Caso Práctico 1

CASO PRACTICO UNIDAD 2 ESTADÍSTICA

DIEGO FERNANDO MAYOR RUÍZ

*ALIRIO SANABRIA MEJIA

CORPORACIÓN UNIVERSITARIA DE ASTURIAS

PROGRAMA PROFESIONAL EN ECONOMÍA
CÁLI
2.020
 Caso Práctico 2

Tabla de Contenido

Introducción……………………………………………………………… pág,3
Planteamiento del Problema………………………………………………pag,4
Objetivo General…………………………………………………………..pág,5
Objetivos Específicos……………………………………………………..pag,6
Justificación……………….……………………………………………...pág,7
Diseño Metodológico……………………………………………………..pag,8
Marco Teórico…………………………………………………………….pag,9
Resultados………………………………………………………………...pág,10
Conclusiones……………………………………………………………..pág,13
Webgrafía y bibliografía…….…………………………………………....pág,14
 Caso Práctico 3

Introducción

Un estimador es un estadístico (una función de la muestra) utilizado para estimar un

parámetro desconocido de la población. Para cada parámetro pueden existir varios
estimadores diferentes. En general, se elige el estimador que posea mejores propiedades
que los restantes, como insesgadez, eficiencia, convergencia y robustez (consistencia).
El error cuadrático medio (RMSE) mide la cantidad de error que hay entre dos conjuntos de
datos. En otras palabras, compara un valor predicho y un valor observado o conocido;
También se lo conoce como Raíz de la Desviación Cuadrática Media y es una de las
estadísticas más utilizadas en SIG. A diferencia del error absoluto medio (MAE),
utilizamos RMSE en una variedad de aplicaciones cuando comparamos dos conjuntos de
datos.
La teoría de la probabilidad fue aplicada con buenos resultados a las mesas de juego y con
el tiempo a otros problemas socioeconómicos. Durante el siglo XVIII el cálculo de
probabilidades se extiende a problemas físicos y actuariales (seguros marítimos). El factor
principal impulsor es el conjunto de problemas de astronomía y física que surgen ligados a
la contrastación empírica de la teoría de Newton. Estas investigaciones van a ser de
importancia fundamental en el desarrollo de la Estadística. De otro modo esta los eventos
dependientes, dos eventos son dependientes si el resultado del primer evento afecta el
resultado del segundo evento así que la probabilidad es cambiada. En el ejemplo anterior, si
la primera canica no es reemplazada, el espacio muestral para el segundo evento cambia y
así los eventos son dependientes. La probabilidad de que ambos eventos ocurran es el
producto de las probabilidades de los eventos individuales:  P ( A y B ) = P ( A ) · P ( B )
 Caso Práctico 4

Planteamiento del Problema

CASO PRÁCTICO
Dada una población en la que se analiza la variable aleatoria ξ: N(μ, σ), se desea
estimar σ2 = V(ξ).
Para ello se proponen tres estimadores:
1. σ21 = S2x = ∑(xi – ax)2 / n
2. σ22 = S21 = ∑(xi – ax)2 /(n -1)
3. σ23 = d2x = ∑(xi - μ)2/ n
CUESTIÓN: ¿cuál tiene menor E.C.M?
TEORÍA DE LA PROBABILIDAD
En una determinada empresa hay tres departamentos: Departamento de Marketing,
Departamento Financiero y Departamento de Tecnología. Se efectúa una encuesta para
decidir si se debería aceptar o no una oferta realizada por otra empresa, y que incumbe a
todos los empleados. La siguiente tabla nos da los resultados de lo que han votado los
empleados en función del departamento.

1. Calcula la probabilidad de que un empleado tomado al azar haya votado NO en la

encuesta.
2. Calcula la probabilidad de que un empleado sea de Marketing sabiendo que ha votado
NO

TEORÍA DE LA PROBABILIDAD
3. El evento “el empleado ha votado SÍ” y el evento “el empleado ha votado NO” son dos
eventos dependientes. ¿Verdadero o falso?
4. Si se respetan los resultados de la empresa, ¿se aceptará la oferta realizada?
 Caso Práctico 5

Objetivo General

1. Analizar Estimadores, Error cuadrático medio, teoría de la probabilidad, eventos

dependientes y teoría de la probabilidad; así como la interpretación de sus resultados y su
aplicación.
 Caso Práctico 6

Objetivos Específicos

1. Establecer las diferencias entre los diferentes estimadores con respecto al ECM.

2. Definir la relación entre teoría de la probabilidad y eventos dependientes e

independientes.

