastante regularidad año tras año con un
marcado comportamiento estacional reiterado a lo largo de la colección de datos
que presentamos. En cambio, no se observa una tendencia de marcada pendiente,
ya que los datos se mantienen bastante constantes a largo plazo.
Consideraremos los datos de la serie siguiente que hace referencia a las pernocta-
ciones mensuales hoteleras en la Comunidad Valenciana en los últimos cinco años:
2006 2007 2008 2009 2010
Enero 1296648 1307384 1289627 1115865 1061450
Febrero 1424453 1472806 1562471 1329013 1347885
Marzo 1750282 1892925 1993175 1700733 1800323
Abril 2152783 2226734 1868049 1925454 1943080
Mayo 2131194 2181889 2114631 1952409 2049616
Junio 2399782 2523555 2311444 2241147 2049616
Julio 2884491 2983227 2877028 2871011 2945899
Agosto 3153407 3308833 3227055 3274561 3341961
Septiembre 2540711 2580090 2524888 2381776 2424567
Octubre 2207203 2097005 2012838 1954615 2053500
Noviembre 1674433 1741296 1498967 1471579 1472610
Diciembre 1437036 1420988 1251809 1201342 1174451 TOTALES
yi 2087702 2144728 2044332 1951625 1972080 10200467

i –2 –1 0 1 2 0
yi ⋅ i –4175404 –2144728 0 1951625 3944160 –424346
i2 4 1 0 1 4 10
Podemos ver que en la parte inferior de la tabla hemos calculado las medias men-
suales de cada año y i , los valores de la escala i y las dos files inferiores yi ⋅ i, i 2,
que nos permitirá calcular en la columna totales la suma de los valores de cada fila.
En todos los cálculos hemos redondeado a números enteros por tratarse de número
de pernoctaciones.
Con estos datos, plantearemos el siguiente sistema:
donde los coeficientes a y b son los coeficientes de la recta de regresión que de-
nominamos recta de tendencia, la formula es Ti = a + bi, donde i hace referencia
al año que se indica en la escala de la tabla superior.
Podemos ver en este ejemplo que la estrategia de darle el valor i = 0 al año corres-
pondiente en la columna central, cuando N (número de años) es impar, simplifica
mucho la resolucion del sistema. Así:
10200467 −424346
a= = 2040093,4 b= = −42434,6
5 10
son los coeficientes de que es la ecuación de

la recta de tendencia y nos permite interpretar que a largo plazo, a partir de estos
datos, la media mensual del número de pernoctaciones disminuye en 42.435 per-
noctaciones por año. Por tratarse de una cantidad pequeña en relación a los datos
de la serie, es la razón por la cual en la gráfica no observábamos claramente el
decrecimiento.
Para calcular la componente estacional, trabajaremos las columnas que se pueden

ver a la derecha de la tabla correspondiente a la serie de pernoctaciones de la Co-
munidad Valenciana (2006-2010).
∑y ij
Recordemos que en la primera columna, yk = i son las medias de las pernoc-
N
taciones de cada mes calculadas con los datos originales, por filas.
La columna siguiente corresponde a las medias corregidas, la fórmula de las cuales

b
és y k' = y k - (k - 1) donde b/m = –42434,6/12 = –3536,2; recordemos que m = 12
m
porque, al tratarse de datos mensuales, tenemos 12 datos por año.
M es la media global corregida y es la media de las medias corregidas:
∑y '
k
M= k
m
que podemos interpretar como el valor medio de las pernoctaciones mensuales y que
representará el 100 % o valor de referencia.
Después, las dos columnas siguientes muestran los valores de la componente es-
yk'
tacional ek = yk –- M y los índices estacionales I k = ·100 , donde podemos ver
'
M
en qué meses el número de pernoctaciones está por encima o por debajo del valor
de M. Así pues, ek nos presenta esta desviación en cantidades absolutas (número de
pernoctaciones) mientras que I k lo indica de manera porcentual.
Podemos interpretar que el mes con más pernoctaciones es agosto con un valor por
encima de la media es 59,55 %, mientras que el mes que registra menos pernoc-
taciones es enero, que registra tan solo unos valores que corresponden al 58,95 %
del valor de referencia M. Podemos observar también que los valores más impor-
tantes se concentran en los meses de agosto, julio y septiembre, mientras que los
meses de menor afluencia corresponden a enero, diciembre y febrero.
Podemos observar un comportamiento estacional muy marcado.
Tabla correspondiente a la serie de pernoctaciones en la Comunidad Valenciana
(2006-2010)

2006 2007 2008 2009 2010 yk y k' ek Ik
Enero 1296648 1307384 1289627 1115865 1061450 1214195 1214195 –845348 58,95
Febrero 1424453 1472806 1562471 1329013 1347885 1427326 1430862 –628681 69,47
Marzo 1750282 1892925 1993175 1700733 1800323 1827488 1834560 –224982 89,08
Abril 2152783 2226734 1868049 1925454 1943080 2023220 2033828,6 –25714 98,75
Mayo 2131194 2181889 2114631 1952409 2049616 2085948 2100092,6 40550 101,97
Junio 2399782 2523555 2311444 2241147 2049616 2305109 2322789,8 263247 112,78
Julio 2884491 2983227 2877028 2871011 2945899 2912331 2933548,4 874006 142,44
Agosto 3153407 3308833 3227055 3274561 3341961 3261163 3285916,8 1226374 159,55
Septiembre 2540711 2580090 2524888 2381776 2424567 2490406 2518696 459154 122,29
Octubre 2207203 2097005 2012838 1954615 2053500 2065032 2096858 37316 101,81
Noviembre 1674433 1741296 1498967 1471579 1472610 1571777 1607139 –452403 78,03
Diciembre 1437036 1420988 1251809 1201342 1174451 TOTALES 1297125 1336023,4 –723519 64,87
yi 2087702 2144728 2044332 1951625 1972080 10200467 M = 2059542
i –2 –1 0 1 2 0
yi ⋅ i –4175404 –2144728 0 1951625 3944160 -424346
i2 4 1 0 1 4 10
Tendència 2124962,6 2082528 2040093 1997658,8 1955224,2 b/m=-

42434,6/12=
-3536,2
Recta de tendencia: Ti = a + bi = 2040093, 4 − 42434,6i con i = 0 que corresponde

al año 2008, como podemos ver en la tabla.
Para calcular la componente residual rik = yik − Ti − ek habrá que calcular primero el
valor de la tendencia para cada año, y consideraremos para la componente estacio-
nal ek los valores que podemos encontrar en la tabla ya calculados. Así:
T2006 = 2040093, 4 − 42434,6(−2) = 2124962,6
T2007 = 2040093,4 – 42434,6(–1) = 2082528
T2008 = 2040093,4 – 42434,6 · 0 = 2040093,4
T2009 = 2040093,4 – 42434,6 · 1 = 1997658,8
T2010 = 2040093,4 – 42434,6 · 2 = 1955224,2
y consideraremos los valores de la componente estacional:
e1 = –845.348 e2 = –628.681 e3 = –224.982

e4 = –25.714 e5 = 40.550 e6 = 263.247
e7 = 874.00 e8 = 1.226.374 e9 = 459.154
e10 = 37.316 e11 = –452.403 e12 = –723.519
Con estos datos, los valores de la componente residual están calculados en la si-
guiente tabla (para ver mejor los datos a efectos de interpretación hemos redon-
deado los resultados en número exacto de pernoctaciones y hemos reseñado con
rojo los valores negativos).
Por ser la componente residual estas cifras podrían sorprendernos, pero hay que
considerar que si comparamos los valores más extremos resaltados (que posterior-
mente comentaremos), estamos hablando de magnitudes cercanas a +/– 150.000
frente al valor global de la tabla M = 2.059.542. Por lo cual, estamos hablando de
valores relativos cercanos al 7 %.
obtener de la componente residual deberían ser pequeñas en valor absoluto, y que
no presentan ninguna regularidad. Ya sabemos que estamos calculando las canti-
dades no explicadas por nuestro modelo y que permitirán resaltar aquellos valores
puntuales, que por razones no predecibles, muestran divergencia del valor que
cabría esperar, atendiendo a las componentes de la tendencia y estacional.
Como se puede ver, en marzo y agosto de 2006, los valores estuvieron por debajo
las previsiones, mientras que en abril y junio de 2007 los valores estuvieron por
encima. Hay que fijarse con el comportamiento de los datos en los meses de febre-
ro, marzo y abril de 2008 y junio, julio y agosto de 2010 que presentan, en ambos
casos, la secuencia de tres meses con valores que parece que se «compensan» en
la misma temporada.
residual residual residual residual residual

2006 2007 2008 2009 2010
Enero 17033 70204 94881 –36446 –48427
Febrero –71829 18959 151058 –39965 21341
Marzo –149698 35379 178064 –71943 70081
Abril 53534 169920 –146331 –46491 13570
Mayo –34319 58811 33987 –85800 53842
Junio 11572 177780 8103 –19759 –168856
Julio –114478 26693 –37071 –654 116669
Agosto –197930 –69 –39413 50528 160362
Septiembre –43405 38408 25641 –75036 10189
Octubre 44925 –22839 –64571 –80359 60960
Noviembre 1874 111171 –88723 –73676 –30211
Diciembre 35592 61979 –64765 –72798 –57254
Previsiones para los años 2012 y 2013
Hacer predicciones para los años posteriores implica que el análisis de nuestro
modelo sea vigente y que ninguna otra circunstancia ajena altere las regularidades
que hemos reseñado con nuestro modelo (la tendencia ligeramente decreciente y
el comportamiento mensual ya comentado).
Si queremos prever las cantidades de los años 2012 y 2013 será necesario calcular
la tendencia sustituyendo los valores i = 4 (para el año 2012) e i = 5 (para el año
2013). Estos valores serían los que corresponderían a estos años en la escala de los
valores i de la primera parte de la tabla. Así:
T2012 = 2040093,4 – 42434,6 · 4 = 1870355

