Llibro Manual Basico Estadistica

Julio Casado
Manual básico
de Estadística
-IN tiiíMt•iié a.
<:(
u
e Libros
de autor
¡:::
C/.)
~
C/.)
w
w
Cl
~
z
o
~
z
i=
¡:'.
¡:::
C/.)
z
Madrid, 2007
Ficha editorial
Título: Manual básico de Estadística
N!! INE: 181
NIPO: 605-07-048-X
Depósito Legal: NA-3441-2007
ISBN: 978-84-260-37 41-1
Tarifa: 4
Edita: INE
Paseo de la Castellana, 183 - 28046 Madrid
Impreso en España/Printed in Spain

Gráficas Lizarra
Ctra. de Tafalla, km 1 - 31132 Villatuerta (Navarra)
Presentación
El Manual básico de Estadística se ha elaborado para que sea un instrumento de

gran utilidad para todas aquellas personas que sin tener una formación estadística
académica participan en los procesos de producción de la información estadística y
tienen interés por conocer los conceptos y técnicas estadísticas básicas que se
utilizan en los mismos.
Para el Instituto Nacional de Estadística va a constituir un elemento imprescindi-

ble para la formación del personal que se incorpora regularmente a las distintas
labores del Instituto tanto en los Servicios Centrales como en las Delegaciones
Provinciales. Las personas que anualmente se incorporan al Instituto son muchas,
y su formación y las funciones que desempeñan son muy diferentes siendo todas
y cada una de ellas de una gran importancia en el proceso de producción estadísti-
ca.
También creemos que puede ser de gran utilidad para el personal que desarrolla
tareas semejantes en los ministerios, comunidades autónomas, empresas públicas
o privadas, ... , ya que cada día se incrementa la necesidad de información relativa a
todos los aspectos de la realidad económica y social de un país.
El Manual describe de forma resumida, las principales fases que necesariamente

hay que abordar en la realización de operaciones estadísticas, para centrarse des-
pués en una explicación sencilla de las principales definiciones y conceptos esta-
dísticos, y describir con brevedad las técnicas de muestreo que suelen aplicarse.
Su presentación minuciosa y ordenada permitirá al lector entender progresivamen-
te las principales ideas que subyacen tras la terminología estadística.
La producción de información estadística conlleva un largo y complejo proceso

en el que intervienen muchas personas que desarrollan distintas funciones para las
3
que se requiere distinto grado de formación y de especialización. La participación
de todas ellas es igualmente importante para la consecución de productos de alta
calidad.
Por todo ello, espero y deseo que este Manual sea ampliamente difundido y uti-
lizado no solo por el personal del !NE sino también por todas aquellas personas
que participan en la producción de información estadística en cualquier ámbito
institucional.
Carmen Alcaide Guindo

Presidenta del INE
4
,,
Indice
Presentación 3
11 Capítulo 1. Operaciones estadísticas 7

1. Introducción: datos, información y estadística 7
2. Usuarios de información estadística 8
3. La producción estadística 9
11 Capítulo 2. Formas de tomar datos de una
población 13
1. Censos y muestras 13
2. Ventajas e inconvenientes 14
3. Los registros administrativos 15
" Capítulo 3. Métodos de recogida de datos 17
1. La recogida de datos 17
2. Métodos de recogida 18
11 Capítulo 4. Ef cuestionario y los entrevistadores 21
1. El cuestionario: concepto 21
2. Aspectos a tener en cuenta en el diseño del cuestionario 21
3. Los entrevistadores 22
11 Capítulo 5. Proceso de datos 25
1. Concepto 25
2. Codificación 26
3. Grabación 26
4. Edición (depuración) e imputación 26
5. Estimación - expansión 28
11 Capítulo 6. Trabajar con porcentajes 29
1. Porcentajes y números índices simples 29
2. Primeros gráficos 34
11 Capítulo 7. Variables y distribuciones 39
1. Unidades estadísticas y variables 39
2. Distribuciones de frecuencia 40
3. Diagrama de barras e histograma de frecuencias 44
" Capítulo 8. Medidas descriptivas de una variable
estadística 49
1. Los conceptos de media y desviación típica 49
2. Datos agrupados en una distribución de frecuencias 52
3. Datos agrupados en intervalos de clase 54
4. Otras medidas características 57
5. La curva de concentración 60
11 Capítulo 9. El concepto de probabilidad 69
1. Aleatoriedad y sucesos 69
2. Probabilidad 72
3. Independencia 74
5
■ Capítulo 10. Variables aleatorias 75
1. Concepto 75
2. Media y varianza de una variable aleatoria 77
3. Algunas distribuciones de probabilidad 78
4. La distribución normal 82
■ Capítulo 11. Muestreo probabilístico y muestreo
aleatorio simple 87
1. Introducción 87
2. Variabilidad de muestreo. Error estándar 88
3. El papel de la distribución normal en el muestreo probabilístico 91
4. Estimadores y error estándar en muestreo aleatorio simple 95
■ Capítulo 12. Población y marco. Muestreo en
etapas 101
1. Unidades de muestreo y unidades elementales 101
2. Marco de muestreo 102
3. Muestreo en etapas 103
■ Capítulo 13. Muestreo estratificado 105
1. Definición y objetivos 105
2. Un ejemplo: ventas de supermercados 106
3. Afijación 108
■ Capítulo 14. Estimador de razón 111
■ Capítulo 15. Muestreo sistemático 115

■ Capítulo 16. El efecto del diseño 121
■ Capítulo 17. Otros aspectos del muestreo 123

1. Muestreo en dos fases 123
2. Muchas variables de estudio 124
3. Muestreo repetido de la misma población 125
■ Capítulo 18. Errores ajenos al muestreo 129
1. Introducción 129
2. Errores de cobertura 129
3. Falta de respuesta 130
4. Errores de medida 133
6
Capítulo 1. Operaciones estadísticas
Capítulo 1
Operaciones estadísticas
1. Introducción: datos, información y estadística

1. En el mundo actual la disponibilidad de información es absolutamente necesa-
ria para la toma de decisiones. El Gobierno, las empresas, los individuos necesitan
información que sirva de ayuda en la solución de problemas. Pero antes de tener
información se necesitan datos. La información es el resultado de obtener, clasifi-
car, procesar y resumir datos. De la misma forma que el petróleo crudo es la mate-
ria prima para obtener gasolina o la madera es materia prima para obtener papel,
los datos son la materia prima de la que se obtiene información. Podemos definir
los datos como el conjunto de observaciones o hechos que, una vez recogidos,
organizados y procesados, se transforman en información o conocimiento. Los
datos sólo tienen sentido si sirven para aportar información. La información se
define como un conjunto de datos que han sido ya organizados para tener un signi-
ficado útil para la toma de decisiones. Es decir, la información consiste en un gru-
po de datos que tienen una relevancia y un propósito.
2. Tanto los datos como la información no son necesariamente numéricos. La in-

formación que proporciona la prensa o la televisión a partir de hechos (datos) que
ocurren en una ciudad, en un país o en cualquier parte del mundo, constituye un
ejemplo de información no necesariamente numérica. Cuando la información es
numérica nos introducimos en el mundo de la Estadística. La Estadística es la
ciencia que se refiere al tratamiento de datos numéricos. Las estadísticas propor-
cionan información por medio de números, es decir, son datos numéricos que han
sido organizados para tener un significado útil que sirva de ayuda en la toma de
7
decisiones. La información estadística proporciona datos numéricos que miden

variables de interés sobre un conjunto de elementos o población objetivo. En es-
tudios económicos y sociales la población objetivo, es decir, la población a la que
se refiere la información, suele estar constituida por empresas, establecimientos,
hogares e individuos.
3. Todos los días en los medios de comunicación pueden encontrarse noticias

basadas en datos estadísticos: desempleo, precios de consumo, encuestas electo-
rales, sondeos de opinión, audiencias de televisión, radio y otros medios, gastos de
los hogares, inversión publicitaria, cotizaciones de bolsa, datos macroeconómicos, ...
Además de estas estadísticas de trascendencia pública a través de los medios, se
realizan otra multitud de estudios estadísticos por las empresas y otras entidades:
aceptación de productos por los consumidores, hábitos de compra, grado de satis-
facción de los clientes, imágenes de marcas (de partidos políticos), rendimiento de
campañas de publicidad, hábitos de desplazamiento de los ciudadanos, ... Los
datos y estudios estadísticos son ya algo habitual en cualquier actividad económi-
ca, política o social.
2. Usuarios de información estadística

1. Si nos preguntamos quién utiliza información estadística nos encontramos
que cualquier ente social utiliza en mayor o menor medida datos estadísticos como
información de ayuda para la toma de decisiones o, simplemente, para estar in-
formado.
2. El Gobierno, tanto nacional como autonómico o local, necesita información

sobre la población, la economía y otros asuntos que le permita tomar decisiones
sobre localización de servicios, tasas impositivas, ayudas sociales, ... En forma
inversa, los datos estadísticos también permiten a los ciudadanos disponer de
información sobre la actuación y el desempeño de sus gobernantes.
3. Las empresas necesitan información sobre la evolución de sus productos y los

de la competencia en el mercado, sobre la economía, la población y las tendencias
sociales. Ello les permitirá tomar decisiones sobre políticas de marketing de sus
productos, dónde abrir nuevas oficinas y locales, localización de almacenes y fábri-
cas, ...
8
4. Otros grupos y organizaciones sociales necesitan información sobre una am-

plia variedad de aspectos socioeconómicos relacionados con la salud, nivel educa-
tivo, distribución de rentas, tendencias de voto político, empleo marginal, delin-
cuencia, ... sobre las cuales basar sus líneas de acción.
5. Todos los individuos en algún momento necesitan información para evaluar la

compra o alquiler de una vivienda, analizar la rentabilidad de sus ahorros o por sim-
ple curiosidad. Constantemente los medios de comunicación hacen públicos resul-
tados estadísticos que permiten a los ciudadanos estar informados de la evolución
de los precios, la economía, el mercado de trabajo, ...
3. la producción estadística
OPERACIÓN ESTADÍSTICA -Variables y definiciones

-Métodos de recogida
-Marco - Muestra
Informantes Datos
-Cuestionario-
información final
•ED;t.Fevistador -Costes-viabilidad
Recogida
•ChleStiQJ1<1Jio
-Finalidad
-Objetivos
-Ediciói;r
-información que
:-Atípicos
---.i existe
-Fuentes de datos
eExp<!)JSÍÓll Información primarios
ponderacién
Análisis -Costes-viabilidad
Difusión ~Gobierno Necesidad de

Informantes (distribución)
información
-Sociedad
9
1. Llamaremos operación estadística o estudio estadístico al proceso por el cuál

se obtiene información estadística. Un producto estadístico surge porque existe
una necesidad de información, a partir de la cuál comienza el diseño del estudio en
el que, a partir de las necesidades de los usuarios, se definen los objetivos del
mismo, se analiza qué información existe, si hay necesidad de recogida de datos
porque no hay información alternativa, qué datos habría que recoger, su viabilidad,
posibles fuentes de datos primarios, los costes, hasta llegar a establecer una me-
todología que sirve ya de base para la recogida de datos, su proceso y la difusión
de la información final a los usuarios. Debe establecerse también la utilidad del
estudio, es decir, qué decisiones podrán tomarse y en qué forma sus resultados
van a servir de ayuda en esas decisiones. En operaciones repetitivas las fases de
análisis previos y metodología se convierten en una fase de análisis de procesos,
de mejora de los mismos y de adaptación del producto a la realidad, siempre cam-
biante, del entorno socioeconómico.
2. Es importante que los objetivos se establezcan de una forma clara y concreta,

