Statistics for

Business and Economics, 15e

Chapter 1 – Data and Statistics

Camm, Cochran, Fry, Ohlmann, Anderson, Sweeney, Williams, Statistics for Business & Economics, 15 th Edition.
© 2024 Cengage Group. All Rights Reserved. May not be scanned, copied or duplicated, or posted to a publicly
accessible website, in whole or in part.
 Chapter Contents

1.1 Aplicaciones en Negocios y Economía

1.2 Datos
1.3 Fuentes de datos
1.4 Estadística descriptiva
1.5 Inferencia estadística
1.6 Analítica
1.7 Big Data y minería de datos
1.8 Computadoras y análisis estadístico
1.9 Directrices éticas para la práctica estadística
Resumen

© 2024 Cengage Group. All Rights Reserved.

 Chapter Objectives
Después de completar este capítulo, usted podrá:
LO 1-1 Identificar los elementos, variables y observaciones en un conjunto de datos.
LO 1-2 Identificar datos categóricos, cuantitativos, transversales y de series temporales y su
escala de medición.
LO 1-3 Identificar y crear estadísticas descriptivas de un conjunto de datos.
LO 1-4 Distinguir entre una población y una muestra e identificar la población objeto de
estudio.
LO 1-5 Distinguir entre los datos generados a partir de una encuesta frente a un experimento
y cuándo cada uno es apropiado.
LO 1-6 Describa los datos y las fuentes de datos que podrían ser necesarios para responder
a una pregunta.
LO 1-7 Hacer una inferencia basada en estadísticas descriptivas.

© 2024 Cengage Group. All Rights Reserved.

 Introduction
El término estadística se refiere a hechos numéricos como promedios, medianas, porcentajes
y máximos que nos ayudan a comprender una variedad de situaciones comerciales y
económicas.
La estadística también puede referirse al arte y la ciencia de recopilar, analizar, presentar e
interpretar datos.
En este texto, enfatizamos el uso de estadísticas para la toma de decisiones empresariales y
económicas.
La sección 1.1 comienza introduciendo aplicaciones de estadísticas en negocios y economía.
En la Sección 1.2, definimos el término datos e introducimos el concepto de conjunto de datos
y cómo se caracteriza.
La Sección 1.3 discute cómo se pueden obtener datos de fuentes existentes o a través de
encuestas y estudios experimentales diseñados para obtener nuevos datos.
Las secciones 1.4 y 1.5 describen los usos de los datos para desarrollar estadísticas
descriptivas y hacer inferencias estadísticas.
El capítulo se cierra con varios temas introductorios en estadística.
© 2024 Cengage Group. All Rights Reserved.
 1.1 Applications in Business and Economics

Contabilidad: las empresas de contabilidad pública utilizan procedimientos de muestreo

estadístico al realizar auditorías para sus clientes.
Economía: los economistas utilizan la información estadística para hacer pronósticos
sobre el futuro de la economía o algún aspecto de ella.
Finanzas: los asesores financieros utilizan las relaciones precio-ganancias y los
rendimientos de dividendos para guiar su asesoramiento de inversión.
Marketing: los escáneres electrónicos de punto de venta en los mostradores de pago
minoristas se utilizan para recopilar datos para una variedad de aplicaciones de
investigación de mercados.
Producción: se utilizan una variedad de gráficos estadísticos de control de calidad para
monitorear la salida de un proceso de producción.
Sistemas de información: una variedad de información estadística ayuda a los
administradores a evaluar el rendimiento de las redes informáticas.

© 2024 Cengage Group. All Rights Reserved.

 1.2 Data

Los datos son los hechos y cifras recopilados, analizados y resumidos para su
presentación e interpretación.
Los elementos son las entidades sobre las que se recopilan los datos.
Una variable es una característica de interés para los elementos.
Un conjunto de datos consiste en todos los datos recopilados para un estudio en
particular.
El número total de valores de datos en un conjunto de datos completo es el número de
elementos multiplicado por el número de variables.
Una observación es el conjunto de medidas obtenidas para un elemento en particular.
Un conjunto de datos con n elementos contiene n observaciones.

© 2024 Cengage Group. All Rights Reserved.

 1.2 Conjunto de datos para 60 naciones en la Organización Mundial del Comercio
DATAfile: Naciones
Aquí se muestran las primeras cinco naciones de 60 (filas) de una tabla que incluye varias
variables (columnas).
La observación #1 (Armenia) contiene las medidas: Miembro, 4.267, B+ y Estable.
La Observación #2 (Australia) contiene las mediciones: Miembro, 51,812, AAA, y Negative.
Y así sucesivamente.
•
Per Capita Fitch Fitch
Nation WTO Status
GDP (S) Rating Outlook
Armenia Member 4,267 B+ Stable
Australia Member 51,812 AAA Negative
Austria Member 48,328 AA+ Stable
Azerbaijan Observer 4,214 BB+ Stable
Bahrain Member 28,608 B+ Stable

© 2024 Cengage Group. All Rights Reserved.