3. Interpretar los resultados obtenidos con los estimadores y el ECM.

4. Identificar la teoría de la probabilidad y su aplicación a contexto.

5. Analizar la probabilidad de un evento determinado y clasificarlo.

 Caso Práctico 7

Justificación

La presente investigación busca esclarecer el uso de ECM, teoría de la probabilidad,

cálculo de la probabilidad, estimadores. En específico, las consecuencias que éstos tienen
dentro de una empresa y la toma de decisiones pertinente según el caso. Se trata de un tema
que ha sido poco abordado. Por lo tanto, esta investigación aporta información nueva
acerca de las consecuencias y esclarece algunos aspectos en torno a los temas relacionados,
su funcionalidad.
 Caso Práctico 8

Diseño Metodológico

Se realizó una fase documental, que consistió en la revisión de investigaciones anteriores y

búsqueda de bibliografía y webgrafía relacionada con el objeto de estudio en el
planteamiento del caso práctico unidad 2, el objetivo de esta fase fue obtener la
información necesaria para hacer aplicar las fórmulas de margen de utilidad bruta en ventas
y margen de utilidad operacional y determinar su importancia en el análisis de utilidades de
las cuentas nominales propuestas en el caso.
 Caso Práctico 9

Marco Teórico

Estimador es un estadístico (es decir, es una función de la muestra) usado para estimar un
parámetro desconocido de la población. Por ejemplo, si se desea conocer el precio medio de
un artículo (el parámetro desconocido) se recogerán observaciones del precio de dicho
artículo en diversos establecimientos (la muestra) y la media aritmética de las
observaciones puede utilizarse como estimador del precio medio. Para cada parámetro
pueden existir varios estimadores diferentes. En general, escogeremos el estimador que
posea mejores propiedades que los restantes, como insesgadez, eficiencia, convergencia y
robustez (consistencia).
El ECM es el segundo momento (sobre el origen) del error, y por lo tanto incorpora tanto
la varianza del estimador así como su sesgo. Para un estimador insesgado, el ECM es la
varianza del estimador. Al igual que la varianza, el ECM tiene las mismas unidades de
medida que el cuadrado de la cantidad que se estima. En una analogía con la desviación
estándar, tomando la raíz cuadrada del ECM produce el error de la raíz cuadrada de la
media o la desviación de la raíz cuadrada media (RMSE o RMSD), que tiene las mismas
unidades que la cantidad que se estima; para un estimador insesgado, el RMSE es la raíz
cuadrada de la varianza, conocida como la desviación estándar.
Para finalizar relaciono los Eventos dependientes dos o más eventos serán dependientes
cuando la ocurrencia o no-ocurrencia de uno de ellos afecta la probabilidad de ocurrencia
del otro (o otros). Cuando tenemos este caso, empleamos entonces, el concepto de
probabilidad condicional para denominar la probabilidad del evento relacionado. La
expresión P(A|B) indica la probabilidad de ocurrencia del evento A sí el evento B ya
ocurrió.
 Caso Práctico 10

Resultados

Respuestas Caso Práctico Unidad 2.

Dada una población en la que se analiza la variable aleatoria ξ: N(μ, σ), se desea
estimar σ2 = V(ξ).

Para ello se proponen tres estimadores:

1. σ21 = S2x = ∑(xi – ax)2 / n

2. σ22 = S21 = ∑(xi – ax)2 /(n -1)

3. σ23 = d2x = ∑(xi - μ)2/ n

Pregunta ¿cuál tiene menor E.C.M?

RTA/

Parto del supuesto que:

n= 7

ax = 1

xi = 4

μ=2

r=8

Para hacer mi demostración matemática.

S2x = ∑(xi – ax)2 / n

S2x = ∑(4-1)²/7= (9/7)=√9/7 = 1,13

S21 = ∑(xi – ax)2 /(n -1)

S21 = ∑(4-1)² /(7-1) = 9/6 = √9/6= 1,22

Caso Práctico 11

𝑑𝑥 2 = ∑(𝑥𝑖−𝑢𝑥)²/𝑛, si m= x

(𝑥𝑖 − 𝑢)² = (𝑢 √ n) x 𝑢²/ 𝑛

𝒅²𝒙 = 𝒓²/ 𝒏 /𝒏 = r² /𝒏²

𝒅²𝒙 = 8²/7² = 64/ 49= √(64/49)= 1,14

MSE (𝑠²𝑛) = (2𝑛−1/ 𝑛²) ⋅ 𝑟⁴ = 𝐸 (𝑠²𝑛−1 − 𝛾²)²

Por lo tanto, La respuesta correcta es la opción 1. σ21 = S2x = ∑ (xi – ax)2 / n, donde la
desviación típica es σ21, y el estimador tiene menos sesgo, es decir, tiene mayor
exactitud.

ENUNCIADO TEORÍA DE LA PROBABILIDAD

En una determinada empresa hay tres departamentos: Departamento de Marketing,

Departamento Financiero y Departamento de Tecnología. Se efectúa una encuesta para
decidir si se debería aceptar o no una oferta realizada por otra empresa, y que incumbe
a todos los empleados. La siguiente tabla nos da los resultados de lo que han votado los
empleados en función del departamento.

  FINANCIERO MARKETING TECNOLOGIA

SI 5 2 6
NO 3 7 6

1. Calcular la probabilidad de que un empleado tomado al azar haya votado NO

en la encuesta.

