Slides Prepared by
JOHN S. LOUCKS
St. Edward’s University
© 2002 South-Western /Thomson LearningTM
Slide 1
Capítulo 1
Datos y Estadísticas





Aplicaciones en negocios y economía
Datos
Fuentes de datos
Estadística descriptiva
Inferencia Estadística
Slide 2
1.1. Aplicaciones en
Negocios y Economía



Contabilidad
Las firmas de contabilidad pública utilizan
procedimientos de muestreo estadísticos al conducir
auditorias para sus clientes.
Finanzas
Los consejeros financieros utilizan una variedad de
información estadística, incluyendo tasas de precioganancia y porcentajes de dividendos, para dirigir
sus recomendaciones de la inversión.
Mercadotecnia (comercialización)
Los escaners electrónicos en las cajas de venta al
menudeo se están utilizando para recoger datos para
una variedad de usos en investigación de mercados.
Slide 3
Aplicaciones en
Negocios y Economía


Producción
Una variedad de cartas estadísticas del control de
calidad se utiliza para supervisar la salida de un
proceso de producción.
Economía
Los economistas utilizan la información estadística
para elaborar pronósticos sobre el futuro de la
economía o de un cierto aspecto de ella..
Slide 4
1.2. Datos





Datos y conjunto de datos
Elementos, variables, y observaciones
Escalas de medición
Datos cualitativos y cuantitativos
Series de tiempo y datos transversales
Slide 5
Datos y conjunto de datos


Los datos son los hechos y los números que se reúnen,
analizan y se resumen para su presentación e
interpretación.
Los datos recopilados en un estudio particular se
denominan conjunto de datos.
Slide 6
Elements, Variables, and Observations




Los elementos son las entidades acerca de las cuales
se reúnen los datos. Tabla 1.1.: 25
Una variable es una característica de interés para los
elementos. Tabla 1.1.: 5
El conjunto de medidas recogidas para un elemento
particular se llama observación. Tabla 1.1.: 25
El número total de valores de datos en un conjunto
de datos es el número de los elementos multiplicados
por el número de variables: Tabla 1.1.: 25x5=125
Slide 7
Datos, conjunto de datos,
elementos, variables, y observaciones
Variables
Compañía
Dataram
EnergySouth
Keystone
LandCare
Psychemedics
Elementos
Stock
Exchange
AMEX
OTC
NYSE
NYSE
AMEX
Ventas dividendos/
anuales($M) Ac.($)
73.10
74.00
365.70
111.40
17.60
Conjunto
de datos
0.86
1.67
0.86
0.33
0.13
Dato
Slide 8
Escalas de medición



Escalas de medición incluye:
• Nominales (identificadores )
• Ordinales (para ordenar o clasificar)
Ver
• De intervalo (el intervalo es numérico y fijo)
Pág.
805
• De Relación (son de intervalo pero el cociente
tiene significado)
La escala determina la cantidad de información
contenida en los datos.
La escala indica el resumen de los datos y los análisis
estadísticos que son más apropiados.
Slide 9
Escalas de medición

Nominales
• Los datos son identificadores (rótulos) o nombres
usados para identificar un atributo de un
elemento.
• Un rótulo no numérico o un código numérico
pueden ser utilizados.
Slide 10
Escalas de medición

Nominales
• Ejemplo:
La escuelas clasifican a los estudiantes de una
universidad en la cual se inscriben, usando una
etiqueta no numérica tal como negocios,
humanidades, educación, etc.
Alternativamente, un código numérico se
podría utilizar para la variable de la escuela
(ejem. 1. denota negocios, 2. denota
humanidades, 3. denota educación, etcétera).
Slide 11
Escalas de medición

Ordinales
• Los datos tienen las propiedades de los nominales
y el orden o ranking tiene sentido.
• Un rótulo no numérico o un código numérico
pueden ser utilizados.
Slide 12
Escalas de medición

Ordinales
• Ejemplo:
Los estudiantes de una universidad se
clasifican por la clase a la que pertenecen con
una etiqueta no numérica tal como estudiante
de primer año, estudiante de segundo año,
joven, o mayor.
Alternativamente, un código numérico se
podría utilizar para la variable de la clase a la
que pertenecen (ejem. 1 denota a estudiante de
primer año, 2 denota a estudiante de segundo
año, etcétera).
Slide 13
Escalas de medición

De Intervalo
• Los datos tienen las características de datos
ordinales y el intervalo entre las observaciones se
expresa en términos de una unidad fija de medida.
• Los datos del intervalo son siempre numéricos.
Slide 14
Escalas de medición

De Intervalo
• Ejemplo:
Elisa tiene un puntaje de 1105 en el CENEVAL ,
y Kevin tuvo un puntaje de 990. Elisa registró
115 puntos más que Kevin.
Slide 15
Escalas de medición

De Relación
• Los datos tienen todas las características de los
datos del intervalo y el cociente de dos valores es
significativo.
• Variables tales como distancia, altura, peso, y
tiempo usan la escala de relación.
• Esta escala debe contener un valor cero que
indique que nada existe para la variable en el
punto cero
Slide 16
Escalas de medición

De Relación
• Ejemplo:
Los registros de Elisa en la maestria muestran
36 créditos obtenidos, y los de Kevin muestran
72 créditos obtenidos. Kevin tiene el doble de
créditos que Elisa.
Slide 17
2.2. Datos Cualitativos y Cuantitativos (Pág. 6)



Los datos se pueden clasificar más a fondo como
cualitativos o cuantitativos.
El análisis estadístico que es apropiado depende si
los datos para la variable son cualitativos o
cuantitativos.
En general, hay más alternativas para el análisis
estadístico cuando los datos son cuantitativos
Slide 18
Datos cualitativos