 1.2 Nominal and Ordinal Scales of Measurement

Escala nominal: los datos son etiquetas o nombres utilizados para identificar un atributo
del elemento.
Ejemplo: la variable Situación de la OMC en el cuadro Naciones tiene una escala de medida
nominal porque utiliza los datos "Miembro" y "Observador" son etiquetas utilizadas para
identificar la categoría de situación de una nación.
Nota: también se puede utilizar un código numérico. Por ejemplo, podríamos usar la etiqueta
"1" para identificar una categoría de estado "Miembro" y "2" para identificar una categoría de
estado "Observador".
Escala ordinal: los datos tienen las propiedades de los datos nominales, y el orden o rango de
los datos es significativo.
Ejemplo: la variable Fitch Rating en la tabla de naciones tiene datos ordinales porque
las etiquetas, que van de AAA a F, están ordenadas por clasificación crediticia.
Nota: los datos ordinales también se pueden registrar mediante un código numérico,
como el rango de clase de un estudiante en la escuela.
© 2024 Cengage Group. All Rights Reserved.
 1.2 Interval and Ratio Scales of Measurement

Escala de intervalo: los datos tienen las propiedades de los datos ordinales, y el intervalo
entre observaciones se expresa en términos de una unidad de medida fija. Los datos con una
escala de medición de intervalo son siempre numéricos.
Ejemplo: Los puntajes de una prueba de admisión para ingresar a la universidad tienen una
escala de medición de intervalo.
Nota: la diferencia entre los valores de una variable con una escala de medición de intervalo
siempre es significativa.
Escala de razón : los datos tienen las propiedades de los datos de intervalo, y la relación de
dos valores es significativa.
Ejemplo: variables como la distancia, la altura, el peso y el tiempo utilizan la escala de medida
de la relación.
Nota: la escala de medición de razón requiere que se incluya un valor cero para indicar que
no existe nada para la variable en el punto cero.

© 2024 Cengage Group. All Rights Reserved.

 1.2 Categorical and Quantitative Data

Los datos pueden clasificarse además como categóricos o cuantitativos.

El análisis estadístico apropiado depende de si los datos de la variable son categóricos o
cuantitativos..

Categorical Data Quantitative Data

Una variable categórica es una variable con Una variable cuantitativa es una variable con
datos categóricos. datos cuantitativos.
Los análisis estadísticos son bastante limitados. Los datos cuantitativos indican cuántos o cuánto
y siempre son numéricos.
Podemos resumir los datos categóricos por:
Las operaciones aritméticas ordinarias son
Contar el número de observaciones en cada
significativas para los datos cuantitativos.
categoría
Calcular la proporción de observaciones en cada Más alternativas para el análisis estadístico están
categoría disponibles cuando los datos son cuantitativos.

© 2024 Cengage Group. All Rights Reserved.

 1.2 Cross-Sectional and Time Series Data
Los datos transversales se recopilan en el mismo o aproximadamente en el mismo punto en el tiempo.
Ejemplo: Los datos del archivo de datos de las Naciones que se ha mostrado anteriormente son
transversales porque describen las cinco variables para los 60 países de la OMC en el mismo momento.

En cambio, los datos de series temporales

se recopilan durante varios períodos de
tiempo.
Los gráficos de datos de series temporales,
como el precio promedio de Estados Unidos
por galón de gasolina regular entre 2015 y
2021 que se muestra a la derecha, ayudan a
entender:
Lo que sucedió en el pasado
Identificar cualquier tendencia a lo largo del
tiempo
Proyectar niveles futuros para las series
temporales
© 2024 Cengage Group. All Rights Reserved.
 1.3 Existing Data Sources

En algunos casos, ya existen datos necesarios para una aplicación en particular.

