Beruflich Dokumente
Kultur Dokumente
1
NIVELACIÓN EN ESTADÍSTICA
ESPECIALIZACIÓN EN FINANZAS
1.Introducción
Estadística Inferencia
Descriptiva Estadística
2
Gimeno y Mateos de Cabo (2006) en su trabajo denominado Statistics and
Finance: Linving on the “Hedge”, manifiestan que la Estadística juega un papel
importante en finanzas. El desarrollo explosivo de mercados cada vez más complejos
hace que sea más difícil para los profesionales valorar correctamente los activos
financieros. El análisis estadístico se ha convertido en una herramienta poderosa para
una mejor valoración del mercado, asumiendo un papel líder en el desarrollo de
nuevos productos financieros limitando el riesgo que un inversor debe asumir.
Son numerosos los ejemplos donde la Estadística desempeña un rol
fundamental en Finanzas, a continuación se mencionan solo algunos de ellos:
Valoración de activos financieros: donde los flujos de cajas (CF) presentes en
estos activos no se conocen de antemano. En general pueden ser tratados
como aleatorios cuando dependen de otros factores como rendimiento de la
empresa, movimientos de precios generados por el mercado, etc.
Evolución de precios: Los precios se mueven en el tiempo, describiéndose
este comportamiento por medio de procesos aleatorios y se analizan los
retornos con teoría de series temporales. Así como el interés puede estar en
los precios, de igual manera se podrá pretender analizar evolución de tasas de
interés, tasa de cambios, capitales, etc.
Gestión de Riesgos: La composición de una cartera óptima implica decidir
entre una totalidad de inversiones sin riego a tasas bajas y otras con mejores
tasas pero con riesgos mayores. Existen métodos estadísticos para estimar con
cierta confianza, la máxima pérdida que tendría en un determinado período
una cartera determinada.
Uno de los más grandes estadísticos del siglo 20 fue John Tukey, quien hizo
aportes importantes en diferentes metodologías de la Estadística Aplicada, como
Estadística Descriptiva, Series Temporales, entre otras ramas. Él trabajó como
investigador de Bell de AT & T Laboratories, fue consultor para el gobierno de los
EEUU, corporaciones y otras organizaciones, participó en el diseño del avión espía
U-2, e inspiró (conjuntamente con Lyman Spitzer, Jr.), el Telescopio Espacial
Hubble. A él se le atribuye la siguiente frase:
3
2. Descripción de datos
En el proceso de resumir de manera inteligente la información
disponible en un conjunto datos sobre alguna característica de interés y de otros
atributos o características que pudieran estar relacionados, es fundamental aplicar las
diferentes técnicas que componen la Estadística Descriptiva. Esos datos pueden
provenir de estudios observacionales o experimentales, y deben ser resumidos y
organizados de modo que se pueda acceder a la información más relevante de la
manera más eficiente posible.
4
Una variable es Cuantitativa cuando asume valores numéricos. Por ejemplo
número de empleados trabajando en una empresa, ingreso familiar, tiempo hasta la
ocurrencia de algún evento, antigüedad de un activo, etc.
Por su parte, las variables cuantitativas se pueden clasificar en:
Variable cuantitativa discreta: cuando asume una cantidad numerable de
posibles valores (Por ej.: número de empleados).
Variable cuantitativa continua: cuando asume cualquier valor dentro de un
rango específico (Por ej.: ingreso familiar, tiempo hasta la ocurrencia de
algún evento, activo, pasivo, resultado de un ejercicio).
Variables
Cualitativas Cuantitativas
5
2.2.1 Datos cualitativos
6
estén ubicadas en forma decreciente y así es posible identificar rápidamente los
sectores que se presentan con mayor y/o menor frecuencia.
7
cuantitativa continua) o de alguna transformación matemática de datos obtenidos por
estos procedimientos (continuos o discretos dependiendo el caso).
