Documentos de Académico
Documentos de Profesional
Documentos de Cultura
JUSTIFICACIÓN:
La estadística es una ciencia, la cual nos permite analizar, recopilar, procesar y presentar
información de una manera detallada, nos ayuda a predecir o inferir, nos permite emitir
un juicio basado en datos o históricos, por ende, es de vital importancia tanto en el
ámbito profesional como educativo, investigar temas de estadística necesarios. La
investigación y autoeducación es una manera de capacitarnos como profesionales, ya
que actualmente el procesamiento de datos nos ayuda a tomar decisiones, aplicar
medidas y corregir desajustes provocados por la falta de información.
OBJETIVO:
Comprender la naturaleza del pensamiento estadístico, la enseñanza y el aprendizaje;
además del uso de esa comprensión para mejorar la instrucción en estadística básica.
ALCANCE:
El alcance obtenido de esta investigación será netamente descriptivo – explicativo, ya
que se establece su breve definición de cada tema con un ejemplo para mayor
entendimiento y no se extiende mucho ni su lenguaje es netamente técnico, con el
propósito de ser entendible y explicable.
PROBABILIDAD
La probabilidad es el número de posibilidades que ocurra un evento, es una medida de
incertidumbre asociado a los eventos, es decir “es el valor entre cero y uno, que describe
la posibilidad relativa, ya sea oportunidad o casualidad de que ocurra un evento” (Lind,
Wathen, & Marchal, 2012, pág. 146).
Los valores que se encuentren cercanos a 0 indicaran que la probabilidad de que ocurra
este evento es muy escasa, pero si son cercanos a 1 su probabilidad de que ocurra es casi
segura. Ademas la suma de todos los resultados siempre dara el 100% o 1
PROBABILIDAD EMPÍRICA:
Es también llamada frecuencia relativa, “esta probabilidad se basa en la frecuencia o
número de veces que ocurre el evento con respecto al número de intentos conocidos”
(Render, Stair, & Hanna, 2012, pág. 25).
Ejemplo:
Un paralelo tiene las siguientes notas en el examen:
PRINCIPIOS DE CONTEO:
Si las cantidades de los posibles resultados son razonablemente contables, es decir
pocas, es fácil estimar la probabilidad y emitir juicio, pero si las cantidades tienden a ser
afectadas por el orden o por ser unas cantidades muy grandes, usamos las siguientes
fórmulas de conteo
FÓRMULA DE MULTIPLICACIÓN:
Si hay m formas de hacer una cosa y n formas de hacer otra cosa, hay m * n formas de
hacer ambas cosas.
Ejemplo:
Una señora desea comprar una cocina nueva, y el vendedor le dice que tiene diferentes
modelos con diferentes diseños, entonces le presenta lo siguiente:
FORMULA DE PERMUTACIÓN:
Esta fórmula se aplica para determinar el posible número de disposiciones
(combinaciones) cuando solo hay un grupo de objetos, o si bien es un arreglo ordenado
de objetos
n n!
Pr =
( n−r ) !
Donde:
n: número total de objetos
r: grupo o conjunto que se selecciona
Ejemplo:
Se desea saber de cuantas maneras se puede ordenar las letras “ABC”
n 3! 3∗2∗1
Pr = = =6
( 3−3 ) ! (0 )!
Ejemplo:
Tenemos n = 10 diferentes zapatos disponibles y planteamos elegir poner en la vitrina
solo 8 pares sin reemplazarlos, ¿Cuál será el número de arreglos posibles que se podrán
hacer?
n 10 ! 10∗9∗8∗7∗6∗5∗4∗3∗2∗1
Pr = = =¿
( 10−8 ) ! (2)!
n 10∗9∗8∗7∗6∗5∗4∗3∗2∗1
Pr =¿ =1.814 .400
( 2∗1 )
FORMULA DE COMBINACIONES:
Las combinaciones son otra regla de conteo útil, la cual permite contar el número de
resultados sin importar el orden, es decir sin importar que se repitan los resultados.
n!
C nr =
r ! ( n−r ) !