Las categorías más importantes de fuentes de datos existentes y ejemplos relacionados
son:
Registros internos de la empresa: registros de empleados, registros de producción,
registros de inventario, registros de ventas, registros de crédito y perfiles de clientes
Servicios de bases de datos empresariales: Dun & Bradstreet, Bloomberg y Dow Jones &
Co.
Agencias gubernamentales: Oficina del Censo, Junta de la Reserva Federal, Oficina de
Administración y Presupuesto, Departamento de Comercio, Oficina de Estadísticas Laborales
y DATA.gov
Asociaciones de la industria – U.S. Travel Association
Organizaciones de interés especial - Graduate Management Admission Council (GMAC)
Internet – Google, Yahoo, Twitter, etc.
© 2024 Cengage Group. All Rights Reserved.
 1.3 Statistical Studies
Observational Study Experiment
En un estudio observacional, no se intenta Debido a que un experimento se lleva a cabo
controlar o influir en las variables de interés. bajo condiciones controladas, sus datos
pueden proporcionar más información en
Ejemplos: comparación con los datos obtenidos de
fuentes existentes o estudios observacionales.
Registrar datos demográficos y hábitos de compra de
un grupo aleatorio de clientes de Walmart. En los experimentos, primero, se identifica una
Registro del género del CEO y el retorno sobre el variable de interés, y luego se identifican y
capital (ROE) para una muestra de compañías controlan una o más variables más. Los datos
Fortune 500 recopilados se analizan para investigar cómo
influyen en la variable de interés.
Investigar la relación entre el género del
CEO y el desempeño de la compañía. Ejemplo: una compañía farmacéutica administra
diferentes dosis de un nuevo medicamento a
Encuestas y sondeos de opinión pública. grupos de individuos seleccionados al azar y
monitorea cómo se ven afectados por él.

© 2024 Cengage Group. All Rights Reserved.

 1.3 Consideraciones sobre la adquisición de datos

Requisito de tiempo
La búsqueda de información puede llevar mucho tiempo.
Es posible que la información ya no sea útil para cuando esté disponible.
Costo de adquisición
Las organizaciones a menudo cobran por la información, incluso cuando no es su
actividad comercial principal.
Errores de datos
Usar cualquier dato que esté disponible.
Los datos adquiridos con poco cuidado pueden conducir a información engañosa.

© 2024 Cengage Group. All Rights Reserved.

 Consideraciones sobre la adquisición de datos
La adquisición de datos es un paso crucial en cualquier proceso de investigación o análisis. Implica
recolectar datos de diversas fuentes para abordar preguntas u objetivos de investigación específicos. Una
adquisición adecuada de datos es esencial para garantizar la calidad, confiabilidad y validez de los
resultados obtenidos. Aquí hay algunas consideraciones importantes que debes tener en cuenta al
adquirir datos:
1. Claridad en la Pregunta de Investigación: Define claramente las preguntas de
investigación u objetivos que deseas abordar con los datos. Tener una pregunta de
investigación bien definida guiará tus esfuerzos de adquisición de datos y asegurará que
recolectes datos relevantes y apropiados.
2. Selección de la Fuente de Datos: Identifica las fuentes de datos más adecuadas para tu
investigación. Dependiendo de tu pregunta de investigación, los datos se pueden obtener de
fuentes primarias (recolectados de primera mano) o fuentes secundarias (conjuntos de datos
existentes o investigaciones publicadas). Asegúrate de que la fuente de datos esté alineada
con el alcance de tu estudio

© 2024 Cengage Group. All Rights Reserved.

 3. Accesibilidad y Disponibilidad de Datos: Evalúa la accesibilidad y disponibilidad de los datos que necesitas.
Algunos datos pueden estar disponibles públicamente, mientras que otros pueden requerir permisos o acuerdos de
acceso. Asegúrate de cumplir con los requisitos legales o éticos para la adquisición de datos.
 4. Calidad y Confiabilidad de Datos: Considera la calidad y confiabilidad de los datos. Busca datos que sean
precisos, completos y relevantes para tus objetivos de investigación. Si estás utilizando conjuntos de datos
existentes, verifica la documentación de datos y metadatos para comprender cómo se recolectaron los datos y sus
limitaciones.
 
5. Privacidad de Datos y Ética: Si manejas datos sensibles o personales, asegúrate de cumplir con las regulaciones
de privacidad de datos y las pautas éticas. Protege el anonimato y la confidencialidad de las personas cuyos datos
se están recolectando.

© 2024 Cengage Group. All Rights Reserved.

6. Técnicas de Muestreo: Si estás recolectando datos a través de muestreo, elige técnicas de muestreo apropiadas
que representen con precisión a la población objetivo. Comprende las fortalezas y limitaciones de diferentes
métodos de muestreo para evitar sesgos.
 
7 Métodos de Recolección de Datos: Selecciona métodos adecuados para la recolección de datos basados en tu
pregunta de investigación. Los datos se pueden recolectar a través de encuestas, entrevistas, observaciones,
experimentos o mediante medios automatizados utilizando sensores y tecnología.
 