incluyendo aspectos presupuestarios, calidad esperada y fechas de realización y de
entrega de la información final. La orientación al usuario y a las utilidades prácticas
de un producto estadístico es indispensable para acometer el diseño del mismo: si
el producto no resulta de utilidad para el usuario se convierte en algo inservible y
los esfuerzos y recursos dedicados al mismo habrán sido inútiles.
3. Las necesidades que se pretenden satisfacer son las que determinan los con-
ceptos o temas que se quieren estudiar, así como las variables, definiciones y
clasificaciones más adecuadas. Siempre que sea posible deben utilizarse instru-
mentos armonizados ya que ello permitirá a los usuarios comparar e integrar in-
formación procedente de distintas fuentes y les ayudará a una mejor comprensión
de la información.
4. Una vez decidida la realización del estudio, la producción del mismo consiste
esencialmente en un proceso de transformación de información numérica: recogi-
da de la información que servirá de base para el estudio o datos primarios, proceso
o transformación de los mismos en datos útiles y obtención de resultados finales.
En forma esquemática:
~~~=rios --.¡ Recogida ¡--.~1 Información
10
Como puede verse la obtención de un producto estadístico no difiere concep-

tualmente de la de cualquier producto industrial, que requiere de un proceso de
transformación de materias primas en un producto acabado. La diferencia radica
en que tanto los datos primarios como el producto final son información numérica.
En los capítulos que siguen se irán exponiendo los principales aspectos de la pro-
ducción estadística.
5. El número se convierte en el elemento básico de la Estadística, cuya primera

finalidad es el de resumir, simplificar y extraer de conjuntos, en general muy gran-
des, de números (datos primarios), sus características esenciales y transformarlos
en un conjunto relativamente reducido de información numérica (datos finales) del
que se puedan extraer conclusiones sobre las que basar la toma de decisiones,
que es el objetivo final de la información estadística. Como ejemplo de esta sínte-
sis de la información, para la elaboración del índice de precios de consumo el INE
toma mensualmente información de más de 160.000 precios que finalmente que-
dan reducidos a un solo número que los resume todos. Esta labor de simplificación
es fundamental para la comprensión de los fenómenos que se estudian. La mente
humana no tiene capacidad para asimilar y extraer conclusiones de una lista de
160.000 números.
6. Debe indicarse, por otra parte, que los números estadísticos son el resultado
de mediciones sobre las unidades que se desean estudiar y, como cualquier medi-
da, está sujeta a errores. No debe pensarse que porque estemos tratando núme-
ros, aparentemente exactos, éstos están libres de error. Precisamente una parte
importante de la producción estadística debe dedicarse a la detección y depura-
ción/corrección de errores, de forma que se llegue a datos finales que reflejen de
forma fiel la realidad del fenómeno que estamos analizando.
11
Capítulo 2. Formas de tomar datos de una población
Capítulo 2
Formas de tomar datos de una población
1. Censos y muestras
1. Para estudiar una población la primera posibilidad es obtener los datos nece-
sarios de todas y cada una de las unidades que forman la población. Estaríamos
entonces ante un estudio censal o censo. El censo se caracteriza por obtener in-
formación de todos los elementos de la población de interés, mientras que en el
muestreo sólo se obtienen datos de una parte de la población que representa al
conjunto de la misma.
2. La toma de muestras de una población es una práctica habitual y cotidiana en

la vida diaria de las personas pese a que ni siquiera nos demos cuenta de ello. Las
pruebas de sabor son ejemplos típicos: el cocinero que prueba un guiso está com-
probando si los ingredientes están adecuadamente combinados para el gusto de
los clientes; el cliente que ve la sopa humeante prueba un poco para apreciar su
temperatura; el camarero nos ofrece una pequeña cantidad de la botella de vino
que hemos elegido para que decidamos si nos gusta o no. Son ejemplos de tomas
de pequeñas muestras para apreciar la calidad/gusto del guiso, sopa o vino, que se
hacen sin necesidad de tener que comerse todo el guiso o beberse todo el vino,
es decir, sin necesidad de seleccionar toda la población.
3. El objetivo de las técnicas de muestreo es proporcionar una serie de procedi-

mientos que permitan conocer características o valores referidas al total de unida-
des de un conjunto, estudiando sólo una parte de las unidades del conjunto. Estas
características que se desean conocer son las variables de estudio. La población o
universo es el conjunto total de unidades de las que se desea información, míen-
13
tras que la muestra es la parte de unidades de la población sobre la que se mide la

información, es decir, las variables de estudio. El tamaño de la población es el
número N de unidades que forman la población y el tamaño de muestra es el nú-
mero n de unidades seleccionadas para la muestra. También nos referiremos a las
unidades de estudio como unidades estadísticas y a las variables de estudio como
variables estadísticas.
4. Cuando se utiliza el muestreo para estudiar una población debe tenerse pre-
sente que, dependiendo de qué elementos entren en la muestra se obtendrán
unos u otros resultados, es decir, la información sobre la población que se obtenga
al seleccionar una muestra va a depender de la muestra seleccionada, lo que da
origen al error de muestreo que se estudiará más adelante.
2. Ventajas e inconvenientes
1. Un censo presenta dos principales ventajas respecto al muestreo: la primera
es que los resultados finales se basan en toda la población y no están, por tanto,
sujetos a error de muestreo, y la segunda es el grado de detalle de la información
final, la cuál puede proporcionarse para subgrupos y áreas geográficas de pequeño
tamaño respecto a la población total. Pero presenta también inconvenientes: el
coste, esto es, la operación censal puede ser muy costosa para grandes poblacio-
nes; el tiempo de realización, que puede ser grande respecto a una operación por
muestreo y, finalmente, los errores de recogida de datos y proceso que suelen
aumentar con el número de elementos de los que se recogen datos.
2. En general hay tres principales ventajas en el muestreo respecto a la investi-

gación total de la población o censo, que son recíprocos a los inconvenientes del
censo:
- Menor coste, derivado de obtener información de una parte de la población.
- Mayor rapidez en la obtención de resultados por el mismo motivo anterior.
- Mayor calidad. Al reducirse el volumen de trabajo se puede emplear personal

especialista, mejor preparado y entrenado. Igualmente los procesos de supervisión
y proceso de datos están mejor controlados, lo que redunda en una mejor calidad
de trabajo y una disminución de errores (no de muestreo) respecto al censo.
14
Los inconvenientes del muestreo se corresponden con las ventajas del censo: la
información basada en una muestra está sujeta a error de muestreo y el grado de
detalle de la información final está siempre limitado por el tamaño de muestra que
la soporta por lo que no es posible llegar a los niveles de desglose de un censo.
3. También debe tenerse en cuenta que la realización de un censo resulta mu-

chas veces imposible. El cocinero no puede comerse todo el guiso, dejaría a los
clientes sin comer. En general siempre que obtener información implica la des-
trucción o consumo de la unidad de estudio, como son pruebas de resistencia o
duración de materiales, no resulta posible (no es rentable) la realización de un cen-
so. Otro ejemplo sobre la imposibilidad monetaria de un censo lo obtenemos de
las quinielas de fútbol y loterías: cuando una persona gasta 7 euros en la lotería
primitiva está seleccionando una muestra de 7 resultados de las 13.983.816 for-
mas posibles de obtener los 6 aciertos (una apuesta = un euro); si quiere tener la
seguridad absoluta de acertar tendría que apostar a toda la población de resultados
posibles y gastarse la bonita cifra de casi catorce millones de euros, lo cuál sería
bastante ruinoso.
4. Otro aspecto a considerar se relaciona con los informantes, es decir, las uni-
dades que tendrán que aportar sus datos: el grado de molestia a las unidades in-
formantes es menor en una muestra ya que sólo hay que dirigirse a las que se
incluyen en la muestra y no a toda la población.
3. los registros administrativos

1. Una tercera alternativa al censo y al muestreo como formas de plantear la re-
cogida de datos, es la utilización de registros administrativos. Un registro adminis-
trativo es el resultado de las operaciones habituales de una organización: una em-
presa lleva un registro de cada uno de sus empleados con el nombre, sexo, edad,
fecha de ingreso en la empresa, salario, ... Otros ejemplos típicos son registros de
nacimientos, muertes, matrimonios, matriculación de vehículos, directorios telefó-
nicos, registro de sociedades, registros tributarios, ... La utilización de registros
administrativos como fuente de recogida de datos primarios para una operación
estadística resulta bastante atractiva pero no deja de tener algunos inconvenien-
tes.
15
2. Las principales ventajas de utilizar registros administrativos son:
- Error: la información se obtiene de todos los elementos que componen el re-

gistro por lo que no hay error de muestreo, aunque podría considerarse la utiliza-
ción de una muestra de sus elementos.
- Simplicidad-coste: la utilización de datos administrativos elimina la necesidad

de diseñar un censo o una muestra y los costes asociados. Los costes de recogida
de información son menores.
- Molestias: no hay molestias para los informantes ya que los datos que se pre-
cisan ya han sido facilitados. Esto es fundamental, ya que las necesidades de in-
formación son cada vez mayores y su primera consecuencia es el aumento de la
carga de respuesta. Siempre que sea posible hay que utilizar registros administra-
tivos como fuente de datos primarios.
- Evolución temporal: los registros se actualizan permanentemente y la recogida

de información en forma periódica permite la realización de análisis de tendencia.
3. Algunos inconvenientes de los registros administrativos son:
- Flexibilidad: los datos primarios a recoger están limitados por la información

administrativa que contenga el registro. Este inconveniente se vería reducido si
siempre que se establezca un registro se pensara no sólo en su uso administrati-
vo, sino también en su explotación estadística.
- Cobertura: la información que se obtenga quedará referida a la población con-

tenida en el registro.
16
Capítulo 3. Métodos de recogida de datos
Capítulo 3
Métodos de recogida de datos
1. La recogida de datos
1. La recogida de datos es el proceso encaminado a conseguir que el informante
facilite los datos primarios requeridos. Se incluye aquí la solicitud y obtención de
los datos, la comprobación preliminar de su coherencia y completitud y el segui-
miento y control del desarrollo de la operación de recogida, también llamada ope-
ración de campo.
2. La repercusión de las operaciones de recogida de datos en la calidad de la in-

formación final es fundamental, ya que los datos que se recogen constituyen la
información primaria que posteriormente sirve para la elaboración de la informa-
ción estadística. Por tanto, la calidad de los datos recogidos determina de una for-
ma esencial la del producto final: sin datos primarios de calidad no hay información
final de calidad.
3. Uno de los aspectos más importantes para conseguir el éxito de una opera-
ción estadística es el nivel de respuesta obtenido y la calidad de la información
suministrada. En este contexto, los informantes constituyen el recurso más valioso
para las instituciones que producen información estadística y por tanto se les de-
berá dar todo tipo de facilidades para que proporcionen los datos solicitados redu-
ciendo al mínimo la carga que este trabajo supone.
4. En la recogida de datos debe disponerse de un sistema de control con el obje-

tivo de dar información exacta del estado en que se encuentran los trabajos de
recogida, de las incidencias que se estén produciendo y sus causas, de la cobertu-
ra de muestra que se alcanza y del cumplimiento del calendario, con información a
17
tiempo real para poder tomar las medidas adecuadas y resolver los problemas que
se van presentando.
5. En lo posible, el seguimiento y control de los trabajos de campo debe hacerse

a distintos niveles de desagregación geográfica y de tipos de unidades y es fun-
damental también hacerlo a nivel de técnico de encuesta, inspector y entrevista-
dor.
2. Métodos de recogida
1. Entrevista personal (cara a cara): la recogida de datos se realiza por medio de
entrevistadores bien entrenados que visitan a las unidades informantes y recogen
los datos por medio de un cuestionario. Si los entrevistadores reciben el entrena-
miento adecuado, éste es un buen método para asegurar mejores tasas de res-
puesta y una buena calidad en los datos recogidos. Sin embargo es un procedi-
miento costoso debido a los costes asociados al entrenamiento de los entrevista-
dores y a los viajes necesarios para localizar y entrevistar a los informantes.
2. Entrevista personal con ayuda de ordenador (CAP!): en lugar de utilizar un

cuestionario sobre papel como antes, el cuestionario está integrado en una aplica-
ción informática y el entrevistador realiza la entrevista ayudándose de un ordena-
dor portátil, que marca el flujo de preguntas. Ahorra la posterior grabación de datos
y permite que la aplicación informática incorpore una serie de controles de valida-
ción sobre las respuestas que mejoran la consistencia y calidad de los datos prima-
rios.
3. Entrevista telefónica: la entrevista para la recogida de datos se realiza por telé-

fono. Es un método más rápido y menos costoso que la entrevista personal, pero
por contra, es necesario que el entrevistado disponga de teléfono. La entrevista no
debe ser excesivamente larga para evitar que el informante se canse y cuelgue el
teléfono prematuramente.
4. Entrevista telefónica con ayuda de ordenador (CA TI): es una entrevista telefó-
nica como la anterior, pero en la que el entrevistador graba directamente las con-
testaciones en un ordenador. Ahorra la posterior grabación de datos, aunque pue-
de ser costosa de implantar por la infraestructura informática que necesita. Los
entrevistadores necesitan tener habilidad para la grabación. Como en el sistema
CAPI, algunos controles de validación son simultáneos a la entrevista.
18
5. Correo: el cuestionario se envía por correo a los informantes, que los devuel-
ven, una vez completados, también por correo. Es un método poco costoso de
recogida de información y permite distribuir grandes cantidades de cuestionarios
en poco tiempo. Da también la oportunidad de llegar a unidades con las que resul-
ta muy difícil contactar. Para el informante es más cómodo: no tiene que contestar
al momento y puede decidir cuando rellenar el cuestionario dentro del plazo esta-
blecido. La recogida de datos por correo requiere el uso de listas actualizadas de
direcciones. Su mayor desventaja es que las tasas de respuesta son bastante
menores que las proporcionadas por otros métodos y ello puede tener consecuen-
cias en la calidad de los datos y en la fiabilidad de los resultados. Las personas
con bajo nivel cultural pueden tener problemas para entender y rellenar el cuestio-
nario.
6. Entrega en mano: los cuestionarios se entregan en mano a los informantes y,

posteriormente, se vuelve a recogerlos. Normalmente se obtienen mejores tasas
de respuesta que con el envío por correo, pero resulta bastante más costoso. Es
un método bastante adecuado cuando se necesita información de varios o todos
los miembros de un hogar. Como variante del método, se pueden entregar los
cuestionarios en mano y los informantes los devuelven por correo una vez comple-
tados, lo que contribuye a reducir costes y aporta una mayor sensación de intimi-
dad a los informantes.
7. En los dos últimos métodos, por correo y entrega en mano, es el propio in-
formante quien rellena el cuestionario. Ello requiere un cuidadoso diseño del mis-
mo, bien estructurado y con instrucciones claras para que sea sencillo y cómodo
de rellenar. Pese a todo, es recomendable incluir en el cuestionario el nombre de
una persona de contacto y un número de teléfono, de llamada gratuita, para resol-
ver cualquier duda que se le pueda presentar al informante.
8. Otros métodos de recogida: entre otros métodos de recogida se puede citar la

observación directa, que se utiliza con frecuencia en estudios de precios, con re-
gistros administrativos y cuando el informante no tiene que contestar a ningún
cuestionario, sino simplemente aportar la documentación o ficheros a partir de los
cuales es el propio entrevistador el que rellena el cuestionario o aporta los datos al
ordenador. La elección de uno u otro método depende de distintos factores: com-
plejidad y longitud del cuestionario, sensibilidad de los datos que se piden, costes
de recogida, dispersión geográfica de los informantes y listas o marcos disponi-
bles. Con frecuencia la mejor estrategia es una combinación de distintos métodos.
19
Por ejemplo, la recogida por correo es bastante más eficiente cuando se combina
con llamadas telefónicas de seguimiento, e incluso visitas personales en los casos
más reacios a responder.
20
Capítulo 4. El cuestionario y los entrevistadores
Capítulo 4
El cuestionario y los entrevistadores
1. El cuestionario: concepto
1. El cuestionario es el conjunto de preguntas y cuestiones diseñadas para reco-
ger los datos de los informantes. Un cuestionario puede ser directamente cumpli-
mentado por el informante o administrado por un entrevistador. El cuestionario
juega un papel fundamental en la recogida y calidad de los datos, por lo que su
imagen y redacción de las preguntas influye en la obtención de datos válidos y
fiables, en el comportamiento de los informantes y en el trabajo de los entrevista-
dores.
2. Un cuestionario bien diseñado facilita la respuesta y permite una recogida efi-

ciente de datos con un mínimo de errores. Su diseño debe tener en cuenta los
objetivos del estudio, el método de recogida de datos, el plan de proceso de datos
y las características de la población a entrevistar. Debemos pensar también que la
estructura y la apariencia o aspecto del cuestionario contribuyen a la imagen que
se hará el informante del INE.
2. Aspectos a tener en cuenta en el diseño del cuestio-

nario
1. El cuestionario debe ser atractivo y resultar fácil de cumplimentar, tanto para
el informante como para el entrevistador, con el número de preguntas estricta-
mente necesario. El cuestionario debe tener un diseño atractivo que anime a los
informantes a facilitar la información y contribuya a evitar el rechazo, es decir, debe
estar totalmente orientado al informante y centrarse en los datos de interés para el
21
estudio, sin preguntas superfluas, siguiendo un orden lógico en las preguntas que
facilite la respuesta. En lo posible, deben evitarse preguntas ya hechas en otro
estudio y tampoco deben incluirse preguntas que no vayan a ser posteriormente
objeto de explotación.
2. Utilizar palabras y conceptos claros y perfectamente entendibles por los in-
formantes, cuidando esmeradamente la redacción de las preguntas y evitando que

las mismas puedan tener una cierta respuesta inducida. Tener presente que la
misma pregunta redactada de forma diferente puede dar resultados diferentes.
3. En la introducción/portada del cuestionario debe darse el nombre del estudio,

explicar sus objetivos, razonar la importancia de colaborar y rellenar el cuestionario,
informar de la confidencialidad de los datos y explicar la utilización de la informa-
ción final. Todo ello en una forma concisa y entendible por los informantes.
4. Incluir las instrucciones necesarias en el propio cuestionario, fáciles de enten-

der y de encontrar. Separar adecuadamente (título o nombre) las secciones del
cuestionario y las preguntas; utilizar colores, sombreados, distintos tipos de letra,
ilustraciones y símbolos que atraigan la atención, den mayor claridad y atractivo al
cuestionario y guíen a los informantes o entrevistadores a través del mismo, facili-
tando su cumplimentación. Al final del cuestionario dejar un espacio para comenta-
rios adicionales que quieran hacer los informantes y expresar la gratitud por su
colaboración.
5. Deben hacerse pruebas reales a pequeña escala para evaluar el cuestionario.

Estas pruebas servirán para comprobar el funcionamiento real del cuestionario
ante los informantes, evaluar la redacción de las preguntas, su secuencia, si son o
no entendibles, comprobar categorías de respuesta, longitud de la entrevista, pro-
blemas de negativa, ... Estas pruebas son importantes para detectar y corregir
problemas del cuestionario. Debe pensarse siempre que un cuestionario mal dise-
ñado puede invalidar totalmente los resultados de un estudio.
3. Los entrevistadores
1. El papel del entrevistador, como persona que recoge los datos de los infor-
mantes, es muy importante. El proceso de obtener datos a través de entrevista
requiere ciertas cualidades y habilidades, sin las cuales la eficiencia y calidad de los
datos puede reducirse sensiblemente. Algunas de ellas son:
22
- Utilización de coche y teléfono. Disponibilidad para viajar.
- Buena capacidad de comunicación y relación con personas.
- Un aspecto profesional que de confianza al entrevistado.
- Disponibilidad para trabajar tardes y fines de semana. Las entrevistas a hoga-

res realizadas en horario normal de trabajo presentan altas tasas de ausencias. Es
necesario realizarlas en horas en que el personal del hogar se encuentra en casa.
2. Los entrevistadores deben ser adecuadamente entrenados para la recogida de

datos. La forma y el estilo en que el entrevistador se dirige a los informantes tiene
una gran influencia en su reacción hacia la entrevista, en su disposición a colaborar
en el estudio y en la imagen del INE que perciba el entrevistado. Por ello, además
de cuidar su aspecto personal, los entrevistadores deben preocuparse de hacer
una introducción adecuada antes de empezar las preguntas. En esta introducción
se debe:
- Dar el nombre y la tarjeta de identificación, dejando tiempo para que el infor-

mante la compruebe.
- Explicar el estudio que se está realizando y por quién.
- Explicar los objetivos del estudio, por qué ha sido seleccionado para la muestra
y la importancia de su colaboración.
- Informar de la confidencialidad de los datos aportados.
- La información contenida en la portada del cuestionario (ver 4.2.3) puede servir

de guión al entrevistador en esta introducción.
Es importante además, que el entrevistador esté familiarizado con la técnica co-

rrecta de entrevista, que incluye:
- Habilidad para escuchar con atención.
- Mantener la entrevista en el mínimo de tiempo.
- Estimular el interés del informante.
- Hacer las preguntas tal y como están redactadas en el cuestionario.
- NO SUGERIR ninguna respuesta al informante.
- Contestar adecuadamente a las preguntas del informante.
23
Capítulo 5. Proceso de datos
Capítulo 5
Proceso de datos
1. Concepto
1. Los datos primarios, los datos recogidos, son simplemente observaciones o
hechos. Cuando los datos se organizan y presentan adecuadamente se hacen
información. El proceso de datos consiste en transformar datos en información. En
forma simplificada:
~~::rios --.¡ Recogida ¡--.¡ Proceso ¡--.¡ Información
2. Desde hace años el proceso de datos se hace de forma rápida y fácil gracias al
uso de ordenadores. El proceso de datos comprende los siguientes pasos:
- Codificación de datos.
- Grabación/entrada de datos.
- Edición/imputación de datos.
- Producción de información.
25
2. Codificación
1. Antes de que los datos primarios sean introducidos en el ordenador deben
codificarse. La codificación significa etiquetar las respuestas de forma abreviada y
única para cada respuesta (a menudo con simples códigos numéricos). La razón de
codificar es que hace mucho más fácil la grabación y posterior manipulación de los
datos. La codificación puede ser hecha por los propios entrevistadores o por per-
sonal de oficina.
2. Los cuestionarios suelen estar precodificados ya que la mayor parte de las

preguntas son cerradas. Una pregunta cerrada implica que sólo se permiten un
número predeterminado de respuestas posibles, las cuales, tienen ya fijado un
código en el cuestionario. Una pregunta abierta significa que se permite cualquier
respuesta y el entrevistador debe anotar literalmente la respuesta del informante.
La codificación de estas preguntas es más difícil y suele hacerse seleccionando
una muestra de respuestas y diseñando una estructura de códigos que captura y
categoriza la mayoría de respuestas.
3. Grabación
1. El teclado de un ordenador es una de las herramientas actuales más conoci-
das para la introducción de datos en ordenador, al igual que hace años lo eran las
tarjetas perforadas. Otros instrumentos que se utilizan para la entrada de datos
son los lectores de código de barras, escáner, aparatos de lectura óptica y lápices
de pantalla.
2. Mientras que hace años la grabación de datos solía hacerse de forma centrali-
zada por personal especializado, el uso extensivo del ordenador ha hecho que la
grabación de datos se realice de forma muy cercana a la recogida de los mismos.
3. Con los métodos de entrevista con ayuda de ordenador, bien sea entrevista
personal (CAPI) o telefónica (CATI) son los propios entrevistadores los que realizan
directamente la entrada de datos.
4. Edición {depuración) e imputación

1. Una vez grabados los datos debe realizarse un detallado chequeo de los mis-
mos para detectar y corregir datos que faltan, datos inválidos o inconsistentes o
26
datos erróneos o potencialmente erróneos. De esta forma se eliminan problemas

en los datos primarios que podrían originar información incorrecta. Este proceso se
conoce como edición e imputación de datos. Su objetivo es obtener un fichero de
datos primarios depurado y limpio que sirva de base para las tablas e información
final. En forma esquemática:
Datos Edición Datos

grabados imputación ---► depurados
2. Algunos de los chequeos que se realizan en este proceso son:
- Validación: asegura que los datos caen dentro de ciertos límites. Por ejemplo,
que caracteres alfabéticos no aparezcan en un campo numérico, o que el mes del
año no sea mayor de 12.
- Consistencia: chequea la consistencia lógica de los datos. Por ejemplo, una

persona que ha contestado en una pregunta nunca he estado casado no puede
tener como estado civil divorciado.
- Atípicos (outliers): un dato atípico es un valor extremo, es decir, un valor que

se aparta significativamente de los demás.
3. La imputación es el proceso de resolver los problemas de datos faltantes, in-

consistentes, no válidos o atípicos detectados en la edición de datos. Se realiza
cambiando los datos originales por otros que aseguren un registro verosímil y co-
herente. Aunque se hayan ya resuelto problemas en los datos en la etapa de reco-
gida mediante nuevos contactos con los informantes o inspección visual del cues-
tionario, siempre quedarán problemas en los datos que es necesario resolver me-
diante métodos de edición e imputación que produzcan un fichero de datos de
entrada completo y consistente, es decir, depurado.
4. Ambas fases, depuración e imputación, deben proporcionar valiosa informa-

ción sobre la calidad de la recogida de datos y para la mejora de futuras operacio-
nes. Deben considerarse como parte de la recogida de datos y utilizarse para eva-
luar y obtener indicadores de calidad de los datos primarios. Es importante tam-
27
bién tener en cuenta que su única finalidad es la completitud y consistencia de

datos primarios recogidos y no la modificación casi total de los mismos. La depu-
ración e imputación no mejora la calidad de los datos primarios, sólo mejora su
coherencia.
5. La contribución de la depuración/imputación a la reducción de errores de cam-

po es limitada. Para reducir errores es mejor prestar atención a la fase de recogida
de datos, en lugar de centrarse en tareas de limpieza al final de la misma. Mejor
prevenir que curar.
5. Estimación - expansión
1. Con este proceso los datos primarios depurados se convierten en informa-
ción. Para ello, a cada dato primario se le aplica el factor de ponderación/expansión
necesario para referir los datos a la población objeto de estudio, obteniéndose los
datos ponderados o expandidos. La posterior agregación de los datos ponderados
para las distintas poblaciones/subpoblaciones sobre las que se deba facilitar infor-
mación proporciona las tablas finales para su publicación en los distintos medios
de difusión (papel, soporte magnético, internet u otros).
2. Este proceso de transformación de datos primarios en información se sintetiza

en la fórmula
información=¿ dato primario• w
donde w es la ponderación o factor de expansión del dato primario depurado co-

rrespondiente a cada unidad elemental de estudio; w es el factor por el que se
multiplica cada dato primario para hacer que la referencia del mismo sea la población
objetivo. El símbolo sumatorio indica la agregación de los datos ponderados a las
distintas poblaciones sobre las que deba referirse la información o producto final.
3. El proceso productivo resumido en la fórmula anterior es independiente del

tipo de unidad informante y de que el estudio sea censal o muestra!. Si el estudio
es censal la ponderación w será la unidad, si elaboramos cualquier tipo de número