Donde:
n: número total de objetos
r: grupo o conjunto que se selecciona
Ejemplo:
Un carpintero tiene 5 sillas de distintos colores, y usara 3 para una publicidad en el mall
del sol. ¿Cuántas combinaciones son posibles?
n n!
Cr=
r ! ( n−r ) !
5! 5∗4∗3∗2∗1 5∗4
C nr = = = =10
3! (5−3 ) ! 3∗2∗1 ( 2∗1 ) 2∗1
TOREMA DE BAYES
Nace en el siglo XVIII, de la mano del reverendo Thomas bayes quien cuestionando si
dios existe plantea una fórmula para llegar a la probabilidad de su existencia (Levin &
Rubin, 2010, pág. 156). Más tarde Pierre- Simón Laplace perfecciono ese trabajo,
nombrando el teorema de bayes
P ( A ! ) P (B∨ A! )
P( A! ∨B)=
P ( A1 ) P ( B∨ A1 ) + P ( A2 ) P( B∨ A 2)
Esta probabilidad actúa mediante un evento en simultaneo con dos posibles resultados
en el cual se multiplica su probabilidad, utiliza la probabilidad a priori y la
probabilidad a posteriori
A1 y A 2=eventos en simultaneo pero excluyentes
Probabilidad a priori: P ( B∨ A1 )
Información basada en el nivel actual o ya determinado
Probabilidad a posteori: P ( B| A 2 )
Probabilidad a partir de la información existente o adicional
Ejemplo:
Vietnam padece de una enfermedad que solo afecta al 5% de su población, siendo A1
los que padecen la enfermedad y A2 los que no la padecen, además existe una técnica
para diagnosticar si padece la enfermedad, siendo B “la prueba revela la presencia de
enfermedad”, esta técnica indica en un 90% la presencia de la enfermedad y en una
persona que no padece la enfermedad en un 15%
Ahora bien se escoge una persona al azar, y se desea saber ¿Cuál es la probabilidad de
que una persona que padezca la enfermedad, dado que la prueba fue positiva?
DATOS:
A1=0.05 padece enfermedad
A2=0.95 no padece enfermedad
P ( B∨ A1 ) =0.90 presencia de enfermedad padeciendola
P ( B∨ A2 ) =0.15 presencia de enfermedad no padeciendola
P ( A ! ) P (B∨ A! )
P( A! ∨B)=
P ( A1 ) P ( B∨ A1 ) + P ( A2 ) P( B∨ A 2)
(0.05)(0.90)
P( A! ∨B)=
(0.05)(0.90)+(0.95)(0.15)
0.0450
=0.24
0.1875
R// la probabilidad de que una persona padezca la enfermedad, dado que la prueba fue
positiva es de 24%
DISTRIBUCIÓN DE PROBABILIDAD
Una distribución de probabilidad describe la forma en que se espera que varíen los
resultados, es decir representan las expectativas de que algo suceda, útil para hacer
inferencias
Variable aleatoria: es aquella “representada por un valor o número determinada
al azar. Se puede clasificar en variable discreta y continua” (Triola, 2009, pág.
815).
Variable aleatoria discreta: tiene un número finito de valor, es contable o
exacta, ejemplo de ello es la edad y los números reales
Variable aleatoria continua: tienen un número infinito de valor, sus valores
son de medición de escala, o decimal, de manera que son más exactas o precisas,
ejemplo de ello es la temperatura, peso y altura.
VALOR ESPERADO:
El valor esperado es la medio o promedio que da como resultado de multiplicar las
probabilidades de éxitos por el valor de la variable para luego sumar los productos
VE= p 1 ( x 1 ) + p2 ( x 2 ) + p3 ( x 3 ) + p n ( x n ) … . .
Donde:
P: probabilidad
X: valor de la variable
Ejemplo:
Una empresa obtiene las siguientes ventas (en dólares) de los últimos años, dado a que
hay meses que repiten las cifras ¿cuál será el valor esperado sabiendo su frecuencia de
ventas?