Los datos cualitativos son etiquetas o nombres
usados para identificar una cualidad de cada
elemento.
Los datos cualitativos utilizan la escala nominal u
ordinal de la medida.
Los datos cualitativos pueden ser numéricos o no
numéricos.
El análisis estadístico para los datos cualitativos es
algo limitado.
Slide 19
Datos Cuantitativos



Los datos cuantitativos indican ya sea cuántos o
cuánto.
• Datos cuantitativos que miden cuántos, son
discretos.
• Datos cuantitativos que miden cuánto, son
continuos porque no hay separación entre los
valores posibles para los datos.
Los datos cuantitativos son siempre numéricos.
Las operaciones aritméticas ordinarias son
significativas solamente con datos cuantitativos.
Slide 20
Series de tiempo y datos transversales



Los datos transversales se recogen en el mismo o
aproximadamente el mismo punto en tiempo.
Ejemplo: los datos que detallaban el número de los
permisos de construcción de casas publicado en
junio de 2000 en cada uno de los condados de Texas
Los datos de serie de tiempo se recogen sobre varios
períodos. Ejemplo: los datos que detallaban el
número de los permisos de construcción de casas
publicados en el condado de Travis, Texas en cada
uno de los 36 meses pasados
Slide 21
1.3. Fuentes de datos

Fuentes existentes
• Los datos necesarios para un uso particular
pueden ya existir dentro de una firma. La
información detallada se guarda a menudo en
clientes, proveedores, y empleados por ejemplo.
• Las cantidades substanciales de datos de
empresas y de datos económicos que están
disponibles en las organizaciones que se
especializan en obtener y mantener datos.
Slide 22
1.3. Fuentes de datos

Fuentes existentes
• Las instituciones gubernamentales son otra fuente
importante de fuentes de datos.
• Los datos disponibles de una variedad de
asociaciones industriales o comerciales u
organizaciones de interés especial.
Slide 23
1.3. Fuentes de datos

Internet
• El Internet se ha convertido en una fuente
importante de datos.
• La mayoría de las agencias de estatales, como la
oficina del censo (www.census.gov), hacen sus
datos disponibles con un sitio Web.
• Más y más compañías están creando sitios Web y
están proporcionando el acceso público a ellos.
• Un número de compañías ahora se especializan en
la fabricación de la información disponible en
Internet.
Slide 24
1.3. Fuentes de datos

Estudios estadísticos
• Los estudios estadísticos se pueden clasificar como
experimentales o de observación.
• En estudios experimentales se identifican primero
las variables de interés. Entonces unos o más
factores son controlados para poder obtener datos
sobre cómo los factores influencian las variables.
• En estudios de observación (no experimentales) no
se hace ninguna tentativa controlar o de
influenciar las variables de interés.
• Una encuesta es quizás el tipo más común de
estudio de observación..
Slide 25
Consideraciones en la adquisición de datos



El requisito del tiempo
• Buscar información puede consumir tiempo.
• La información puede no ser útil para el momento en que
esté disponible.
El coste de la adquisición
• Las organizaciones a menudo cobran por la información
incluso cuando no es su actividad económica primaria.
Los errores de los datos
• Usar cualquier dato que pueda estar disponible o adquirido
con poco cuidado puede conducir a una información pobre y
engañosa.
Slide 26
1.4. Estadística Descriptiva

La estadística descriptiva son métodos tabulares,
gráficos, y numéricos usados para resumir datos.
Slide 27
Ejemplo: Hudson Auto Reparación
El Gerente de Hudson Auto Reparación quisiera tener una
mejor comprensión del costo de las refacciones utilizadas
al hacer una afinación de motor en sus taller de servicio.
Examina 50 facturas de clientes de afinación de motor. Los
costos de las refacciones de cada afinación, redondeados
al dólar más cercano, se enumeran abajo.
91
78
93
57
75
52
99
80
97
62
71
69
72
89
66
75
79
75
72
76
104
74
62
68
97
105
77
65
80
109
85
97
88
68
83
68
71
69
67
74
62
82
98
101
79
105
79
69
62
73
Slide 28
Ejemplo: Hudson Auto Reparación

Resumen (Frecuencias y Porcentaje de Frecuencias)
Costo
partes ($) Frecuencia
50-59
2
60-69
13
70-79
16
80-89
7
90-99
7
100-109
5
Total 50
Porcentaje
Frecuencia
4
26
32
14
14
10
100
Slide 29
Ejemplo: Hudson Auto Reparación
Resumen gráfico (Histograma)
18
16
Frecuencia

14
12
10
8
6
4
2
50
60
70
80
90
100
110
Costo de
partes ($)
Slide 30
Ejemplo: Hudson Auto Reparación

Estadística descriptiva numérica
• La estadística descriptiva numérica mas común es
el promedio.
• El promedio de costos de las partes de Hudson,
basado en 50 afinaciones estudiadas es de $79
(calculado sumando los valores de los 50 costos y
dividiéndolo entre 50)
Slide 31
1.5. Inferencia Estadística

Inferencia estadística es el proceso de utilizar datos
obtenidos de un pequeño grupo de elementos (la
muestra) para realizar estimados y probar hipótesis
acerca de las características de un grupos de
elementos más grande (la población).
Slide 32
Ejemplo: Hudson Auto Reparación

Proceso de inferencia estadística
1. La población consiste
de todas las afinaciones.
El promedio del costo
de las partes
es desconocido.
4. El valor del
promedio de la muestra
es utilizado
para hacer un estimado del
promedio de la población
2. Una muestra de 50
afinaciones
es examinada
3. Los datos de la muestra
proveen un
promedio de la muestra
de $79 por afinación
Slide 33
Fin del Capitulo 1
Slide 34
Descargar

DATA AND STATISTICS