T2013 = 2040093,4 – 42434,6 · 5 = 1827920,4
y con la componente estacional antes mencionada, podremos hacer las previsiones

mensuales para los años 2012 y 2013, estimando yyikik = Ti + ek.
Previsiones 2012 Previsiones 2013
Enero 1870355 – 845348 = 1025007 1827920,4 – 845348 = 982573

Febrero 1870355 – 628681 = 1241674 1827920,4 – 628681 = 1199240
Marzo 1870355 – 224982 = 1645373 1827920,4 – 224982 = 1602938
Abril 1870355 – 25714 = 1844641 1827920,4 – 25714 = 1802207
Mayo 1870355 + 40550 = 1910905 1827920,4 + 40550 = 1868471
Junio 1870355 + 263247 = 2133602 1827920,4 + 263247 = 2091168
Julio 1870355 + 874006 = 2744361 1827920,4 + 874006 = 2701926
Agosto 1870355 + 1226374 = 3096729 1827920,4 + 1226374 = 3054295
Septiembre 1870355 + 459154 = 2329509 1827920,4 + 459154 = 2287074
Octubre 1870355 + 37316 = 1907671 1827920,4 + 37316 = 1865236
Noviembre 1870355 – 452403 = 1417952 1827920,4 – 452403 = 1375517
Diciembre 1870355 – 723519 = 1146836 1827920,4 – 723519 = 1104401
Ejercicio 3
Con los siguientes datos, extraídos de la dgt, que nos muestran las nuevas licen-
cias de todos los tipo de carnés de conducir en la Comunidad Valenciana, desde el
año 2008 hasta el 2010, realiza un análisis del fenómeno, obteniendo las diferentes
componentes de la serie temporal por el ajuste analítico.
Interpreta el significado de cada una de las componentes.
2008 2009 2010
Enero 12031 8380 7071
Febrero 12208 8993 7685
Marzo 9497 7973 8444
Abril 12862 7360 6781
Mayo 12567 7874 7728
Junio 12723 7881 7585
Julio 19003 11820 11138
Agosto 2147 1346 2205
Septiembre 10826 8876 7901
Octubre 11196 8374 7427
Noviembre 10628 10137 7665
Diciembre 9064 8083 5746
Solución
Análisis del modelo y gráfico
Para empezar, hay que observar la gráfica de los datos y comprobar que pueden
ser analizados por el método del ajuste analítico, suponiendo un modelo aditivo.
Podemos observar una tendencia ligeramente decreciente y un comportamiento
estacional bastante constante, exceptuando los meses de julio y agosto.
Consideraremos los datos de la serie siguiente que hace referencia al número de

las nuevas licencias de la totalidad de los tipos de permisos de conducir en la Co-
munidad Valenciana, en los años 2008 al 2010:
2008 2009 2010

Enero 12031 8380 7071
Febrero 12208 8993 7685
Marzo 9497 7973 8444
Abril 12862 7360 6781
Mayo 12567 7874 7728
Junio 12723 7881 7585
Julio 19003 11820 11138
Agosto 2147 1346 2205
Septiembre 10826 8876 7901
Octubre 11196 8374 7427
Noviembre 10628 10137 7665
Diciembre 9064 8083 5746 TOTALES
yi 11229 8091 7281 26602
i -1 0 1 0
yi ⋅ i -11229 0 7281 -3948
i2 1 0 1 2
Podemos ver que en la parte inferior de la tabla hemos calculado las medias men-
suales de cada año y i, los valores de la escala i y las dos filas inferiores yi ⋅ i, i 2, que
nos permitirá calcular en la columna Totales la suma de los valores de cada fila.
Con estos datos, plantearemos el siguiente sistema:
⎧∑ y = Na + b∑ i
⎪ i i i
⎧26602 = 3a + 0b
⎨ ⇒ ⎨
⎪∑ yi ⋅ i = a∑ i + b∑ i 2 ⎩-3948 = 0a + 2b
⎩ i i i
donde a y b son los coeficientes de la recta de regresión que denominamos recta

de tendencia, la formula es Ti = a + bi, donde i hace referencia al año que se indica
en la escala de la tabla superior.
Podemos ver en este ejemplo que la estrategia de darle el valor i = 0 al año corres-
pondiente en la columna central, cuando N (número de años) es impar simplifica
mucho la resolucion del sistema. Así:
26602 - 3948
a= = 8867,36
36 b= = - 1974
3 2
son los coeficientes de Ti = a + bi = 8867,36 −1974i que es la ecuación de la recta

de tendencia y nos permite interpretar que a largo plazo, a partir de estos datos, la
media mensual del número de nuevas licencias disminuye en 1974 nuevos permi-
sos por año. Por tratarse de una cantidad pequeña en relación a los datos de la serie,
es la razón por la cual en la gráfica no observábamos claramente el decrecimiento.
Para calcular la componente estacional trabajaremos las columnas que se pueden

ver a la derecha de la tabla siguiente.
∑ yij
Recordemos que en la primera columna, yk = i son las medias de los datos de
N
cada mes, calculadas con los datos originales, por filas.
La columna siguiente corresponde a las medias corregidas, la fórmula de las cua-

les es donde b/m = –1974/12 = –164,5. Recordemos que m = 12
porque, al tratarse de datos mensuales, tenemos 12 datos por año.
M es la media global corregida y es la media de las medias corregidas.
∑y '
k
M= k
m
que podemos interpretar como el valor medio de las nuevas medias corregidas
mensuales y que representará el 100 % o valor de referencia.
Después, las dos columnas siguientes muestran los valores de la componente es-
yk'
tacional ek = yk -– M
'
M y los índices estacionales I k = ·100 , donde podemos ver
M
en qué meses el número de nuevas licencias está por encima o debajo del valor
de M. Así pues, ek nos presenta esta desviación en cantidades absolutas (número de
pernoctaciones) mientras que I k lo indica de manera porcentual.
Podemos interpretar que el mes con menos licencias nuevas expedidas es agosto
con un valor muy por debajo de la media del 31 %, mientras que el mes que registra
más licencias expedidas es julio, que registra un valor del 53 % por encima del valor
de referencia M. Podemos observar también que el resto de meses tienen valores
bastante cercanos al 100 %, lo que podemos interpretar como que este fenómeno no
tiene un comportamiento estacional marcado, excepto los meses de julio y agosto
antes citados.
Tabla correspondiente a la serie de nuevas licencias expedidas de todos los tipos

de carnés en la Comunidad Valenciana (2008-2010)
2008 2009 2010 yk yk ' ek Ik
Enero 12031 8380 7071 9161 9.161 –611 93,74
Febrero 12208 8993 7685 9629 9.793 21 100,22
Marzo 9497 7973 8444 8638 8967 –805 91,76
Abril 12862 7360 6781 9001 9494,5 –278 97,16
Mayo 12567 7874 7728 9390 10047,6667 276 102,82
Junio 12723 7881 7585 9396 10218,8333 447 104,57
Julio 19003 11820 11138 13987 14974 5202 153,23
Agosto 2147 1346 2205 1899 3050,83333 –6721 31,22
Septiembre 10826 8876 7901 9201 10517 745 107,62
Octubre 11196 8374 7427 8999 10479,5 707 107,24
Noviembre 10628 10137 7665 9477 11121,6667 1350 113,81
Diciembre 9064 8083 5746 TOTALES 7631 9440,5 –332 96,61
yi 11229 8091 7281 26602 M= 9.772
i –1 0 1 0
yi ×i –11229 0 7281 –3948
i2 1 0 1 2
Tendencia 10841,36111 8867,361 6893,361111
b/m = –164,5
Recta de tendencia: Ti = a + bi = 8867,36 −1974i con i = 0 que corresponde al año
2009, como se pueden ver en la tabla.
Para hallar la componente residual rik = yik − Ti − ek se deberá calcular primero el

valor de la tendencia para cada año, y consideraremos para la componente estacio-
nal ek los valores que podemos encontrar en la tabla ya calculados. Así:
T2008 = 8867,36 – 1974(–1) = 10841,36