índice el dato primario deberá referirse al conjunto poblacional aplicándole la pon-
deración adecuada, si el estudio es muestra! w será el factor de expansión necesa-
rio para referir la información a la población total, si hablamos de muestras de em-
presas o de población la forma de obtener resultados finales es la misma, aunque
los procedimientos muestrales y de recogida de información puedan diferir.
28
Capítulo 6. Trabajar con porcentajes
Capítulo 6
Trabajar con porcentajes
1. Porcentajes y números índices simples

1. La utilización de porcentajes es muy común al manejar datos estadísticos por
lo que conviene repasar este concepto. Veamos algunos datos sobre la matricula-
ción de turismos en España:
Total Importados % importación
Matriculación de turismos
1996 968.363 566.970 58,5%
1997 1.091.190 661.078 60,6%
1998 1.282.970 821.928 64,1 %
1999 1.502.531 994.102 66,2%
2000 1.457.494 956.360 65,6%
Tasas de variación interanuales

1997 12,7% 16,6%
1998 17,6% 24,3%
1999 17, 1 % 20,9%
2000 -3,0% -3,8%
Índices de matriculación: 1996:100

1996 100,0 100,0
1997 112,7 116,6
1998 132,5 145,0
1999 155,2 175,3
2000 150,5 168,7
29
2. Podemos ver que en 1999 se han matriculado 219.561 turismos más (diferen-
cia absoluta) que en el año anterior, lo que supone un incremento relativo de
1.502.531-1.282.97ox,OO= 219.561 =1J, 1%

1.282.970 1.282.970
es decir, estamos expresando que por cada 100 turismos matriculados en 1998,
se han matriculado 117 en 1999. La cantidad por la que se divide en el denomina-
dor es la base del porcentaje. En caso de no multiplicar por 100 se obtiene el tanto
por uno o variación relativa por unidad. Al mismo resultado se llega dividiendo di-
rectamente las matriculaciones de ambos años
1.502.531 x100=117,1
1.282.970
y restando posteriormente 1OO. En este caso en que se esta comparando el cam-

bio del valor de una variable (matriculaciones) entre dos años consecutivos, el por-
centaje anual de cambio se llama también tasa de variación interanual.
3. Al ser cocientes entre dos cantidades los porcentajes son directamente com-
parables. Así, podemos ver que la matriculación de turismos de importación en
1999 se ha incrementado en 72.114 unidades, una cantidad lógicamente inferior a
las 219.561 unidades de incremento total, pero en términos relativos el crecimien-
to de los importados es de
994.102-821.928 = 72.114 =209%

821.928 821.928 '
que expresa un crecimiento porcentual claramente superior, casi cuatro puntos, al

17, 1 % de incremento en el total de matriculaciones.
4. Para el año 2000 se registran descensos de 45.037 unidades en el total de

matriculaciones y de 37.742 en los de importación, que se traducen en porcentajes
de
1.457.494 -1.502.531 X 100 = _3,0% y

1.502.531
956.360 - 994.102 X 100 = _3 8 %

994.102 '
30
respectivamente. En otras palabras, por cada 100 turismos matriculados en 1999

se han matriculado 97 en 2000
1.457.494 X 100 = 97
1.502.531
5. La forma de cálculo de porcentajes que hemos visto corresponde a cambios

que se producen en una misma variable: si una cierta variable pasa de tener el
valor B al valor A, el cambio absoluto es A-B y el cambio porcentual es
A-B x100
B
en donde B es la base del porcentaje. En otras ocasiones el porcentaje refleja la

proporción que supone una cantidad respecto a un total del que forma parte. Así
en la tabla de matriculación de turismos podemos ver que en el año 1996 los tu-
rismos importados son 566.970 unidades que, respecto al total de 968.363 unida-
des matriculadas, suponen una proporción de
586 ·970 X 100 = 58 5%

968.363 '
es decir, por cada 100 turismos matriculados en 1996, casi 59 fueron de importa-
ción. Suele expresarse diciendo que la participación de turismos de importación en
el total matriculados era del 58,5% en el año 1996. En forma similar se han calculado
el resto de datos de la columna %importación del cuadro del párrafo 1.
6. En la tabla de matriculación de turismos se observa que la participación de los

importados en el total se incrementa todos los años con excepción de 2000 que
disminuye ligeramente respecto a 1999. Esto es consecuencia de las mayores
tasas de variación interanuales que registran los turismos de importación. Es decir,
los turismos de importación han incrementado sus matriculaciones anuales a un
ritmo mayor que el total y, como consecuencia, su participación ha pasado del
58,5% en 1996 al 65,6% en 2000. Justamente en 2000 la participación de los
importados sufre un ligero retroceso respecto a 1999 (de 66,2 a 65,6) como con-
secuencia de experimentar un mayor descenso en las matriculaciones (-3,8% fren-
te al -3,0% del total).
7. Los porcentajes están íntimamente ligados con los números índices. Un nú-
mero índice es el cociente entre dos valores de una variable multiplicado por 1OO.
En la tabla de matriculaciones figuran los turismos matriculados en cada año to-
31
mando como base 100 el año 1996, es decir, estamos dividiendo las matriculacio-
nes de cada año por las correspondientes de 1996. Así, el índice de matriculacio-
nes del total turismos en 2000 respecto a 1996 es
1· 457 -494 X 100 = 150 5

968.363 '
En forma similar se calculan el resto de los valores índices de la tabla. Las tasas
de variación interanuales que hemos visto anteriormente pueden calcularse igual-
mente a partir de los respectivos índices de matriculación. Así, la variación porcen-
tual del total de turismos matriculados en 1999 con respecto a 1998 es
155,2 -132,5 X 100 = 171 %

132,5 '
8. Inversamente las tasas de variación interanuales pueden calcularse en forma

de índices de variación interanua/es dividiendo las matriculaciones de cada año
entre las del año anterior y multiplicando por 1OO. Los datos que obtenemos son
Índices de variación interanual

Total Importados
1997 112,7 116,6
1998 117,6 124,3
1999 117, 1 120,9
2000 97,0 96,2
que se corresponden con las tasas de variación interanuales vistas anteriormente

en la tabla 1. Vemos pues, que los porcentajes son una forma de expresar los índi-
ces de cambio entre dos valores de una variable.
9. Al manejar porcentajes hay que tener siempre cierto cuidado. Debemos ser
conscientes de que un porcentaje es, en el fondo, un cociente y hay que tener
claro cuál es la base del porcentaje. Un error que se comete con cierta frecuencia
es el de sumar porcentajes. Así, a partir de las tasas de variación interanuales del
total de turismos matriculados, podría pensarse que la variación acumulada de las
32
matriculaciones del año 2000 respecto a 1996 es la suma de los porcentajes de

cambio entre años consecutivos, es decir
12,7 + 17,6 + 17,1- 3,0 = 44,4%
Fácilmente se comprueba que el porcentaje correcto de variación entre ambos

años es
1.4 57 -494 = 1505 ➔ 50 5%

968.363 ' '
del 50,5%. Al resultado correcto se llega también si se transforman los porcenta-

jes de variación interanuales a índices de variación interanuales (en tanto por uno) y
se multiplican, es decir
1,127 X 1,176 X 1,171 X 0,973 = 1,505 ➔ 50,5%
ya que esta operación es equivalente a
1.091.190 X 1.282.970 X 1.502.531 X 1.457.494 = 1.457.494 =1505 ➔ 50 5%

968.363 1.091.190 1.282.970 1.502.531 968.363 ' '
La suma citada de porcentajes es una aproximación al verdadero valor sólo si los

porcentajes que se suman están próximos a la unidad ( ±5%) y no se suman más
allá de tres o cuatro porcentajes.
1O. Se ha citado en el párrafo 6 el hecho de que los mayores crecimientos inter-

anuales de los turismos de importación se reflejan en un incremento en su partici-
pación en el total. Por ejemplo en 1998 la matriculación de turismos de importa-
ción se incrementa en un 24,3% frente al 17,6% del total y su participación en el
total de matriculaciones pasa del 60,6% en 1997 al 64, 1 % en 1998. La relación
entre estos porcentajes es
60,6 X 1' 243 = 64 1

1,176 '
como fácilmente puede comprobarse al trabajar con las cifras absolutas
661.078 x821.928x 1.091.190 = 821.928 =0, 641 ➔ 64 , 1 %

1.091.190 661.078 1.282.970 1.282.970
33
La relación 1,243/1, 176 es el cociente entre los índices de crecimiento respecto al

año anterior de los turismos de importación y del total y está expresando el mayor
o menor crecimiento relativo de la importación respecto al total, siendo así el fac-
tor por el que hay que multiplicar la participación para obtener su nuevo valor.
11. Supongamos que en 1998 el valor monetario de los turismos matriculados
hubiera crecido un 30% respecto al año anterior, frente a un crecimiento en
cantidad o número de unidades de un 17,6%. Sería un grave error deducir de
estos datos que el crecimiento en precios ha sido de ~ = 70,5% . Esto se puede

17,6
comprobar fácilmente teniendo en cuenta que Valor= Precio*Cantidad, es decir,

V= PO. La relación entre los valores monetarios de ambos años es
Vz = P20 2 = P2 02 y se deduce de aquí que la relación entre los precios de ambos
V1 P10 1 P1 0 1
años es P2 =
P1
Yv
ºYav, , por lo que la operación correcta para calcular el crecimiento de
2
o,
. 1,30 ¾
precios es - - = 10,5°0.
1,176
12. El ejemplo del párrafo anterior muestra también que hay que ser cuidadosos
en la interpretación de datos. El resultado muestra que aparentemente los turis-
mos han experimentado un crecimiento en sus precios de un 10,5% en 1998 res-
pecto al año anterior. Sin embargo, lo que refleja realmente el número, es que el
coste unitario para el consumidor de un turismo matriculado en 1988 ha sufrido un
incremento de un 10,5% respecto a 1997, y esta cifra incluye también un posible
desplazamiento de los gustos de los compradores de coches hacia turismos de
gama alta en detrimento de los de menor coste. Y este posible desplazamiento es
bastante real si nos fijamos en la evolución tan positiva que se ha visto en los tu-
rismos de importación y le añadimos el que este tipo de vehículos son en su ma-
yoría de gama alta.
2. Primeros gráficos
1. La representación gráfica juega un importante papel en la descripción y com-
prensión de datos estadísticos por lo que interesa empezar a familiarizarse con los
distintos tipos de gráficos que suelen utilizarse. De hecho, la información estadísti-
34
ca que publican los medios de comunicación suele ir acompañada de gráficos que

resumen los aspectos más destacados de los datos o los aspectos que al medio
en cuestión le interesa más destacar. A título introductorio se proporcionan algu-
nos gráficos sencillos que presentan distintos rasgos de los datos de matriculacio-
nes del apartado anterior.
Matriculación de turismos en España
[~T;t~l-11-- Importados]
1.600.000 - -
1.400.000
1.000.000
800.000 ---~-------- ----------------
2. Este primer gráfico muestra la evolución de las matriculaciones tanto en el to-

tal como en turismos de importación en términos absolutos. La escala vertical
(ordenadas) representa el número de turismos matriculados y en la horizontal se
muestran los años considerados. El gráfico refleja la evolución positiva de las mis-
mas y el frenazo que sufren en el año 2000. Al ser la escala vertical de valores
absolutos, el gráfico refleja la cantidad de matriculaciones en cada año y las dife-
rencias absolutas de un año a otro. Los superiores crecimientos relativos habidos
en la matriculación de turismos de importación, se reflejan mejor en los dos gráfi-
cos siguientes que muestran los índices de matriculaciones y las variaciones anua-
les respectivamente:
35
Índices de matriculación: 1996=100
i--+-- Tota 1--- 1mportados 1
200
180
160
14D -- ---- -
1996 1997 1998 1999 2000
3. Este gráfico con los índices de matriculaciones en base a 1996, muestra la

evolución de las mismas en términos relativos y comparables y refleja la evolución
más positiva registrada en la matriculación de turismos de importación que, en el
gráfico anterior, con la escala de valores absolutos, no quedaba reflejada. El si-
guiente gráfico muestra en forma de columnas los porcentajes de variación anua-
les en las matriculaciones. En el mismo se incluye con cada columna del gráfico el
valor que representa. Finalmente el último gráfico, también en forma de columnas,
proporciona la participación alcanzada cada año por los turismos de importación.
En él no se muestra el eje de ordenadas y cada columna figura con el valor que
representa.
36
Matriculación de turismos. Tasas interanuales
1 r:ilTotal □ Importados_]
30,0
24,3
25,0
20,9
20,0
16,6
15,0
12,7
10,0
5,0
0,0
1997 1998 1999
-5,0
Matriculación de turismos. Participación de turismos

importados (%)
66,2
58,5
1996 1997 1998 1999 2000
37
Capítulo 7. Variables y distribuciones
Capítulo 7
Variables y distribuciones
1. Unidades estadísticas y variables

1. Las unidades estadísticas son los elementos que componen el conjunto estu-
diado. Dicho conjunto debe estar definido con precisión y bien delimitado: es ne-
cesario conocer con exactitud si una cierta unidad pertenece o no al conjunto que
se desea estudiar.
2. Cada unidad estadística puede ser descrita en relación a una o varias caracte-
rísticas. Así, sí consideramos el personal del INE pueden estudiarse características
como: sexo, edad, categoría profesional, estado civil, antigüedad, salario. En la
matriculación de automóviles puede estudiarse si son o no de importación, marca
y modelo, cilindrada, tipo de combustible que utilizan, provincia en que se matricu-
lan. Estas posibles características a estudiar sobre las unidades se llaman variables
estadísticas o simplemente variables.
3. Las variables pueden presentar distintas modalidades o categorías: la edad de

una persona o su antigüedad en el trabajo puede tomar distintos valores, el com-
bustible de un turismo puede ser gasolina súper, gasóleo, eurosuper, ... Las moda-
lidades son las diferentes situaciones posibles de una variable y deben ser incom-
patibles y exhaustivas: cada elemento que se estudia debe presentar una y sólo
una modalidad. En el caso de existir solamente dos modalidades se habla de ca-
racterística o variable dicotómica.
4. Una variable es cualitativa o de atributos si sus diversas modalidades o cate-

gorías no son medibles: sexo, profesión, marca, tipo de combustible, ... Una va-
riable es cuantitativa o numérica si sus modalidades son medibles, es decir, cada
39
modalidad está asociada a un número: edad, antigüedad en el trabajo, salario, ... En

una variable cuantitativa su valor sobre cada unidad resulta de una medida numéri-
ca realizada sobre la misma, mientras que en una variable cualitativa su valor sobre
cada unidad resulta de una clasificación que determina si la unidad pertenece o no
a una modalidad, aunque ésta pueda identificarse con un código numérico. Por
ejemplo el nivel profesional de un funcionario se expresa por un número pero es
una variable cualitativa; la provincia de nacimiento es también una variable cualita-
tiva aunque pueda expresarse por un código numérico asociado al nombre; la
edad, la antigüedad en el empleo o el salario de una persona son variables cuanti-
tativas. Es importante recalcar que las variables cualitativas no se miden numéri-
camente, sólo se clasifican, mientras que las cuantitativas tienen una medida nu-
mérica.
5. Las variables cuantitativas pueden ser discretas o continuas, según que la

medida de cada modalidad sea un número entero o un número real, respectiva-
mente. El número de goles por partido de fútbol, el tamaño de una familia o el
número de habitantes de los municipios españoles son variables discretas: ningu-
na familia está formada por 3,45 miembros y ningún partido de fútbol termina con
2,5 goles. La edad o el peso de una persona, el gasto en alimentación de una fami-
lia en un año o la hora de entrada al trabajo de los empleados de una empresa son
variables continuas, que pueden tomar cualquier valor en un cierto intervalo: un
empleado puede tener registrada su entrada al trabajo a las 8:32 horas, pero puede
haber entrado en cualquier instante entre las 8:32 y las 8:33 horas. En la práctica
las variables continuas se tratan como discretas al limitar el número de los decima-
les en su medición.
2. Distribuciones de frecuencia
1. Cuando sobre un conjunto de unidades estadísticas estudiamos una variable,
cada unidad queda asociada al valor o categoría (clasificación) de la variable que le
corresponde según que ésta sea cuantitativa o cualitativa respectivamente. El
conjunto de unidades junto con el valor o categoría definido para cada unidad cons-
tituye una distribución estadística. Por ejemplo si en el colectivo de funcionarios
del INE consideramos el grupo profesional (A, B, C o D) al que se pertenece, ten-
dríamos la distribución de funcionarios por grupo:
40
Funcionario Grupo
1 D
2 B
3 e
4 e
5 A
6 B
Si ahora contamos el número de funcionarios en cada grupo profesional obte-

nemos la siguiente tabla o distribución de frecuencias:
Funcionarios INE por grupo

profesional {31-12-2000)
Grupo Efectivos Porcentaje
A 222 16, 1
B 516 37,3
e 217 15,7
D 427 30,9
Total 1.382 100,0
A los efectivos de cada grupo se les denominan frecuencias absolutas. Vemos,

pues, que la frecuencia es el número de unidades que presentan la misma modali-
dad de la variable que se estudia. La proporción de cada categoría respecto al total
se denomina frecuencia relativa. En forma gráfica:
41
Funcionarios del INE por grupo profesional
e
o
Q_
2
(.'.J
o 100 200 300 400 500 600

Efectivos
2. Cuando tenemos una distribución cuantitativa pueden agruparse, de forma

similar al caso cualitativo, las unidades que presentan un mismo valor de la variable
para formar una tabla de frecuencias. Si la variable presenta un gran número de
valores diferentes la agrupación de las unidades puede hacerse por intervalos co-
mo vemos en el siguiente ejemplo. Los datos corresponden al precio de venta de
un mismo artículo tomado en 30 supermercados (euros):
6,20 5,45 9,60 4,80 7,75 6,00 6,00 4, 15 5,40 5,60 6,55
4,75 6,05 5,20 5,20 5,65 6,65 8,75 7,70 8,60 3,35 4,35
5,90 4,25 6,35 4,30 6,75 9,90 4,20 3,60
La ordenación de los datos proporciona una mejor panorámica de la distribución:
3,35 3,60 4, 15 4,20 4,25 4,30 4,35 4,75 4,80 5,20 5,20
5,40 5,45 5,60 5,65 5,90 6,00 6,00 6,05 6,20 6,35 6,55
6,65 6,75 7,70 7,75 8,60 8,75 9,60 9,90
42
Podemos agrupar los datos por intervalos de euro, es decir, precio menor o igual
a 4 euros, mayor de 4 y menor o igual que 5, ... , mayor de 9, obteniéndose la si-
guiente tabla:
Precio Frecuencia
4 2
5 7
6 9
7 6
8 2
9 2
10 2
Total 30
Los intervalos de precio que sirven para la agrupación de las unidades se llaman
intervalos de clase o simplemente clases. Las clases se corresponden a las cate-
gorías de la variable. Obsérvese la forma de presentar las clases de precios en la
tabla: para cada clase se da el límite superior y contiene las unidades con precio
superior al límite de la clase anterior y menor o igual al límite de clase, así, la clase
7 contiene los supermercados con precio mayor de 6 (límite de clase anterior) y
menor o igual que 7 euros. Cuando nos enfrentamos a un gran número de obser-
vaciones la agrupación en clases resulta imprescindible para poder apreciar la natu-
raleza general de la información. De hecho es bastante normal que al publicar re-
sultados estadísticos nos encontremos con distribuciones de frecuencia agrupadas
en clases. Así, la población ocupada por grupos de edad que proporciona la En-
cuesta de Población Activa en el 4º trimestre de 2002 es como sigue:
EPA. 4º trimestre 2002
Población ocupada según la edad (miles)

Total 16.377,3
De 16 a 19 años 322,2
De 20 a 24 años 1.418,3
De 25 a 54 años 12.882,2
De 55 años y más 1.754,5
43
3. Cuando se divide una variable en intervalos de clase, la amplitud de cada clase

va a depender del número de clases a considerar, que en general no debe ser
superior a 15. Un número excesivo de clases puede originar ciertas irregularidades
al tener frecuencias pequeñas por clase. Los límites o extremos de clase deben
ser números redondos. La amplitud de clase puede ser constante o variable. Si la
amplitud es constante ésta puede calcularse dividiendo la diferencia entre el mayor
y menor valor por el número de clases y redondeando convenientemente. Si la
amplitud de clase es variable, ésta será más pequeña en la parte de la variable que
sea más frecuente y más grande en la parte con menor frecuencia. La frecuencia
de clase dividida por su amplitud se llama frecuencia media de clase. Las clases
suelen definirse de forma que las frecuencias de cada clase sean progresivamente
crecientes para, después de un máximo volverse sucesivamente decrecientes. Es
aconsejable también que las amplitudes de clase sean múltiplos de un número fijo
(por ejemplo sí la amplitud menor es 25, que todas las amplitudes de clase sean
múltiplos de 25).
3. Diagrama de barras e histograma de frecuencias

1. Vamos a considerar la distribución de ventas de un cierto año de una pobla-
ción de 2.960 supermercados con superficie de ventas igual o superior a 400 m2 •
La distribución de frecuencias absolutas y porcentuales se dan en la tabla que
sigue. Puede verse que los primeros intervalos de venta tienen amplitud igual a 2,5
millones de euros, siguen dos intervalos (10-15, 15-20) de amplitud igual a 5 millo-
nes, otro más (20-50) de amplitud 30 millones y uno de amplitud igual a 50 millo-
nes, quedando el último abierto y que incluye los establecimientos con ventas
superiores a 100 millones de euros. Se proporciona también la distribución acumu-
lativa de frecuencias, es decir, en cada intervalo de clase la frecuencia acumulada
es la frecuencia de su clase más la de las clases inferiores. Así, vemos que el
84,9% de los supermercados presentan ventas iguales o inferiores a 1O millones
de euros (17,9 + 47,3 + 13,9 + 5,7 = 84,9%).
44
Distribución de ventas de supermercados

Millones de euros
Intervalo Número Frecuencia Frecuencia
ventas sut2ermercados relativa acumulada
2,5 531 17,9 17,9
5,0 1.400 47,3 65,2
7,5 412 13,9 79,2
10,0 170 5,7 84,9
15,0 167 5,6 90,5
20,0 93 3, 1 93,7
50,0 84 2,8 96,5
100,0 75 2,5 99, 1
Max:or 28 0,9 100,0
Total 2.960 100,0
2. La distribución anterior es un ejemplo de distribución asimétrica, con altas fre-

cuencias en valores moderados de la variable, pero con una cola de unidades en
valores muy altos de la variable, en este caso las ventas. Con este tipo de distribu-
ciones resulta prácticamente inevitable que los intervalos de clase tengan amplitud
variable para poder llegar a un número razonable de intervalos. Obsérvese que
todas las amplitudes de clase son múltiplos de la amplitud menor, así, la clase 20-
50 equivale a 12 veces la amplitud menor. Si llevamos la distribución de frecuen-
cias a un gráfico de barras como el que sigue, debe tenerse presente que el gráfi-
co se caracteriza porque la altura de cada barra es proporcional al valor que repre-
senta y que las clases se representan en el eje X como modalidades, es decir, sin
escala numérica:
45
47,3%
(1J
·¡:;
e
Gl
::,
ü
Gl
tt
5,7% 5,6%
2,5 5 7,5 10 15 20 50 100 >100

Intervalo de ventas
3. En distribuciones de frecuencia con amplitudes de clase variables, otra forma

de representación gráfica es el histograma de frecuencias, en el que cada clase se
representa por un rectángulo cuya base es la amplitud del intervalo y cuya superfi-
cie representa la frecuencia de clase. A continuación se presenta el histograma de
la distribución de supermercados. Puede observarse como en los intervalos de
amplitud 2,5 la altura de la columna del histograma es igual a la altura del gráfico
de barras ya que se toma la amplitud menor como unidad para medir la superficie
de la columna, pero en los intervalos 10-15 y 15-20, cuya amplitud es el doble, la
altura de la columna es la mitad de la frecuencia respectiva, de forma que el área
representa correctamente la frecuencia de cada clase, y análogamente sucede con
el resto de intervalos. Así pues, la diferencia entre ambos tipos de gráficos es que
la frecuencia, que se representa por la altura en el diagrama de barras, correspon-
de en el histograma al área de la columna. Ello implica introducir una escala numé-
rica en el eje X.
46
Distribución de ventas de supermercados (millones de euros)
50
45
40
35
if 30
cu
·¡:¡
~ 25
::,
ü
QJ
u:: 20
10
o
o o o o
L.() ó
N
oLD ó
o
Intervalo de ventas
4. El gráfico que sigue es otra forma de ver el histograma y permite apreciar el

alto grado de asimetría de la distribución, que, en el diagrama de barras queda algo
disimulado por la falta de escalado en el eje X.
50
45
40
35
if 30
cu
·¡:¡
~ 25 .'
::,
ü '
QJ 1
u:: 201
15 e
10
o+----~
o 10 20 30 40 50 60 70 80 90 100
Ventas
47
5. En tabla de distribución de ventas de supermercados se había incluido una co-

lumna con la distribución acumulada de frecuencias. El gráfico de la distribución
acumulada permite apreciar visualmente valores de la variable de estudio por deba-
jo de los cuales se sitúa un cierto porcentaje de las unidades. Podemos apreciar en
el gráfico que alrededor del 94% de supermercados presentan ventas de hasta 20
millones de euros y tan sólo un 6% supera ésa cifra. El gráfico acumulado resulta
de utilidad para apreciar visualmente ciertos valores de la variable, como veremos
en el siguiente capítulo.
Distribución acumulada de ventas de supermercados
100 -----.
90 ~ - - -
•
80
70
Q)
.§' 60 ° --
e
Q)
2
o
CL
50 - ---------
40
30 -- - - - -
20 -
10
o 10 20 30 40 50 60 70 80 90 100
Ventas
48
Capítulo 8. Medidas descriptivas de una variable estadística
Capítulo 8
Medidas descriptivas de una variable estadística
1. los conceptos de media y desviación típica

1. Volvamos al conjunto de precios de venta de un artículo en 30 supermercados
del capítulo anterior. Al ser un conjunto no muy amplio de elementos la simple
inspección visual de los datos permite extraer alguna conclusión como que los
precios varían entre 3,35 y 9,90 euros y que los valores más frecuentes parecen
estar entre los 5 y 7 euros. Estas conclusiones son más evidentes cuando se ven
los precios ordenados. Poca información más puede extraerse de la simple ins-
pección visual de los datos individuales, y esto porque estamos ante un conjunto
reducido de elementos. Si nos tuviéramos que enfrentar a una lista de unos pocos
cientos o miles de precios, la inspección visual de los mismos no nos aportaría
prácticamente ninguna información. Se hace necesario clasificar, resumir y simpli-
ficar para poder comprender. Las primeras dos medidas que resumen una distri-
bución estadística son la media y la desviación típica.
2. La media aritmética de una distribución es el resultado de sumar el valor de la

variable de estudio de todas las unidades y dividir por el número de unidades. Es
decir,
- ¿x
X=--
n
donde '¿x representa la suma de todos los valores de la variable y n es el número

de valores. En el caso de los precios de venta, obtenemos el precio medio suman-
do todos los precios obtenidos y dividiendo por el número de precios, es decir:
49
. d" 6,20 + 5,45 + ··· + 4,20 + 3,60 5 97

precio me 10 = _x = - - - - - - - - - - - = , euros
30
El siguiente gráfico representa los precios individuales obtenidos en cada su-

permercado y su valor promedio; puede observarse como la media se sitúa entre
los valores individuales de la variable, es decir, la media es una característica cen-
tral o medida centralizada de la distribución: /os valores individua/es se distribuyen
alrededor de la media.
Precio de un artículo en 30 supermercados (euros)
11.00 r
10,00 7
9,00 -
1A
8,00
o 7,00
ü
------"-=':....,."---~-"'----...i;r..--...,¡,.,,----,
(J)
o:: 1
6,00
precio medio '
5,00 (x; -x)

'f
4,00
Y,
3,00
2,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Supermercado nº
3. El gráfico refleja cómo los valores individuales de la variable varían alrededor

de la media. La variabilidad de los datos es una característica inherente a la Esta-
dística. La medida de la variabilidad o dispersión de los datos alrededor de la media
la proporciona la desviación típica, cuyo cálculo se basa en las diferencias (x¡ - x)
entre los valores individuales y la media, reflejadas en el gráfico por algunas fle-
chas. La suma de estas diferencias es cero, por lo que el cálculo de la desviación
típica se hace con el cuadrado de las diferencias y responde a la fórmula
50
es decir, a) se calculan las diferencias (x - x) individuales a la media y se elevan al

cuadrado, b) se suman los cuadrados obtenidos y se divide por el número de uni-
dades y c) se extrae la raíz cuadrada. Para los precios obtenemos
(6,20 - 5,97) 2 + (5,45 - 5,97) 2 + ·· · + (3,60 - 5,97) 2

cr = ,__________________ = 1,64 euros
30
Si no se extrae la raíz cuadrada, el resultado que se obtiene se llama varianza y se

denota por <l. La desviación típica y la varianza son medidas de dispersión. La
desviación típica se llama también desviación estándar.
4. El significado de la desviación típica se entiende mejor si se tiene en cuenta la

siguiente propiedad: en cualquier distribución estadística al menos el 75% de los
valores individuales se encuentran comprendidos entre la media y más menos dos
veces la desviación típica. En el caso de los precios, al menos el 75% de los mis-
mos estarían comprendidos entre 5,97-2x1,64=2,69 euros y 5,97+2x1,64=9,25
euros; en concreto, 28 de los 30 precios (el 93%) están comprendidos entre los
citados valores. Resulta evidente que cuanto mayor sea el porcentaje de valores
comprendidos entre la media y más menos dos veces la desviación típica mayor
es la concentración de valores alrededor de la media o, lo que es lo mismo, menor
es la dispersión de los valores individuales.
5. La desviación típica se expresa en las mismas unidades que la media por lo

que no es directamente comparable entre distintas distribuciones. Así, si tuviéra-
mos la distribución de precios de un segundo artículo en los mismos 30 supermer-
cados con un precio medio de 8,00 euros y la misma desviación típica, 1,64 euros,