8 Validación y Limpieza de Datos: Realiza validación de datos para verificar errores o inconsistencias en los datos
recolectados. Limpia los datos para eliminar valores atípicos, valores faltantes o anomalías que puedan afectar el
análisis.

© 2024 Cengage Group. All Rights Reserved.

 
1. Almacenamiento y Seguridad de Datos: Establece prácticas seguras de almacenamiento de datos para evitar la
pérdida de datos o el acceso no autorizado. Realiza copias de seguridad de los datos con regularidad e
implementa cifrado y controles de acceso según sea necesario.
 
2. Documentación de Datos: Mantén una documentación completa del proceso de adquisición de datos, incluidos
detalles sobre fuentes de datos, métodos de recolección y cualquier transformación aplicada a los datos. Esta
documentación es fundamental para la transparencia y reproducibilidad.
 
3. Compartir Datos y Reproducibilidad: Considera la posibilidad de poner tus datos a disposición de la comunidad
de investigación (si es posible y ético) para promover la transparencia y facilitar la validación de datos y la
reproducibilidad de los resultados.

© 2024 Cengage Group. All Rights Reserved.

Al considerar cuidadosamente estos aspectos durante la adquisición de datos, los investigadores pueden asegurar
que los datos recolectados sean de alta calidad y adecuados para abordar eficazmente sus preguntas de
investigación. Además, las consideraciones éticas son primordiales para proteger los derechos y la privacidad de las
personas que contribuyen a los datos.

© 2024 Cengage Group. All Rights Reserved.

 1.4 Descriptive Statistics

La mayor parte de la información estadística en las Fitch Outlook Frequency Percent Frequency (%)
publicaciones consiste en datos que se resumen y se
presentan en una forma que es fácil de entender.
Positive 3 5.0
Stable 39 65.0
Dichos resúmenes de datos, que pueden ser tabulares,
Negative 18 30.0
gráficos o numéricos, se denominan Estadística
Descriptiva.
Examples:
La variable Fitch Outlook en la tabla de las
Naciones de la OMC se puede resumir como
una tabla o gráfico de barras.
Estadística descriptiva numérica como la
media (o promedio).
•

© 2024 Cengage Group. All Rights Reserved.

 1.5 Inferencia estadística

Cuando la recopilación de información sobre un gran grupo de elementos (individuos,

empresas, votantes, hogares, productos, clientes, etc.) no es factible debido al tiempo, el costo
y otras consideraciones, los datos se pueden recopilar solo de una pequeña parte del grupo.
Formalmente, utilizamos las siguientes definiciones de los grupos más grandes y más
pequeños de elementos:
Población: el conjunto de todos los elementos de interés en un estudio en particular.
Muestra: un subconjunto de la población
También definimos formalmente los siguientes procesos estadísticos:
Inferencia estadística: el proceso de utilizar datos obtenidos de una muestra para hacer
estimaciones y probar hipótesis sobre las características de una población.
Censo: el proceso de recopilación de datos para toda la población
Encuesta por muestreo: un proceso de recopilación de datos para una muestra

© 2024 Cengage Group. All Rights Reserved.

 1.5 The Rogers Industries Example

DATAfile: Rogers
Rogers Industries ha desarrollado
una nueva batería de litio de
estado sólido que debería durar
más tiempo y ser más segura de
usar.
Los investigadores quieren
evaluar las ventajas de la nueva
batería utilizando inferencia
estadística.
La duración promedio de la batería
de la muestra fue de 18.84 horas se
puede usar como una estimación
(inferencia) del promedio de la
población.

© 2024 Cengage Group. All Rights Reserved.

 1.6 Analítica

Analytics:"Analytics es el proceso científico de transformar datos en información para tomar

decisiones mejores. Actualmente, se considera que Analytics comprende generalmente tres
categorías amplias de técnicas:":
Descriptive analytics: Análisis descriptivo describe lo que ha sucedido en el pasado.
Ejemplos - consultas de datos, informes, estadísticas descriptivas, visualización de datos, paneles de
control de datos y modelos básicos de hojas de cálculo de tipo "¿qué pasaría si?“
Predictive analytics: Análisis predictivo utiliza modelos construidos a partir de datos
pasados para predecir el futuro o evaluar el impacto de una variable sobre otra.
Ejemplos - regresión lineal, análisis de series temporales, modelos de pronóstico y
simulación
Prescriptive analytics: Análisis prescriptivo proporciona la mejor opción de acción.
Ejemplos - modelos de optimización y análisis de decisiones.

© 2024 Cengage Group. All Rights Reserved.