T2009 = 8867,36 – 1974 · 0 = 8867,36
T2010 = 8867,36 – 1974 · 1 = 6893,36
y consideraremos los valores de la componente estacional:
e1 = –611 e2 = 21 e3 = –805
e4 = –278 e5 = 276 e6 = 447
e7 = 5.202 e8 = –6.721 e9 = 745
e10 = 707 e11 = 1.350 e12 = –332
Con estos datos, los valores de la componente residual están calculados en la si-
guiente tabla (para ver mejor los datos a efectos de interpretación hemos redon-
deado los resultados en número exacto de licencias y hemos reseñado con rojo los
valores negativos)
obtener de la componente residual deberían ser pequeñas en valor absoluto, y que
no presentan ninguna regularidad. Ya sabemos que estamos calculando las canti-
dades no explicadas por nuestro modelo y que permitirán resaltar aquellos valores
puntuales que por razones no predecibles, muestran divergencia del valor que ca-
bría esperar, atendiendo a las componentes de la tendencia y estacional.
Como se puede ver, en la tabla siguiente hemos remarcado en rojo los datos que
están por debajo de los valores que cabría esperar y con azul los valores que están
por encima. Para interpretar conjuntamente los datos reales y los resultados de
la componente estacional hemos introducido debajo de la tabla un gráfico de las
subseries anuales de los datos.
Residual Residual Residual
2008 2009 2010
Enero 1801 124 789
Febrero 1346 105 771
Marzo –539 –89 2356
Abril 2298 –1230 165
Mayo 1450 –1269 559
Junio 1435 –1433 245
Julio 2960 –2249 –957
Agosto –1973 –800 2033
Septiembre –760 –736 263
Octubre –353 –1201 –174
Noviembre –1563 –80 –578
Diciembre –1446 –453 –816
Podemos observar que los valores de los datos de la componente residual del año
2008, efectivamente, corresponden a los meses, los datos de los cuales se alejan
bastante del comportamiento que corresponde al patrón de los otros años. Los
datos de agosto distorsionan un poco porque no siguen el comportamiento de la ten-
dencia anual; es como si dijéramos que es un mínimo porque paran los servicios y
es independiente de los valores de la tendencia.
La mayor parte de los datos reseñados corresponden al año 2008 porque se puede
observar mejor en este gráfico que no sigue el mismo patrón estacional que los
años siguientes, si exceptuamos los valores de los meses de verano.
En todo caso, cabe destacar que es una serie demasiado corta (tres años) para hacer
un análisis muy riguroso.
Previsiones para los años 2012 y 2013
Hacer predicciones para los años posteriores que implica que el análisis de nuestro
modelo sea vigente y que ninguna otra circunstancia ajena altere las regularidades
que hemos reseñado con nuestro modelo (la tendencia ligeramente decreciente y
el comportamiento mensual ya comentado).
Si queremos prever las cantidades de los años 2012 y 2013 será necesario calcular
la tendencia sustituyendo los valores i = 2 (para el año 2011) e i = 3 (para el año
2012). Estos valores serían los que corresponderían a estos años en la escala de los
valores i de la primera parte de la tabla. Así:
y con la componente estacional antes mencionada, podremos hacer las previsiones

mensuales para los años 2011 y 2012, estimando y ik = Ti + ek .
Previsiones 2011 Previsiones 2012
Enero 4919,36 – 611 = 4308 2945,36 – 611 = 2334
Febrero 4919,36 + 21 = 4940 2945,36 + 21 = 2966
Marzo 4919,36 – 805 = 4114 2945,36 – 805 = 2140
Abril 4919,36 – 278 = 4642 2945,36 – 278 = 2668
Mayo 4919,36 + 276 = 5195 2945,36 + 276 = 3221
Junio 4919,36 + 447 = 5366 2945,36 + 447 = 3292
Julio 4919,36 + 5202 = 10.121 52945,36 + 202 = 8147
Agosto 4919,36 – 6721 = –1802 2945,36 – 6.721 = –3776
Septiembre 4919,36 + 745 = 5664 2945,36 + 745 = 3690
Octubre 4919,36 + 707 = 5627 2945,36 + 707 = 3653
Noviembre 4919,36 + 1350 = 6269 2945,36 + 1.350 = 4295
Diciembre 4919,36 – 332 = 4588 2945,36 – 332 = 2614
Hay que hacer notar que los resultados de la tabla anterior están redondeados por
tratarse de número de nuevas licencias que podemos prever para los años que se
señalan. No se debe olvidar, insistimos, que la fiabilidad de estas previsiones está
en función de la hipótesis de que el fenómeno mantenga el comportamiento decre-
ciente que nos ha indicando la tendencia.
Ejercicio 4
La siguiente gráfica es la representación de una serie temporal donde se detallan
los datos bimensuales de 6 años. Si tuviéramos que calcular la tendencia y la com-
ponente estacional de dicha serie por el método de las medias móviles, explica
la elección del número de datos que habría que considerar para el cálculo de las
medias (p) en cada caso, justificando la respuesta.
Solución
Para empezar la resolucion por el método de las medias móviles hay que elegir el
número adecuado de observaciones por incluir en cada media. Este número depen-
de de la componente que queremos encontrar.
Comenzaremos por explicar este número en el caso de la tendencia.
Este número que denotaremos por p es el mínimo común múltiplo, mcm en ade-
lante, el número de observaciones por año (en este caso 6 para ser observaciones
bimensuales, es decir, tenemos un dato cada dos meses, por lo que tenemos 6 datos
por año) y el número de observaciones que incluye cada «período» de la gráfica (9
en este caso porque tal y como se ve en la gráfica, la serie tiene un comportamiento
o patrón que se repite cada 9 puntos aproximadamente).
Así pues, para calcular la tendencia el número de observaciones por tomar para
cada media móvil es p, donde
p = mcm (6,9) = 18
Esta elección nos asegura que al hacer el suavizado de 18 observaciones, todas las
fluctuaciones anuales y estacionales se contemplan en cada medio, y así sustitui-
mos cada valor que se abandona en una media por otro que sería equivalente a la
media siguiente a fin de conseguir la tendencia, que explica el comportamiento del
fenómeno a largo plazo de la serie.
Estudiamos ahora cuál sería el número de observaciones a considerar en el caso de

la componente estacional.
En este caso, el número p es el número de observaciones que hay que tomar para
tener un año completo. Es decir, en nuestro problema, p = 6.
En esta elección, cada dato es sustituido en un promedio por otra que tiene el mis-
mo comportamiento estacional el año próximo en la media siguiente. Podremos
observar que en cada uno de los cálculos siempre consideraremos los datos de un
año completo.
Ejercicio 5
En la siguiente tabla presentamos el número total de viajeros trasladados en los
servicios de transporte público en la Comunidad Valenciana, detallados por meses,
de los años 2006 al 2010.
2006 2007 2008 2009 2010

Enero 12340 12542 12622 11869 10283
Febrero 11850 12156 12202 11365 10981
Marzo 13721 13729 10457 12024 12207
Abril 10919 11612 12960 10469 10549
Mayo 13495 13777 12713 12038 12076
Junio 13029 13094 12619 12314 11783
Julio 12118 12364 12351 11490 10621
Agosto 8803 8814 8846 8027 7698
Septiembre 12148 11768 12057 10964 10705
Octubre 13141 13266 13277 11956 11447
Noviembre 13307 12655 12474 11718 11557
Diciembre 11859 11624 11682 10894 10769
Solución
Calcula las componentes de esta serie por el método de las medias móviles. Inter-
preta los resultados.
Análisis de los datos para decidir el número de observaciones que deben tomarse
en cada media
Para empezar la resolución por el método de las medias móviles hay que elegir el
número adecuado de observaciones por incluir en cada media. Este número depen-
de de la componente que queramos encontrar.
Comenzaremos por explicar este número en el caso de la tendencia.
Este número que denotaremos por n es el mínimo común múltiplo, mcm en ade-
lante, el número de observaciones por año (en este caso 12 para ser observaciones
mensuales) y el número de observaciones que incluye cada «período» de la gráfica
(12 en este caso porque tal y como se ve, la gráfica tiene un comportamiento que
se repite cada año).
Para calcular la tendencia
Así, hay que hacer las medias aritméticas de 12 datos, de tal modo que en el primer
caso, calculemos su media:
y así vamos sustituyendo un dato (el primero) por el siguiente dato de la serie, de
tal manera que siempre hacemos la media de 12 datos, es decir, determinamos por
el método de las medias móviles de 12 datos la segunda columna que utilizaremos
para calcular la tendencia de la serie. Se puede observar que siempre se trata de la me-
dia de los datos de todo un año, aunque esta colección va empezando en cada media
por los diferentes meses:
Podemos observar como hemos calculado los siguientes términos de la segunda

columna:
y así, sucesivamente, se calculan los valores restantes de la segunda columna que

hemos denotado por y .
Un tema que hay que especificar es que estas medias corresponden a 12 meses
(número par), por lo que es difícil hacer corresponder estas medias calculadas a
ninguno de los períodos de los que partimos, ya que no tendremos un período que
corresponda al centro de las observaciones promediado. En estos casos en que
el promedio corresponde a un número par de datos, hay que calcular la tercera
columna donde tendremos las medias móviles centradas y, además, es la media
aritmética de cada dos datos consecutivos de la segunda, columna para hacerlos
corresponder a un mes en particular.
Explicamos cómo obtener los primeros valores de la tercera columna, denotada

por Tij, los valores de la que consideramos que explican la «tendencia» de la serie
y nos permite ver el comportamiento de los valores de la serie a largo plazo. A
diferencia del método del ajuste analítico, la tendencia es una secuencia numérica
extraída de los valores de los datos y no disponemos de una expresión algebraica
para obtener un valor de tendencia para cada año.
En este método de las medias móviles obtenemos un valor diferente que hace
referencia a cada mes de cada año, exceptuando los valores iniciales y finales que
no podemos calcular.
Enero 2006 12340