podemos pensar que este segundo artículo presenta la misma dispersión que el
primero, lo cuál es cierto en términos absolutos, pero si expresamos la desviación
típica en términos relativos a la media, es decir, como cociente a la media nos
encontramos con que el primer artículo presenta una variación relativa de
1' 64 = O 275 ➔ 27 5%
5,97 ' '
mientras que para el segundo la variación relativa es
51
1' 64 = O 205 ➔ 20 5%
8,00 ' '
Es decir, el segundo artículo presenta menor dispersión en los precios.
El cociente entre la desviación típica y la medía se llama coeficiente de variación

(CV):
CV=~
X
y puede expresarse en porcentaje siendo una medida de dispersión comparable

entre distintas distribuciones.
6. Tanto la medía como la desviación estándar sólo son calculables con variables
numéricas, ya que se requiere calcular la suma de los valores de la variable, y esto,
obviamente, es posible sí la variable toma valores numéricos. Con variables cualita-
tivas pueden calcularse porcentajes: porcentaje de mujeres, porcentaje de turis-
mos que utilizan combustible eurosuper. Así, en la tabla de funcionarios del INE de
7.2.1 puede verse que los funcionarios del grupo A son el 16,1 % del total. Estos
porcentajes, en distribuciones cualitativas se conocen como proporciones y hacen
referencia a la fracción porcentual de la población que cumple una determinada
propiedad.
7. Sí para una variable cualitativa estamos interesados en una determinada mo-

dalidad o categoría C de la variable, podemos asignar el valor 1 a las unidades que
pertenecen a la categoría C y el valor O a las que no pertenecen. Siendo c el nú-
mero de unidades ~ :ertenecen a la clase en cuestión, la medía de esta variable
dicotómica es - = ~= p
x =L_ , es decir, la proporción de unidades que pertene-
n n
cen a la clase y la expresión de la varianza se convierte en ci = p(1- p) .
2. Datos agrupados en una distribución de frecuencias

1. La siguiente tabla de frecuencias proporciona el número de goles marcados
en cada uno de los 380 partidos de fútbol de la 1ª división de la liga española de la
temporada 2000-2001:
52
Número Número Porcentaje

de goles de partidos partidos
o 21 5,5
65 17, 1
2 85 22,4
3 81 21,3
4 64 16,8
5 32 8,4
6 25 6,6
7 5 1,3
8 2 0,5
Total 380 100,0
La variable estadística que se considera es el total de goles marcados en cada

partido, cuyo valor varía entre O y 8, dándose para cada valor de la variable su fre-
cuencia absoluta (número de partidos en que se repite el valor) y su frecuencia
relativa en porcentaje. El gráfico muestra el diagrama de barras de la distribución
relativa de frecuencias:
Distribución de goles por partido
25,0% ~ - - - - - - - - - - -
20,0o/o +-----------+'1"~--Hl'~J------- ----- - - - - - - ---------- - ----- ---------------
(/)
o
u
-~ 15,0%
Q.
Q)
u
Q)
.N
810,0% +--------
º
CL
o 2 3 4 5 6 7 8
Número de goles
53
2. La media y la desviación típica de la distribución se calculan de la forma ya vis-

ta. Para el cálculo de la media puede tenerse en cuenta que el valor O se repite 21
veces y habría que sumarlo 21 veces (Ox21 =0), el valor 1 se repite 65 veces y
habría que sumarlo 65 veces (1 x65=65), ... , y de forma análoga se repiten las dife-
rencias a la media para el cálculo de la desviación típica. Ello nos lleva a
. _ 0-21+1-65+2-85+··•+7-5+8·2 I / ·d
me d 1 a = x = - - - - - - - - - - - - - - =288
, goespart1 o
380
(O - 2,88) 2 · 21 + (1 - 2,88) 2 · 65 + ·· · + (8 - 2,88) 2 · 2

d. típ. = cr = - - - - - - - - - - - - - - - - - - = 1,68 goles
380
Es decir, la media y la desviación típica se calculan de acuerdo a las fórmulas
CT=
respectivamente, y en las que f indica la frecuencia con que se presenta cada va-
lor. Aunque ambas fórmulas puedan aparentar ser diferentes a las vistas en el
apartado anterior, son conceptualmente iguales y lo único que hacen es tomar en
cuenta la frecuencia repetitiva de los distintos valores de la variable a la hora de
sumar. En el cálculo pueden emplearse indistintamente las frecuencias absolutas o
las relativas. En caso de utilizar las relativas debe tenerse presente que la suma de
las frecuencias relativas ( ¿ f) es 1 o 100 según que se utilicen en proporción a la

unidad o en porcentaje. El coeficiente de variación resulta de 1,68/2,88 = 58,3%,
es decir, la distribución de goles por partido presenta mayor dispersión que la de
precios vista en 8.1.5.
3. Datos agrupados en intervalos de clase

1. Vamos a ver como se realiza el cálculo de la media y la varianza cuando tene-
mos los datos agrupados en intervalos de clase. Tomaremos como referencia la
vida útil de un conjunto de 60 bombillas:
54
Duración en horas de sesenta bombillas

620 650 660 675 717 732 747 753 753 755
766 776 781 787 788 792 803 807 811 811
817 817 822 823 827 828 829 831 832 833
841 844 847 852 857 863 867 869 872 878
880 881 889 890 891 897 907 918 923 933
947 958 970 980 1.030 1.050 1.056 1.076 1.082 1.088
Si calculamos la media y la desviación típica utilizando los 60 valores de la tabla

de acuerdo a las fórmulas vistas en 8.1.2 y 8.1.3 obtenemos 851,32 horas para la
media y 102,57 horas para la desviación estándar, con un coeficiente de variación
del 12,05%. Realicemos ahora una agrupación de los valores en intervalos de cla-
se. Teniendo en cuenta que la diferencia entre el mayor y el menor valor es 1.088-
620=468, y de acuerdo a lo indicado en el párrafo 7.2.3, podemos formar clases de
amplitud 50, obteniendo la siguiente distribución de frecuencias:
Intervalo Frecuencia
clase absoluta (n
600 o
650 2
700 2
750 3
800 9
850 17
900 13
950 5
1.000 3
1.050 2
1.100 4
mayor o
Total 60
Recuérdese la forma de presentar las clases por su límite superior, esto es, las 9
observaciones en 800 corresponden a las 9 bombillas cuya duración es mayor que
750 horas y menor o igual que 800 horas.
Cuando nos encontramos con una distribución de frecuencias por intervalos

de clase, la información que tenemos es que 9 bombillas duran entre 750 y 800
55
horas, pero no conocemos la duración individual de cada una de las 9 bombillas

incluidas en esta clase, y análogamente sucede con el resto de clases. La solución
para calcular la media y la varianza es suponer que las bombillas incluidas en cada
intervalo tienen una duración media igual al valor central del intervalo, que se de-
nomina marca de clase. Es decir, suponemos que las 9 bombillas del intervalo 750-
.
800 tienen una d urac1on
. , me d.1a d e 750 +800
-- --750
- = 775 horas, y as1, para e I resto
2
de intervalos de clase. A partir de aquí el cálculo de la media y varianza se realiza
en la forma vista en el ejemplo de los goles, utilizando la marca de clase como
valor de la variable en cada intervalo. En la tabla que sigue se detallan los cálculos:
Distribución de frecuencias de la duración de bombillas y cálculo

de la media y desviación estándar
lntBrvalo Frecuencia Frecuencia Marca de xf (x- xl2f
clase absoluta (f') relativa % clase (x)
acumulada
600 o ,00%
650 2 3,33% 625 1.250,00 102.001,39
700 2 6,67% 675 1.350,00 61.834,72
750 3 11,67% 725 2.175,00 47.502,08
800 9 26,67% 775 6.975,00 51.756,25
850 17 55,00% 825 14.025,00 11.345,14
900 13 76,67% 875 11.375,00 7.592,36
950 5 85,00% 925 4.625,00 27.503,47
1.000 3 90,00% 975 2.925,00 46.252,08
1.050 2 93,33% 1.025 2.050,00 60.668,06
1.100 4 100,00% 1.075 4.300,00 201.002,78
mayor o 100,00%
Total 60 51.050,00 617.458,33
media/ varianza 850,83 10.290,97
desv. est. 101,44
CV 11,92%
La agrupación de valores en intervalos de clase produce un cierta pérdida de in-

formación, aunque permite apreciar mejor la naturaleza de los datos. Pensemos
que si en lugar de los 60 valores del ejemplo tuviéramos 60.000 poco apreciaría-
mos mirándolos uno a uno. Debido a esta pérdida de información es necesario
56
introducir la suposición respecto a las marcas de clase para los cálculos, resultando
que los valores obtenidos para la media y la desviación estándar son aproximacio-
nes a los valores verdaderos de 851,32 y 102,57 respectivamente, que habíamos
obtenido utilizando todos los valores, es decir, toda la información.
El siguiente gráfico refleja la distribución de frecuencias por clases de las bombi-

llas:
Duración en horas de sesenta bombillas

18 17
16
14
C/J 12
~
.o
§10
.o
Gl
u
o 8
cii
E
,:::,
z 6
o
650 700 750 800 850 900 950 1.000 1.050 1.100
Intervalo duración
4. Otras medidas características

1. La moda es el valor más frecuente de la variable estadística, y se corresponde
con el máximo del diagrama de barras. En la distribución de goles la moda son 2
goles por partido, que se presenta en 85 de los 380 partidos. En el caso de las
bombillas, con una distribución en intervalos de clase, el intervalo modal es 800 -
850, en el que se encuentran 17 de las 60 bombillas. La moda representa, como la
media, un valor central de la distribución y su determinación es visual a partir de la
tabla de frecuencias o de su gráfico.
2. La mediana divide a la población en dos partes iguales o aproximadamente

iguales en número de unidades de estudio o unidades estadísticas. La mitad de las
unidades presentan valores de la variable menores o iguales que la mediana en
57
tanto que la otra mitad tiene valores iguales o mayores que la mediana. La deter-
minación de la mediana requiere la ordenación de las unidades de la población por
valores de la variable de estudio en forma creciente o decreciente. Si el número de
unidades n es impar la mediana corresponde al valor de la unidad que ocupa el
lugar n - l + 1 en la ordenación, y si n es par la mediana se calcula como la media

2
de los dos valores que ocupan la posición ~ y ~+ 1. En definitiva, si tenemos los
2 2
siete valores (5, 5, 6, 8, 8, 1O, 1O) la mediana es 8, pero si tenemos los seis valo-
res (5, 5, 6, 8, 8, 1O) la mediana es 6 + 8 = 7. El gráfico de la distribución acumula-
2
tiva de la frecuencia relativa permite apreciar de forma rápida la mediana o el inter-

valo mediano. En el caso de los goles vemos gráficamente como la mediana está
comprendida entre dos y tres goles por partido:
Distribución acumulada de goles por pé!rl:ido
100,0% --- ----------------
90,0%
80,0%
30,0% --- - - - - - - - - - / - - -- - - + - - M - - - ~ - - - - + - - - - - + - -
20,0%
10,0%
0,0%
o 2 3 4 5 6 7 8
Número de goles
58
frecuencia relativa acumulada de la duración de sesenta

bombillas
100
90 -
80
70
o;,R
co
> 60 -----
·;:::;
m
e:i
m
·u
e
Q)
::, 40 - - - - -------- -
:c=_---___
Q)
et -+---
1
----j---
650 700 750 800 850 900 950 1.000 1.050 1100
Intervalo duración
En la distribución de duración de bombillas por intervalos de clase, el intervalo en

el que se incluye la mediana es el 800 - 850, bastante cerca de 850 horas. Si ob-
servamos la serie de sesenta valores los dos valores centrales (30 y 31) son 833
horas y 841 horas y la mediana sería la media de ambos (n es par), es decir, 837
horas. Vemos pues como el gráfico de frecuencias relativas acumuladas permite
tener una apreciación inmediata de la mediana.
3. Tanto la moda como la mediana son, al igual que la media, características cen-
trales de una distribución. A diferencia de la media, su cálculo no está basado en
todos los valores de la distribución, por lo que posibles valores extremos no tienen
incidencia en el valor de la moda o mediana, mientras que sí pueden influir de for-
ma notable sobre la media. Así, la mediana de los 7 valores (5, 5, 6, 8, 8, 1O, 1O) es
8 y su media es 7,42. Ahora, para los 7 valores (5, 5, 6, 8, 8, 1O, 100), la mediana
sigue siendo 8, pero la media es 20,3 por la influencia del valor 100, que es clara-
mente un valor atípico. Cuando se tienen valores extremadamente altos o bajos en
una distribución, es aconsejable calcular la media con todos los valores y realizar
también su cálculo excluyendo los valores extremos para poder decidir cuál de los
59
valores obtenidos representa o condensa mejor al conjunto. El cálculo de la me-

diana puede ayudar a decidir qué valor medio es el adecuado.
4. En forma similar a la mediana que divide a la población en dos partes con el

mismo número de unidades, a partir de la ordenación de las unidades se pueden
determinar otros valores que caracterizan la ordenación. El cuartil 1/4 sería el valor
de la variable que deja por debajo al 25% de las unidades, el cuartil 3/4 sería el
valor de la variable que deja por debajo al 75% de las unidades, la decila 1 corres-
ponde al valor que deja por debajo al 10% de las unidades, la decila 2 deja por
debajo al 20% de unidades, ... A la diferencia cuartil 3/4 cuartil 1/4 se le denomina
intervalo intercuartílico y representa la zona central de la variable que incluye al
50% de sus valores.
Frecuenda relativa acumulada de la duración de sesenta

bombillas
100
90
80
,R_
70
2..-
co
>
·.¡:;
60
co
~ 50 _:
co
·u
e
(1)
:J 40
ü
~
LL
30
20
intervalo
10 . intercuartílico ,
-.:;¡_;c--v,v;:~~:_.,.;; ?=z '--'/
o
650 700 750 800 850 900 950 1.000 1.050 1.100
Intervalo duración
5. La curva de concentración
1. Vamos a considerar la siguiente tabla con las ventas anuales en millones de
euros de 1O supermercados.
60
Ventas anuales en millones de euros de 10 supermercados

Superm. o/onú- %número Ventas %Ventas %Ventas
Número mero acum. acum.
10 10 1,06 1,6 1,6
2 10 20 2,00 3,0 4,6
3 10 30 2,77 4,2 8,8
4 10 40 3,32 5,0 13,8
5 10 50 3,35 5,0 18,8
6 20 60 4,07 6, 1 25,0
7 10 70 5,23 7,9 32,8
8 10 80 7,97 12,0 44,8
9 10 90 11,48 17,3 62, 1
10 10 100 25, 18 37,9 100,0
Total 10 66,42
La primera columna contiene la identificación de cada supermercado, la segunda

representa el porcentaje de cada observación (1/1 O), que se acumulan en la tercera
columna, la cuarta columna contiene las ventas que realiza cada uno de los super-
mercados, las cuales se trasladan a porcentajes sobre el total de ventas en la quin-
ta columna y se acumulan en la última columna. Obsérvese que los supermerca-
dos están ordenados por ventas de menor a mayor, de forma que podemos ver
comparando la tercera y última columna que los tres supermercados de menor
venta sólo realizan el 8,8% de las ventas totales de los 1O considerados, aunque
sean el 30% de las observaciones. La tercera y última columna en forma gráfica
son la curva de concentración:
61
Concentración de ventas de 10 supermercados
100
80
70
Q)
·ro
~ 60
ü
o
~ 50
Q)
U)
~ 40
Q)
>
30
20
10
10 20 30 40 50 60 70 80 90 100
Número en porcentaje
2. La concentración refleja la medida en que unas pocas observaciones presen-

tan una gran contribución al total de la variable de estudio. Puede verse en la tabla
que el supermercado con mayores ventas hace el 37,9% de las ventas de los 1O.
Si los 1O supermercados vendieran exactamente lo mismo, cada uno de ellos con-
tribuiría a las ventas totales con un 10%, lo mismo que contribuyen en número,
hablaríamos de concentración nula (todos iguales) y la curva de concentración co-
incidiría con la diagonal del gráfico. En el otro extremo, si un solo supermercado
realizara todas las ventas y los otros tuvieran venta nula, la concentración sería la
máxima posible y la curva se confundiría con los dos lados del triángulo inferior
derecho formados por el eje X y la ordenada del punto (100,100). De ahí que una
medida de la concentración sea la proporción de superficie del triángulo inferior
derecho que queda entre la diagonal y la curva de concentración: O si no hay con-
centración y 1 con máxima concentración.
3. Volvamos a la distribución de ventas de supermercados que vimos en el apar-

tado 7.3, dónde se expusieron algunos gráficos descriptivos de la distribución. Las
ventas tienen un valor mínimo de 0,9 millones y un máximo de 201 millones de
euros, es decir, la variable presenta un recorrido (diferencia entre el mayor valor y
62
el menor valor) de casi 200 millones. Calculados con todos los valores individuales,
algunos valores característicos son: venta media = 8,54 millones, desviación típica
= 17,02 millones, coeficiente de variación = 199%, mediana = 3,91 millones. Ve-
mos que es una distribución con alta variabilidad, como ya se desprendía de los
gráficos descriptivos, y su alto grado de asimetría, visto también en los gráficos, se
refleja en la fuerte diferencia entre la media y la mediana, influenciada la media por
las altas ventas de los grandes supermercados.
4. Vamos a añadir a la tabla de frecuencias del capítulo anterior las ventas que
totalizan los supermercados incluidos en cada intervalo de clase, es decir, vamos a
considerar la siguiente tabla:

Intervalo Número Frecuencia Frecuencia Ventas %Ventas %Ventas
ventas superm. relativa acumulada totales acumulado
2,5 531 17,9 17,9 1.058 4,2 4,2

5 1.400 47,3 65,2 5.001 19,8 24,0
7,5 412 13,9 79,2 2.489 9,9 33,8
10 170 5,7 84,9 1.459 5,8 39,6
15 167 5,6 90,5 2.046 8, 1 47,7
20 93 3, 1 93,7 1.585 6,3 54,0
50 84 2,8 96,5 2.320 9,2 63,2
100 75 2,5 99, 1 5.946 23,5 86,7
mayor 28 0,9 100,0 3.361 13,3 100,0
Total 2.960 100,0 25.265 100,0
Vemos que los 2.960 supermercados totalizan 25.265 millones de euros de ven-
tas, de los cuales 5.001 millones (el 19,8%) corresponden a los 1.400 supermer-
cados (el 47,3%) cuyas ventas individuales están comprendidas entre 2,5 y 5 mi-
llones de euros, mientras que el 0,9% de supermercados que venden por encima
de 100 millones suponen el 13,3% de las ventas. También se ha añadido una últi-
ma columna con las ventas acumuladas en forma porcentual, dónde se puede ver
que el 90,5% de supermercados con ventas iguales o inferiores a 15 millones
totalizan el 47,7% de las ventas, mientras que el 9,5% restante de establecimien-
tos se reparten el otro 52,3% de las ventas. La tabla es totalmente similar a la del
párrafo 1, pero resumiendo los datos por intervalos de clase, en lugar de conside-
rar la lista ordenada de los 2.960 supermercados. Tablas como las anteriores que
63
recogen la ordenación de las unidades por valores de la variable y acumulan los

porcentajes de unidades y los de la variable de estudio, se llama tabla de concen-
tración. El siguiente gráfico de barras recoge los porcentajes de establecimientos
(frecuencia) y de ventas que se registran en cada intervalo:
[1!!1 % estableci~ientos 1111 % ventas 1
50 T - -
45 ~
40 -------
35
30
25
20
15
10
o
2,5 5 7,5 10 15 20 50 100 mayor
intervalo de ventas
El gráfico permite apreciar las diferencias existentes entre la contribución o im-

portancia numérica de los establecimientos en cada intervalo y su contribución a
las ventas totales o importancia ponderada. Como se vio en el caso de los 1O su-
permercados, estas diferencias son la base de la curva de concentración.
5. La cuarta columna de la tabla proporciona la frecuencia relativa acumulada, es

decir, el porcentaje de observaciones (número de supermercados) con ventas
menores o igual al límite correspondiente de clase, mientras que la última columna
contiene el valor acumulado de la variable de estudio (ventas) en forma porcentual.
Como se ha visto, ambas series de datos forman la curva de concentración. Según
que la ordenación de nuestros datos sea ascendente (menor a mayor) o descen-
dente (mayor a menor), la curva de concentración se situará por debajo o por en-
cima de la diagonal y la lectura del gráfico será en el primer caso que el 20% de
supermercados más pequeños no llega a realizar el 5% de las ventas totales, y en
64
el segundo caso que el 10% de supermercados más grandes realizan más del
50% de las ventas:
Curva de concentración de ventas ( ordenación de menor a

mayor)
100
90
(fJ
80
_¡g
e
Q)
>
70
Q)
"O
o 60
"O
{lJ
:i
E 50
::,
ü
(O
Q) 40
.N
e
Q)
2
30
o
o...
20
10-
o"'
o 10 20 30 40 50 60 70 80 90 100
Porcentaje acumulado de supermercados
Curva de concentración de ventas ( ordenación de mayor a

menor)
90
(fJ
80
_¡g
e
Q)
>
70
Q)
"O
o 60
"O
~
::,
E 50
::,
ü
(O
Q) 40
..§'
e
Q)
ü 30
o
o...
20
10
o
o 10 20 30 40 50 60 70 80 90 100
Porcentaje acumulado de supermercados
65
6. En el siguiente gráfico se proporciona la curva de concentración dibujada con

cada una de las 2.960 observaciones, y también se han marcado los puntos con
los que se ha dibujado la curva en base a la tabla con los intervalos de clase. Puede
apreciarse el alto grado de aproximación que se obtiene con los intervalos de cla-
se.
Curva de com:.:entración de ventas con todas las observaciones
90
80
70
U)
~
e
<D 60
>
<D
"D
<D 50
'.§'
e:
<D
u 40
o
o...
30
20
10
10 20 30 40 50 60 70 80 90 100
Porcentaje de establecimientos
7. Habíamos definido la mediana como el valor de la variable que divide a las ob-
servaciones ordenadas en dos partes iguales en número de unidades. De forma
análoga se define la media/a como el valor de la variable que divide a las observa-
ciones ordenadas en dos partes, conteniendo cada una las unidades que realizan el
50% del total de la variable. En el caso de los supermercados, la mediala divide a
los mismos en dos partes: los que presentan ventas inferiores a la mediala y totali-
zan el 50% de las ventas, y los que presentan valores superiores a la mediala y
totalizan el otro 50%. En forma gráfica la mediana se obtenía de la distribución
acumulativa de la frecuencia relativa y ahora la mediala se obtiene de la curva
acumulativa porcentual de ventas, como se ilustra en el gráfico que sigue, en el
que se aprecia que la mediala se sitúa en un valor algo superior a los 16 millones
de euros. Puede verse también que los supermercados con ventas inferiores a la
mediala son, en número, algo más del 90%.
66
Distribución de supermercados y ventas acumuladas
100
90 % acumulado de observaciones
80
70,
60 -
% acumulado de ventas
40 -
20
10
o -+--+---4--+--+-f-----+--~+---+-+-+-+-+-+--'--+--+---4--+--+-f-----+---+-+-+---,:--+-+ -+---; --1- 1 +- --1 --¡-- -+--t---+-7
O 10 20 30 40 50 60 70 80 90 100
MEDIANA MEDIALA
Ventas (millones)
67
Capítulo 9. El concepto de probabilidad
Capítulo 9
El concepto de probabilidad
1. Aleatoriedad y sucesos
1. La idea intuitiva de probabilidad como posibilidad de que ocurra algo es bas-
tante común en todas las personas y en muchas ocasiones se tiene una aprecia-
ción de su valor. Cuando juegas un décimo a la lotería de Navidad sabes que la
probabilidad de que te toque el premio gordo es muy pequeña, pero sabes tam-
bién que puedes coger algo en los premios menores e incluso recuperar el dinero
gastado si el número que juegas tiene su última cifra igual a la del primer premio.
Lo mismo sucede con la primitiva, las quinielas o cualquier otro juego de azar. Al
lanzar una moneda bien hecha sabemos que aproximadamente la mitad de las
veces obtendremos cara. La posibilidad de obtener un as en una baraja de 40 car-
tas es de 4 sobre 40.
2. El concepto de probabilidad está ligado a los fenómenos aleatorios, de los cua-

les los juegos de azar son ejemplos tradicionales. Un fenómeno o experimento
aleatorio se caracteriza porque podemos conocer de antemano todos los resulta-
dos posibles pero no tenemos la certeza del resultado concreto que se va a produ-
cir. Antes de un partido de fútbol entre dos equipos sabemos que ganará uno de
ellos o empatarán, incluso podemos apostar una porra sobre posibles resultados
en goles, pero hasta que no termina el partido no sabemos el resultado final.
Cuando una tienda abre sus puertas al público no hay certeza sobre los ingresos
por ventas que se van a realizar en el día, aunque por la experiencia anterior se
disponga de información sobre un cierto intervalo en el que se espera que se
muevan las ventas: sólo después de hacer caja se sabrá con certeza cuáles han
69
sido los ingresos del día. La incertidumbre sobre el resultado, aunque sea peque-
ña, es consustancial a la aleatoriedad y la probabilidad lo que hace es medir numé-
ricamente el grado de incertidumbre.
3. Una propiedad fundamental de los fenómenos aleatorios es la regularidad de

los resultados en series largas de observaciones. El ejemplo clásico de la moneda
simétrica nos servirá para explicar su significado. Lancemos una moneda 1O veces
y anotemos el número de caras que obtenemos. Repitamos la experiencia reali-
zando ahora 15 tiradas de la moneda 1 anotando igualmente el número de caras
obtenido y así sucesivamente aumentando en cada experiencia el número de lan-
zamientos.
Los resultados que se obtienen serán similares a los de la siguiente tabla, refle-
jados también en el gráfico que sigue:
Frecuencia de cara en lanzamiento de una moneda

Nº de Nº de Frecuencia Nºde Nº de Frecuencia
tiradas caras % tiradas caras %
10 6 60,0 100 52 52,0
20 7 35,0 200 91 45,5
30 17 56,7 300 149 49,7
40 23 57,5 400 204 51,0
50 23 46,0 500 261 52,2
60 29 48,3 600 298 49,7
70 27 38,0 700 354 50,6
80 44 55,0 800 398 49,8
90 54 60,0 900 453 50,3
1.000 499 49,9
1 Ojo, no cinco tiradas más sino que lanzamos la moneda 15 veces de nuevo.
70
Frecuencia relativa de cara en lanzamientos de una moneda
70 - -- -- - - - - - - - - - - - - - - - - - - - - - - - - -
65 ------------
60
~
ro 55
ü
Q)
v
ro -
·uee?
-
50 ~-··
Q)
::,
ü
11! 45
lL
40
35
30
10 100 1.000
Número de lanzamientos (escala logarítmica)
La frecuencia relativa de obtener cara es el resultado de dividir el número de ca-

ras obtenido entre el total de lanzamientos realizados, expresado en este caso en
forma porcentual, y es el mismo concepto de frecuencia relativa que hemos visto
en 7.2 relativo a variables estadísticas. En el gráfico se observa claramente como
el comportamiento de las series de lanzamientos es errática cuando el número de
lanzamientos es pequeño, pero a medida que éste aumenta la frecuencia de cara
se regulariza y tiende a estabilizarse en torno al 50%. Esta tendencia estabilizadora
de la frecuencia relativa de un resultado en torno a un cierto valor cuando se repi-
ten las observaciones en idénticas condiciones de experimentación, se denomina
regularidad de las series estadísticas o ley del azar y constituye la base empírica
del concepto de probabilidad. De hecho, a la vista del gráfico anterior cualquiera
estaría de acuerdo en que la probabilidad de cara parece ser del 50%, aunque si
alguien lanza la moneda 200 veces resulte que obtiene un 45,5% de caras. El
45,5% de caras obtenido en una sucesión particular de 200 lanzamientos es la
frecuencia observada, mientras que el 50% de posibilidades de cara que asigna-
mos al suceso {cara} es su probabilidad ideal o teórica. Al estudiar el muestreo
volveremos sobre este asunto.
71
4. El conjunto de todos los resultados posibles de un experimento aleatorio se

denomina espacio muestra! E. A cada elemento (resultado posible) del espacio
muestra! le llamamos punto muestra! o suceso elemental. Un suceso S es cual-
quier resultado de un experimento aleatorio. Al tirar una moneda una vez los resul-
tados posibles son E = {cara, cruz} = {C, X}. Al lanzar un dado el espacio muestra!
(el conjunto de los resultados posibles) es E= {1,2,3,4,5,6}. Además de los sucesos
elementales podemos considerar otros como el suceso de obtener par, de obtener
mayor de 4, ... Los sucesos elementales no se pueden descomponer en otros más
sencillos. Al lanzar un dado el suceso obtener par puede representarse como
par = {2,4,6}, es decir, sucede si obtenemos un 2, un 4 o un 6. El suceso queda
descompuesto en otros más elementales, es decir, es un suceso compuesto. Sin
embargo el suceso obtener 2 no podemos descomponerlo en otros más simples:
o sucede o no sucede. Es un suceso elemental o punto muestra!.
2. Probabilidad
1. La probabilidad de un suceso elemental es un número comprendido entre O y
1 que mide la posibilidad o verosimilitud de su ocurrencia, y tal que la suma de
probabilidades de todos los sucesos elementales es igual a 1. Una probabilidad
cercana a O corresponde a un resultado muy poco verosímil (la probabilidad O le
correspondería a un suceso imposible de suceder), mientras que si la probabilidad
es cercana a la unidad el resultado es muy posible que ocurra (la probabilidad 1
sería para un suceso seguro de ocurrir). Es frecuente expresar la probabilidad en
forma porcentual. Al lanzar una moneda bien hecha la probabilidad de cara es 1/2,
que también se expresa como del 50%. En el lanzamiento de un dado la probabili-
dad de cada uno de los 6 resultados elementales posibles es 1/6. La probabilidad
de obtener el 7 de oros en una baraja de 40 cartas es de 1/40.
2. La probabilidad de un suceso cualquiera está dada por la suma de probabilida-

des de los sucesos elementales que lo definen. En el lanzamiento de un dado la
probabilidad de obtener par= {2,4,6} será la probabilidad de obtener 2, más la de
obtener 4, más la de obtener 6, esto es 3/6 = 1/2. La probabilidad de obtener una
carta de oros (hay 1O oros en 40 cartas) será de 10/40 = 1/4. Resulta pues que
conocida la probabilidad de los sucesos elementales, podemos conocer también la
probabilidad de cualquier otro suceso. Como ya se ha dicho, la suma de probabilida-
72
des de todos los sucesos elementales es la unidad, y esto es así porque es seguro
que uno de ellos ocurrirá.
3. En la práctica la asignación de probabilidades depende de la información dis-

ponible sobre el fenómeno considerado. En el lanzamiento de una moneda resulta
casi intuitivo asignar 50% de probabilidad a cada uno de los dos posibles resulta-
dos y además puede comprobarse experimentalmente, como se ha visto ante-
riormente. Lo mismo sucede con otros casos relacionados con juegos de azar
como lanzar un dado, juegos de cartas, loterías, ... , dónde los sucesos elementales
tienen igual probabilidad. En caso de equiprobabilidad de sucesos elementales la
probabilidad de un suceso coincide con la relación entre el número de sucesos
elementales que lo definen y el número total de sucesos elementales posibles. Así
en el caso de la baraja que hemos visto, tenemos 40 cartas posibles y 1O cartas
favorables de oros, de forma que la probabilidad de oros es 1/4. La relación de
casos favorables a casos posibles para determinar la probabilidad de un suceso se
conoce como regla de Laplace, pero sólo es válida en caso de equiprobabilidad de
