Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadística I
Unidad IV
Esquema
I Introducción
II Desarrollo
a) Técnicas de contexto
b) Experimento aleatorio
c) Espacio muestral
f) Reglas de probabilidad
g) Teorema de bayes
k) Campo administrativo
n) Distribución normal
IV Conclusiones
2
Introducción
CONCEPTOS FUNDAMENTALES
a) Técnicas de contexto
b) Experimento aleatorio
En algunas ocasiones, menos de las que nos gustaría, nos topamos con
fenómenos deterministas. Por ejemplo, algunos asuntos de la física o la
química. Por ilustrar alguno de ellos, sabemos sin ningún margen de error que
si una persona ingiere 1 litro de mercurio morirá. De la misma forma si
tiramos una piedra por la ventana, sabemos que en pocos segundos caerá al
suelo. Incluso, podemos calcular el tiempo de forma muy aproximada. En
otros casos, el asunto no es tan claro. Por ejemplo, en el caso de la economía
existen corrientes de pensamiento que indican que es determinista y otros
que es aleatorio. O mejor aún, el caso de la bolsa de valores. Muchos
operadores piensan que es determinista, mientras otros piensan que es
totalmente aleatorio.
6
c) Espacio muestral
Es una parte del espacio probabilístico. Como su propio nombre indica, está
formado por los elementos de la muestra. Al contrario, el espacio
probabilístico engloba todos los elementos. Incluso aunque no salgan
recogidos en la muestra.
Ω = {C, X}
Dónde C es cara y X es cruz. Esto es, los posibles resultados son cara o cruz.
Ω = {1, 2, 3, 4, 5, 6}
Ω = {1 y 1, 1 y 2, 1 y 3, 1 y 4, 1 y 5, 1 y 6, 2 y 1, 2 y 2, 2 y 3 … 6 y 6 }
Es decir, que en el dado rojo salga un 1 y que en el dado verde salga un 1, sería
el primer suceso elemental. El segundo suceso elemental consistiría en que en
el dado rojo salga un 1 y en el verde un 2. Así hasta un total de 36 sucesos
elementales.
• Eventos Independientes
Los eventos pueden ser independientes, lo que significa que cada evento, no
se ve afectado por ningún otro evento, esta es una idea importante, una
moneda no sabe que cayo cara antes, cada lanzamiento de una moneda es
una situación perfectamente aislada.
Ejemplo lanzar.
Lanzas una moneda y aparece cara tres veces, cuál sería la probabilidad de
que el próximo lanzamiento sea cara; la probabilidad sería ½ o 50% como en
cualquier lanzamiento de una moneda.
• Evento Dependientes
Pero los eventos también pueden ser "dependientes”... lo que significa que
pueden verse afectados por eventos anteriores.
Después de tomar una carta del mazo, hay menos cartas disponibles, ¡por lo
que las probabilidades cambian.
Mutuamente excluyente.
Ejemplos:
La necesidad de este tipo de estudios surgió gracias al deseo del ser humano
de poder predecir el futuro con cierto margen de certeza, algo que se traduce
en la posibilidad de prever y evitar catástrofes, por ejemplo. Para ello propone
diversas leyes y aproximaciones que permiten, a menudo, el cálculo científico
de aquello que se considera probable, y que a menudo es contrario a lo que
nuestra intuición nos señala.
Cálculos
Cálculo de probabilidades
Este tipo permite conocer las posibilidades de que un hecho acontezca. Para
calcular las probabilidades, se deben tener varios datos: por ejemplo, los casos
posibles de que ese evento ocurra tomando en cuenta todas las formas en las
que eso podría ocurrir y los casos de ocurrencia, que serían las situaciones que
reúnan todas las condiciones para que suceda.
Axiomas
Entre los filósofos griegos antiguos, un axioma era lo que parecía verdadero
sin necesidad de prueba alguna. En muchos contextos, axioma es sinónimo de
postulado, ley o principio.
La palabra axioma deriva del significado 'lo que parece justo' o 'lo que se
considera evidente, sin necesidad de demostración'. •
f) Reglas de probabilidad
• P (A) = 1 — P (no A)
*Es usado solo cuando esté convencido de que los eventos son disjuntos (no
se superponen)
Nota: Un uso práctico de esta regla es que se puede utilizar para identificar
como incorrecto cualquier cálculo de probabilidad que resulte ser más de 1 (o
menor que 0).