Febrero 2006 11850
Marzo 2006 13721
Abril 2006 10919
Mayo 2006 13495
Junio 2006 13029 12227,5
Julio 2006 12118 12244,3333 12235,9167
Agosto 2006 8803 12269,8333 12257,0833
Septiembre 2006 12148 12270,5 12270,1667
Octubre 2006 13141 12328,25 12299,375
Noviembre 2006 13307 12351,75 12340
Diciembre 2006 11859 12357,1667 12354,4583
Enero 2007 12542 12377,6667 12367,4167
Febrero 2007 12156 12378,5833 12378,125
Marzo 2007 13729 12346,9167 12362,75
Abril 2007 11612 12357,3333 12352,125
Mayo 2007 13777 12303 12330,1667
Junio 2007 13094 12283,4167 12293,2083
Julio 2007 12364 12290,0833 12286,75
Agosto 2007 8814 12293,9167 12292
Septiembre 2007 11768 12021,25 12157,5833
Octubre 2007 13266 12133,5833 12077,4167
Noviembre 2007 12655 12044,9167 12089,25
Diciembre 2007 11624 12005,3333 12025,125
Enero 2008 12622 12004,25 12004,7917
Febrero 2008 12202 12006,9167 12005,5833
Marzo 2008 10457 12031 12018,9583
Abril 2008 12960 12031,9167 12031,4583
Mayo 2008 12713 12016,8333 12024,375
Junio 2008 12619 12021,6667 12019,25
Julio 2008 12351 11958,9167 11990,2917
Agosto 2008 8846 11889,1667 11924,0417
Septiembre 2008 12057 12019,75 11954,4583
Octubre 2008 13277 11812,1667 11915,9583
Noviembre 2008 12474 11755,9167 11784,0417
Diciembre 2008 11682 11730,5 11743,2083
Enero 2009 11869 11658,75 11694,625
Febrero 2009 11365 11590,5 11624,625
Marzo 2009 12024 11499,4167 11544,9583
Abril 2009 10469 11389,3333 11444,375
Mayo 2009 12038 11326,3333 11357,8333
Junio 2009 12314 11260,6667 11293,5
Julio 2009 11490 11128,5 11194,5833
Agosto 2009 8027 11096,5 11112,5
Septiembre 2009 10964 11111,75 11104,125
Octubre2009 11956 11118,4167 11115,0833
Noviembre 2009 11718 11121,5833 11120
Diciembre 2009 10894 11077,3333 11099,4583
Enero 2010 10283 11004,9167 11041,125
Febrero 2010 10981 10977,5 10991,2083
Marzo 2010 12207 10955,9167 10966,7083
Abril 2010 10549 10913,5 10934,7083
Mayo 2010 12076 10900,0833 10906,7917
Junio 2010 11783 10889,6667 10894,875
Julio 2010 10621
Agosto 2010 7698
Septiembre 2010 10705
Octubre 2010 11447
Noviembre 2010 11557
Diciembre 2010 10769
Podemos presentar los cálculos de los primeros valores de la tendencia:
12227,5 + 12244,3333
T juliol 2006 = = 12235,9167
2
12244,3333 + 12269,8333
Tagost 2006 = = 12257,0833
2
12269,8333 + 12270,5
Tsetembre 2006 = = 12270,1667
2
y así podemos comprobar los valores del resto de la columna.
Habría que explicar mejor que los valores de la segunda y tercera columnas, qui-
zás quedarían mejor referidos al período, si las presentaremos como lo hacemos
en la tabla siguiente. Hemos calculado los promedios de 12 valores y los hacemos
corresponder en el «centro» de este período, que situamos en la celda de la tabla
que hemos previsto intercalando una fila entre cada dos filas de datos originales,
y que después permitirán ver más claramente los datos de este procedimiento de
medias móviles centradas. No hemos presentado los cálculos de toda la serie por
motivos de espacio, como es evidente. Sin embargo, sí queremos mostrarlos con
los primeros valores de la serie:
yik Tik
Enero 2006 12340
Febrero 2006 11850
Marzo 2006 13721
Abril 2006 10919
Mayo 2006 13495
Junio 2006 13029

12227,5
Julio 2006 12118 12235,9167
12244,3333
Agosto 2006 8803 12257,0833
12269,8333
Septiembre 2006 12148 12270,1667
12270,5
Octubre 2006 13141 12299,375
12328,25
Noviembre 2006 13307 12340
12351,75
Diciembre 2006 11859 12354,4583
12357,1667
Enero 2007 12542 12367,4167
12377,6667
Febrero 2007 12156 12378,125
12378,5833
Marzo 2007 13729 12362,75
12346,9167
Abril 2007 11612 12352,125
12357,3333
Mayo 2007 13777 12330,1667
12303
Junio 2007 13094 12293,2083
12283,4167
Julio 2007 12364 12286,75
12290,0833
Agosto 2007 8814 12292
12293,9167
Septiembre 2007 11768 12157,5833
12021,25
Octubre 2007 13266 12077,4167
12133,5833
Noviembre 2007 12655 12089,25
12044,9167
Diciembre 2007 11624 12025,125
Se puede observar que los primeros y últimos datos no tienen sus medias corres-
pondientes por la técnica utilizada. Podremos interpretar mejor el sentido de estos
datos calculados con la representación de los valores encima de la serie, que nos
permite interpretar el comportamiento a largo plazo de los valores de la utilización
del transporte público en la Comunidad Valenciana:
Podemos ver que a largo plazo, si consideramos los datos que analizamos, la utili-
zación del transporte público en la Comunidad Valenciana parece disminuir. Tiene
un comportamiento decreciente si observamos en el gráfico anterior la línea roja
que representa los valores de la tendencia.
Para calcular la componente estacional
Para continuar el análisis debemos determinar ahora la componente estacional. A

tal fin, es necesario que calculamos por un lado los valores de las medias aritméti-
cas de los valores de cada mes. Con este propósito, situaremos los datos originales
distribuidos en filas por períodos y en columnas por años, como se puede ver en la
tabla siguiente. En la columna de la derecha hemos calculado las medias ya citadas,
∑y ij
yk = i .
N
2006 2007 2008 2009 2010 yk

Enero 12340 12542 12622 11869 10283 11931,2
Febrero 11850 12156 12202 11365 10981 11710,8
Marzo 13721 13729 10457 12024 12207 12427,6
Abril 10919 11612 12960 10469 10549 11301,8
Mayo 13495 13777 12713 12038 12076 12819,8
Junio 13029 13094 12619 12314 11783 12567,8
Julio 12118 12364 12351 11490 10621 11788,8
Agosto 8803 8814 8846 8027 7698 8437,6
Septiembre 12148 11768 12057 10964 10705 11528,4
Octubre 13141 13266 13277 11956 11447 12617,4
Noviembre 13307 12655 12474 11718 11557 12342,2
Diciembre 11859 11624 11682 10894 10769 11365,6
Por otra parte, vamos a ubicar en la tabla siguiente los valores de las medias móvi-
les que hay que calcular con un número de datos p, que es el número de datos que
tenemos por año. En este problema, podremos aprovechar los valores de la tercera
columna del cálculo de la tendencia, ya que en este caso también utilizamos me-
dias móviles con p = 12. Así pues, redistribuiremos los valores de dichos medios
en una tabla donde cada celda indicará el valor que corresponde a cada mes y año.
2006 2007 2008 2009 2010 Ek

Enero 12367,4167 12004,7917 11694,625 11041,125 11776,9896
Febrero 12378,125 12005,5833 11624,625 10991,2083 11749,8854
Marzo 12362,75 12018,9583 11544,9583 10966,7083 11723,3437
Abril 12352,125 12031,4583 11444,375 10934,7083 11690,6667
Mayo 12330,1667 12024,375 11357,8333 10906,7917 11654,7917
Junio 12293,2083 12019,25 11293,5 10894,875 11625,2083
Julio 12235,9167 12286,75 11990,2917 11194,5833 11926,8854
Agosto 12257,0833 12292 11924,0417 11112,5 11813,8568
Septiembre 12270,1667 12157,5833 11954,4583 11104,125 11757,5058
Octubre 12299,375 12077,4167 11915,9583 11115,0833 11716,491
Noviembre 12340 12089,25 11784,0417 11120 11677,4457
Diciembre 12354,4583 12025,125 11743,2083 11099,4583 11636,3093
Para calcular la componente estacional habrá que restar las columnas finales de
estas dos tablas, , lo que nos permitirá explicar cuáles son los meses
de mayor y menor utilización del transporte público en la Comunidad Valenciana.
ek
Enero 154,2104
Febrero –39,0854
Marzo 704,256275
Abril –388,86665
Mayo 1165,00833
Junio 942,591675
Julio –138,085425
Agosto –3376,25678
Septiembre –229,105845
Octubre 900,908964
Noviembre 664,754316
Diciembre –270,709321
Así pues, veamos los resultados en la siguiente columna, donde podemos destacar
que el mes de mayor utilización del transporte público en la Comunidad Valencia-
na se produce en mayo, seguido también de los meses de junio y octubre, por lo
contrario, se ve que el mes que destaca porque su valor es muy inferior a la media
es el de agosto. Esta interpretación podemos comprobarla porque los máximos y
mínimos de la gráfica de la serie coinciden con estos valores de la componente
estacional.
Para calcular la componente residual o errática
Para calcular la componente errática o residual hay que restar a cada valor inicial
el valor de la tendencia correspondiente a cada celda en los casos en que esta existe
(no a los primeros y últimos valores de la serie), y también le restamos el valor de
la componente estacional que corresponde a cada período.
En la siguiente tabla se indican estos cálculos. Así, la componente errática para

cada período será:
2006 2007 2008 2009 2010
12542– 12622– 11869– 10283
Enero 12367,4167– 12004,7917 11694,625 –11041,125
–154,2104 –154,2104 –154,2104 –154,210
12156– 12202– 11365– 10981–
Febrero 12378,125 12005,5833 11624,625 10991,2083
+39,0854 +39,0854 +39,0854 +39,0854
10457– 12024– 12207–
13729–12362,75
Marzo 12018,9583 11544,9583 10966,7083
–704,256275
–704,256275 –704,256275 –704,256275
11612– 12960– 10469– 10549–
Abril 12352,125 12018,9583 11444,375 10934,7083
+388,86665 +388,86665 +388,86665 +388,86665
13777– 12713– 12038– 12076–
Mayo 12330,1667 12024,375 11357,8333 10906,7917
–1165,00833 –1165,00833 –1165,00833 –1165,00833
13094– 12619– 11783–
12314–11293,5
Junio 12293,2083 12019,25 10894,875
–942,591675
–942,591675 –942,591675 –942,591675
12118 – 12351– 11490–
12364–12286,75
Julio 12235,9167 11990,2917 11194,5833
+138,085425
+138,085425 +138,085425 +138,085425
8803 – 8846–
8814–12292 8027 – 11112,5
Agosto 12257,0833 11924,0417
+3376,25678 +3376,25678
+3376,25678 +3376,25678
12148 – 11768– 12057– 10964–
Septiembre 12270,1667 12157,5833 11954,4583 11104,125
+229,105845 +229,105845 +229,105845 +229,105845
13141– 13266– 13277– 11956–
Octubre 12299,375 12077,4167 11915,9583 11115,0833
–900,908964 –900,908964 –900,908964 –900,908964
12474–
13307 – 12340 12655–12089,25 11718–11120
Noviembre 11784,0417
– 664,754316 –664,754316 –664,754316
-664,754316
11859– 11624– 11682– 10894–
Diciembre 12354,4583 12025,125 11743,2083 11099,4583
+270,709321 +270,709321 +270,709321 +270,709321
Así pues, podemos concluir que la variable residual o errática correspondiente a

cada período son los valores de la siguiente tabla:
2006 2007 2008 2009 2010
Enero 20,3729 462,9979 20,1646 –912,335
Febrero –183,0396 235,5021 –220,5396 28,8771
Marzo 661,993725 –2266,21458 –225,214575 536,035425