sucesos elementales.
4. Si no hay equiprobabilidad de sucesos elementales, siempre es válida la regla

de que la probabilidad de un suceso es la suma de probabilidades de los sucesos
elementales que lo definen. Como se ha dicho, la asignación de probabilidades va
a depender de la información disponible. Ante un partido de fútbol entre los equi-
pos A y B se puede dar igual probabilidad de ganar a ambos si no tenemos ninguna
otra información. Ahora bien, si sabemos que el equipo A es el primero de la liga,
que el equipo B es uno de los últimos, que el partido se juega en el campo del A,
el cuál ha ganado los últimos 1O partidos que ha jugado en su campo, mientras
que el equipo B tan solo ha ganado 1 y empatado 2 de los últimos 1O partidos que
ha jugado fuera de su campo, entonces nuestra asignación inicial de dar a ambos
igual probabilidad de ganar cambia totalmente y nos decantamos claramente por la
victoria de A, aunque no descartemos totalmente la posibilidad de que el equipo B
pueda empatar e incluso ganar. Sin embargo, si diferentes personas, con la infor-
mación anterior, tienen que materializar numéricamente la probabilidad de victoria
del equipo A, seguramente nos encontraremos con diferentes valores.
5. La probabilidad es un concepto ideal y teórico, en muchas ocasiones imposi-

ble de cuantificar con exactitud matemática. En las encuestas suelen calcularse
tasas y porcentajes que son estimaciones o aproximaciones de probabilidades. La
73
audiencia televisiva de un cierto partido de fútbol, es decir, el porcentaje de perso-

nas que lo han visto por TV, es una aproximación a la probabilidad de que una per-
sona seleccionada al azar haya visto o no el partido. La tasa de paro que refleja la
EPA es una aproximación a la probabilidad de que una persona activa se encuentre
o no en paro. Las encuestas electorales aproximan la probabilidad de voto de los
partidos políticos.
3. Independencia
1. Consideremos una urna con 7 bolas blancas y 3 negras. Si sacamos una bola
la probabilidad de que sea blanca es de 7/1 O. Si ahora devolvemos la bola extraída
a la urna y sacamos una segunda bola, la probabilidad de que esta segunda bola
sea negra es de 3/1 O, ya que seguimos teniendo en la urna 7 blancas y 3 negras.
Ahora bien, si la primera bola extraída no la devolvemos a la urna, nos quedan 9
bolas y la probabilidad de obtener negra en la segunda extracción va a depender
del resultado de la primera bola sacada: si la primera bola ha sido blanca, quedan 6
blancas y 3 negras y la probabilidad de negra a la segunda es de 3/9; pero si la
primera bola fue negra, quedan 7 blancas y 2 negras y ahora la probabilidad de
negra será de 2/9. Al devolver la primera bola a la urna el resultado de la segunda
extracción no está condicionado por la primera bola sacada y ambas extracciones
son independientes. Es decir, dos sucesos son independientes si la ocurrencia de
uno no influye sobre la probabilidad de que ocurra el otro.
2. En el lanzamiento de una moneda dos veces el resultado del segundo lanza-

miento es independiente del que hayamos obtenido la primera vez, y lo mismo
sucede con un tercer o cuarto lanzamiento, el resultado de cada uno no está in-
fluenciado por los anteriores y son por tanto independientes. El experimento de
lanzar una moneda tres veces consecutivas es equivalente al de lanzar tres mone-
das una sola vez, por la independencia de sucesos.
74
Capítulo 10. Variables aleatorias
Capítulo 10
Variables aleatorias
1. Concepto
1. Consideremos el número de caras que se pueden obtener al lanzar una mo-
neda tres veces (o también al lanzar tres monedas una vez). Los posibles resulta-
dos y la probabilidad de cada uno se detallan a continuación:
Resultado Número de Probabilidad %

caras
XXX o 1/8=12,5
xxc 1 1/8=12,5
xcx 1 1/8=12,5
CXX 1 1/8=12,5
CCX 2 1/8=12,5
CXC 2 1/8=12,5
xcc 2 1/8=12,5
CCC 3 1/8=12,5
Como sólo estamos interesados en el número de caras podemos resumir los re-
sultados en la tabla siguiente:
Número de Probabilidad %
caras
o 1/8=12,5
1 3/8=37,5
2 3/8=37,5
3 1/8=12,5
75
Estamos ante una variable aleatoria, el número de caras que se obtienen al lan-
zar una moneda tres veces, es decir, los valores numéricos de la variable están
asociados al resultado de un experimento aleatorio. La probabilidad de cada resul-
tado posible induce la probabilidad de que la variable aleatoria tome un valor cual-
quiera. Así, la probabilidad del valor 1 corresponde a la probabilidad de obtener
cualquiera de los resultados XXC, XCX o CXX, esto es P(1) = P(XXC) + P(XCX) +
P(CXX) = 1/8 + 1/8 + 1/8 = 3/8 = 0,375 = 37,5%.
2. El conjunto de posibles valores de una variable aleatoria junto con la probabili-
dad de cada valor, define una distribución de probabilidad. La tabla anterior refleja
la distribución de probabilidad del número de caras que se obtienen al lanzar una
moneda tres veces y que, gráficamente, presenta el siguiente aspecto:
Distrib11.1ción de probabilidad del m'.m11ern de caras al lanzar una moneda tres veces
0,375
0,125 0,125
o 2 3
Número de caras
3. Igual que la suma de probabilidades de los sucesos elementales es la unidad,

también la suma de probabilidades de todos los posibles valores de una variable
aleatoria es la unidad.
76
2. Media y varianza de una variable aleatoria

1. Si nos fijamos en la distribución de probabilidad correspondiente al número de
caras que se obtienen al lanzar una moneda tres veces,
Número de Probabilidad
caras
o 1/8
1 3/8
2 3/8
3 1/8
nos debe recordar a las distribuciones de frecuencias vistas en el capítulo anterior:

estamos ante una variable que toma diferentes valores, pero ahora en lugar de
frecuencias observadas tenemos probabilidades.
Podemos calcular la media, varianza y otras características (mediana, cuartiles, ... )

de una variable aleatoria en forma análoga a la que hemos visto para una variable
estadística, sustituyendo el papel de la frecuencia por la probabilidad como forma
de ponderar cada valor de la variable. Así, para la variable aleatoria que estamos
considerando, número de caras en tres lanzamientos, el valor medio es
1 3 3 1
O• - + 1- - + 2 • - + 3 • - = 15 caras
8 8 8 8 '
y análogamente se procedería para calcular la varianza y la desviación típica o es-

tándar.
2. A diferencia de las variables estadísticas en las que el valor medio y otras ca-
racterísticas son valores calculados con datos observados, en el caso de una varia-
ble aleatoria su valor medio es ideal o teórico en la misma medida que lo es la
probabilidad asociada a cada valor de la variable aleatoria. El número medio de
caras al lanzar tres monedas es el promedio que se espera obtener cuando se
hace un número infinito de lanzamientos. Esta idea de media como valor esperado
hace que a la media de una variable aleatoria se la llame también esperanza ma-
temática. La variable aleatoria más sencilla es la que corresponde al lanzamiento
de una moneda una vez.
77
caras
o 1/2
1 1/2
Su valor medio es 0*1/2 + 1 *1/2 = 0,5 y el gráfico de 9.1.3, que sirvió para ilus-
trar la idea de probabilidad, refleja también el concepto de esperanza matemática
de una variable aleatoria como el promedio esperado en un número infinito de
repeticiones.
3. Algunas distribuciones de probabilidad

1. Al lanzar una moneda hay dos resultados posibles: cara y cruz. A pruebas alea-
torias que dan lugar a dos posibles resultados se las denomina pruebas éxito-
fracaso o pruebas SI-NO y son el origen de varias distribuciones de probabilidad.
La más sencilla es la asociada a una sola prueba, como la que acabamos de ver en
el lanzamiento de una moneda. Si llamamos p a la probabilidad de éxito (1/2 en el
caso de la moneda), la distribución de probabilidad asociada a la variable aleatoria
que da el número de éxitos en una prueba es
éxitos
o 1-p =q
1
cuyo valor medio es p y su varianza pq. Se denomina distribución de Bernoui!li. Se

corresponde con variables estadísticas dicotómicas en las que las unidades se
clasifican según pertenezcan o no a una cierta clase, asignándose el valor 1 sI per-
tenecen y el valor O si no pertenecen.
2. Si ahora consideramos la realización de n pruebas éxito - fracaso independien-

tes como sería el lanzamiento de n monedas (p =1/2) o el lanzamiento sucesivo n
veces de un dado, considerando la obtención de 6 como éxito (p = 1/6), obtene-
mos la distribución binomial, cuyo valor medio es np y la varianza npq. En el gráfico
que sigue se presenta la distribución de probabilidad de dos binomiales con n=100
y p=0, 1 en un caso y n =100, p = 0,4 en el otro.
78
Capítulo 1O. Variables aleatorias
Distribución de probabilidad binomial
0,14
0,12
B(100,0.1)
0,1
;g 0,08
el
B(100,0.4)
:o
(ll
_o
o
o:: 0,06
O 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60
Valor de la variable
3. Asociada también a las pruebas éxito-fracaso tenemos la distribución de pro-

babilidad geométrica que nos proporciona el número de fallos antes de obtener el
primer éxito en pruebas sucesivas independientes (número de cruces obtenidas
antes de la primera cara), con media q/p y varianza q/p 2 •
Distribución geométrica para p=0,4 y p=0,1
0,451
0,4 i
0,35 \
\
0,3, \
~
lA::Q,1J
79
4. La distribución de Poisson se da en situaciones en que tenemos un gran nú-

mero de experimentos independientes y una pequeña probabilidad de éxito en
cada uno de ellos, preguntándonos cuál es la probabilidad de obtener x éxitos en n
experimentos, siendo n muy grande. Por ello, a veces, se la llama ley de los suce-
sos raros. Tiene la particularidad de que la media y la varianza son iguales. Su dis-
tribución de probabilidad tiene el siguiente aspecto gráfico para valores de la media
iguales a 2, 5 y 8:
Distribución de probabilidad de Poisson para distintos valores

de la media
0,3
0,25
f+P(2)
.-+-P(5)
0,2 ~P(S)
--0
ro
~
:g 0,15
..o
e
CL
0,1
0,05
1~1
o 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
5. La distribución de Poisson corresponde al límite al que tiende la distribución

binomial cuando n es grande y p pequeño como refleja el siguiente gráfico en el
que se detalla la distribución de probabilidad binomial con n=100 y p=0,05 y una
distribución de Poisson con media np=5:
80
Distribución de Poisson como límite de la Binomial
0,2
0,18 111! B(100;0,05)

IIIIP(5)
0,16
0,14
TI 0,12
ro
;g
ftJ_o 0,1
o
O:: 0,08
0,06
0,04
0,02 ~
o d,,~""--+-~Y-"'~
o 2 3 4 5 6 7 8 9 10 11 12 13
6. Las variables aleatorias y sus distribuciones de probabilidad asociadas son

modelos teóricos que sirven para describir multitud de situaciones reales como
ventas semanales de un cierto artículo en un supermercado, número de artículos
defectuosos en un lote, número de vehículos que pasan por un punto determinado
en una hora, distribución de precios de un artículo, ... En 8.2.1 habíamos conside-
rado la distribución de frecuencias de goles marcados en cada uno de los 380 par-
tidos de fútbol de la primera división de la liga española de la temporada 2000-
2001. La media, 2,88 goles por partido y la varianza, 2,83 son muy similares y es
un primer indicio de que la distribución de Poisson podría describir satisfactoria-
mente la distribución de frecuencias de goles por partido. Si calculamos las proba-
bilidades teóricas de una distribución de Poisson de media 2,88 y comparamos con
las frecuencias reales obtenidas obtenemos el siguiente gráfico:
81
Número de goles por partido. J\juste de Poisson
l 1111 Real Cl Poisson i
25,0
20,0
CJJ
o
"O
·~ 15,0
o.
Q)
"O
Q)
·ro
§ü 10,0
o
(l_
5,0
0,0
o 2 3 4
Número de goles
5 6
- -~
1,3 1,8
7
~
l ll'lilli.
0,5 0,7
El gráfico refleja como la distribución teórica de Poisson explica satisfactoriamen-

te el número de goles por partido. Ello se debe a que la distribución de Poisson se
produce con sucesos que ocurren aleatoriamente en el tiempo o en el espacio con
baja probabilidad de éxito en intervalos cortos o espacios pequeños, como sucede
con la probabilidad de gol en un intervalo pequeño de tiempo.
7, Un ejemplo clásico de aplicación de la ley de Poisson lo da la distribución de

los impactos de bombas volantes en el área sur de Londres durante la segunda
guerra mundial. El área total se dividió en pequeñas áreas y se contabilizó el núme-
ro de impactos en cada área pequeña. La distribución del número de impactos por
área mostró un buen ajuste de la distribución de Poisson, lo que indicaba que las
bombas caían al azar, a pesar de que hubiera algunas áreas con 4 y hasta 5 impac-
tos. Podemos considerar los lanzamientos de bombas como experimentos aleato-
rios independientes. Al dividir todo el área en que caen las bombas en sectores
relativamente pequeños, la probabilidad de que una bomba alcance un determina-
do sector es pequeña.
4. la distribución normal
1. Las variables aleatorias que hemos visto pueden tomar sólo los valores O, 1,
2, ... , y son, por tanto, variables discretas. Pero al igual que sucede con las varia-
82
bles estadísticas existen variables aleatorias que pueden tomar cualquier valor
dentro de un intervalo dado: son variables aleatorias continuas. Mientras que para
una variable discreta cada valor posible de la misma tiene asociado una probabili-
dad concreta de que tome ese valor, en el caso continuo la variable aleatoria puede
tomar los infinitos valores que existen en su intervalo de definición, resultando que
la probabilidad de un valor particular es cero. Si hablamos del peso de todas las
personas residentes en España, la probabilidad de encontrar una persona que pese
exactamente 61,345768934123 kg será prácticamente nula; sin embargo encon-
traremos un porcentaje apreciable de personas cuyo peso esté comprendido entre
60 y 65 kg. Es decir, en el caso de variables continuas en lugar de hablar de fun-
ción de probabilidad, hablamos de densidad de probabilidad: la masa unitaria de
probabilidad se distribuye en el intervalo de definición de la variable de forma que
en unas zonas la densidad de probabilidad es mayor que en otras. En el caso del
peso de personas, encontraremos un mayor porcentaje de personas (mayor densi-
dad de probabilidad) con peso entre 60 y 65 kg que entre 130 y 135 kg.
2. En la práctica, en un gran número de aplicaciones se encuentran distribucio-

nes que se aproximan a la llamada distribución normal de probabilidad, como es el
caso de errores de medida de magnitudes físicas y astronómicas y de un gran nú-
mero de distribuciones demográficas y biológicas. La distribución normal queda de-
finida por su valor medio y su desviación típica. El aspecto de su densidad de proba-
bilidad es el del siguiente gráfico, que refleja una distribución normal de media 8 y
desviación típica 2 (coeficiente de variación = 2/8 = 25%):
Función de densidad normal N(8;2)
0,25 T
0,2
0,15
0,1 -
0,05 -
2 3 4 5 6 7 8 9 10 11 12 13 14 15
83
3. Como puede verse, la mayor parte de la probabilidad se concentra en valores

relativamente cercanos a la media. En concreto, en cualquier distribución normal el
68,3 % de probabilidad está comprendida entre la media y más, menos una vez la
desviación típica, mientras que entre la media y más, menos dos veces la desvia-
ción típica se encuentra el 95,5% de la probabilidad o de las observaciones. La
probabilidad se distribuye en forma simétrica alrededor de la media.
4. La gran importancia teórica de la distribución normal radica en que, bajo cier-

tas condiciones, son muchas las distribuciones que tienden hacia la normal. En la
figura que sigue puede verse la aproximación entre una distribución binomial con
n=16 y p=0,5 (media = 8, desviación típica = 2) y la normal de media 8 y desvia-
ción típica 2.
Aproximación normai de una distribución binomial n=16, p=0,5
1 ~ B(16;0,5) 111 N(8;2) 1
0,250
0,196 0,197
0,200
-o 0,150 ~
m '
~
..o
m
..o
o
et 0,100 -
0,050
0,009 0,009
l ~ I
3 4 5 6 7 8 9 10 11 12 13
En el caso de la normal la probabilidad del valor 6 se aproxima por el área bajo la

curva normal entre 5,5 y 6,5, es decir, la probabilidad comprendida entre 5,5 y 6,5
como se refleja en el gráfico siguiente, y análogamente se aproximan el resto de
probabilidades de cada valor.
84
Capítulo 1O. Variables aleatorias
Aproximación normal a la distribución binomial
2 3 4 5 6 7 8 9 10 11 12 13 14 15
5. La distribución normal juega un papel clave en la teoría de muestras y en el

estudio de errores de muestreo como veremos en el siguiente capítulo.
85
Capítulo 11. Muestreo probabilístico y muestreo aleatorio simple
Capítulo 11
Muestreo probabilístico y muestreo aleatorio
simple
1. Introducción
1. Vimos en el capitulo 2 que una muestra es una parte de una población y que
el objetivo que se tiene al estudiar una muestra es el conocimiento de característi-
cas o valores de todo el conjunto poblacional del que se ha tomado la muestra, es
decir, nuestro interés es el conocimiento de valores poblacionales. Un valor pob/a-
cional es una expresión que sintetiza los valores de la variable de estudio en las N
unidades de la población completa. Así, si llamamos x a la variable, podemos estar
N
N ¿x
interesados en conocer su total X= ¿x o su promedio
1
X = -1-
N
en toda la
población, y también en conocer sus valores en distintas partes de la población. Si

consideramos el sueldo anual de los empleados del INE, además de conocer el
sueldo medio por empleado, podemos estar interesados en conocer el sueldo
medio distinguiendo entre personal funcionario y laboral y dentro del personal fun-
cionario podemos considerar el sueldo medio por grupo profesional; también po-
demos interesarnos por la proporción de funcionarios del grupo A respecto al total
de trabajadores y el porcentaje que suponen sus sueldos respecto al total de re-
muneraciones del INE.
2. Un valor poblacional es un valor constante que depende sólo de los N valores

x. De una población de tamaño N pueden obtenerse diferentes muestras de tama-
ño n. Si N es grande, por ejemplo personas residentes en España, y n es relativa-
87
mente pequeño, por ejemplo una muestra de 10.000 personas, el número de po-
sibles muestras es prácticamente infinito. Cuando tomamos una muestra de n
unidades para conocer un valor poblacional lo que obtenemos es una estimación
del mismo que, dependiendo de qué elementos entren en la muestra, podrá tomar
valores diferentes. Es decir, el valor estimado es un valor obtenido con los datos
proporcionados por las unidades de la muestra y como tal es un valor único para
cada muestra, pero depende de las n unidades concretas que se hayan seleccio-
nado, varía de muestra a muestra: muestras diferentes proporcionan estimaciones
diferentes.
3. Si a cada muestra del conjunto de posibles muestras de tamaño n o espacio

muestra!, le asignamos una probabilidad no nula de ser seleccionada, de forma que
la suma de probabilidades de todas las posibles muestras sea la unidad, tenemos
un muestreo probabilístico. Al asignar probabilidades de selección a las posibles
muestras, estamos convirtiendo el muestreo en un experimento aleatorio en el
que cada muestra (y su estimación) es un suceso elemental de un espacio mues-
tra!, con una probabilidad conocida de suceder.
4. En la práctica es suficiente con asignar probabilidades de selección a las N

unidades de la población. Es decir, en el muestreo probabilístico cada unidad de la
población tiene una probabilidad conocida y no nula de ser seleccionada. Cuando
todas las unidades de la población tienen la misma probabilidad de ser selecciona-
das, también todas las posibles muestras son equiprobables y se habla de mues-
treo aleatorio simple. En este caso, siendo n el tamaño de la muestra y N el de la
población, la probabilidad de seleccionar una unidad cualquiera de la población es
n
N
2. Variabilidad de muestreo. Error estándar

1. Trataremos de aclarar los conceptos anteriores con un ejemplo. Sea una po-
blación de N=6 elementos en los que la variable x, objeto de estudio, toma los
. . - 8+3+1+11+4+7
valores x = {8, 3, 1, 11, 4, 7}. La media poblac1onal es X = - - - - - - - = 5,7,
6
(8 - 5 7) 2 + ... + (7 - 5 7) 2
con una desviación típica de cr = ' 6 ' = 3,35 y un coeficiente
de variación CV = 3,35 = 59,1%. En una muestra aleatoria simple, la media mues-

5,7
88
tral es un estimador de la media poblacional, así, si nuestra muestra, de tamaño 3,

estuviera formada por los valores (3, 11 ,4) la media muestra! sería x = 6,0. Selec-
cionemos todas las muestras posibles de tamaño 3 calculando para cada una la
media muestra!. Los resultados se muestran en el siguiente gráfico:
Media muestra! versus media poblacional

9,0 ·
11 8,7
8,0
• 7,7
• 7,3 11 7,3
7,0 m 7,0
4,0 4,0 • 4,0

111 3,7
3,0
• 2,7
2,0 ·+-+- c.. +-----+- .
,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,....., ,,,.....,
..-i ..-i
..-i "'°, I'-
('I")'
..-i
..-i "'"' I'-
..-i' "'"' I'-
..-i'
I'-
'
..-i
..-i "'"' I'-
"'"' I'-
..-i'
I'-
"'°, I'-
..-i'
I'- I'-
('I") ('I") ..-i ..-i ..-i ..-i ..-i
"'°, ..-i
"'°,
"'" .__.. "'"'
('I")' ..-i' ' '
O'.)' O'.)' O'.)' ' O'.)'
..-i ..-i ..-i ..-i ..-i ..-i ..-i
O'.) O'.) ('I") ('I") ('I") ..-i ..-i
.__.. O'.)
.__.. .__.. O'.)
.__.. .__.. O'.) O'.)'
.__..
('I")
.__.. .__.. ('I")'('I") ' .__.. ..-i ..-i' ..-i
.__.. .__.. .__.. .__.. .__.. .__.. .__.. .__.. .__.. .__..
Muestra
2. Sobre el eje de abscisas se señalan los componentes de cada una de las posi-
bles 20 muestras aleatorias de tamaño 3, todas equiprobables, es decir la probabi-
lidad de tomar una muestra cualquiera es 1/20. En el eje de ordenadas se señala
para cada una de las muestras la media muestra! correspondiente. También se
indica la media poblacional que es constante e igual a 5,7, de acuerdo al cálculo
anterior.
3. El gráfico refleja cómo el valor poblacional (la media) es una constante pero su
estimador (la media muestral) presenta valores diferentes según las unidades que
componen la muestra, es decir, la estimación, varía de muestra a muestra. Puede
observarse también como las distintas estimaciones se sitúan alrededor del verda-
dero valor que se quiere estimar.
4. Puesto que cada muestra en el ejemplo tiene una probabilidad de 1/20 de ser
seleccionada, cada uno de los 20 valores muestrales tiene también una probabili-
89
dad de 1/20 de ser obtenido, es decir, denotando por x la media muestra! resulta
P(x=2,7)=P(x=3,7)= .. ·=P(x=8,7)=1/20. Este conjunto de posibles valores del
estimador junto con la probabilidad de obtener cada valor constituye la distribución
en el muestreo del estimador. En base a esta distribución puede calcularse la pro-
babilidad de que el estimador tome valores en un cierto intervalo; así, el intervalo
(4,5; 6,5) comprende 9 de las 20 muestras. Es decir, la probabilidad de que la me-
dia muestra! tome valores comprendidos entre 4,5 y 6,5 es de 9/20.
5. Siendo el estimador una variable aleatoria pueden estudiarse distintas caracte-

rísticas del mismo, como son su media o esperanza matemática, la varianza y su
raíz cuadrada o desviación típica, y el coeficiente de variación, esto es, el cociente
entre la desviación típica del estimador y su esperanza matemática. En particular,
la desviación típica del estimador se llama error de muestreo o error estándar.
6. Sobre el ejemplo anterior fácilmente podemos comprobar que el promedio de

las 20 estimaciones es 5, 7 que coincide con la media poblacional. Esto no es ca-
sualidad, es debido a que en el muestreo aleatorio de unidades elementales la
media muestra! es un estimador insesgado de la media poblacional, es decir, la
esperanza matemática del estimador coincide con el verdadero valor que se quiere
estimar. En caso contrario el estimador se dice sesgado y a la diferencia entre la
esperanza matemática o valor medio del estimador y el valor a estimar se le llama
sesgo.
7. Calculemos a continuación la desviación típica del estimador en nuestro ejem-

plo. Recordemos que dado un conjunto de valores x 1 , x 2 , • • •, xn, la desviación típica
se define como la raíz cuadrada de la varianza, es decir
(J =
n
donde x = ~X¡ es el valor medio. En nuestro caso xi son las 20 estimaciones del
gráfico y x es su valor medio por lo que
(2,7 - 5,7)2 + (3,7 - 5,7)2 + ··· + (8,7 - 5,7)2

(J = , ~ - - - - - - - ~ - - - - - ~ = 1,5
20
90
Así pues, el error de muestreo en el ejemplo es 1,5 y nos da una medida de la

variabilidad de las estimaciones individuales alrededor de su media. El coeficiente
de variación de las estimaciones sería
CV = _]_¿_ = 0,264 ➔ 26,4%

5,7
El coeficiente de variación del estimador se denomina error de muestreo relati-

vo. Veremos posteriormente que no es necesario tomar todas las posibles mues-
tras para calcular el error de muestreo, lo cuál en la práctica sería irrealizable. Los
propios datos muestrales permiten obtener una estimación de la magnitud del
error de muestreo.
3. El papel de la distribución normal en el muestreo

probabi I ístico
1. En el muestreo probabilístico cada posible muestra y, por tanto, cada estima-
ción, tiene una probabilidad conocida de ser seleccionada. Esto significa que esta-
mos ante un conjunto de posibles valores estimados, cada uno con una cierta pro-
babilidad de ser obtenido, es decir, estamos ante una distribución de probabilidad:
la distribución de muestreo. Si conociéramos esta distribución podríamos determi-
nar la probabilidad de obtener cada posible valor del estimador o, lo que es más
interesante, la probabilidad de que el valor estimado en una muestra concreta esté
comprendido en un cierto intervalo. En la práctica del muestreo no tenemos a
nuestra disposición todas las muestras posibles, sino que estamos con una mues-
tra particular, es decir, con una estimación concreta de entre todas las posibles y lo
que nos interesa es el grado de aproximación de esa estimación al verdadero valor
poblacional. No olvidemos que el único objetivo de una muestra es conocer carac-
terísticas de la población de la que se ha extraído por lo que necesitamos saber
también hasta que punto nuestros datos estimados reflejan la realidad.
2. La distribución de probabilidad normal nos proporciona la respuesta ya que la

distribución de estimaciones se ajusta a una distribución normal siempre que el
tamaño de muestra sea grande. La desviación típica de esta distribución normal de
estimaciones es el error estándar y su valor medio, en caso de estimaciones in-
sesgadas, es el verdadero valor poblacional. Veamos su significado práctico. Su-
pongamos que un cierto partido político obtiene un 25% de los votos en unas de-
91
terminadas elecciones y que estamos en situación de poder obtener distintas

muestras aleatorias de las papeletas de votación que estimen el porcentaje de
votos obtenidos. Esta situación puede simularse obteniendo muestras de una
distribución de Bernouilli con probabilidad de éxito p=25%. Obtengamos 100
muestras aleatorias de tamaño n=500 y calculemos en cada muestra el porcentaje
de votos obtenido por el partido en cuestión. Los resultados que se obtienen son
similares a los de la siguiente tabla:
Intervalo % de
estimación % muestras
20 0,0
22 3,0
24 25,0
26 38,0
28 29,0
30 4,0
32 1,0
El 38% de muestras han dado estimaciones comprendidas entre 24% y 26%,

con sólo un punto de diferencia respecto al valor verdadero de 25% y sólo 8 de las
100 muestras obtenidas arrojan estimaciones fuera del intervalo comprendido
entre 22% y 28%. El error estándar de la proporción estimada es de 1,9 puntos
porcentuales y según lo dicho, la distribución de estimaciones debería ajustarse a
una distribución normal de media 25 y desviación típica de 1,9 puntos porcentua-
les, por lo que podemos calcular la probabilidad teórica de obtener estimaciones
en cada uno de los intervalos de la tabla anterior. Los resultados se muestran en el
siguiente gráfico. Al contemplarlo debe tenerse presente que estamos comparan-
do la distribución de estimaciones de sólo 100 muestras aleatorias concretas con
la que obtendríamos si dispusiéramos de todas las estimaciones de las casi infini-
tas muestras posibles de votantes de tamaño 500, por lo que es esperable que el
ajuste no sea perfecto. Se trata simplemente de comprobar de forma experimental
que la teoría de muestras parece ajustarse a la realidad práctica.
92
Distribución de estimaciones de una proporción p=25'>/o en 100

muestras aleatorias de tamaño n=SOO
111111 Real lfillTeórica 1
co
·¡:;
e
Q)
:J
u
Q)
L.t
0,0% 0,5%
20% 22% 24% 26% 28% 30% 32%
Valor estimado (clases} (%}
El mismo gráfico expresado en forma lineal da otra visión de la aproximación en-

tre las frecuencias observadas y las proporcionadas teóricamente por la normal:
Distribución de estimaciones de una proporción p=25% en 100

muestras aleatorias de tamaño n=500
·cv~ Real ..¡:::¡.. Teóri~
45,0%
40,0%
35,0%
30,0%
co
·g 25,0%
Q)
:J
u
L.tQ) 20,0%
5,0%
20% 22% 24% 26% 28% 30% 32%

Intervalo estimación
93
3. Resulta entonces que con estimadores insesgados, la distribución de posibles

estimaciones es normal con media el verdadero valor y desviación típica igual al
error de muestreo. Resulta, por tanto, que el 68,3% de las muestras posibles van
a proporcionar estimaciones comprendidas entre el verdadero valor y más/menos
una vez el error estándar, mientras que el 95,5% de las mismas proporcionan es-
timaciones comprendidas entre el verdadero valor y más/menos dos veces el error
de muestreo, en virtud de las propiedades de la distribución normal.
4. En la práctica nos enfrentamos con una muestra y una estimación concreta y

no conocemos el valor verdadero y tampoco sabemos sí nuestra estimación queda
por encima o por debajo: tan sólo conocemos la estimación y el error estándar. En
virtud de lo anterior podemos tener una confianza del 68% de que el intervalo
comprendido entre la estimación y más/menos una vez el error estándar cubra el
verdadero valor, y podemos tener un 95,5% de confianza de que el valor verdade-
ro esté comprendido entre la estimación obtenida y más/menos dos veces el error
estándar. Ello se refleja en el siguiente gráfico, en el que los valores desconocidos
