PROGRAMA ADMINISTRACION Y DIRECCION DE EMPRESAS

ASIGNATURA ESTADISTICA I

PROFESOR

ALIRIO SANABRIA MEJIA

CASO PRACTICO UNIDAD II

FERNANDO MOSQUERA MOJICA

NOMBRE ESTUDIANTE

BOGOTA D.C
Fecha, 11 JUNIO – 2020
 TABLA DE CONTENIDO

1. INTRODUCCION………………………………………………………
…………..3
Objetivo
General………………………………………………………………….4
Objetivo
Especifico………………………………………………………………4
2. DESARROLLO…………………………………………………………
……….......5
Enunciado y
respuestas…………………………………………………….5-8
3. CONCLUSIONES………………………………………………………
……….9-10
4. BIBLIOGRAFIA……………………………………………………….
……………11
 pag.3
1. INTRODUCCION

Una variable aleatoria (v.a.) es un número real asociado al resultado de un

experimento aleatorio, es decir, una función real en el espacio muestral,
X:Ω→ℜ Ω→ℜ Ω→ℜ Ω→ℜ
Los valores de la variable aleatoria se notarán con letras minúsculas x en este
caso.
Se dice que una v.a. es discreta si el conjunto de todos los valores que puede
tomar es un conjunto numerable.
Se dice que una v.a. es continua si el conjunto de todos los valores que puede
tomar no es numerable.
En estadística, el error cuadrático medio (ECM) de un estimador mide el
promedio de los errores al cuadrado, es decir, la diferencia entre el estimador
y lo que se estima. El ECM es una función de riesgo, correspondiente al valor
esperado de la pérdida del error al cuadrado o pérdida cuadrática. La
diferencia se produce debido a la aleatoriedad o porque el estimador no tiene
en cuenta la información que podría producir una estimación más precisa.1
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.
Si es Y un vector de n predicciones y Yes el vector de los verdaderos valores,
entonces el (estimado) ECM del predictor es:
La Probabilidad Condicional Y Teorema de Bayes: Es la probabilidad de
que ocurra un evento considerando dentro de la probabilidad de otro evento
dado. Se indica así P(A|B), lo cual significa que queremos obtener la
probabilidad de A a partir de la probabilidad de B.
pag.4
OBJETIVO GENERAL 
1.Definir de manera sencilla y clara lo conceptos relacionados con una
variable aleatoria y el error cuadrático medio (E.C.M),Y el teorema de
Bayes para la probabilidad condicionada.

OBJETIVOS ESPECIFICOS
1.Definir y tener claro los conceptos relacionados con las variables
aleatorias y como calcular el error cuadrático medio (E.C.M).

2.Mediante los ejercicios propuestos por el docente determinar y

Calcular por el teorema de Bayes la probabilidad condicionada para la
probabilidad de que un empleado sea de Marketing siendo que votó que NO .
 pag.5
2. DESARROLLO
CASO PRACTICO UNIDAD II
Enunciado

1.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?

La estadística se divide en estadística descriptiva, teoría de la probabilidad y

estadística inferencial, la cual es menester acá.

-Inferencia Estadística

Acá la estadística inferencial tiene como objetivo, inferir en base a datos,

como por ejemplo la formulación de intervalos de confianza, y las pruebas de
hipótesis.

La estimación de parámetros es parte de estudio de la inferencia estadística,

como por ejemplo la media, la proporción...que son los más comunes.

Esto permite darle un valor cercano a un parámetro problacional a través de un

estimador, que recoge valores a partir de los datos tomados en una muestra.

Ahora, para obtener una estimación cuyo estimador sea considerado perfecto y
permita de forma acertada dar con el resultado real de la población, es decir, el
parámetro poblacional, tendría que la desviación estándar ser igual a cero, es
decir, que la dispersión sea nula, lo cual en la práctica es sumamente difícil.
NO OBSTANTE, ENTRE LAS PRINCIPALES PROPIEDADES
DESEADOS EN LOS ESTIMADORES ES QUE SU DISPERSIÓN SEA
BAJA.

pag.6
El Error cuadrático medio, ECM por sus siglas, es un estimador que mide el
promedio de los errores al cuadrado.

El estimador analiza lo que el estimador de estudio refleja y lo que el

verdadero estimador vale.

En este caso, tenemos tres opciones.

1. σ21 = S2x = ∑(xi – ax)2 / n

2. σ22 = S21 = ∑(xi – ax)2 /(n -1)

3. σ23 = d2x = ∑(xi - μ)2/ n

PLANTEAMIENTO: ¿cuál tiene menor E.C.M?

El error cuadrático medio, ECM es el número 1.

RTA: El menor ( E.C.M). Es el de la opción 1. σ21 = S2x = ∑ (xi –ax)2 / n

Donde la desviación típica es σ21, y el estimador tiene menos sesgo, es decir,
es más preciso.