VENTA
FRECUENCIA PROBABILIDAD VALOR ESPERADO
S
102 10 0.08 8.16
105 20 0.16 16.80
108 45 0.36 38.88
111 15 0.12 13.32
114 20 0.16 18.24
117 15 0.12 14.04
TOTAL 125 1 109.44
Probabilidad = porcentaje
125 1
P: = =0.08
10 x
Valor esperado:
VE=0.08 ( 102 ) +0.16 ( 105 ) +0.36 ( 108 )+ 0.12 ( 111 ) +0.16 ( 114 )+ 0.12 ( 117 )
VE=109.44
Σ( Xi∗fi) 96
MEDIA= = =4.8
N 20
VARIANZA:
La varianza es el grado de dispersión en una distribución con respecto a su media, posee
dos fórmulas, una para la muestra y otra para la población
x=muestra
u=población
Variación de la Población:
2
2 Σ (Xi−u) ∗fi
G=
N
2
Σ(Xi−u)
2
G=
N
Variación de la muestra:
2
2 Σ( Xi−x ) ∗fi
s=
n−1
2 Σ( Xi−x )2
s=
n−1
Σ( X ) $ 85
x= = =$ 17
N 5
DESVIACIÓN ESTÁNDAR:
Es la raíz cuadrada de la varianza, mide la distancia de los datos con relación a la media
aritmética
Población(σ )= √ G2
Muestra( σ )=√ s
2
DISTRIBUCIÓN BINOMIAL:
Es una distribución de probabilidad discreta que se presenta frecuentemente, en la cual
le interesa en número de éxitos en “n” ensayos, es un experimento que consiste en una
serie de “n” ensayos idénticos, con dos posibles resultados éxito y fracaso
f ( x )= ( nx )∗p (1− p)
x n−x
Donde:
P: éxito
(1-p): fracaso
n: total de eventos
x: eventos esperados
()
n
x
n
: combinación C x =
n!
x ! ( n−x ) !
Ejemplo:
La probabilidad que un cliente realice una compra es del 30% ¿cuál es la probabilidad
P: 0.30
(1-p): (1- 0.30) = 0.70
n: 3
x: 2
2 3 −2
f ( 2 ) =( 3 )∗0.3 (0.70)
( nx )= 2! ( 3−2
3! 6
= =3
)! 2
f ( 2 ) =0.189=18.9 %
DISTRIBUCIÓN DE POISSON:
la distribución de poisson describe el número de veces que se presenta un evento en un
intervalo específico, “trabaja con una media de intervalos y la probabilidad de
ocurrencia es la misma para cualquier intervalo” (Sanchez, 2014, pág. 172).
u x e−u
P x=
x!
Donde:
u: # veces que ocurre el evento en promedio
x: variable que se busca
e: constante
Ejemplo:
En el IEES se estudian los nacimientos de bebes mujer, se sabe que en una semana en
promedio nacen 5 bebes mujer, ¿Cuál es la probabilidad de que nazcan 3 mujeres en una
semana?
u: 5
x: 3
3 −5
5 e
P x= =14.04 %
3!
DISTRIBUCIÓN NORMAL:
Es la distribución de una variable continua que busca un punto en especifico o un rango
en base a una gráfica (campana de gaus), tiene una única moda, que coincide con su
media y mediana (Anderson, Sweeney, & Williams, 2008, pág. 231)
x −u
Z=
σ
Donde:
Z: punto que se busca
σ : desviación estándar
u: media poblacional
x: punto de referencia
Ejemplo:
Supongamos que los ingresos medios de una población son de $260 y una varianza de
$12, ¿Cuál es la probabilidad de que una familia tenga ingresos por debajo de $265?
x: 265
σ : 12 =
2
√ 12=3.46
u: 260
265−260
Z= =1.44
3.46
Z=1−P ( Z <1.44 )
Z=1−0.0749
Z=0.9251=92.51%
R// Hay un 92.51% de probabilidad que una familia tenga ingresos por debajo de $265
CONCLUSIONES:
Concluyo que he aprendido mucho sobre probabilidad, que saber cosas tan básicas
como media, varianza, técnicas de conteo me ayudaran en cualquier trabajo que
aplique, esto me ayudara muchísimo en el ámbito profesional.