Si el número de valores asumidos por una variable cuantitativa discreta es
relativamente bajo, para los fines de presentar la información en una tabla de
frecuencias, ésta puede ser tratada como una variable cualitativa ordinal.
Cuando el número de valores asumidos por una variable cuantitativa es muy
alto, lo que generalmente sucede cuando la variable es continua, deben definirse
intervalos de clase que abarquen todo el rango de valores posibles y la información
observada se presenta en una tabla donde se indica la frecuencia de ocurrencia de
datos dentro de cada intervalo de clase. A modo de ejemplo se presenta la Tabla 2.4.
Cuando se usa la notación [m;n) se entiende que la clase está compuesta por
todos los valores mayores e iguales a m y menores que n. En general, en cualquier
extremo, el corchete [ ó ] informa que el valor del extremo correspondiente está
incluido en la clase y, por otra parte, el paréntesis ( ó ) refiere que el respectivo
extremo no está incluido en la clase.
Existen situaciones donde resulta de interés el presentar el número o la
proporción de unidades que a lo sumo asumen un determinado valor. En la Tabla 2.4
la frecuencia acumulada informa la proporción de empresas con activos totales
inferiores al máximo valor de cada clase. Esa frecuencia se calcula sumando, a la
frecuencia de la clase, las frecuencias de las clases anteriores.
8
De la información provista en la Tabla 2.4, se observa que la variable activos
es asimétrica positiva, es decir, muchas empresas con activos inferiores a 4.500
millones de dólares. En este tipo de situaciones, si se pretende tener más información
de esa parte de la distribución puede recurrirse a intervalos de clases con amplitudes
diferentes o agregar clases abiertas.
En la literatura estadística se pueden encontrar algunas recomendaciones
sobre la selección del número de clases a utilizar en la construcción de las tablas de
frecuencias de datos cualitativos. Anderson y Finn (1996) consideran adecuado usar
entre 5 y 15 intervalos de clases. El número de clases no debe ser grande de manera
que muchas clases posean pocos elementos o ninguno, ni debe ser tan baja que se
pierda información sobre el comportamiento de la variable. Kotz et al. (1983)
mencionan una regla práctica de naturaleza empírica que funciona bien en general
para la determinación del número de intervalos de clases,
Número de clases 1+3,3·log(número de datos).
En general se toman clases con la misma amplitud, que puede calcularse como el
cociente entre (máximo dato-mínimo dato) y el número de clases.
Nota: La última clase agrupa empresas con activos desde U$S 101.779 millones a
U$S 492.692 millones.
9
La Tabla 2.4 fue construida siguiendo el criterio empírico antes mencionado
con clases de igual amplitud, y en virtud de la asimetría de la distribución, la primera
clase tiene el 93% de los datos y una de las últimas clases ningún. Para subsanar esa
situación se presenta la Tabla 2.5, con intervalos de clases desiguales. Esta tabla
permite apreciar con más detalle el comportamiento de los activos menores a 40.000
millones de dólares.
2.3 Representaciones gráficas
La representación de la información por medio de gráficos es una herramienta
visual que favorece la captación de la información. Así como en el caso de las tablas
de frecuencias, el tipo de gráfico a emplear depende del tipo de variable que se
quiere representar. En la Tabla 2.5 se presentan los tipos de gráficos adecuados para
cada tipo de variables.
con
NBI
13%
sin NBI
87%
10
Se recomienda tener particular cuidado con la utilización de este tipo de
gráfico para variables nominales con muchas categorías y también se desalienta su
utilización en 3D puesto que dificulta la identificación del orden de frecuencias entre
las diversas categorías de la variable. A modo de ejemplo se presenta el Gráfico 2.2.
Gráfico Nº 2.2: Distribución de las empresas que componen el índice
EUROSTOXX50 según sectores económicos a los que pertenecen (N=50)
El Gráfico 2.3 presenta la misma información que el Gráfico 2.2, siendo más
ventajoso la utilización de barras simples en virtud que este tipo de gráfico permite
rápidamente identificar el sector económico más representando en el índice
EUROSTOXX50, y las diferencias en frecuencias entre los sectores.