aparecen en un tono gris.
Intervalos de confianza alrededor de una estimación
verdadero estimación
valor
68,3 % de confianza
94
5. Insistimos en que la tendencia a que la distribución de estimaciones sea nor-

mal es independiente de la forma de la población de partida y de su grado de asi-
metría, siempre que el tamaño muestra! sea grande. En el capítulo 7 se describió
una población de 2.960 supermercados con un alto grado de asimetría. El gráfico
que sigue muestra la distribución de estimaciones de la venta media que se ha
obtenido con 250 muestras aleatorias de tamaño 100, comparadas con las que
teóricamente deberían haberse obtenido de la correspondiente distribución nor-
mal. Puede verse que, pese a la asimetría de la distribución original, la distribución
de estimaciones se acerca a la normal. La venta media real es de 8,54 millones de
euros y puede verse en el gráfico que casi el 24% de estimaciones caen en el
intervalo de 8 a 9 millones.
Distribución de medias muestrales de 250 muestras aleatorias

(n=100)
i !1! frecu~cla observada li'l frecuenc;Í§_ teórica 1
4 5 6 7 8 9 10 11 12 13
media estimada (intervalo de clases)
4. Estimadores y error estándar en muestreo aleatorio

simple
1. Ya hemos adelantado que la media muestra! es un estimador insesgado de la
N
media poblacional. Si estamos interesados en el total poblacional X= ¿x = NX,
95
el estimador insesgado es el resultado de multiplicar la media muestra! por el ta-
maño N de la población, es decir, X= Nx = ~

n ,
f x. Obsérvese que la estimación
del total implica multiplicar cada valor de la muestra por el factor ~ denominado
n
factor de expansión, factor de elevación, o simplemente ponderación, y que co-

rresponde al inverso de la probabilidad de selección en la muestra de cada unidad
de la población visto en el párrafo 11.1.4.
2. En el caso de variables dicotómicas, es decir, que toman el valor 1 si la unidad

presenta la característica que se estudia y el valor O si no la presenta, la proporción
poblacional es un valor medio, por lo que la proporción muestra! p es el estimador
insesgado de la proporción poblacional P y Np es el estimador insesgado del total
de clase, esto es, del número total de elementos de la población que presentan la
característica estudiada.
3. El error estándar del estimador de la media se corresponde con la fórmula
crx = ✓N- n ~, donde CJ es la desviación típica de la población. Así, en el ejem-

N-1 -vn
plo visto en 11.2 teníamos N=6, n=3 y cr = 3,35 por lo que el error estándar de la
media es crx = ✓ 5 - 3 3'~ = 1,5, que coincide con el allí calculado sobre la base de
6-1 -v3
todas las posibles muestras. En la práctica, no se conoce la varianza de la pobla-

ción cr 2 y el error estándar de la media se estima a partir de los propios datos
muestrales mediante
n
¿(x¡-x)2
&x = ✓1- ~ · fn , donde 82 =_,___
n-1
También es muy frecuente en la práctica que el tamaño de muestra n sea pe-
queño en relación con el de la población N, con lo que el término 1-~ es muy

N
próximo a la unidad y en consecuencia óx = fn . (Ver nota al final del capítulo
sobre el uso de s 2 ).
96
El error estándar del estimador del total poblacional se estima multiplicando el

error estándar de la media por el tamaño de la población, es decir,
Suele ser muy habitual manejar los errores estándar en términos relativos, que
se obtienen al dividir el error absoluto por el valor estimado:
CT- S CV
eer = _: = - - = -
X x✓n ✓n
s
donde cv = = es una estimación del coeficiente de variación de la población calcu-
x
lado con los datos muestrales. Fácilmente puede comprobarse que el error están-
dar relativo es igual para la media que para el total.
4. En el caso de proporciones el error estándar en términos absolutos, es decir,
en puntos porcentuales, se aproxima por 6P = ✓ p( 1 ; p) . Al trabajar con errores
absolutos en proporciones debe tenerse presente que, por ejemplo, 2 puntos de

error para una proporción del 50% se convierte en un 4% (2/50) de error relativo,
pero si la proporción es del 10% supone un 20% de error relativo. Para proporcio-
nes suele ser más aconsejable manejar el error en términos absolutos.
5. Veamos un ejemplo sencillo que aclare lo anterior. Supongamos una ciudad de

5.000 viviendas de las que seleccionamos una muestra aleatoria de 50 viviendas
para estimar la población total de la ciudad. El número de residentes habituales
que se obtiene en las viviendas de la muestra es el siguiente:
Número de residentes por vivienda

o o o o o o o o 1
1 1 1 1 1 2 2 2
2 2 2 2 3 3 3 3 3 3
3 3 3 3 3 3 4 4 4 4
4 4 4 4 4 4 5 5 6 7
El valor cero indica que la vivienda no está ocupada. La suma de habitantes de

las viviendas de la muestra es de 122, la media es de 2,44 personas por vivienda
97
50
,L.; (X¡ - -X)2
"'""'
1
(incluyendo las no ocupadas) y la desviación típica s = es 1,70 per
n -1
sonas. Puesto que N = 5.000 y n = 50, el factor de expansión de los datos mues-
trales es 5.000/50 = 100 y obtenemos la población estimada de la ciudad multipli-
cando los datos muestrales por 100:
H = 100(0 + .. · + 6 + 7) = 100-122 = 12.200 habitantes
Si ahora nos fijamos en la característica de que la vivienda esté o no ocupada, en la

muestra tenemos 8 viviendas no ocupadas y 42 ocupadas, de forma que la esti-
mación del número de viviendas ocupadas será \/0 = 100 · 42 = 4.200 , mientras
que las restantes 800 viviendas no están habitadas, resultando la proporción esti-
mada de viviendas sin habitar en 800/5.000 = 16%.
6. Calculemos ahora el error estándar de las estimaciones anteriores. A partir de
los propios datos muestrales hemos obtenido una media de 2,44 y desviación
típica s de 1, 70 y, por tanto, el error de muestreo para la estimación 2,44 del nú-
mero me d .10 d e hab'Itantes por vIvIen

. . d a sera' d e crx = 1,r;:-;:;
A
70 = 0,24 hab'Itantes y para
"50
el total estimado (12.200) de habitantes de la ciudad, el error estándar será de

crx = 5.000 -0,24 = 1.200 habitantes. De acuerdo a lo dicho en 11.3.4 podemos
tener una confianza del 68,3% de que el verdadero número de habitantes de la
ciudad este comprendido en el intervalo
(12.200-1.200; 12.200+ 1.200) = (11.000; 13.400)
y una confianza del 95,5% de que el verdadero valor esté comprendido en el inter-
valo
(12.200-2 * 1.200; 12.200+2* 1.200) = (9.800; 14.600)
' d ar en terminas
El error estan ' . re 1atIvos
. es eer ºº
2 - = 9, 8 '?o,
= -1 ·-
12.200
)/ .
Igua 1 para 1a me-
dia que para el total.
El error de muestreo de la proporción de viviendas no habitadas (16%) será de
98
cr = ✓ p(1-p) = -
0,16(1-0,16) 52
---- = t
pun os
P n 50 '
en términos absolutos y de 5,2/16 = 32,5% en términos relativos. Para la propor-

ción de viviendas habitadas (84%) el error de muestreo es
s = ✓ p(1-p) = 0,84(1-0,84) = 5 2 puntos

P n 50 '
igual en términos absolutos, pero en términos relativos es de 5,2/84 = 6,2 % .

7. Si se quiere determinar el tamaño de muestra necesario para obtener un cier-
to nivel de error estándar, no hay más que despejar n en las fórmulas anteriores.
Conviene notar que el error estándar es inversamente proporcional a la raíz cua-
drada del tamaño de muestra. Esto significa, por ejemplo, que para reducir el error
estándar a la mitad es necesario tomar un tamaño de muestra cuatro veces supe-
rior y si lo queremos reducir a la tercera parte necesitaremos una muestra nueve
veces mayor. El siguiente gráfico relaciona el coeficiente de variación de la pobla-
ción, el error estándar y el tamaño de muestra. En el mismo puede comprobarse
como para un coeficiente de variación poblacional del 80%, necesitamos una
muestra de 400 unidades si deseamos un error de muestreo del 4%; pero si el
error de muestreo deseado es del 2%, entonces la muestra necesaria se incre-
menta hasta 1.600 unidades. El gráfico ilustra también como el tamaño de muestra
se incrementa con la variabilidad de la población.
99
Tamaño de muestra según CV de la población y error estándar
Error estándar: 1-~> 2% ~;¡¡ 3% ~ 4%

5.000 <l\°>4.900-- - - - - - - - - -
'-._,"'-,.
4.500 ',.
\;;4,225
·,
4.000
3.500
~
tí
Q)
3.000
::,
E
0 2.500
,e
m
§ 2.000
1-
1.500
1.000
500
o
1,4 1,2 0,8 0,6 0,4 0,2
Coeficiente de Variación
Nota sobre la utilización de s 2 :

n
¿(x¡-x/
En 11.4.3 se ha introducido la expresión s2 = 1 , que se denomina cua-
n -1
sivarianza, y en la que la suma de cuadrados de las desviaciones a la media se
divide por n-1 en lugar de n. También allí se indicaba que en muestreo aleatorio
simple la varianza del estimador de la media (cuadrado del error estándar)
es crf = N - n ~, dónde cr 2 es la varianza poblacional, en general desconocida.
N-1 n
Pues bien, la razón teórica para introducir la cuasivarianza s2 es que el estimador
2
-°
2
.Insesga do d e 1a varianza
. d e Ia me d.Ia ªx2 N-n
=- ~2
- , es cr- = (1 - -n)s
- .
N-1 n x N n
En la práctica, siendo n suficientemente grande resulta indiferente dividir la su-

ma de cuadrados de las desviaciones a la media por n-1 o por n.
También para ser consistentes con lo anterior, la varianza estimada de la propor-
ción muestral debería calcularse como cr~ =(1-~)p(,-p). Sin embargo el factor
N n-1
(1-n/N) es muy pocas veces importante y con muestras de tamaño moderado o
grande no importa que se trabaje con n ó n-1. De ahí que en 11.4.4 se haya utili-
.' ~
za do 1a expresIon crP = ✓ p(1-
n
p)
.
100
Capítulo 12. Población y marco. Muestreo en etapas
Capítulo 12
Población y marco. Muestreo en etapas
1. Unidades de muestreo y unidades elementales

1. Conviene distinguir entre unidad elemental y unidad de muestreo. La unidad
elemental o unidad de estudio es todo elemento o individuo miembro de la pobla-
ción objetivo o población de referencia. Las variables objeto de estudio o variables
estadísticas se miden sobre las unidades elementales o unidades estadísticas. Las
unidades de muestreo son aquellas que forman parte del proceso de selección de
la muestra. La unidad de muestreo puede coincidir con la unidad elemental, en
cuyo caso hablamos de muestreo de unidades elementales, o puede referirse a un
conjunto de unidades elementales, que se denomina conglomerado.
2. Por ejemplo en la Encuesta Industrial de Empresas las unidades de estudio

son las empresas y se toma una muestra de las mismas a partir de un listado o
directorio de empresas (DIRCE). En este caso la unidad elemental y la unidad de
muestreo coinciden. Sin embargo, en la Encuesta de Población Activa (EPA), las
unidades de estudio son las personas residentes en viviendas familiares, pero no
se toma directamente una muestra de personas: primero se selecciona una mues-
tra de secciones censales 1 y, posteriormente, dentro de cada sección seleccionada
1 Una sección censal es una porción de territorio bien delimitado. Las secciones censales cubren todo
el territorio nacional y no se solapan entre sí. España está dividida en unas 34.000 secciones, con un
tamaño medio que no llega a 1.500 habitantes.
101
se toma una muestra de viviendas. Tenemos dos unidades de muestreo: las sec-
ciones, en primer lugar, y las viviendas de las secciones de la muestra, en segundo
lugar. Las unidades de estudio son las personas que habitan las viviendas selec-
cionadas. La muestra de la EPA es un ejemplo de muestreo en dos etapas.
2. Marco de muestreo
1. El concepto de población establecido anteriormente como conjunto de unida-
des de las que se desea información, se refiere a la población objetivo o población
de referencia y constituye un modelo ideal. En la práctica, la muestra se selecciona
a partir de un material soporte, denominado marco, que coincide en mayor o me-
nor grado con la población objetivo. En sentido estricto, el marco de muestreo se
define como la lista de unidades de muestreo a partir de la cual se selecciona la
muestra.
Si hablamos por ejemplo de la Encuesta Industrial de Empresas 2002, la pobla-

ción de referencia son las empresas industriales que han tenido actividad econó-
mica durante el año 2002 y el marco de muestreo es la lista del DIRCE. Pero, co-
mo suele suceder con cualquier listado, su actualización no es perfecta y nos en-
contramos que en la realidad existen empresas que han tenido actividad económi-
ca en el año que no figuran en el DIRCE, y a la inversa, tenemos empresas en el
DIRCE que no existen o no han tenido actividad económica en el año. Resulta
evidente que la coincidencia entre el marco y la población objetivo debe ser máxi-
ma. La cobertura de un marco es la medida en que dicho marco incluye a todos los
elementos de la población objetivo.
2. En sentido amplio, el marco de muestreo comprende no sólo listas de unida-

des de muestreo, sino que incluye todo el material e información previa que dis-
ponemos sobre la población y su agrupación en unidades de muestreo. En el caso
de las secciones censales forman parte del marco, además de la identificación y
delimitación geográfica de las mismas, la información que tengamos de ellas sobre
tamaño en términos de habitantes, hogares y viviendas, los callejeros de sección,
los planos, la lista de viviendas de cada sección, ... En el DIRCE el marco incluye
toda la información disponible sobre las empresas, como actividad económica,
número de empleados, facturación, año de constitución, holding al que pertenece,
personas de contacto, ...
102
3. Muestreo en etapas
1. Es frecuente que el muestreo de unidades elementales no sea utilizado en la
práctica por la imposibilidad práctica en muchas ocasiones de obtener una lista de
unidades elementales en la cuál basar la selección de la muestra, y también por-
que la selección de unidades elementales proporciona en general una muestra
muy esparcida de unidades a entrevistar con el consiguiente incremento de coste
y tiempo.
2. Para evitar estos inconvenientes surge, de forma natural, el muestreo de con-·

g!omerados, agrupando las unidades elementales próximas en un conglomerado
que se constituye en la nueva unidad de muestreo, más grande que la unidad ele-
mental, como es el caso de las secciones en la muestra de la EPA. Los conglome-
rados deben estar perfectamente definidos, lo cuál significa que no haya solapa-
miento entre ellos (una unidad elemental pertenece sólo a un conglomerado) y que
el conjunto de todos los conglomerados contiene a la población objeto de estudio.
3. La agrupación de unidades elementales en unidades de muestreo más am-

plias tiene ventajas e inconvenientes. Entre las ventajas podemos citar el ahorro de
coste y tiempo, y la mayor facilidad de preparar listas (sólo se necesitan para los
conglomerados de la muestra). De los inconvenientes hay que destacar la menor
precisión derivada de una mayor homogeneidad de las unidades elementales de-
ntro de un conglomerado respecto a la característica de estudio. Por ejemplo en
una cierta sección de la EPA puede haber una cierta tendencia a mayor o menor
desempleo dependiendo de en qué zona o barrio de una cierta ciudad se localice.
En un muestreo sobre intención de voto en unas elecciones es sabido que deter-
minadas zonas tienen una acusada fidelidad a un determinado partido político.
4. Si en el proceso de muestreo investigamos todas las unidades elementales

contenidas en los conglomerados seleccionados en la muestra, el muestreo se
denomina en una etapa o monoetápico. Ahora bien, para evitar el inconveniente
apuntado (homogeneidad dentro del conglomerado) podemos investigar no todas
las unidades elementales del conglomerado, sino seleccionar a su vez una muestra
probabilística de las mismas. Estaríamos así ante un muestreo en dos etapas, co-
mo hemos visto en la EPA: las unidades de primera etapa o unidades primarias de
muestreo serían los conglomerados y las unidades de segunda etapa serían las
unidades elementales.
103
5. Este proceso puede generalizarse llevándonos así al muestreo multietápico o

polietápico. Obsérvese que en muestreo por etapas se definen distintas unidades
de muestreo y que la lista de unidades de muestreo en una etapa dada, sólo es
necesario disponerla para las unidades seleccionadas en la etapa inmediatamente
anterior. Se constituye así una jerarquía entre las distintas unidades de muestreo
de acuerdo a las etapas del proceso.
104
Capítulo 13. Muestreo estratificado
Capítulo 13
Muestreo estratificado
1. Definición y objetivos
1. El muestreo estratificado consiste en : 1º) Dividir la población de N unidades
en un cierto número de subpoblaciones llamadas estratos, de forma que las unida-
des que componen cada estrato sean lo más homogéneas posibles en cuanto a la
variable objeto de estudio. Cada unidad de la población ha de pertenecer a uno y
sólo uno de los estratos formados. El número de unidades que pertenecen a un
estrato dado es el tamaño del estrato. 2º) Seleccionar una muestra probabilística
en cada estrato. La muestra de cada estrato es independiente de la muestra de
cualquier otro estrato. Si la muestra dentro de cada estrato es una muestra aleato-
ria simple (probabilidades iguales) tenemos el muestreo aleatorio estratificado.
2. Los principales objetivos del muestreo estratificado son:
a) Ganancia en precisión respecto al muestreo no estratificado. Es el objetivo

fundamental y en poblaciones muy asimétricas pueden conseguirse excelentes
resultados como veremos en un ejemplo.
b) Posibilidad de obtener estimadores separados para cada estrato o agrupación

de estratos, lo que proporciona una información más rica y detallada.
c) Más eficacia en la organización administrativa, al poder considerar como varia-

bles de estratificación provincias o regiones geográficas, que permiten una mayor
descentralización de la organización de Campo y de tareas administrativas.
d) Los problemas de muestreo pueden diferir marcadamente en diferentes par-

tes de la población. Al ser el proceso de muestreo independiente en cada estrato,
105
pueden aplicarse métodos diferentes de muestreo por estrato de acuerdo a la

información de que se disponga.
3. Respecto a las variables o criterios de estratificación, su número y el número

de estratos, dependen de los objetivos concretos de cada caso, de la información
disponible y de la estructura de la población; las variables utilizadas en la estratifi-
cación, deberán estar correlacionadas con las variables objeto de investigación,
aunque también pueden incluirse criterios administrativos (regiones geográficas,
tamaño de municipio, sectores de actividad) o necesidades de desglose o clasifi-
cación de la información final, por ejemplo una encuesta a funcionarios en la que
se necesita información separada por ministerio en el que se trabaja: el ministerio
se convertiría en una variable de estratificación. En general, un número moderado
de variables de estratificación y de estratos es suficiente para obtener ganancias
de precisión, ganancia que suele ser decreciente al aumentar el número de estra-
tos.
2. Un ejemplo: ventas de supermercados
1. Volvamos a la población de 2.960 supermercados con superficie de venta

igual o superior a 400 m 2 , que hemos visto en capítulos anteriores. Recordemos
que las ventas totales son de 25.265 millones de euros con una venta media de
8,54 millones por supermercado y un coeficiente de variación de 199%. Esto signi-
fica que una muestra aleatoria de 100 supermercados, seleccionada para estimar
las ventas totales, tendría un error de muestreo de ~ = 19,9%.

v100
2. Sabemos que la superficie de venta está correlacionada con las ventas según
puede verse en el gráfico.
106
Superficie y ventas de supermercados
200
180 o
160 o
o
140
o
o
120 o o o
o
(/)
ca o
~ 100 · ºººocg o
o o
o 8
(1) 80 o o
> ºo aogo oo o o
o o o o o
o
80 ºººº
Soggi ºo
o o o
oc° o o 8 o o o
0 00°
60 o o o ºº o
o cPo 0
40 8 o
o
o 2.000 4.000 6.000 8.000 10.000 12.000 14.000 16.000 18.000 20.000
Superficie de venta
Podemos utilizar la superficie como variable para formar tres estratos: entre 400
y 999 metros cuadrados, de 1.000 a 2.499 m 2 y 2.500 m 2 y más. Los datos pobla-
cionales se resumen en la siguiente tabla:
Datos poblacionales de supermercados

Nº de Venta Venta Desviación Coeficiente
establecí- total Media típica variación
mientos (millones) (millones)
Total población 2.960 25.265 8,54 17,02 199
Estrato 1
<1.000 m 2 2.148 8.099 3,77 2, 11 56
Estrato 2
1.000-2.500 m' 617 5.617 9, 10 4,96 54
Estrato 3
:2 2.500 m 2 195 11 .549 59,23 38,08 64
Lo interesante del cuadro es comprobar cómo el coeficiente de variación de la

población, de 199%, se reduce drásticamente con la estratificación: en lugar de
considerar la población total, pasamos a considerar tres subpoblaciones (estratos)
con coeficientes de variación de 56%, 54% y 64%, respectivamente, es decir
mucho más homogéneas. Resulta claro que al seleccionar ahora una muestra en
cada estrato, el error de muestreo se reducirá sensiblemente.
107
3. Afijación
1. En muestreo estratificado surge el problema de cómo distribuir la muestra to-
tal entre los estratos, que se conoce como afijación de la muestra. En principio la
muestra puede distribuirse de cualquier forma, según el buen juicio del diseñador
de la misma. Pero lo normal es que se utilice alguno de los dos siguientes crite-
rios.
2. La afijación proporcional distribuye la muestra total en proporción al número

de unidades de cada estrato. Así, en una muestra de 100 supermercados reparti-
dos proporcionalmente al número de supermercados de cada estrato, resultaría en
72 supermercados en el estrato 1, 21 en el estrato 2 y 7 en el estrato de los más
grandes. El error de muestreo que arrojaría esta muestra para la estimación de las
ventas totales sería del 11,6%, en lugar del 20% obtenido con una muestra aleato-
ria, reflejando el efecto de la disminución de la variabilidad poblacional producida
por la estratificación.
3. La afijación óptima distribuye la muestra total entre los estratos de forma que
se minimice el error de muestreo. Para ello tiene en cuenta no sólo el número de
unidades de cada estrato, sino también la desviación típica de cada uno. En el caso
de los supermercados puede verse en el cuadro que la desviación típica en cada
estrato varía entre 2, 11 en los pequeños y 38,08 en los más grandes y la conse-
cuencia es que la afijación óptima tira de la muestra hacia los grandes. La anterior
muestra de 100 supermercados repartida de forma óptima supondría muestrear
30, 20 y 50 supermercados en los estratos 1, 2 y 3, respectivamente, es decir, la
muestra se va hacia los estratos con mayor desviación típica. El error de muestreo
que se obtendría con esta distribución muestra! es del 5,9%. Vemos, pues, que la
estratificación y la forma de distribuir la muestra entre estratos puede producir
importantes ganancias en precisión:
108
Comparación de errores de muestreo. Población de

supermercados. Tamaño de muestra n = 100
19,9%
11,6%
Muestra aleatoria Estratificación proporcional Estratificación óptima
4. La estratificación, si es eficiente, produce también importantes ahorros de

coste ya que permite trabajar con tamaños de muestra menores. En el gráfico
vemos que el error estándar con afijación proporcional es casi la mitad que el de
una muestra aleatoria de igual tamaño. Para alcanzar esta precisión con muestreo
aleatorio se necesitaría una muestra casi cuatro veces mayor, lo que implicaría un
aumento de costes de similares proporciones.
109
Capítulo 14. Estimador de razón
Capítulo 14
Estimador de razón
1. El estimador de razón trata de mejorar la precisión de un estimador utilizando

la información que se posee, para la población investigada, de una variable auxiliar
que se supone correlacionada con la variable de estudio. Sea Y¡ la variable de estu-
dio y sea X¡ la variable auxiliar conocida para el universo o población en estudio, es
decir, conocemos el total poblacional X.
2. Supongamos que se desea estimar la producción de trigo de una población de

N=5.000 explotaciones agrarias mediante una muestra aleatoria de n=100 explota-
ciones, y poseemos información sobre la superficie cultivada:
explotación prod. trigo (Y) superf. cultivada (X)

1 y1 x1
2 y2 x2
n=100 Yn Xn
total muestra! y=5.100 t x=1.700 ha
El estimador insesgado lineal de la producción de trigo es
A N n N
Y=- ¿Y¡ =-y=50*5.100=255.000t
n 1 n
Puesto que poseemos información de la superficie cultivada X y conocemos su

total poblacional X=100.000 ha, podemos, además, estimarlo con los datos de la
muestra
111
X=-
n
~ N
¿xi =-X=50*1.700=85.000
n
1
N
n
ha
X X
El cociente - - - constituye una cierta medida de la representatividad de la
X X
muestra: s1· -;;- X = 1,17 6 , .1n d.icaria

X > 1 , como es nuestro caso en que -;;- ' que en 1a
X X
muestra hay una mayor representación de explotaciones pequeñas, mientras que
si ~ < 1 , tendríamos una mayor representación de explotaciones grandes.
X
Habiendo correlación entre ambas variables parece lógico utilizar la desviación ~ ,

X
cometida en la estimación de la variable conocida para corregir la estimación de Y.
Esto nos lleva al estimador
En muestro ejemplo
y = 255 .000 t 1OO .OOO ha = 255 .OOO t 100 .000 ha = 3 ¼ 100 .000 ha = 300 .000 t
R 85.000 ha 85.000 ha ha
R= :' = ~ , se llama estimador de razón, YR es el estimador del total por el mé-

X X
todo de razón. YR lo podemos escribir como
YR =Ny
n
Nx
-x
=X
x
:t Y¡=
1
100.000ha 5.100 t
1.700ha
= 300.000 t
n
es decir, el estimador del total por razón equivale a la expansión de los datos
muestrales mediante el factor X/x , relación entre el valor poblacional y el valor
muestra! de la variable auxiliar X; , en lugar de utilizar la expansión N/n de número o
expansión simple, directa o de diseño. Al factor X/x le llamamos factor-X. El co-
ciente entre ambos factores coincide con la medida de representatividad muestra!
X
-;;- , ya que
X
112
La media Y se estima por YR = YR = R~ = RX

N N
3. Otros ejemplos del método de razón los encontramos cuando se estiman ven-
tas o valores de producción de una población de empresas o establecimientos
utilizando los datos de personal empleado como variable auxiliar. En general, cuan-
do la razón _2Í__ es similar en todas las unidades de la población, la razón muestra!

X¡
Y varía poco de muestra a muestra y el estimador de razón es de gran precisión.

X
En el ejemplo de explotaciones agrícolas, si el rendimiento o producción de trigo

por hectárea no varía mucho entre todas las explotaciones de la población, la esti-
mación por razón puede ser considerablemente mejor que la de simple expansión.
4. Tanto el muestreo estratificado como el estimador de razón son ejemplos de

procedimientos que utilizan de forma muy eficiente la información auxiliar disponi-
ble sobre la población objeto de estudio para mejorar las estimaciones y disminuir
tamaños de muestra y costes. Lo habitual en la práctica es que ambos procedi-
mientos se utilicen de forma simultánea, es decir, se realiza un muestreo estratifi-
cado y se utiliza estimador de razón en cada estrato, combinándose de forma ade-
cuada las estimaciones posteriormente.
5. Como un ejemplo más de utilización del método de razón podemos citar la

Encuesta de Población Activa (EPA). De acuerdo al procedimiento de selección de
la muestra, brevemente descrito en 12.1.2, el factor de expansión de diseño o
directo a utilizar sería el cociente entre el número de viviendas en la población y en
la muestra. Sin embargo, la EPA utiliza como variable auxiliar en sus estimaciones
los datos de número de habitantes o población residente en viviendas familiares,
conocidos a través del padrón y de las proyecciones de población. En consecuen-
cia la expansión en la EPA se basa en la relación de la población total residente en
viviendas familiares a la población residente en las viviendas de la muestra, calcu-
lada en cada estrato.
713
Capítulo 15. Muestreo sistemático
Capítulo 15
Muestreo sistemático
1. Sea una población {u 1,u 2 , .. . ,uN}. La selección sistemática de una muestra den
unidades se realiza en la siguiente forma: sea k = N/n (suponemos N divisible por
n), tomamos un número i al azar 1::; i::; k con probabilidad 1/k y la muestra siste-
mática queda formada por las n unidades {u¡,ui+k,ui+zk, ... ,ui+(n-,)iJ Como vemos, la
selección de la primera unidad determina la muestra completa y existen k = N/n
muestras posibles. Las k muestras posibles son equiprobables (prob. = 1/k) y la
probabilidad de que la unidad u; esté en la muestra es 1/k = n/N. La media mues-
tra! es el estimador insesgado de la media poblacional.
2. Por ejemplo si N=60 y n=1 O tenemos (k=6) las siguientes seis muestras posibles,
dónde se indica el valor de la variable X en estudio en cada unidad seleccionada:
Muestra
2 3 4 5 6
x1 x2 x3 x4 \ x6
x7 XB xg \o \1 x12
x49 x5º x51 x52 x53 x54
x55 x56 x57 x58 x59 x6º
3. El muestreo sistemático es de fácil aplicación práctica y asegura además que
la muestra se extiende a toda la población. El comportamiento del muestreo sis-
temático respecto al muestreo aleatorio simple, depende en gran medida de las
propiedades de la población. En poblaciones en las cuales la numeración de las
unidades puede considerarse al azar respecto a la característica que se mide, ca-
bría esperar que el muestreo sistemático fuera equivalente al muestreo aleatorio
simple y que tuviera un error de muestreo similar e incluso menor por su efecto
distribuidor de la muestra.
115
4. Podría considerarse la población dividida en n estratos, los cuales consisten de

las primeras k unidades, las segundas k unidades, ... , es decir, al contemplar el
cuadro de muestras posibles en horizontal, cada fila sería un estrato. La muestra
sistemática correspondería a una muestra estratificada con una unidad por estrato,
por lo que sería razonable esperar una mayor precisión respecto al muestreo alea-
torio simple.
5. El cuadro que sigue presenta las seis muestras sistemáticas de tamaño 8 de

una población de 48 unidades, junto con la media estimada por cada muestra.
Muestrn
1 2 3 4 5 6
30 50 70
- -
90 11 O 130
150 170 190 210 230 250