RTA/

FINANCIERO MARKETING TECNOLOGIA

SI 5 2 6 13
NO 3 7 6 16
TOTAL 8 9 12 29
 Caso Práctico 12

Par determinar la probabilidad, aplico la fórmula:

𝑃 = (𝑛 / ) = 7 /9 , 𝑃 ( 𝑛 /f) = 3 /8 y 𝑝 = ( 𝑛/ 𝑡 ) = 6 /12

𝑝(𝑛) = 𝑃 ( 𝑛 /𝑚 ) x 𝑃(𝑚) 𝑝 ( 𝑛 /𝑓 ) x 𝑝(𝑓) + 𝑝 ( 𝑛 /𝑡 ) x 𝑝(𝑡)

(𝑛) = 7 /9 x 9 /29 + 3 /8 x 8 /29 + 6/ 12 x 12 /29

(𝑛) = 7 /29 + 3 /29 + 6 /29 = 16/ 29 = 0,551724= 0,55 x 100 = 55% (empleados que
votaron por el NO)

Lo realice por otro método y me dio igual lo publicaré como aporte al foro.

2. Calcula la probabilidad de que un empleado sea de marketing sabiendo que ha

votado NO.

RTA/ su probabilidad es:

𝑃 ( 𝑚 /𝑛 ) = 𝑃 ( 𝑚 /𝑛 ) /𝑃(𝑛)

𝑃 (𝑚/ ) = 𝑃(𝑚) ∗ 𝑃 ( 𝑛 /𝑚 ) ÷ 𝑃(𝑛) Teorema de Bayes

𝑝 (𝑚 /𝑛) = (9 /29) ∗ (7/ 9) ÷ (16/ 29)

𝑃 (𝑚 /𝑛) = (7/29) ÷ (16/29) = 7 /16 = 0,4375 ≈ 0,44 x 100 = 44% (empleados que
votaron por el No sea del departamento de marketing)

3. El evento “el empleado ha votado SI” y el evento “el empleado ha votado NO son
dos eventos dependientes. ¿Verdadero o falso?

RTA/ Considero FALSO el enunciado, porque son independientes a razón que:

Los eventos independientes ocurren ya sea cuando:
·         El proceso que genera el elemento aleatorio no elimina ningún posible resultado o
·         El proceso que sí elimina un posible resultado, pero el resultado es sustituido antes
de que suceda una segunda acción. (A esto se le llama sacar un reemplazo)

4. si se respeta los resultados de la empresa ¿se aceptaría la oferta realizada?

RTA/ Al analizar los resultados de la votación, la oferta se debería rechazar ya que el
55% de los empleados votaron por el NO. Por ende no se aceptaría.

Caso Práctico 13

Conclusiones

1. La probabilidad está presente en la vida cotidiana en muchos contextos en los que

aparecen nociones de incertidumbre, riesgo y probabilidad, por ejemplo, diagnóstico
médico, estudio de la posibilidad de tomar un seguro de vida o efectuar una inversión,
evaluación de un estudiante, etc. No sólo los profesionales, sino cualquier persona ha de
reaccionar a mensajes en que aparecen estos elementos, tomar decisiones que le pueden
afectar, emitir juicios sobre relación entre sucesos o efectuar inferencias y predicciones.
2. Con la elaboración de este trabajo pude inferir, comprender y practicar sobre la
aplicación de algunos conceptos vistos en la unidad así como su utilidad.
3. Probabilidad de eventos dependientes, dos eventos son dependientes cuando los
resultados del primer evento si afectan los resultados del segundo evento.
4. Un estimador (medias, diferencia de medias, proporción, diferencia de proporciones) que
permite establecer predicciones o estimaciones sobre el valor de un parámetro de la
población.
5. El error cuadrático medio de un estimador θ es:
ECM (̂θʹ)) = E (θʹ) – θ) ²
Si ̂θ es insesgado para θ, entonces ECM (θʹ))= var (θʹ)
6. La teoría de la probabilidad tiene sus comienzos con los juegos de azar, pero hoy en día
se usa extensamente en áreas como la estadística, la física, la matemática, la ciencia y la
filosofía para llegar a conclusiones sobre la probabilidad de sucesos.
7. En el trabajo puede inferir que, la estimación de técnicas que permiten dar un valor
aproximado de un parámetro de una población a partir de los datos proporcionados por una
muestra; también la aplicación del Teorema de Bayes.
 Caso Práctico 14

Webgrafía y Bibliografía

https://www.economiasimple.net/glosario/teorema-de-bayes
http://www.estadistica.net/Algoritmos2/estimadores.pdf
https://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/tema1.pdf
https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/independent-
dependent-events
https://www.centro-virtual.com/campus/mod/scorm/player.php?a=1206&currentorg=ORG-
81B0313A-492F-10D3-0AD3-906C6E5A2B8C&scoid=2530
https://sites.google.com/site/estadisticadescriptivaenedu/home/estimacion-por-intervalos-
1/propiedades-de-estimadores
Montgomery, D. C y Runger, R. (2008). Probabilidad y Estadística Aplicadas a la
Ingeniería. 2da. Edición. Limusa Wiley. Mexico.