2.3.3 Histograma
12
Gráfico Nº 2.5: Distribución de los activos totales en millones de dólares
de 916 firmas no financieras estadounidenses. Año Fiscal 2015.
13
En situaciones en que la variable activos totales es marcadamente asimétrica,
a veces resulta conveniente trabajarla transformada con el logaritmo. Esta
transformación generalmente resulta útil para obtener simetría y es de uso común en
economía cuando se describen variables relacionadas con rendimientos.
2.3.4 Polígono de frecuencias
2.4Medidas resúmenes
14
activo y por ejemplo también sería de interés los valores que dividen en cuatro la
distribución de activos.
Usando medidas resúmenes, unos cuantos números dan una idea global del
comportamiento de la particular variable cuantitativa que se quiera describir.
Cuando se quiere representar en tabla o gráfico una variable, la
representación depende del tipo de variables bajo estudio, de la misma manera, la
selección del tipo de medida resumen a utilizar depende de lo que se quiere describir
y de cómo se quiere hacerlo.
2.4.1 Medidas de posición central
x1 x2 ... xn x i
x i 1
.
n n
Mediana: es la observación central de los valores, una vez que éstos han sido
ordenados desde el más pequeño hasta el más grande. Ella es el punto donde el
número de observaciones por encima es igual al número por debajo.
Operacionalmente, la mediana se puede calcular de la siguiente manera
x[( n 1) / 2] si n es impar
Me
x[ n / 2] x[ n / 2 1] / 2
si n es par
siendo x[1] , x[2] ,..., x[ n ] los datos acomodados en orden de magnitud creciente.
15
La moda puede ser calculada en cualquier tipo de variable, y no se ve
afectada por valores extremos, pero presenta la desventaja que puede no existir o
puede asumir más de un valor para un mismo conjunto de datos.
Al estudiar los activos totales descriptos en la Tabla 2.6 y presentados en el
Gráfico 2.6, se observa que el activo total medio de estas empresas en el año fiscal
2015 fue de 13.213 millones de dólares, que al menos el 50% de las empresas tenían
activos totales menores a 3.087 millones de dólares.
Cuando la variable bajo estudio es continua, con un rango amplio de valores
es poco probable tener valores que coincidan, la moda puede no resultar muy
informativa de la posición central de los datos. Como sería el caso en el estudio de
los activos totales.
De la comparación de los valores de la media y la mediana se puede apreciar
si se está en presencia de distribuciones asimétricas (Ver Figura 2.1). La media es
menor que la mediana cuando la distribución es asimétrica negativa, debido a la
influencia de unos pocos valores muy bajos. La media es mayor que la mediana en
distribuciones asimétricas positivas, debido a la influencia de valores altos.
Figura Nº2.1: Relaciones de orden entre las medidas de posición según tipo de
simetría de las distribuciones de los datos
16
75%. Operacionalmente el primer cuartil puede definirse como 𝑞1 =
𝑥 [[𝑛+1]]+1 siendo x[1] , x[2] ,..., x[ n ] el conjunto de los datos ordenados en
2
[ ]
2
magnitud creciente y los corchetes dobles indican la función parte entera. Así
𝑛+1
[[ ]]+1
2
el primer cuartil es el dato que ocupa la posición [ ] del lote de datos
2
17
Figura Nº2.2: Esquema para la construcción de un diagrama tipo caja
18
El diagrama tipo caja permite comparar diferentes lotes de datos, o diferentes
variables en la misma escala. También permite visualizar la simetría de la
distribución de los datos, cuando se analiza la posición relativa de la mediana con
respecto a los extremos y la presencia de observaciones alejadas.
2.4.3 Medidas de dispersión
(x x )
i
2
var i 1
.
n
Desvío estándar: es la raíz cuadrada positiva de la varianza,
n
(x x )
i
2
de i 1
.
n
Rango intercuartil: es la diferencia entre el tercer y el primer cuartil, q3 y q1
respectivamente,
Rango Intercuartil= q3 - q1.