270 290 310 330 350 370
390 410 430 450 470 490
510 530 550 570 590 610
630 650 670 690 710 730
750 770 790 810 830 850
870 890 910 930 950 970
Media 450 470 490 510 530 550
La población está ordenada por el valor de la variable, cuya media poblacional es

igual a 500, y se puede apreciar horizontalmente el efecto de estratificación aludi-
do. En el gráfico puede observarse la tendencia lineal de los valores poblacionales:
Muestreo sistemático en una población con tendencia lineal
1.200
1.000
(l)
800
:oro
·~
>
~ 600
<D
-o
o
ro
>
400
200
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Unidad u1
116
Se destaca también en el gráfico una de las posibles muestras sistemáticas. In-

tuitivamente se ve que la muestra sistemática es más efectiva que la muestra
aleatoria simple ya que asegura presencia en la muestra de todas las zonas de
tendencia, pero es menos efectiva que la muestra estratificada ya que si la mues-
tra sistemática es muy baja en un estrato, es muy baja en todos, mientras que la
estratificación da oportunidad a seleccionar cualquier unidad dentro de cada estra-
to. El comportamiento de la muestra sistemática podría mejorarse usando una
muestra centralmente ubicada. De hecho, las muestras 3 y 4 son las que presen-
tan estimaciones más próximas al valor poblacional.
6. En poblaciones cuya ordenación tiene una componente periódica hay que ser
especialmente cuidadosos en el uso del muestreo sistemático. El cuadro y gráfico
que siguen presenta los datos de una población con valor medio X= 198 y las
distintas muestras sistemáticas:
Muestra
2 3 4 5 6 7
- - 8 9
101 169 289 258 128 119 246 294 182
100 186 295 242 117 131 261 287 165
101 204 299 226 108 145 274 277 149
106 221 299 208 102 161 285 265 134
114 238 297 191 100 178 293 250 122
125 254 291 173 100 195 298 234 112
Media 108 212 295 216 109 155 276 268 144
Muestras sistemáticas en una población con componente

periódica
(1)
:oro
>
fü 200 - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
.!Q
\
(1)
~ 150
-º
100
1 muestra 2 1
50 media poblacional
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53
Unidad U¡
117
Debido a la periodicidad en la ordenación existen muestras que repiten los valo-

res más pequeños o los más grandes y se alejan sensiblemente de la realidad.
Esto sucede porque el valor k que determina la composición de la muestra siste-
mática coincide o es múltiplo entero del periodo que marca la ordenación de la
población. Sin embargo, si reordenamos de forma aleatoria la población el proble-
ma puede evitarse. El cuadro que sigue presenta los mismos datos poblacionales
ordenados aleatoriamente, junto a las estimaciones de cada muestra sistemática.
Muestra
1 2 3 4 5 6 7 8 9
195 246 261 242 173 295 102 293 100
234 169 100 117 178 131 100 186 299
112 287 114 277 165 297 226 204 250
299 254 101 294 274 145 134 122 125
101 289 161 238 191 106 285 182 128
258 108 298 208 119 265 149 291 221
media 200 226 173 229 183 207 166 213 187
El gráfico proporciona las medias estimadas por cada muestra sistemática cuan-
do la ordenación tiene una componente periódica o es aleatoria: la variabilidad de
las estimaciones (error de muestreo) con ordenación aleatoria es sensiblemente
menor.
Valores estimados de la media según ordenación
F-~den periódico orden aleatorio ...., media-¡;;;blac. l
350 ---
300-----
250
o
u
Pºº
·_¡:;
(f)
(1)
.2150 - - - - - - -
>"'
100 - - - - - -
50
o~--------,----------,----~---,-----~-----~-----------1
2 3 4 5 6 7 8 9
Muestra
118
7. Poblaciones con tendencia más o menos periódica se encuentran en la prácti-

ca con relativa frecuencia y no siempre es posible proceder a una ordenación alea-
toria de la misma. Ejemplos son el flujo de tránsito por un punto de una carretera
durante las 24 horas del día y las ventas de una tienda durante los días de la se-
mana. Para estimar un promedio sobre un periodo de tiempo, una muestra siste-
mática diaria a las 6 de la tarde o cada martes, no sería obviamente juicioso. La
estrategia correcta es girar la muestra sobre la curva periódica, por ejemplo, viendo
que cada día de la semana y cada segmento horario esté igualmente representado,
en el caso de las ventas de una tienda. La figura que sigue presenta una muestra
sistemática que proporciona una media muestra! exactamente igual a la media
poblacional.
Media poblacional
119
Capítulo 16. El efecto del diseño
Capítulo 16
El efecto del diseño
1. En 11.4.3 se vio que la varianza de la media en un muestreo aleatorio simple

2
se estima mediante v asfx) = (1-~)~. Cuando el diseño muestra! se hace más
N n
complejo (muestreo estratificado y/o por conglomerados, uso del estimador de
razón), la fórmula para estimar la varianza de la media resulta también más comple-
ja y suele recurrirse en la práctica a relacionar la varianza del estimador de la media
con el diseño actual y la que se obtendría con un muestreo aleatorio simple con el
mismo número de unidades elementales en la muestra. En 13.3.3 ya se utilizó
implícitamente esta relación para comparar la precisión del muestreo estratificado
respecto al aleatorio simple. Se define el efecto del diseño (Efd) como la razón de
la varianza real del estimador de una muestra dada a la varianza que tendría el es-
timador en una muestra aleatoria simple con el mismo número de unidades ele-
mentales:
Efd = v(x)
V as (X)
De dónde
_ _ n s2 s2 s~
v(x) = v as(x) · Efd = (1--)-· Efd =- ·Efd = -
N n n n
con
121
Capítulo 16. El efecto del diseño
, . . , v(x) s2 cv 2 cv 2
En termmos relativos tendriamos ~ = _ 2 Efd = -
· . Efd = _ d
x x n n n
2. s~ puede considerarse como una varianza por elemento que incorpora todas
las complejidades del diseño muestra! y, por tanto, varía con cualquier cambio que
se haga en el diseño de la muestra, mientras que s2 se refiere a la varianza por
elemento sin considerar el diseño muestra!. De la misma forma cv sería el coefi-
ciente de variación sin incluir el diseño muestra! y cvd se referiría a un coeficiente
de variación que incorpora toda la complejidad del diseño. El Efd suele ser menor a
la unidad en muestreo estratificado, expresando la reducción en la varianza debida
a la estratificación, mientras que en muestreo de conglomerados será mayor que
uno debido al similar comportamiento de las unidades dentro de cada conglomera-
do, que hace perder eficiencia al muestreo. Una ventaja de introducir la idea del
efecto del diseño es que permite manejar, en diseños de muestreo complejos, los
conceptos de error estándar y tamaño de muestra con las fórmulas sencillas del
muestro aleatorio simple.
3. Al planear una nueva encuesta es frecuente que no se disponga de datos

concretos sobre la variabilidad poblacional s2 por elemento. Si el diseño muestra!
va a incorporar estratificación, el uso de conglomerados y/o estimadores del tipo
de razón, tampoco se conocerá a priori la incidencia del diseño muestra! en los
errores de muestreo. En ocasiones será necesario realizar algún tipo de estudio
piloto previo que permita tener estimaciones de los datos necesarios para realizar
un diseño eficiente. En otras ocasiones podrá utilizarse la experiencia de otras
encuestas para establecer alguna aproximación de los valores s2 o s~ o los co-
rrespondientes coeficientes de variación cv, cvd sobre los que basar el diseño
muestra! y establecer los tamaños de muestra.
122
Capítulo 17. Otros aspectos del muestreo
Capítulo 17
Otros aspectos del muestreo
1. Muestreo en dos fases

1. Habrá ocasiones en que el conocimiento previo que se dispone del universo
objeto de estudio es muy limitado e insuficiente para proceder a una estratificación
eficiente o para la utilización de estimadores del tipo de razón que nos permitan
importantes reducciones del error estándar. En estos casos puede ser conveniente
la realización de una primera muestra, relativamente amplia, con el objeto de esti-
mar aquellas características básicas que nos sirvan para la utilización posterior de
muestreo estratificado o de estimadores de razón. Una vez determinadas las ca-
racterísticas del universo que sean de interés, se selecciona en una segunda fase
una submuestra de la primera sobre la que ya se estudian propiamente las varia-
bles objeto de estudio. Este proceso se conoce como muestreo doble o muestreo
en dos fases. El proceso se justifica si la información obtenida en la primera fase
permite una reducción de muestra en la segunda fase que compense costes.
2. La muestra correspondiente a la primera fase se denomina también muestra

censal, muestra maestra o censo muestra!. Estas denominaciones indican un pri-
mer proceso de muestreo sustitutivo de un censo completo, es decir, cuyo fin es
conocer características poblacionales, incluso el propio tamaño del universo N,
necesarios para el posterior diseño de la muestra. Este procedimiento censal en
base a una muestra no debe sorprender: es práctica habitual en grandes operacio-
nes censales proporcionar resultados basados en una muestra de los cuestionarios
censales en lugar de utilizar la información completa del censo total. La muestra en
123
segunda fase puede denominarse muestra principal o muestra de estudio, ya que

es la muestra sobre la que se miden las variables objeto de estudio.
2. Muchas variables de estudio

1. Cuando se estudia la teoría de muestras siempre se habla de la variable de es-
tudio X. Sin embargo cuando se selecciona una muestra van a ser muchas varia-
bles X las que se estudien en cada unidad muestra!, lo que significa que la muestra
va a proporcionar multitud de estimaciones cada una con su propio nivel de error
estándar, es decir, no puede hablarse de la calidad global de una muestra, sino que
cada estimación que proporcione, tendrá su propio error de muestreo. Previamen-
te habrá que haber definido un tamaño de muestra en función de un cierto error
estándar. Si quisiéramos el mismo nivel de error estándar para cada variable en
estudio resultarían tamaños de muestra diferentes para cada una, lo cuál, desde un
punto de vista práctico no tiene sentido. Lo normal será que entre las variables a
estudiar haya unas pocas de mayor importancia y sean éstas las que predominen
en la determinación del tamaño de muestra, llegándose a una solución de com-
promiso. Un problema similar surge al establecer la distribución óptima de una
muestra estratificada para distintas variables a estudiar: cada variable nos puede
proporcionar afijaciones diferentes y debe llegarse a una solución única.
2. El concepto de error de muestreo surge porque al tomar cientos o miles de

muestras independientes de una población para estimar un parámetro, las estima-
ciones presentan una variabilidad aleatoria que puede aproximarse por la distribución
normal. En una forma análoga se puede pensar que cuando una muestra proporcio-
na cientos, miles de estimaciones se pueden aplicar las propiedades de la distribu-
ción normal y pensar que, por ejemplo, un 5% de las estimaciones quedan fuera de
su intervalo de confianza ( ± 2 veces el error estándar), es decir, alejadas de la reali-
dad, sin que pueda saberse cuales son: es el analista de los resultados el que con su
conocimiento y experiencia puede separar, quizá no totalmente, aquellos datos que
reflejen la realidad de aquellos otros que pueden ser debidos a variaciones extremas
de muestreo o a sesgos introducidos en la muestra, no importantes para muchas de
las variables investigadas pero que sí lo son para otras.
124
3. Muestreo repetido de la misma población

1. En la actualidad es práctica común la de utilizar muestras para recoger series de
datos sobre la misma población que se publican a intervalos regulares de tiempo.
Ejemplos de ello los tenemos en las encuestas de población activa o de fuerza de
trabajo que realizan los países desarrollados, los paneles de audiencia de televisión,
muestras continuas de hogares o de tiendas para medir el consumo, ...
2. Cuando la misma población se muestrea repetidamente en el tiempo, esta-

mos en una posición ideal para obtener estimadores realistas de costes y varianzas
y, en consecuencia, para aplicar técnicas que conducen a una utilización óptima del
muestreo. Una cuestión importante en muestreo repetido es con qué frecuencia y
de qué manera debe cambiarse la muestra a lo largo del tiempo. Podemos optar
entre las siguientes alternativas:
a) Utilizar la misma muestra, llamada panel, en cada repetición del muestreo o

periodo.
b) Mantener en cada periodo una proporción rcc de muestra común con el perio-
do anterior, renovando el resto de la muestra.
c) Utilizar en cada periodo muestras independientes.
3. Hay muchas consideraciones que afectan a la decisión. Los entrevistados

pueden negarse a dar la misma información una y otra vez. Los que responden
pueden influirse por la información que reciben durante las entrevistas lo que con-
tribuye a introducir paulatinamente sesgos en la muestra y, en este caso, suele
decirse que la muestra se contamina con el tiempo. Otras veces puede haber me-
jor cooperación en segunda y sucesivas tomas de información. Si conseguir la
colaboración de una unidad muestra! implica un coste relativamente alto respecto
a la toma de información puede ser aconsejable utilizar la misma muestra o una
alta proporción de muestra común.
4. Con los datos de muestras sucesivas de la misma población hay tres clases
de cantidades a estimar y, en cada caso, la política de renovación de la muestra es
diferente si deseamos maximizar la precisión:
- Si deseamos estimar el cambio de un periodo al siguiente o de un año al mis-

mo periodo del año anterior, es mejor retener la misma muestra.
125
- Para estimar el valor promedio sobre varios periodos, es mejor tomar muestras
independientes en cada periodo.
- Si nuestro interés se centra en el valor para el periodo más reciente, entonces

se obtiene la misma precisión conservando la misma muestra o cambiándola en
cada periodo; el cambio parcial de parte de la muestra puede ser mejor que cual-
quiera de estas alternativas.
5. Lo anterior es consecuencia de la correlación positiva entre las medidas de la

misma unidad en dos periodos consecutivos. Al mantener la muestra constante en
periodos consecutivos, existe una alta correlación entre los datos de las unidades
muestrales en ambas ocasiones, lo que hace que los errores en las estimaciones
tiendan a permanecer en la misma dirección (es decir, si el error es +2,5% en el
primer periodo, puede ser + 1,5% en el siguiente, pero difícilmente será -3%), lo
que hace que los cambios se midan con menor error absoluto que las estimacio-
nes individuales de cada periodo.
6. En muestreo repetido de la misma población puede tener total sentido la de-

dicación de parte de los recursos a lo que anteriormente se ha indicado como pri-
mera fase del muestreo o censo muestra! ya que su coste se amortiza sobre varias
realizaciones de la muestra objetivo. En estudios periódicos en el tiempo esta pri-
mera fase censal se vuelve imprescindible si el universo o población que se pre-
tende estudiar cambia en el tiempo y no se dispone de información sobre su evo-
lución: en estos casos resulta necesario realizar estudios censales periódicos (cada
cinco, dos años, o de forma continua) para preservar de sesgos a la muestra de
estudio. Lógicamente, la muestra de estudio, aunque se pretenda constante en el
tiempo, estará afectada por la propia evolución de la población y será necesario
introducir cambios paulatinos en la misma para su adaptación al carácter cambian-
te y evolutivo de la misma.
7. Cuando se muestrean poblaciones con un alto grado de asimetría ya se vio la

importancia del muestreo estratificado para la precisión. En estos casos la varianza
por estrato suele aumentar con el valor de la variable de estudio (tamaño de la
unidad) de forma que la afijación óptima es la única garantía para que el factor de
expansión de las unidades grande o muy grandes se mantenga dentro de límites
razonables. Pensemos que en cualquier proceso de muestreo, el total poblacional
se estima aplicando a cada unidad muestra! un factor de expansión F;, de forma
126
que el total estimado es X= I

1
X¡F¡ . La cantidad Xt¡ es la contribución de la
X
i-ésima unidad muestra! a la estimación y es la misma para la estimación del total
que para la media. Con muestreo aleatorio o con afijación proporcional F; es igual
para todas las unidades muestrales y la contribución depende del valor Xi valores
muy altos van a resultar en contribuciones muy altas y estimaciones con alto error
de muestreo y, por tanto, poco fiables. Resulta intuitivo que cuanto mayor es X;
menor debe ser F; con el fin de preservar a la estimación final de contribuciones
extremas debidas a una sola o unas pocas unidades: no parecería muy fiable una
estimación obtenida con una muestra de 100 unidades (100 sumandos), de las
cuales una sola de ellas represente el 80% del total estimado, cuando cada su-
mando en promedio contribuya con un 1 % . La afijación óptima es la única garantía
para evitar estos problemas.
127
Capítulo 18. Errores ajenos al muestreo
Capítulo 18
Errores ajenos al muestreo
1. Introducción
1. Hasta ahora hemos supuesto que 1) la población marco coincide con la pobla-
ción objetivo, 2) que la muestra real alcanzada se corresponde con la muestra ini-
cialmente planificada y seleccionada probabilísticamente y 3) que la información
obtenida en cada unidad muestra! es correcta. En estas condiciones la única fuen-
te de error del estimador es el error de muestreo que es la variación aleatoria que
se presenta cuando se miden n de las unidades en lugar de la población completa
N. Lamentablemente esta situación ideal no se da con frecuencia en la práctica y
debemos asumir la presencia de otros errores, que se presentan cuando no se
cumple cualquiera de los tres supuestos mencionados y que se agrupan bajo el
nombre de errores ajenos al muestreo.
2. Errores de cobertura
1. Cuando la población marco no coincide con la población objetivo tenemos los
llamados errores de cobertura. Recordemos que la población marco es la población
que sirve de base para la selección de la muestra. Podemos pensar en un listado
del que se selecciona la muestra: puede haber unidades de la población objetivo
no contenidas en el listado (omisiones) o puede haber unidades en el listado que
no se corresponden con la población objetivo (unidades vacías), incluso el listado
puede contener unidades duplicaqas:
129
(2) Unidades vacías
Omi-
(1) siones
(3)
( 1)+(2) = población marco

( 1 )+(3) = población objetivo
2. Con la muestra seleccionada de la población marco podremos estimar la pro-

porción de unidades (1) y hacer que los resultados estimados se refieran al univer-
so (1 ), parte coincidente entre la población marco y la población objetivo, pero no a
la parte (3), conjunto de unidades omitidas en el listado. Una solución para dismi-
nuir errores de cobertura puede ser la utilización de varios listados. No obstante, si
las proporciones (2) y (3) son altas será necesario utilizar conjuntamente una mues-
tra de la lista junto con otro procedimiento de selección, por ejemplo áreas, que
nos permita acceder a la parte (3). Una muestra en primera fase nos puede servir
para determinar estimaciones de (1) y (3) y por tanto de la población objetivo.
3. Los problemas de cobertura no son exclusivos de la utilización de listas. Pen-

semos en un muestreo por áreas en una ciudad en el que se parte de planos o
mapas incompletos: manzanas, urbanizaciones o barrios de reciente construcción
pueden quedar omitidos del marco.
3. Falta de respuesta
1. Cuando la muestra real alcanzada no se corresponde con la muestra inicial-
mente planificada, es decir, no se obtiene información en todas las unidades de la
muestra, decimos que existe falta de respuesta o no respuesta. Aparte la no res-
puesta por unidades omitidas en el marco, ya mencionada, la falta de respuesta
puede agruparse en dos principales tipos:
130
a) No localizado o falta de contacto, que puede ser debido a:
a1) Ausencia temporal durante las horas de entrevista (no-en-casa). Es conocido

que familias en las cuales ambos padres trabajan y las familias sin niños son más
difíciles de alcanzar que familias con niños pequeños o con personas jubiladas.
a2) Viaje, vacaciones.
a3) Enfermedad.
a4) Problemas de lenguaje.
a5) Movilidad geográfica: cambio de dirección o domicilio, cambio de ciudad.
a6) Falta de motivación o experiencia en el entrevistador para contactar con el

entrevistado. Está comprobado que las tasas de no respuesta varían por entrevis-
tador.
a7) Barrio o vecindad difícil.
b) Negativa a colaborar, debido a:
b1) Falta de tiempo.
b2) Falta de motivación o de interés por el tema de la encuesta.
b3) No desea que el entrevistador conozca sus respuestas u opiniones.
b4) No desea estar registrado.
b5) Cansancio de las entrevistas.
b6) Cuestionario demasiado largo, preguntas complicadas, preguntas que rozan

la intimidad.
b7) Los hueso duro. Personas que cerradamente rechazan ser entrevistadas o
están sistemáticamente fuera de casa durante el tiempo disponible para el trabajo
de campo.
b8) Falta de habilidad del entrevistador para conseguir la colaboración. Vale aquí
el comentario de a6): hay entrevistadores que consiguen mejores tasa de respues-
ta que otros.
b9) La colaboración es, finalmente, voluntaria: busque a otro que vo no puedo

ahora.
131
2. A estos dos grupos de no respuesta puede añadirse la falta de respuesta par-

cial: el entrevistado no responde a parte de las preguntas porque no tiene la infor-
mación o, simplemente, no está dispuesto a facilitarla.
3. Para evaluar los efectos de la falta de respuesta conviene pensar en la pobla-

ción dividida en dos estratos: en el primero se incluyen todas las unidades para las
cuales se obtendrían mediciones si caen en la muestra y en el segundo se inclu-
yen las unidades para las que no se obtendrían mediciones. La muestra no propor-
ciona información del estrato 2, lo cuál no sería un problema si se pudiera suponer
que las características que se miden en el muestreo son las mismas en el estrato
2 que en el estrato1. Desde el momento que esto no sea así estaremos en pre-
sencia de un sesgo causado por la falta de respuesta. El problema es que al no
disponer de información del estrato que no responde el tamaño del sesgo es des-
conocido.
4. La falta de respuesta no debe ignorarse o pensar que se corrige sustituyendo

en la muestra a los que no responde por otros que sí colaboren, ya que ello no va
eliminar el sesgo, simplemente nos mantiene el tamaño de muestra. Por el contra-
rio hay que ser conscientes de que la no respuesta va a ocurrir y asignar, en lo
posible, algunos recursos y disponer de algunas estrategias para reducir su pro-
porción. Algunos procedimientos para reducir la no respuesta son:
1) Cartas y llamadas telefónicas por adelantado.
2) Dar algún incentivo por la colaboración.
3) Programar visitas repetidas puede ser de gran efectividad para reducir los
no-en-casa.
4) Mejora de los procedimientos de recogida de información. Si la información se

recoge por entrevista personal el entrenamiento del entrevistador es fundamental:
la interacción positiva entrevistador-entrevistado es básica para el éxito de la en-
trevista, lo cuál puede requerir que el entrevistador disponga de distintas estrate-
gias para afrontar la entrevista en función de ciertas características observables de
los encuestados. Preservar la intimidad del entrevistado puede favorecer el dejarle
el cuestionario para que lo rellene y envíe posteriormente por correo, aunque se
haya tenido un primer contacto personal para obtener la colaboración. Otro aspec-
to a tener en cuenta es que cuanto más activa (más tiempo requiere) sea la cola-
boración de la unidad muestra! menor es su disposición a colaborar: pensemos en
132
un panel de audiencia de TV en el que el hogar debe rellenar y enviar por correo un

largo y tedioso cuestionario sobre qué ha visto cada día en relación con la instala-
ción de un audímetro conectado al televisor que registra y transmite lo que el tele-
visor emite en cada momento; la colaboración del hogar en el caso del audímetro
es mucho más pasiva (menos molestia), lo cuál favorece la colaboración.
5. En la práctica y a pesar de las medidas que se tomen será imposible, en gene-

ral, reducir la no respuesta a cero por lo que se hace imprescindible su medición y
control. Un primer aspecto en este sentido es cuantificar la tasa de no respuesta
según distintas causas. Ello puede ayudar para reducir las tasas de no respuesta
en encuestas posteriores. En ocasiones será posible recoger ciertas características
observables de las unidades no respuesta que puedan ser utilizadas posteriormen-
te en procedimientos de ajuste para remover los sesgos de no respuesta en las
estimaciones finales.
6. Normalmente, además de las variables que hayan servido para la estratifica-

ción del universo se dispone de información poblacional de otras características
que pueden servir para controlar la microrrepresentatividad final de la muestra
obtenida, comparando los valores poblacionales de estas variables conocidas con
los estimados por la muestra. Este control de microrrepresentatividad es funda-
mental en presencia de falta de respuesta y nos puede ayudar a determinar ciertas
características del estrato de no respuesta Las desviaciones que se producen pue-
den utilizarse para modificar los factores de expansión originales de cada unidad
muestral, en un proceso iterativo, hasta conseguir que los valores estimados coin-
cidan con los conocidos en el Universo para las distintas variables incluidas en el
proceso. Este proceso iterativo de ajuste en los factores originales de expansión
se conoce también como equi/ibraje de la muestra y puede contribuir a remover
sesgos introducidos en la muestra final, en la medida en que las variables objeto
de investigación puedan estar correlacionadas con las variables que intervienen en
el proceso de equilibraje.
4. Errores de medida
1. Un tercer tipo de error no de muestreo se produce por errores de medición y

errores que se introducen en la producción de los resultados de una encuesta.
Estos errores suceden cuando el valor medido x· (o el utilizado para la estimación)
133
no se corresponde con el valor real X. Se conocen también por errores de respues-

ta y pueden ser varias las causas que los producen:
1) Instrumentos de medición (cuestionario-entrevistador) inadecuados o sujetos
a error.
2) Fallos de memoria. El entrevistado responde lo que él cree que hizo, pero no

lo qué realmente hizo.
3) El entrevistado da una respuesta falsa, bien inducido por el entrevistador (qui-

zá por el cuestionario), o bien porque no desea que su verdad quede registrada
(qué dirán .. .)
4) Olvido. Por ejemplo en un panel de hogares el hogar colaborador olvida anotar

algunas compras en el diario o en un panel de audímetros una persona olvida iden-
tificarse.
5) Falta de información. El informante no dispone de toda la información para

contestar y da una respuesta aproximada.
6) Errores de codificación y grabación que introducen en el proceso un valor

erróneo con independencia de que el valor original fuera correcto o no.
2. Como comentario final hay que decir que al planear un estudio por muestreo
debe prestarse especial atención a los errores no de muestreo que pueden pre-
sentarse en cualquier fase del trabajo y, si son importantes, incluso invalidar los
resultados. Por otra parte detectarlos y cuantificarlos no es tarea fácil. Sólo la anti-
cipación y el análisis cuidadoso de cada paso en el proceso de muestreo y de los
resultados pueden ayudar. Los errores de muestreo desde el momento que pue-
den ser evaluados y estimados dejan de tener importancia. El error de muestreo
se constituye en una medida de la calidad del diseño teórico de la muestra pero no
mide la calidad real, afectada por los errores no de muestreo.
134
t\ muestreo -
238; datos de une
f l stras sisternál,._
__fl- _:.-:..:.---
es\r s sis\ máticas en un
ra 3

Llibro Manual Basico Estadistica

Cargado por

Copyright:

Formatos disponibles

Llibro Manual Basico Estadistica

Cargado por

Información del documento

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

Llibro Manual Basico Estadistica

Cargado por

Copyright:

Formatos disponibles

Julio Casado

Título: Manual básico de Estadística

N!! INE: 181

Depósito Legal: NA-3441-2007

ISBN: 978-84-260-37 41-1

Impreso en España/Printed in Spain

El Manual básico de Estadística se ha elaborado para que sea un instrumento de

Para el Instituto Nacional de Estadística va a constituir un elemento imprescindi-

El Manual describe de forma resumida, las principales fases que necesariamente

La producción de información estadística conlleva un largo y complejo proceso

Carmen Alcaide Guindo

11 Capítulo 1. Operaciones estadísticas 7

■ Capítulo 15. Muestreo sistemático 115

■ Capítulo 17. Otros aspectos del muestreo 123

1. Introducción: datos, información y estadística

2. Tanto los datos como la información no son necesariamente numéricos. La in-

decisiones. La información estadística proporciona datos numéricos que miden

3. Todos los días en los medios de comunicación pueden encontrarse noticias

2. Usuarios de información estadística

2. El Gobierno, tanto nacional como autonómico o local, necesita información

3. Las empresas necesitan información sobre la evolución de sus productos y los

4. Otros grupos y organizaciones sociales necesitan información sobre una am-

5. Todos los individuos en algún momento necesitan información para evaluar la

OPERACIÓN ESTADÍSTICA -Variables y definiciones

Difusión ~Gobierno Necesidad de

1. Llamaremos operación estadística o estudio estadístico al proceso por el cuál

2. Es importante que los objetivos se establezcan de una forma clara y concreta,