Abril –351,25835 1329,90835 –586,50835 3,15835
Mayo 281,82497 –476,38333 –484,84163 4,19997
Junio –141,799975 –342,841675 77,908325 –54,466675
Julio 20,168725 215,335425 498,793725 433,502125
Agosto –77,82652 –101,74322 298,21508 290,75678
Septiembre 106,939145 –160,477455 331,647545 88,980845
Octubre –59,283964 287,674336 460,132736 –59,992264
Noviembre 302,245684 –99,004316 25,203984 –66,754316
Diciembre –224,748979 –130,415679 209,501021 65,251021
Para facilitar la interpretación de los datos de esta tabla, hemos resaltado en rojo
los valores que corresponden a períodos donde la utilización del transporte público
ha sido por encima de lo esperado atendiendo al modelo que hemos encontrado, y
los valores reseñados en azul corresponden a períodos con valores que están por
debajo de las previsiones, siempre según el modelo que hemos estudiado.
Podemos destacar que los valores que se encuentran de alguna manera «fuera del
modelo» corresponden, en todos los años de nuestra tabla, a los meses de marzo
y abril. Podríamos explicar que, tal vez, hay que considerar que en estos meses
se producen fiestas importantes en la Comunidad y que las vacaciones de Semana
Santa y Pascua son también en estos meses de manera oscilante y no en un mes
concreto, lo que hubiera facilitado el estudio de la componente estacional.
Hacemos esta consideración porque hemos observado que la componente estacio-

nal nos permite interpretar que los meses que corresponden a vacaciones escolares
y/o laborales (julio, agosto, septiembre y diciembre) tienen valores que indican
menos utilización del transporte público. También el mes de abril está en este
grupo y puede variar, según el año, el comportamiento de marzo y abril como se
puede interpretar de los datos de la componente errática o residual.
Ejercicio 6
Realiza la gráfica de la siguiente serie que indica los miles de kilos de fruta comer-
cializada por trimestres en los últimos 4 años.
2008 2009 2010 2011
Observa las siguientes tablas que presenten los cálculos que hemos hecho para
obtener la tendencia y la componente estacional de dicha serie.
datos datos
10 10
11 11
9 9
12,75
8 8
16,75
23 23 18,75
27 27
16,875 23,75
25 16,9375 25 22,375
17 21
20 17 20 19
17 17
12 17,375 12 15,125
13,25
11 11 11,75
17,875 10,25
10 17,625 10
17,375
8 8 16,625
18,75
29 29 20,125
28 28
21 21
23 23
Solución
a) Identifica el método empleado, añade aquellos datos que faltan en las tablas,
comentando el procedimiento de cálculo que hay que hacer en ellas, justificán-
dolos.
Gráfico y visualización del modelo
Para empezar, presentaremos el gráfico de los datos de la serie original:
y podemos ver que la periodicidad del fenómeno, hace que los datos repitan el
«patrón» cada dos años.
Nos piden que identifiquemos el procedimiento para obtener las componentes de

la serie. Parece bastante evidente que estamos trabajando por el método de las
medias móviles y habrá que ver cuál es el número de datos que hay que tomar para
hacer cada media en el cálculo de la tendencia.
Para decidirnos hay que considerar dos números: el número de datos de cada «pe-
ríodo» de la gráfica antes presentada (en este caso, es evidente, que es 8) y el nú-
mero de observaciones por año (en este caso, es 4 porque son datos trimestrales).
Por lo que el número de datos por coger es el mcm (4, 8) = 8. Pero esta decisión
permite ver que la tabla de la izquierda está construida para calcular la tendencia,
haciendo en la columna primera las medias con p = 8, y a la derecha el posterior
centrado que hay que hacer por tratarse de un número par de datos.
También observamos que está incompleta. Presentamos la tabla finalizada y a con-

tinuación los cálculos que hemos hecho para completarla.
La primera media que falta en la primera columna la hemos obtenido tomando los
primeros 8 datos (lo indicaremos en el subíndice). Así:
10 +11+ 9 + 8 + 23+ 27 + 25 + 20
y1−8 = = 16,625
8
del mismo modo, continuaremos rellenando las siguiente casillas de la misma co-
lumna. Indicamos al subíndice el ordinal de los datos extremos del intervalo de
datos que tomaremos en cada media. Hay que recordar que estamos empleando un
método de «suavizado» para medias móviles.
11+ 9 + 8 + 23+ 27 + 25 + 20 +12

y2−9 = = 16,875
8
9 + 8 + 23+ 27 + 25 + 20 +12 +11
y3−10 = = 16,875 (que ya figura en la tabla)
8
y así podemos ir comprobando las celdas las ya calculadas hasta que llegamos a la
media siguiente que está vacía:
27 + 25 + 20 +12 +11+10 + 8 + 29
y6−13 = = 17, 75
8
y también falta la última celda que corresponde a la media siguiente (que calcula-
mos con los datos de los últimos dos años):
12 +11+10 + 8 + 29 + 28 + 21+ 23
y9−16 = = 17, 75
8
Como podemos ver en la tabla anterior, esta columna no se relaciona todavía con
los valores de la tendencia, ya que las medias obtenidas no corresponden a los
períodos (trimestres) de los que tenemos los datos. Como se trata de medias ob-
tenidas con un número par de datos se hará un posterior centrado para evitar este
problema. A tal fin, hay que hacer la media aritmética de cada dos datos (medias
de la columna primera).
Para completar esta primera columna, que ya corresponde a los valores de la ten-
dencia para cada período (Tik), hemos empezado llenando las primeras casillas que
faltaban a partir de los primeros datos de la columna anterior. Así, tenemos:
16,625 +16,875
T09/1 = = 16, 75
2
16,875 +16,875
T09/2 = = 16,875
2
los siguientes datos de la tabla están ya calculados hasta llegar a la siguiente celda
la vacía que corresponde a:
17, 75 +17,875
T10/2 = = 17,8125
2
y la última, obtenida a partir de las últimas medias:
17,375 +17, 75
T10/4 = = 17,5625
2
Podemos ver que el cálculo de la tendencia por este método impide obtener la ten-
dencia de los primeros y últimos períodos por carencia de datos para calcular las
medias móviles y el posterior centrado.
b) Calcula la componente estacional
El cálculo de la componente estacional por el método de las medias móviles está

reflejado en la tabla de la derecha. En este caso el número de observaciones que
nos hace falta coger para cada media, es el número de observaciones que tenemos
por año. En este caso los datos son trimestrales, pues, hay que coger 4 datos en
cada media.
Indicamos a continuación los cálculos de las medias que faltan en las celdas vacías
e indicaremos el subíndice con el ordinal de los datos del intervalo de valores que
tomamos en cada una.
Así, empezaremos por las primeras celdas que podemos calcular en la primera
columna. Los resultados están en rojo en la tabla siguiente:
10 +11+ 9 + 8
y1−4 = = 9,5
4
11+ 9 + 8 + 23
y2−5 = = 12, 75 (ya está en la tabla)
4
Podemos comprobar los siguientes resultados hasta llegar a las celdas:
8 + 23+ 27 + 25
y4−7 = = 20, 75
4
11+10 + 8 + 29
y10−13 = = 14,5
4
Y las de las últimas columnas:
8 + 29 + 28 + 21
y12−15 = = 21,5
4
29 + 28 + 21+ 23
y13−16 = = 25,25
4
Como también se trata de un número par de datos (p = 4) habrá también que hacer
el centrado, al igual que en la tabla de la izquierda. Para llenar la segunda columna
recordemos que deberemos hacer la media aritmética de cada dos medias. Indica-
remos el subíndice del año y trimestre al que hacer corresponder cada resultado.
Así, la primera celda, denotada por y08/3'
corresponde a la media móvil del tercer
trimestre del año 2008.
9,5 +12, 75
y08/3
'
= = 11,125
2
12, 75 +16, 75
y08/4
'
= = 14, 75
2
20, 75 + 23, 75
y09/2
'
= = 22,25
2
10,25 +14,5
y10/3
'
= = 12,375
2
21,5 + 25,25
y11/2
'
= = 23,375
2
Todos estos resultados se pueden ver en la tabla siguiente:
datos Tik datos yik'

10 10
11 11
9,5
9 9 11,125
12,75
8 8 14,75
16,625 16,75
23 16,75 23 18,75
16,875 20,75
27 16,875 27 22,25
16,875 23,75
25 16,9375 25 22,375
17 21
20 17 20 19
17 17
12 17,375 12 15,125
17,75 13,25
11 17,8125 11 11,75
17,875 10,25
10 17,625 10 12,375
17,375 14,5
8 17,5625 8 16,625
17,75 18,75
29 29 20,125
21,5
28 28 23,375
25,25
21 21
23 23
Pero, recordemos que estas medias de la columna de la derecha de la tabla derecha

no son más que uno de los pasos del cálculo de la componente estacional:
Hay que hacer, en parte, el cálculo de las medias de los datos originales por pe-
ríodos. Las denotaremos por yk y están en la columna derecha de la siguiente
tabla:

2008 2009 2010 2011 yk
1.er trimestre 10 23 12 29 18,5
2. trimestre
o
11 27 11 28 19,25
3.er trimestre 9 25 10 21 16,25
4.o trimestre 8 20 8 23 14,75
Por otra parte, situaremos las medias móviles de la tabla de la derecha, ya cum-
plimentada, en esta distribución por años y períodos, haciendo corresponder cada
valor al período adecuado. Veamos:
2008 2009 2010 2011 yk Ek ek

1.er trimestre 18,75 15,125 20,125 18,5 18 0,5
2.o trimestre 22,25 11,75 23,375 19,25 19,125 0,125
3.er trimestre 11,125 22,375 12,375 16,25 15,292 0,958
4.o trimestre 14,75 19 16,625 14,75 16,792 -2,042
Mantenemos la columna de la tabla anterior con los valores de yk , y en la colum-

na siguiente también calculamos la media aritmética de estos valores por filas o
períodos, considerando el número de valores que disponemos. Hay que ver que
quedan celdas vacías. Los denotaremos por Ek .
Anotemos luego cómo calcularlas:
18,75 +15,125 + 20,125

E1 = = 18
3
22,25 +11,75 + 23,375
E2 = = 19,125
3
11,125 + 22,375 +12,375
E3 = = 15,292
3
14,75 +19 +16,625
E4 = = 16, 792
3
y en la última columna ya podemos obtener la componente estacional ek , restando

estas columnas que acabamos de explicar: .
e1 = 18,5 −18 = 0,5

e2 = 19,25 −19,125 = 0,125
e3 = 16,25 −15,292 = 0,958
e4 = 14, 75 −16, 792 = −2,042
Podemos interpretar, si analizamos estos resultados, que los datos del cuarto tri-
mestre son muy inferiores a los del resto y destacaríamos los valores del tercer
trimestre por encima de la media global.
c) Calcula la componente errática o residual.
Para calcular la componente errática o residual, considerando que trabajamos con

un modelo aditivo, restaremos a cada dato original los valores de la tendencia y la
componente estacional. Así, distribuiremos también la tabla de los valores de la
tendencia por períodos y años. En la siguiente tabla tenemos esta distribución, por
lo que se puede ver que solo podremos calcular la componente residual de las dos
columnas centrales.
2008 2009 2010 2011

1. trimestre
er
16,75 17,375
2.o trimestre 16,875 17,8125
3. trimestre
er
16,9375 17,625
4.o trimestre 17 17,5625
Así, considerando que , tenemos los siguientes resultados:
2008 2009 2010 2011

1. trimestre
er
23 – 16,75 – 0,5 = 5,75 12 – 17,375 – 0,5 = –5,875
2.o trimestre 27 – 16,875 – 0,125 = 10 11 – 17,8125 – 0,125 = –6,9375
3.er trimestre 25 – 16,9375 – 0,958 = 7,1045 10 – 17,625 – 0,958 = –8,583
4.o trimestre 20 – 17 + 2,042 = 5,042 8 – 17,5625 + 2,042 = –7,5205
En los valores que obtenemos en esta tabla, destaca mucho el comportamiento de

los datos con fluctuaciones muy importantes de cada año, como podíamos ver en
la gráfica inicial. Podemos ver que un año tiene los valores muy bajos y el siguien-
te mucho mayores. Esta circunstancia es la que podemos ver reflejada en la tabla
anterior de la componente residual, que en esta serie, lo que se destaca es más bien
ese comportamiento cíclico bianual.
Ejercicio 7
La siguiente serie cronológica muestra el número de nuevas contrataciones de
cierta superficie comercial por cuatrimestres en los años que se indican:
2007 2008 2009 2010 2011
método del ajuste analítico las componentes de esta serie, e interpreta cada
Solución

método del ajuste analítico las componentes de esta serie, e interpreta cada
Identificación del modelo y gráfica
Siempre hay que empezar con una gráfica de los datos para ver el patrón de com-
portamiento de la serie y nos confirme que podemos aplicarle un ajuste analítico
de tipo aditivo:
Viendo esta gráfica solo cabe esperar una tendencia decreciente y también una
componente estacional bastante marcada por la «periodicidad», que podemos ver
en la gráfica (eje X) que coincide con el intervalo anual que corresponde cada tres
datos.
Para calcular la componente de la tendencia llenaremos las casillas de la parte

inferior de la tabla siguiente para ajustar una recta de regresión en las medias cua-
∑ yik
trimestrales anuales que figuran en la fila yi = k .
m
Hacer notar que yi es la media de los valores de cada columna. Recordemos tan
solo que cada dato de una serie temporal la representamos por dos subíndices yik,
donde i hace referencia al año y k hace referencia al período. Además, m indica
el número de filas de la tabla o número de períodos de los que tenemos datos para
cada año. En nuestro caso, m = 3 porque un año tiene 3 cuatrimestres.
Podemos ver que en la fila siguiente hay una escalera i que hace referencia a los
años para simplificar los cálculos; es recomendable poner el valor 0 en la columna
central porque simplificará mucho el cálculo del sistema que hay que plantear para
obtener los coeficientes de la recta de tendencia.
A continuación llenaremos las filas tercera y cuarta que hacen referencia a yi ⋅ i y

i 2 , considerando los valores de las filas anteriores.
Después sumaremos las filas y obtendremos los valores que podemos encontrar en
la columna «totales».
2007 2008 2009 2010 2011
3.er cuatrimestre 36 30 16 12 13 TOTALES
yi 38 34 26 16 17 131
i –2 –1 0 1 2 0
yi ⋅ i –76 –34 0 16 34 –60
i2 4 1 0 1 4 10
Utilizaremos estos valores «totales» para resolver el sistema que se plantea a con-
tinuación:
⎧∑ y = Na + b∑ i
⎪ i i i
⎨
⎪∑ yi ⋅ i = a∑ i + b∑ i 2
⎩ i i i
donde N es el número de años de los que tenemos datos en la tabla (en este caso,
4 años que corresponden a las 4 columnas) y los coeficientes a y b son los coefi-
cientes de la recta de regresión que denominamos recta de tendencia, la formula
es Ti = a + biib, donde i hace referencia al año que se indica en la escala de la tabla
superior.
⎧∑ y = Na + b∑ i
⎪ i i i
⎧131 = 5a + 0b
⎨ ⇒ ⎨
⎪∑ yi ⋅ i = a∑ i + b∑ i 2 ⎩−60 = 0a +10b
⎩ i i i
Resolveremos el sistema aislando en cada ecuación el valor de los coeficientes a
i b. La tarea se facilita por la situación del 0 de la escala en la columna central en
cuanto su número es impar.
131 −60
Los valores que hemos calculado son: a = = 26,2 y b = = −6 , con los que
podemos concluir que Ti = 26,2 – 6i. 5 10
Para interpretar esta componente de la serie, Ti , que se llama tendencia y que nos
explica el comportamiento del fenómeno a «largo plazo», nos fijamos en el valor
de la pendiente b = –6, que por ser negativa nos permite explicar que las contrata-
ciones van decreciendo año tras año, y podemos además detallar que el valor de la
media de gastos cuatrimestrales del departamento, y i , ha disminuido en 6 cada año.
La segunda componente de la serie que hay que calcular es la componente esta-

cional, que denotaremos por ek , que nos permitirá analizar el comportamiento del
fenómeno por períodos dentro del año (en nuestro ejercicio, por cuatrimestres),
valorando en cuál de ellos los valores están por encima o por debajo de un valor
global que denotaremos por M y que llamaremos media global corregida.
Los valores de ek estarán expresados en valores absolutos y en las mismas unida-

des que los datos de la tabla original (en este ejercicio en miles de euros).
Para abordar los cálculos de ek , trabajaremos ampliando la tabla en diferentes co-

lumnas hacia la derecha de la tabla original, ya que nos interesa hacer un trabajo
por períodos, en este caso, por cuatrimestres.
En la columna primera calcularemos la media de los valores de cada cuatrimestre