19
se puede afirmar que entre la media y más o menos k veces el desvío estándar se
encuentran como mínimo el 100(1-1/k2)% de las observaciones.
Cualquiera de las medidas de dispersión antes mencionadas depende de las
unidades de medida y no sirven para comparar la variabilidad de dos poblaciones con
diferentes magnitudes. En ese caso se usan los coeficientes de variación de cada
conjunto de datos, que se calculan como cocientes entre el desvío estándar y la
media,
Coeficiente de Variación = desvío estándar / media.
Para finalizar esta sección, se debe poner en evidencia que las medidas de
variabilidad son tan importantes para describir adecuadamente una distribución de
frecuencia como las medidas de posición. Como dijo Yule (1897), uno de los
estadísticos británicos más notablesde comienzos de siglo XX, el paso importante es:
… conseguir el hábito de pensar en términos de los promedios, y de la
variabilidad. Hasta que el investigador haga esto, sus conclusiones siempre
estarán expuestas a falacias. Si alguien dice que el promedio de algo vale
tanto, deberá siempre tener presente las preguntas que se podría plantear el
lector: ¿cuál será la distribución de frecuencia? ¿Cuán dispersas están las
observaciones alrededor del promedio? ¿Ellas están más dispersas en una
dirección que en otra, o están simétricamente distribuidas alrededor del
promedio? Plantearse estos interrogantes permite, no sólo reforzar el
conocimiento del lector y hacer a él más cauteloso al sacar conclusiones,
sino también, posiblemente sugiere la necesidad de hacer un trabajo
adicional.
2.4.4 Medidas descriptivas de la forma de la distribución
En varias oportunidades se ha mencionado cómo la forma de la distribución,
simétrica o no simétrica, debe ser tenida en cuenta para elegir la medida de posición
central, y consecuentemente su medida de variabilidad, al resumir la información
provista en un conjunto de datos.
Existen varias propuestas para evaluar la simetría en un conjunto de datos.
3 ( x Me)
Coeficiente de asimetría de Karl Pearson:
de
20
1 n
( xi x )3
n i 1
Coeficiente de asimetría de Fisher:
de3
1 n
n
( xi x )3
ó equivalentemente i 1 3/ 2
var
q1 q3 2q2
Coeficiente de asimetría de Yule-Bowley:
q3 q1
Para cualquiera de los tres coeficientes, valores negativos indican que se está
en presencia de una distribución asimétrica negativa, valores próximos a cero serían
indicio de simetría en la distribución de los datos y valores positivos indicarían
asimetría positiva.
2.4.5 Medidas resúmenes para datos cualitativos
Las medidas de posición y variabilidad descriptas anteriormente son
específicas para variables cuantitativas. En el caso de variables cualitativas puede
resultar de interés el informar la moda, como aquella categoría que se presenta con
mayor frecuencia. De hecho, la moda es la única medida de posición central que
puede calcularse en datos nominales. Cuando se está en presencia de datos ordinales,
puede informarse también la mediana, indicando la categoría que no es superada por
al menos el 50% de los datos, y a su vez, presentan valores iguales o superiores a ella
por lo menos el 50% de los datos. En la Tabla 2.2, la categoría modal coincide con la
mediana y es el nivel nulo de financiamiento.
En general los datos cualitativos se describen a través de proporciones que
indican la frecuencia de ocurrencia de cada categoría. Una proporción expresa una
relación de tamaño entre el grupo que presenta alguna característica de interés y el
total del grupo observado. Ejemplo de proporciones son la proporción de
empresas/locales en cada sector de actividad económica, se calcula dividiendo la
cantidad de locales/empresas/establecimientos en cada sector económico en el total
de locales/empresas/establecimientos en una jurisdicción dada y momento dado, o la
tasa de desempleo que, a pesar de su denominación, es una proporción ya que es la
cantidad de desempleados sobre el total de la población activa de una determinada
jurisdicción en un instante de tiempo determinado.