~~~=rios --.¡ Recogida ¡--.~1 Información

Como puede verse la obtención de un producto estadístico no difiere concep-

5. El número se convierte en el elemento básico de la Estadística, cuya primera

2. La toma de muestras de una población es una práctica habitual y cotidiana en

3. El objetivo de las técnicas de muestreo es proporcionar una serie de procedi-

tras que la muestra es la parte de unidades de la población sobre la que se mide la

2. En general hay tres principales ventajas en el muestreo respecto a la investi-

- Menor coste, derivado de obtener información de una parte de la población.

- Mayor rapidez en la obtención de resultados por el mismo motivo anterior.

- Mayor calidad. Al reducirse el volumen de trabajo se puede emplear personal

3. También debe tenerse en cuenta que la realización de un censo resulta mu-

3. los registros administrativos

2. Las principales ventajas de utilizar registros administrativos son:

- Error: la información se obtiene de todos los elementos que componen el re-

- Simplicidad-coste: la utilización de datos administrativos elimina la necesidad

- Evolución temporal: los registros se actualizan permanentemente y la recogida

3. Algunos inconvenientes de los registros administrativos son:

- Flexibilidad: los datos primarios a recoger están limitados por la información

- Cobertura: la información que se obtenga quedará referida a la población con-

2. La repercusión de las operaciones de recogida de datos en la calidad de la in-

4. En la recogida de datos debe disponerse de un sistema de control con el obje-

5. En lo posible, el seguimiento y control de los trabajos de campo debe hacerse

2. Entrevista personal con ayuda de ordenador (CAP!): en lugar de utilizar un

3. Entrevista telefónica: la entrevista para la recogida de datos se realiza por telé-

6. Entrega en mano: los cuestionarios se entregan en mano a los informantes y,

8. Otros métodos de recogida: entre otros métodos de recogida se puede citar la

2. Un cuestionario bien diseñado facilita la respuesta y permite una recogida efi-

2. Aspectos a tener en cuenta en el diseño del cuestio-

2. Utilizar palabras y conceptos claros y perfectamente entendibles por los in-

formantes, cuidando esmeradamente la redacción de las preguntas y evitando que

3. En la introducción/portada del cuestionario debe darse el nombre del estudio,

4. Incluir las instrucciones necesarias en el propio cuestionario, fáciles de enten-

5. Deben hacerse pruebas reales a pequeña escala para evaluar el cuestionario.