∑ yij
y esta media la denotaremos por yk = i .
N
2007 2008 2009 2010 2011 yk y k' ek Ik
1.er cuatrimestre 41 39 35 21 22 31,6 31,6 3,4 112,06 %
2.o cuatrimestre 37 33 27 15 16 25,6 27,6 –0,6 97,87 %
TOTALES
3.er cuatrimestre 36 30 16 12 13 21,4 25,4 –2,8 90,07 %
i
M = 28,2
En la siguiente columna calcularemos las medias corregidas y k' (donde elimina-
mos en cada dato el valor proporcional a la tendencia que le podemos asignar a
cada período), suponiendo que este decrecimiento b = –6 ha sido constante a lo
largo de los períodos del año.
En este ejercicio, b/m = –6/3 = –2. Al ser una tendencia negativa, los valores de las
medias corregidas y k' serán mayores que las medias originales y k , ya que estas se
calculan así:
Así:
b
y1' = y1 − (1−1) = 31,6 − (−2)(1−1) = 31,6
m
b
y2' = y2 − (2 −1) = 25,6 − (−2)(2 −1) = 27,6
m
b
y3' = y3 − (3−1) = 21, 4 − (−2)(3−1) = 25, 4
m
A continuación, en una celda la inferior, calculamos M, la media de las medias

corregidas, ya que:
∑ yk' 31,6 + 27,6 + 25, 4
M= k = = 28,2
m 3
y representa el valor de referencia para analizar los valores de los períodos, me-
diante , que calcularemos en la siguiente columna.
e1 = y1' − M = 31,6 − 28,2 = 3, 4

e2 = y2' − M = 27,6 − 28,2 = −0,6
e3 = y3' − M = 25, 4 − 28,2 = −2,8
La componente estacional nos explicita el comportamiento por períodos en valo-

res absolutos, indicándonos signo y cantidad en las mismas unidades que los datos
originales (miles de euros). Así, diremos que en el primer cuatrimestre las contra-
taciones de nuestra serie tiene unos valores por encima de la media, mientras que
las contrataciones del segundo cuatrimestre son aproximadamente el valor de la
media y el tercer cuatrimestre son ligeramente inferiores a dicha media. El valor
de la media de referencia sería M = 28,2 que podría representar una media de con-
trataciones cuatrimestrales global.
Otra interpretación de estos datos se puede dar con los índices estacionales
y'
I k = k ·100 que calculamos en la siguiente columna donde se indica en forma
M
de porcentaje (valor relativo, donde M representa el 100 %) la misma información
que la componente estacional, pero que al tener carácter porcentual es más fácil de
presentar sin particularizar y dar el valor de M.
y1' 31,6
I1 = ·100 = ·100 = 112,05%
112,05 %
M 28,2
y2' 27,6
I2 = ·100 = ·100 = 97,87%
98,87 %
M 28,2
y3' 25, 4
I3 = ·100 = ·100 = 90,07%
90,07 %
M 28,2
Esta componente estacional expresada en términos de porcentaje, los índices es-

tacionales, nos permite analizar e interpretar el comportamiento de los datos de la
serie, es decir, los valores de las contrataciones por cuatrimestres.
Podremos afirmar que los gastos eran mayores en el primer cuatrimestre, con valo-
res de un 12,05 % superiores a la media anual, mientras que los valores del tercer
cuatrimestre solo llegan a tener valores inferiores en un 10% aproximadamente
inferiores. Cabe destacar que las contrataciones del segundo cuatrimestre tienen
valores que están en torno al valor de dicha media anual global, que podríamos
considerar el valor de M = 28,2 contrataciones.
En tercer lugar, hay que calcular la componente errática o residual, que denotamos
por rik, que nos permite destacar el comportamiento de algún dato yik, el valor del
cual no se pueda explicar por las anteriores componentes, lo que permitirá inferir
que por cualquier causa por identificar (motivos extraordinarios) este valor no está
dentro del patrón de comportamiento que hemos encontrado y con el que hemos
interpretado los datos originales para explicar el fenómeno. Los valores de esta
componente errática deben ser pequeños en valor, variados en signo y sin regulari-
dad ni patrón. Nos permiten ver que los datos reales no se ajustan completamente
al patrón que hemos encontrado con la tendencia y la componente estacional. Es
por eso que si algún valor es muy alto o bajo dejará identificar algún dato que
corresponde al período de un año, el valor del cual se aleja mucho de los valores
que cabría esperar.
La calcularemos así rik = yik − Ti − ek en cada celda la de la tabla. Para tal fin, prime-
ramente hay que determinar la tendencia para cada año de la tabla Ti = 26,2 − 6i.
T2007 = T−2 = 26,2 − 6·(−2) = 38,2
T2008 = T−1 = 26,2 − 6(−1) = 32,2
T2009 = T0 = 26,2 − 6·0 = 26,2
T2010 = T1 = 26,2 − 6·1 = 20,2
T2011 = T2 = 26,2 − 6·2 = 14,2
Los valores de la componente estacional están en la columna de la tabla ek . Así:

e1 = 3,4 e2 = –0,6
- 0,6 e3 = -–2,8
2,8
Los cálculos para cada celda están en la siguiente tabla:
2007 2008 2009 2010 2011

41 – 38,2 – 3,4 39 – 32,2– 3,4 35 – 26,2 – 3,4 21 – 20,2 – 3,4 22 – 14,2 – 3,4
1.er cuatrimestre
= –06 = 3,4 = 5,4 = –2,6 = 4,4
37 – 38,2 + 0,6 33 – 32,2 + 0,6 27– 26,2 + 0,6 15 – 20,2 + 0,6 16 – 14,2 + 0,6
2.o cuatrimestre
= –0,6 = 1,4 = 1,4 = –4,6 = 2,4
36 – 38,2 + 2,8 30 – 32,2 + 2,8 16 – 26,2 + 2,8 12 – 20,2 + 2,8 13 – 14,2 + 2,8
3.er cuatrimestre
= 0,6 = 0,6 = –7,4 = –5,4 = 1,6
De estos resultados, podemos observar que los valores que nos llaman la atención
los marcamos con color rojo. Podremos destacar los correspondientes al primer
cuatrimestre de 2009, que es superior a lo que cabría esperar con r2009,1 = 5,4 y el
tercer cuatrimestre del mismo año con un valor aún muy inferior con r2011,3 = –7,4.
- 7,4
Y también el valor del tercer cuatrimestre de 2010 r2010,3 = -–5,4
5,4 que nos indica
que ese cuatrimestre es un valor inferior al que cabría esperar. Habría que estudiar
si alguna circunstancia extraordinaria justifica estos valores.
Para hacer las estimaciones que nos piden en este apartado, recordemos que no
podemos prever la componente residual, por lo que calcularemos:
y ik = Ti + ek
Considerando la escala que hemos adoptado en la tabla para los años, con el
propósito de simplificar los cálculos de la tendencia, podemos establecer que si
2009 ⇒ i = 0 , esto comporta 2012 ⇒ i = 3 , lo que nos permitirá obtener el valor
de la tendencia para este año: T2012 = T3 = 26,2 − 6·3 = 8,2 y como conocemos la
componente estacional e1 = 3,4 , e2 = -–0,6
0,6 y e3 = -–2,8,
2,8 podremos estimar los va-
lores de los gastos del año 2012 por cuatrimestres:
y2012,1qua = 8,2 + 3,4 = 11,6,6contrataciones
y2012, 2 qua = 8,2–0,6
- 0,6==7,6
7,6contrataciones
y2012,3qua = 8,2–2,8
- 2,8==5,4
5,4contrataciones
Repetimos el proceso para el año con el valor de la tendencia

T2013 = T4 = 26,2 − 6·4 = 2,2 y podremos estimar:
y2013,1qua = 2,2 + 3,4 = 5,6 contractaciones

y2013, 2 qua = 2,2 - 0,6 = 1,6 contractaciones
y2013,3qua = 2,2 - 2,8 = - 0,6 contractaciones

Gráfico y análisis de la serie
Para analizar la serie por el método de las medias móviles, hay que fijarse en la
gráfica de la serie que nos permite ver que tiene una periodicidad anual.
Para calcular la tendencia hay que elegir el número de datos que tomaremos para
determinar cada una de las medias. En este caso p = 3. A tal fin, escribimos en la
tabla siguiente los resultados de las medias móviles que son los valores de la ten-
dencia y la gráfica de su interpretación:
datos Tik
41
37 38,00
36 37,33
39 36,00
33 34,00
30 32,67
35 30,67
27 26,00
16 21,33
21 17,33
15 16,00 Se ve un comportamiento a largo plazo decreciente,
12 16,33 aunque con los últimos datos parece que empieza a
22 16,67 corregirse.
16 17,00
13
Para calcular la componente estacional, hay que determinar en primer lugar las
medias de los datos originales por períodos. Las denotamos por yk .
2007 2008 2009 2010 2011 yk

1.er cuatrimestre 41 39 35 21 22 31,6
2.o cuatrimestre 37 33 27 15 16 25,6
3.er cuatrimestre 36 30 16 12 13 21,4
Por otra parte, tomaremos las medias móviles con p = 3, ya que es el número de
datos por año. En nuestro caso podremos aprovechar los datos ya calculados en el
apartado anterior. Los colocaremos distribuidos por años y cuatrimestres.
En la columna de la derecha añadimos las medias de cada cuatrimestre por filas y

las denotamos por Ek .
2007 2008 2009 2010 2011 Ek ek
1.er cuatrimestre 36,00 30,67 17,33 16,67 25,17 6,43

2.o cuatrimestre 38,00 34,00 26,00 16,00 16,56 26,11 –0,51
3.er cuatrimestre 37,33 32,67 21,33 16,33 26,92 –5,52
Para hallar la componente estacional restamos estas columnas calculadas entre sí.
Así, ek = yk - Ek nos permite interpretar el comportamiento de la serie por cua-
trimestres.
Es evidente que los primeros cuatrimestres los valores de la serie tienen los mayores
valores con 6,43 contrataciones por encima de una hipotética media anual. Desta-
caremos también el resultado del tercer cuatrimestre con valores inferiores, que se
reflejan con el –5,52 contrataciones que veamos en la celda correspondiente. Esta
interpretación también es coherente con la gráfica de la serie que hemos visto al
comenzar el problema.
Cálculo de la componente errática o residual
Para calcular la componente residual le restaremos a los datos originales la ten-

dencia y la componente estacional, considerando que no lo podremos hacer con el
primer y último dato por falta de las medias de la tendencia: rik = yik – Tik – ek. En
la siguiente tabla se presentan los cálculos y resultados.
2007 2008 2009 2010 2011