Las tasas también pueden utilizarse para describir el comportamiento de una
variable categórica en un determinado período de tiempo. Puede calcularse de
manera relativa o absoluta. Las tasas absolutas registran el número de ocurrencias de
un acontecimiento en un determinado período de tiempo, y las relativas resultan de
dividir el número de acontecimientos sucedidos durante un periodo de tiempo (un
flujo) por la población existente durante ese periodo (stock). A modo de ejemplo se
pueden mencionar la tasa de abandono, que cuenta el número de clientes que
terminan su relación con una empresa en un determinado período de tiempo, la tasa
21
de creación de nuevos puestos de trabajo declarados, que cuenta la cantidad de
nuevos puestos de trabajo registrados en el sistema integrado de jubilaciones y
pensiones en una región y un período dado, relativo los puestos existentes al inicio
del período en cuestión, y la tasa de crecimiento poblacional relativo: que mide los
cambios en el tamaño de una población, de una determinada región y en un
determinado período de tiempo, con relación al tamaño de esa población.
En el cálculo de proporciones o tasas, a veces el numerador resulta ser muy
pequeño con respecto al denominador, con lo que se recurre a multiplicar el cociente
por otros múltiplos de 10 (100,1000, 10000, etc.) de tal manera que el valor se
exprese sin decimales.
3. Datos Bivariados
En el proceso de describir la información importante presente en un conjunto
de datos, frecuentemente resulta de interés el analizar el comportamiento de varias
variables conjuntamente.
Se trabaja con datos bivariados cuando el interés se centra en el
comportamiento conjunto de dos variables y se cuenta con la información de esas dos
variables para cada unidad de la población bajo estudio. A modo de ejemplo se
pueden considerar:
las características ocupacionales de un grupo de clientes de un banco
(asalariado o cuentapropista) y el tipo de bancarización (con tarjeta de
crédito y cuenta bancaria, con tarjeta de crédito y sin cuenta bancaria, sin
tarjeta de crédito y con cuenta bancaria, o sin tarjeta de crédito y sin cuenta
bancaria),
los activos y los costos operativos de las empresas
la pertenencia de establecimiento/local/planta a algún parque industrial y su
facilidad de contar con insumos.
la capacidad de satisfacer las necesidades financieras de una empresa y la
calidad de ser exportador o no.
22
Figura Nº3.1: Esquema de una tabla de doble entrada para las variables X con a
niveles e Y con b niveles
Variables Y Total
filas
B1 B2 Bb
A1 n11 n12 n1b n1+
Variable X
En forma general, una tabla de doble entrada sigue el formato que se presenta
en la Figura 3.1, donde se presenta un esquema de la forma que asumiría una tabla de
doble entrada cuando se presenta la información de las siguientes dos variables:
- X con a niveles o categorías, A1, A2 … y Aa
-Y con b niveles o categorías, B1, B2 … y Bb
donde para i=1,…, a y j=1,…,b
nij es el número de individuos que presentan la categoría i de la variable X y
la categoría j de la variable Y,
ni+ es el número de individuos que presentan la categoría i de la variable X
n+j es el número de individuos que presentan la categoría j de la variable Y,
b a
con n i n ij y n j n ij .
j 1 i 1
23
Tabla Nº3.1: Distribución de las empresas encuestadas en la EPIS según su
actividad exportadora y satisfacción de las necesidades de financiamiento.
Estatus exportador
Satisfacción de Totales
No
financiamiento Exportadora por filas
exportadora
Cuenta con financiamiento
7 77 84
necesario
Cuenta con financiamiento
9 71 79
parcial
No cuenta con
8 137 145
financiamiento necesario
Totales por columnas 24 285 309
Fuente: Elaboración propia a partir de información de la EPIS (2015)
24
Tabla Nº3.2: Distribución porcentual de las empresas encuestadas en la EPIS según
su actividad exportadora y satisfacción de las necesidades de financiamiento.