 1.7 Big Data and Data Mining

Los analistas a menudo definen big data refiriéndose a las Tres V:

Volumen: la cantidad de datos disponibles; velocidad: la velocidad a la que se recopilan y
procesan los datos; Variedad: Diferentes tipos de datos.
El almacenamiento de datos es el proceso de captura, almacenamiento y mantenimiento
de datos.
Los métodos de minería de datos ayudan a desarrollar información útil para la toma de
decisiones a partir de grandes bases de datos.
Los analistas utilizan una combinación de procedimientos automatizados para "extraer
los datos" y convertirlos en información útil.
Los procedimientos de minería de datos más efectivos son la regresión múltiple, la
regresión logística y el aprendizaje automático, que descubren relaciones en los datos y
predicen resultados futuros.

© 2024 Cengage Group. All Rights Reserved.

 Big Data
Big Data: Big Data se refiere a conjuntos de datos extremadamente grandes y
complejos que superan la capacidad de las herramientas tradicionales de
procesamiento de datos para capturar, almacenar, gestionar y analizar. Estos
conjuntos de datos son generados a gran velocidad y provienen de diversas
fuentes, como redes sociales, sensores, transacciones en línea, entre otros. El
procesamiento y análisis de Big Data requiere tecnologías y herramientas
avanzadas que permitan extraer información valiosa y conocimiento
significativo.

© 2024 Cengage Group. All Rights Reserved.

 Data Mining o minería de datos
Data Mining: Data Mining, o minería de datos, es el proceso de descubrir
patrones, tendencias y relaciones significativas en grandes conjuntos de datos.
Utiliza técnicas de inteligencia artificial, estadísticas y aprendizaje automático
para analizar datos y extraer información oculta. El objetivo del data mining es
encontrar conocimientos valiosos y conocimientos útiles a partir de los datos,
lo que puede ayudar en la toma de decisiones y proporcionar una ventaja
competitiva en diversas áreas, como marketing, investigación científica,
finanzas y más.

© 2024 Cengage Group. All Rights Reserved.

 1.8 Computers and Statistical Analysis

Los estadísticos/científicos de datos utilizan software de computadora para realizar cálculos y

análisis estadísticos tediosos y lentos.
Big data requiere herramientas especiales de manipulación y análisis de datos como:
Hadoop – software de código abierto para el procesamiento distribuido de grandes conjuntos
de datos
R y Python – lenguajes de programación de código abierto
SAS,STATA y SPSS: paquetes disponibles comercialmente

© 2024 Cengage Group. All Rights Reserved.

 1.9 Directrices éticas para la Práctica Estadística
En un estudio estadístico, el comportamiento poco ético puede tomar una variedad de formas, incluyendo :

1. Muestreo incorrecto
2. Análisis inadecuado de los datos
3. Desarrollo de gráficos engañosos
4. Utilización de estadísticas resumidas inadecuadas
5. Interpretación sesgada de los resultados estadísticos
Uno debe esforzarse por ser justo, minucioso, objetivo y neutral en la recopilación, análisis y
presentación de datos.
Los consumidores de estadísticas también deben ser conscientes de la posibilidad de un
comportamiento poco ético por parte de otros.
La Asociación Americana de Estadística desarrolló un informe sobre "Pautas éticas para la
práctica estadística" que contiene 67 pautas organizadas en 8 áreas temáticas de profesionalismo
y responsabilidades que abordan las principales partes interesadas del análisis estadístico y la
investigación.
3.
© 2024 Cengage Group. All Rights Reserved.
 Resumen
La estadística es el arte y la ciencia de recopilar, analizar, presentar e interpretar datos.
Los datos consisten en los hechos y cifras que se recopilan y analizan.
Las cuatro escalas de medición utilizadas para obtener datos sobre una variable en particular incluyen
nominal, ordinal, intervalo y relación.
Para fines de análisis estadístico, los datos pueden clasificarse como categóricos o cuantitativos.
Los datos categóricos utilizan etiquetas o nombres para identificar un atributo de cada elemento y utilizan
la escala de medición nominal u ordinal.
• Los datos cuantitativos son valores numéricos que indican cuánto o cuántos y utilizan la escala de
medición de intervalo o de relación..
• La estadística descriptiva son los métodos tabulares, gráficos y numéricos utilizados para resumir los
datos. El proceso de inferencia estadística utiliza datos obtenidos de una muestra para hacer
estimaciones o probar hipótesis sobre las características de una población.
• Las últimas secciones del capítulo introdujeron análisis, big data, minería de datos, el papel de las
computadoras en el análisis estadístico y un resumen de las pautas éticas para la práctica
estadística.
•
© 2024 Cengage Group. All Rights Reserved.