TEORÍA DE LA PROBABILIDAD .
2. 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.

 TECNOLOGI
   FINANCIERO  MARKETIN A  TOTAL
 SI  5  2  6  13
 NO  3  7  6  16
TOTAL 8 9 12 29
 pag.7
1.Calcula la probabilidad de que un empleado tomado al azar haya votado NO
en la Encuesta.

Entonces sean
#𝑨 =𝟏𝟔
𝑷(𝑨) = #𝛀 = 𝟐𝟗
P= 16 /29 = 𝟎. 𝟓𝟓 = 𝟓𝟓%
2.La probabilidad de que un empleado haya votado que NO sin importar de
qué departamento sea es:

𝑷(𝑨∩𝑩)

𝑷(𝑨/𝑩) = 𝑷(𝑩)

𝑷 = 16/29 = 𝟎. 5517 = 55%

RTA: La probabilidad es del 55%

pag.8
3.Por el teorema de Bayes para la probabilidad condicionada podemos
calcular la probabilidad de que un empleado sea de Marketing siendo que votó
que NO, es decir la probabilidad de M tal que N, de la siguiente manera:

P(M|N) = (9/29) . (7/9) / (16/29)

P(M|N) = (7/29) / (16/29) = 7/16 = 0,4375
P(M|N) = 0,44 %
3.El evento “el empleado ha votado SÍ” y el evento “el empleado ha votado
NO” son dos eventos dependientes. ¿Verdadero o falso?

RTA:
VERDADERO , ya que 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.
Se debe tener claro que A|B no es una fracción.

P(A|B) = P(A y B)/P(B) o P(B|A) = P(A y B)/P(A)

4.Si se respetan los resultados de la empresa, ¿se aceptará la oferta realizada?

RTA:
No se aceptará porque el 55% de los 29 empleados que equivale a 16
votaron que no ; con respecto al 44 % un total de 13 personas que votaron
que si lo que significa la mayoría no acepto la oferta .
 pag.9
3. CONCLUSIONES

VARIABLE ALEATORIA. Definición de v.a. Definición: Una variable

aleatoria (v.a.) es un número real asociado al resultado de un experimento
aleatorio, es decir, una función real en el espacio muestral, X: Ω→ℜ Los
valores de la variable aleatoria se notarán con letras minúsculas x en este caso.

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.

El ECM de un estimador Ɵ con respecto al parámetro desconocido Ɵ

se define como:

Esta definición depende del parámetro desconocido, y el ECM en este sentido

es una propiedad de un estimador (de un método de obtención de una
estimación).
El ECM es igual a la suma de la varianza y el cuadrado sesgo del estimador o
de las predicciones. En el caso del ECM de un estimador,

Así pues, el ECM evalúa la calidad de un estimador o conjunto de

predicciones en cuanto a su variación y el grado de sesgo.
 pag.10
Eventos Independientes
Dos o más eventos son independientes cuando la ocurrencia o no-ocurrencia
de un evento no tiene efecto sobre la probabilidad de ocurrencia del otro
evento (o eventos). Un caso típico de eventos independiente es el muestreo
con reposición, es decir, una vez tomada la muestra se regresa de nuevo a la
población donde se obtuvo.

Dos eventos, A y B, son independientes si la ocurrencia de uno no tiene que

ver con la ocurrencia de otro.

Por definición, A es independiente de B si y sólo si: A y B, son independientes

si la ocurrencia de uno no tiene que ver con la ocurrencia de otro.

Por definición, A es independiente de B si y sólo si: A es independiente de B

si y sólo si:

(PnA)=P(A)P(B)

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.
Se debe tener claro que A|B no es una fracción.

P (A|B) = P(A y B) / P (B) o P (B|A) = P(A y B) / P(A)

Probabilidad Condicional = P(A y B) / P (B) o P (B|A) = P(A y B) / P(A) 

Dos eventos son independientes si el resultado del segundo evento no es
afectado por el resultado del primer evento. Si A y B son eventos
independientes, 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)

pag.11
 4. REFERENCIAS BIBLIOGRAFICAS

https://brainly.lat/tarea/7527337
https://www.youtube.com/watch?v=ya03V8ySoBI
https://es.scribd.com/document/379118593/Jose-Tarazona-Solucion-Casos-
Practico-u2
http://www4.ujaen.es/~svilchez/metodos/Tema4_VariableAleatoria.pdf
https://www.youtube.com/watch?v=vI0XwOu_c0o
https://probyestrnca.blogspot.com/2008/10/probabilidad-condicional.html
https://es.wikipedia.org/wiki/Error_cuadrático_medio
https://probabilidad2013a.blogspot.com/2013/05/eventos-dependientes-e-
independientes.html
https://probabilidad2013a.blogspot.com/2013/05/eventos-dependientes-e-
independientes.html