Status exportador
Satisfacción de Totales por
No
financiamiento Exportadora filas
exportadora
Cuenta con financiamiento 2% 25% 27%
necesario
Cuenta con financiamiento 3% 23% 26%
parcial
No cuenta con 3% 44% 47%
financiamiento necesario
Totales por columnas 8% 92% 100%(n=309)
Fuente: Elaboración propia a partir de información de la EPIS (2015)
25
Tabla Nº 3.3: Distribución porcentual de la satisfacción de las necesidades de
financiamiento según su la actividad exportadora de las empresas encuestadas en
la EPIS
Estatus exportador
Satisfacción de financiamiento
Exportadora No exportadora
Cuenta con financiamiento necesario 29% 27%
Tanto el Gráfico 3.2 como la Tabla 3.3 permiten visualizar rápidamente las
diferencias en la satisfacción de financiamiento según la actividad exportadora,
cosa que no resultaría tan sencillo usando las frecuencias absolutas en virtud de que
el grupo exportador es menor en número al no exportador.
El tipo de gráfico utilizado en el Gráfico 3.2 es particularmente adecuado
cuando se quiere evaluar la asociación entre variables categóricas y una de ellas
puede considerarse como posible factor, se denomina gráfico de barras
proporcionales, siendo que cada barra representa un nivel del factor.
Podría haber argumentos para pensar que es la satisfacción en el
financiamiento la variable que modifica la distribución de estatus exportador,
pensando, por ejemplo, que el contar con financiamiento podría aumentar la
probabilidad de exportar, o por otro lado que el no contar con financiamiento
disminuye esa probabilidad. En ese caso, se piensa a la variable satisfacción como
26
factor, y los porcentajes se tomarían como base los totales de cada fila como se
muestra en la Tabla 3.4 y en el Gráfico 3.2
Exportadora No exportadora
27
Tabla Nº3.5: Distribución de los países según niveles de ingreso y región
geográfica.
Niveles de ingreso
Región
Medio- Medio- Bajo Totales
geográfica Alto
Alto Bajo por filas
América 19 20 5 1 45
Europa y Asia
36 14 8 0 58
Central
Resto de Asia y
14 11 18 3 46
el Pacífico
África 9 11 22 27 69
Totales por
78 56 53 31 218
columnas
Fuente: Elaboración propia a partir de información de World Bank list of economies (June 2017)
La variable cuya distribución se quiere comparar es el Nivel de Ingresos, que
presenta las categorías “Alto”, “Medio-Alto”, “Medio-Bajo” y “Bajo”. En esta
situación el cálculo de los porcentajes debería hacerse por filas, como se presenta en
la Tabla 3.6, y la distribución del nivel de ingreso en cada región geográfica se leerá
por filas.
Tabla Nº 3.6: Distribución porcentual del nivel de ingreso según región
geográfica.
Niveles de ingreso
Región
Medio- Medio- Bajo Totales
geográfica Alto
Alto Bajo
Fuente: Elaboración propia a partir de información de World Bank list of economies (June 2017)
28
Gráfico Nº 3.4: Distribución porcentual de niveles de ingreso según región
geográfica.
29
3.2 Dos variables cuantitativas
30
Figura Nº4.1: Tipos de correlación entre variables cuantitativas
( x x )( y y )
i i
r i 1
n n
( xi x )2
i 1
( y y)
i 1
i
2
31
genera la asociación (p.ej. la temperatura al correlacionar venta de helado y venta de
protector solar).
25.000
20.000
millones de $
15.000
10.000
5.000
-
oct-06
oct-09
oct-12
oct-15
oct-03
jul-04
jul-07
jul-10
jul-13
jul-16
ene-03
abr-05
ene-06
abr-08
abr-11
abr-14
abr-17
ene-09
ene-12
ene-15
32
Como un primer abordaje a la descripción de una serie de tiempo, pueden
calcularse las medidas descriptivas de posición y variabilidad. Sin embargo existen
métodos específicos que se emplean para analizar tendencias, estacionalidad y otros
aspectos de una serie que serán abordados en el curso de econometría financiera.