Dado que las probabilidades de O, B y AB juntas suman 0.44 + 0.1 + 0.04 = 0.58,
la probabilidad de tipo A debe ser la 0.42 restante (1 — 0.58 = 0.42;
Este ejemplo ilustra nuestra segunda regla, que nos dice que la probabilidad
de todos los resultados posibles juntos debe ser 1.
• P (no A) = 1 — P (A)
• Una persona con tipo A puede donar sangre a una persona con tipo A o AB.
• Una persona con tipo B puede donar sangre a una persona con tipo B o AB.
19
• Una persona con tipo AB solo puede donar sangre a una persona con tipo
AB.
Observaciones:
- P (no A) = 1 — P (A)
Dicho esto, cabe señalar que hay algunos casos en los que simplemente es
imposible que ambos eventos ocurran al mismo tiempo.
La distinción entre eventos que pueden ocurrir juntos y los que no pueden
es importante.
Esta regla es más general ya que funciona para cualquier par de eventos Los
diagramas de Venn sugieren que otra forma de pensar sobre eventos
disjuntos versus no disjuntos es que los eventos disjuntos no se superponen.
No comparten ninguno de los posibles resultados, y por lo tanto no pueden
suceder juntos.
Por otro lado, los eventos que no son disjuntos se superponen en el sentido
de que comparten algunos de los posibles resultados y por lo tanto pueden
ocurrir al mismo tiempo.
Como vimos en ejemplos anteriores, cuando los dos hechos no son disjuntos,
hay cierta superposición entre los hechos.
Observamos:
g) Teorema de bayes
26
Una empresa tiene una fábrica en Estados Unidos que dispone de tres
máquinas A, B y C, que producen envases para botellas de agua. Se sabe que la
máquina A produce un 40% de la cantidad total, la máquina B un 30%, y la
máquina C un 30%. También se sabe que cada máquina produce envases
27
P(D) =[ P(A) x P(D/A) ] + [ P(B) x P(D/B) ] + [ P(C) x P(D/C) ] = [ 0,4 x 0,02 ] + [ 0,3 x
0,03 ] + [ 0,3 x 0,05 ] = 0,032
• Inversión
• Servicio al cliente
• Estrategia competitiva
• Diseño de producto
1. 12%.
2. 6%.
3. 15%
4. 12%
Los ejemplos anteriores cumplen con estas condiciones, aunque hay ciertas
restricciones para aplicar.
Ejemplo de aplicación:
¿Qué hay de las otras dos secuencias? Tienen idéntica probabilidad: 0.023.
k) Campo administrativo
Historia
Aplicación
Se dice que una variable es discreta cuando no puede tomar ningún valor
entre dos consecutivos, y que es continua cuando puede tomar cualquier valor
dentro de un intervalo.
Una variable aleatoria continua puede tomar cualquier número real. Por
ejemplo, las rentabilidades de las acciones, los resultados de un examen, el
coeficiente de inteligencia IQ y los errores estándar son variables aleatorias
continuas.
Razones para considerar que la variable resultados del examen sigue una
distribución normal:
x = μ + (z)(σ) = 5 + (3)(2) = 11
La puntuación z es tres.
Supongamos que X ~ N(5, 6). Esto dice que X es una variable aleatoria
normalmente distribuida, con media μ = 5 y desviación típica σ = 6.
Supongamos que x = 17. Entonces:
z=x–μσ=17–56=2�=�–��=17–56=2
Esto significa que x = 17 está dos desviaciones típicas (2σ) por encima o a la
derecha de la media μ = 5.
Esto significa que x = 1 está 0,67 desviaciones típicas (–0,67σ) por debajo o a
la izquierda de la media μ = 5. Observe que: 5 + (-0,67)(6) es aproximadamente
igual a uno (esto presenta el patrón μ + (-0,67)σ = 1)
41
Aplicación de la t de Student
Referencias bibliográficas
Conclusiones
La Estadística y la probabilidad son imprescindibles, y comprenden el
modelado de la evolución de los mercados financieros, la predicción de riesgos
en modelos colectivos y el modelado estadístico de procesos industriales
complejos, incluyendo métodos para mejorar la calidad y la confiabilidad de
los productos, es decir; que las teorías de probabilidades y de procesos
aleatorios; son en sí mismo esenciales, dándole el enfoques de la inferencia
estadística