39 – 36 – 6,43 = 35 – 30,67 – 6,43 21 – 17,33 – 6,43 22 – 16,67 – 6,43
1.er cuat.
–3,43 = –2,1 = –2,76 = –1,1
37 – 38 + 0,51 = 33 – 34 + 0,51 = 27 – 26 + 0,51 = 15 – 16 + 0,51 = 16 – 16,56 + 0,51
2.o cuat.
–0,49 –0,49 1,51 –0,49 = –0,05
36 – 37,33 + 5,52 30 – 32,67 + 5,52 16 – 21,33 + 5,52 12 – 16,33 + 5,52
3.er cuat.
= 4,19 = 2,85 = 0,19 = 1,19
Aunque no son cantidades muy elevadas, hemos reseñado en rojo los datos que
corresponden al primer cuatrimestre del año 2008 por ser 3,43 menos contratacio-
nes de lo que se espera para la regularidad del fenómeno. También hemos reseñado
el dato del tercer cuatrimestre de 2007, que es de 4,19 contrataciones por encima.
La principal diferencia entre ambos métodos es la posibilidad de hacer previsiones

por el método del ajuste, que no podemos hacer con el de las medias móviles, ya
que la ecuación de la recta de tendencia que obtenemos con el método del primer
enunciado nos permite obtener valores de tendencia por años cercanos, siempre
que consideramos como hipótesis de trabajo que el fenómeno mantendrá un com-
portamiento similar a los datos reales que tenemos.
Con ambos métodos la tendencia es decreciente.
Si consideramos la componente estacional del método del ajuste

e1 = 33,4
,4 e2 = –0,6
- 0,6 e3 = -–2,8
2,8
y las comparamos con las del método de las medias móviles

e1 = 6, 43 e2 = −0,51 e3 = −5,52
podemos observar que no coinciden en valores absolutos pero sí en la apreciación

subjetiva y los valores relativos dan la misma interpretación.
En la componente residual se pueden advertir resultados muy diferentes. También

hay que ver que los datos de los últimos dos años son muy inferiores a los anterio-
res y pueden «romper» un poco el modelo. Ahora bien, como el comportamiento
estacional sí era constante, esta componente ha sido más clara.
Bibliografía
Barbancho, A. G., Estadística Elemental Moderna. Ed. Ariel Economía, 1982.
Beltrán, J. y Peris, M. J., Introducció a l’estadística aplicada a les ciències so-
cials. Servei de Publicacions de la uji. Col·lecció Sapientia, 2013.
Escudero Vallés, R., Métodos estadísticos aplicados a la economía. Ed. Ariel
Economía, 1994.
Biosca, A.; Espinet, M. J.; Fandos, M. J.; Jimeno, M. y Villagrà, J., Matemáticas
aplicadas a las Ciencias Sociales II. Barcelona: Edebé, 1999.
Brunet, I., Belzunegui, A. y Pastor, I. Les tècniques d’investigació social i la
seva aplicació. Universitat Rovira i Virgili, 2000.
Colera, J.; García, R. y Oliveira, M. J. Matemàtiques aplicades a les Ciències
Socials. Madrid: Anaya, 2003.
Correa, J. C. y González, N., Gráficos en R. Universidad Nacional Sede Mede-
llín, 2002.
Fernández Cuesta, C. y Fuentes García, F., Curso de Estadística Descriptiva.
Teoria y práctica. Ed. Ariel, 1994.
Gracia, F.; Mateu, J. y Vindel, P., Problemas de Probabilidad y Estadística.Va-
lencia: Tilde, 1997.
Ibáñez, M. V. y Simó, A., Apuntes de Estadística para Ciencias Empresariales.
Castellón: uji, 2002.
Kazmier, L., Estadística aplicada a la administración y a la economía. Ed. MC Graw-
Hill, 3.a ed., 1998.
Martín, P. y Martín Pliego, J., Curso Básico de Estadística Económica. Ed. AC,
3.a ed., 1991.
Martín Pliego, J., Introducción a la Estadística Económica y Empresarial. Ed.
AC. Colección Plan Nuevo, 2004.
Meyer, P. L. Probabilidad y aplicaciones estadísticas, Ed. Addson-Wesley, 1986.
Monteagudo, M. F. y Paz, J., Matemáticas aplicadas a las Ciencias Sociales II.
Zaragoza: Luis Vives, 2003.
Montero Lorenzo, J. M., Estadística para Relaciones Laborales. Ed. AC, 2003.
Newbold, P. Carlson, W. L. y Thorne, B., Estadística para administración y eco-
nomía. Ed. Prentice Hill, 2007.
Ruíz-Maya Pérez, L. y Martín-Pliego López, F. J., Fundamentos de Inferencia
Estadística, 3.a ed., Thomson, 2005.
Sanz, J. A., Bedate, A., Rivas, A. y González, J., Problemas de Estadística des-
criptiva empresarial. Ed. Ariel Economía, 1996.
Spiegel, M., Estadística. Ed. Mc. Graw-Hill. Serie Schaum, 1970.
Tomeo Perucha, V. y Uña Juárez, I., Diez Lecciones de Estadística Descriptiva
(Curso Teórico-Práctico). Ed. AC, 2003.
Triola, M. F., Estadística Elemental, Ed. Pearson Educations, 7.a ed., 2000.
Venables, W. N., Smith , D. M. y The R Development Core Team, An introduction
to R. isbn 3-900051-12-7, 2008.
Webster, A. L., Estadística aplicada a los negocios y a la economia. Ed. MC Graw-
Hill, 2000.
Wonnacot, T. H. y Wonnacot, R. J., Introducción a la Estadística. Limusa No-
riega Editores, 1996.
Zaiats, V., Calle, M. L. y Presas, R., Probabilitat i Estadística. Exercicis I. Ed.
Eumo, 1998.
Webs
www.ine.es
www. ub.edu/stat/GrupsInnovacio/Statmedia
www.monografias.com

Impresora PDF

Cargado por

Copyright:

Formatos disponibles

Impresora PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Impresora PDF

Cargado por

Copyright:

Formatos disponibles

Problemas resueltos

Codis d’assignatura RA10, RL0906

Col·lecció Sapientia, 100

Publicacions de la Universitat Jaume I és una editorial membre de l’une,

Aquest text està subjecte a una llicència Reconeixement-NoComercial-CompartirIgual de

Unidad 1. Estadística descriptiva univariante . . . . . . . . . . . . . . . . . . . . . . . . 11

Unidad 2. Estadística descriptiva bivariante . . . . . . . . . . . . . . . . . . . . . . . . . . 69

Unidad 3. Números índice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

Unidad 4. Series temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

Podemos considerar dos ramas en la Estadística:

a) La estadística descriptiva, que se dedica a los métodos de recogida, descrip-

b) La inferencia estadística se dedica a la generación de los modelos, inferen-

Ambas ramas (descriptiva e inferencial) comprenden la estadística aplicada. Hay

Los métodos estadístico matemáticos emergieron desde la teoría de probabilidad,

Por razones prácticas, en lugar de compilar datos de una población entera,

El concepto matemático fundamental utilizado para entender la aleatoriedad es el

Incluso cuando la estadística es correctamente aplicada, los resultados pueden ser

Es conveniente dejar claras dos cuestiones relevantes. La primera de ellas es que

Este libro pretende ser un complemento didáctico de la teoría básica de estadística

Los problemas cuentan con ayudas, siendo la última su resolución completa. Es

Población: Es el conjunto de elementos, individuos o los sujetos a estudio y de los

Parámetro: Es una medida descriptiva de la población total, de todas las observa-

Muestra: Conjunto de elementos que forman parte de la población total a la que

Tamaño de la muestra: Es el número de elementos u observaciones que forman la

Estadístico: Es una medida descriptiva de la muestra y que estima el parámetro de

Variables cualitativas y cuantitativas

El resto de variables en las que, además de admitir el recuento del número de

Estas últimas variables, las cuantitativas, también pueden clasificarse en discretas

La variable estadística se denota con mayúsculas. Asimismo, cada una de estas

X = (x1, x2, x3,..., xk-2, xk-1, xk )

Se llama frecuencia relativa del valor xi al cociente entre la frecuencia absoluta

Se llama frecuencia absoluta acumulada del valor xi al número de datos de la

Se llama frecuencia relativa acumulada del valor xi al cociente entre la frecuencia

Es importante remarcar que para calcular frecuencias acumuladas es necesario que

En ocasiones el número de datos diferentes que se está estudiando es muy nume-

La solución a esta cuestión consiste en agrupar los datos en intervalos o clases,

Esta práctica, a pesar de que ayuda a resumir y clarificar la información, tiene en

Se llama densidad de frecuencia absoluta de un intervalo al cociente entre la

Sin embargo, en la literatura matemática es posible encontrar varias reglas para

Se llama recorrido de un conjunto de datos a la diferencia entre el valor más gran-

Conociendo el número de intervalos y la amplitud se pueden construir fácilmente

Diagrama de sectores o diagrama circular: Es un círculo dividido en diferentes

Histogramas: Se utilizan para representar datos agrupados en intervalos. Consiste en

Polígono de frecuencias: Es menos utilizado que los diagramas de barras y los

Pictograma: Se suele utilizar para expresar un atributo. Se suelen utilizar iconos

Es el valor que habitualmente se toma como representación de los datos. Es la

La media aritmética cumple las siguientes propiedades:

• La suma de las desviaciones de los valores de la variable respecto a la media

• Si a todos los valores de la variable se les suma una misma constante, la

• Si todos los valores de la variable se multiplican por una misma constante la

• Si una variable Y es transformación lineal de otra variable X (Y = a · X + b; a

• Si en un conjunto de valores se pueden obtener 2 o más subconjuntos dis-

El cálculo de la media aritmética ponderada en estas casos sigue la siguiente ex-

G = n x1n1 · x 2n2 ·...... x knk ·

Utilizando la notación potencial, también se puede presentar por:

Se representa por H y es la inversa de la media aritmética de las inversas de los

Se utiliza para calcular el valor medio de magnitudes expresadas en términos rela-

En muchas ocasiones, no es necesario aplicar la fórmula anterior. Únicamente hay

La mediana es el valor de la variable que divide las observaciones en dos grupos de