4. Comentarios Finales
Este material intenta brindar una primera aproximación a la utilización de
Estadística en las Ciencias Económicas. Se abordaron exclusivamente temas
relacionados con Estadística Descriptiva utilizando en su mayoría ejemplos con datos
reales.
Las herramientas estadísticas aquí descriptas tienen como principal objetivo
el describir el comportamiento de un conjunto de datos disponible, sin pretender
generalizar la información a una población mayor, de la cual este conjunto de datos
pueda formar parte. Es muy importante prestar atención a ésto, pues la
generalización de los resultados a una población mayor (población bajo estudio)
depende de diferentes aspectos que no se han tenido en cuenta en este material, como
ser (i) procedimiento mediante el cual se obtuvieron estos datos (Muestreo), (ii)
características de la población bajo estudio (Distribución de probabilidad), y (iii)
propiedades de las medidas resúmenes utilizadas y de cómo éstas se relacionan con
las características de interés en la población (Inferencia).
5. Referencias Bibliográficas
Anderson T.W. y Finn J.D. (1996). The New Statistical Analysis of Data. Springer-
Verlag, New York.
Gimeno R y Mateos de Cabo R. (2006). Statistics and Finance: Living onthe
“Hedge”. Proceedings of Seventh International ConferenceonTeaching of
Statistics (ICOTS 7).Disponible en: https://iase-
web.org/documents/papers/icots7/5G2_GIME.pdf
Guercio M.B., Martínez L.B. y Vigier H. (2017) Las limitaciones al financiamiento
bancario de las Pymes de alta tecnología. Estudios Gerenciales, 33. 3-12.
Disponible en:
https://www.sciencedirect.com/science/article/pii/S0123592317300050.
Kotz, S., Johnson, N. L., & Read, C. B. (1982). Encyclopedia of Statistical Sciences.
New York: Wiley.
Sánchez García R. (2014) Análisis Descriptivo y Aplicación de la Teoría de Carteras
a los Valores del Eurostoxx 50 en el Periodo 2008-2013. Trabajo Final para la
Maestría en Banca y Finanzas de la Universidad de La Coruña. Disponible en:
http://ruc.udc.es/dspace/bitstream/handle/2183/11792/SanchezGarcia_Roberto_
TFM_2014.pdf?sequence=2.
33
Zeisel, H. (1990) Dígalo con Números, Tercera Edición. México: Fondo de Cultura
Económica.
34
Contenido
1.Introducción.......................................................................................................................... 2
2. Descripción de datos ........................................................................................................... 4
2.2 Tablas o distribuciones de frecuencias .................................................................... 5
2.2.1 Datos cualitativos ................................................................................................ 6
2.2.2 Datos Cuantitativos ............................................................................................. 7
2.3 Representaciones gráficas ...................................................................................... 10
2.3.1 Diagrama Circular .............................................................................................. 10
2.3.2 Gráfico de barras simples ................................................................................. 11
2.3.3 Histograma ........................................................................................................ 12
2.3.4 Polígono de frecuencias .................................................................................... 14
2.4 Medidas resúmenes ................................................................................................ 14
2.4.1 Medidas de posición central ............................................................................. 15
2.4.2 Medidas de posición no central........................................................................ 16
2.4.3 Medidas de dispersión ...................................................................................... 19
2.4.4 Medidas descriptivas de la forma de la distribución ...................................... 20
2.4.5 Medidas resúmenes para datos cualitativos ................................................... 21
3. Datos Bivariados ............................................................................................................... 22
3.1 Descripción de dos variables cualitativas ............................................................... 22
3.2 Dos variables cuantitativas...................................................................................... 30
4. Comentarios Finales .......................................................................................................... 33
5. Referencias Bibliográficas ................................................................................................. 33
Links a temas relacionados ............................................................................................ 34
35