Centro de Estudios Tecnológicos del Mar No.

20
“Lic Manuel Maples Arce.“
Tuxpan, Ver

Materia:
Probabilidad y Estadística.

Maestro:
Ing. Gonzalo Franco Chargoy.

Actividad:
S2_PyE

Grupo:
61L1

Integrantes:
Medina Banda Cesar Johan.
Zamarripa Loredo Karol Nicole

Lugar y Fecha De Entrega:

Tuxpan, ver. 05 de Febrero del 2023

Aprendizajes Esperados Primer Parcial Contenidos

• Usa un Lenguaje Propio Para Situaciones Conceptos Básicos de Estadística y

Que Necesitan del Probabilidad
Estudio Con Elementos de Estadística y • Recolección y Clasificación de Datos
Probabilidad. • Uso del Conteo y la Probabilidad de
• Usa Técnicas de Conteo o Agrupación en Eventos.
la Determinación de • Concepto de Riesgo en Situaciones
Probabilidades. Contextuales
• Organiza la Información Como Parte de la • Contextualización de los Elementos de
Estadística Para el Probabilidad Condicional
Estudio de la Probabilidad. e Interpretación Intuitiva del Teorema de
• Estudia el Complemento Que Ofrece la Bayes (Probabilidad
Estadística Para la Subjetiva).
Probabilidad.
• Reconoce la Diversidad de Situaciones
que Precisan de la
Incertidumbre en el Tratamiento del Riesgo.
• Modela Con Estadística y Probabilidad el
Estudio de la
Información.
• Organiza la Información Recolectada de
una Situación Dada.
• Construye Fórmulas de Probabilidad
1.6 Investigación Documental: Definir conceptos y aplicaciones específicas de los
diferentes tipos de Estadística (Descriptiva, Inferencial, Exploratoria, Bayesiana y
No Paramétrica). (Anexar bibliografía y fuentes de consulta bajo el formato APA)

● Estadística Descriptiva:
La estadística descriptiva es una disciplina que se encarga de recoger, almacenar,
ordenar, realizar tablas o gráficos y calcular parámetros básicos sobre el conjunto de
datos. Su propio nombre lo indica, trata de describir algo, pero, no describirlo de
cualquiera forma, sino de manera cuantitativa (hace referencia a una medida
cuantitativa) o cualitativa (hace referencia a una cualidad).

La estadística descriptiva comprende tres categorías principales: distribución de

frecuencias, medidas de tendencia central y medidas de variabilidad.
➔ Medidas de tendencia central. (Denominadas así porque ofrecen información
sobre el centro de conjunto de datos, como la mediana)
➔ Medidas de dispersión. (También son conocidas como medidas de
variabilidad. Por ejemplo, la desviación típica es una medida de variabilidad
ya que nos dice si los valores de un conjunto de datos son muy dispares o
no, como el rango)
➔ Medidas de posición

El objetivo de la estadística descriptiva es describir los datos observados de forma

sintética y significativa para poder analizarlos mejor. Es recoger observaciones
sobre sujetos con una determinada propiedad y traducir estas observaciones en
números que proporcionen información sobre dicha propiedad.
(En resumen, su objetivo es estructurar y representar la información contenida en
los datos).

La estadística descriptiva ayuda a describir y comprender las características de un

conjunto de datos específico ofreciendo breves resúmenes sobre la muestra y las
medidas de los datos.
Estos son los tipos de estadística descriptiva:
 ➔ Distribución de frecuencia:Utilizada tanto para datos cualitativos y
cuantitativos. Representa la frecuencia o el recuento de los diferentes
resultados en un conjunto de datos o muestras.
➔ Tendencia central: resumen descriptivo de un conjunto de datos utilizando un
único valor que refleja el centro de la distribución de los datos. Las medidas
de tendencia central también se conocen como medidas de localización
central. La media, la mediana y la moda son consideradas las medidas de
tendencia central.
➔ Variabilidad: resumen que refleja el grado de dispersión de una muestra. Las
medidas de variabilidad determinan la distancia que los puntos de datos
parecen tener con respecto al centro.
Tabla y gráficos de la estadística descriptiva:
➔ Histograma.
➔ Gráfico de barras.
➔ Gráfico de sectores.
➔ Tablas de probabilidad.
➔ Tablas bidimensionales.
➔ Gráfico de cajas.

● Estadística Inferencial:
La estadística inferencial o inferencia estadística es la rama de la Estadística encargada de
hacer deducciones, es decir, inferir propiedades, conclusiones y tendencias, a partir de una
muestra del conjunto. Su papel es interpretar, hacer proyecciones y comparaciones.
La estadística inferencial emplea usualmente mecanismos que le permiten llevar a cabo
dichas deducciones, tales como pruebas de estimación puntual, pruebas de hipótesis,
pruebas paramétricas y no paramétricas. También le son útiles los análisis de correlación y
de regresión, las series cronológicas, el análisis de varianza, entre otros.

En el análisis inferencial de datos se pueden considerar ciertos elementos que pertenecen

al cálculo de probabilidades:
➔ Probabilidad elemental: es el estudio de posibles resultados de un acto, y su
frecuencia durante la aplicación del mismo diversas veces.
 ➔ Permutaciones: se refiere al número de maneras en las que se pueden organizar
unos datos.
➔ Variaciones: es un tipo de cálculo similar a las permutaciones, sin embargo, en este
caso solo se consideran ciertos elementos y no su totalidad.
➔ Combinaciones: es la cantidad de maneras en que se pueden organizar unos datos.

La principal función de la estadística inferencial es facilitar el estudio de datos a partir de

una escala menor e interpretarlos para atribuir las conclusiones a una escala mayor de
datos. A partir de esto, grandes bloques de información pueden ser analizados mediante la
observación de sólo una parte de ellos.
Los principales objetivos de la estadística inferencial son:
➔ Estimar posibles acontecimientos futuros.
➔ Definir conclusiones a partir del análisis de muestras.
➔ Estudiar grandes bloques de información abordando solo una parte de ellos.
➔ Permitir poner en práctica diversas acciones a partir de la información recopilada.

Algunas de las características que definen la estadística inferencial son las siguientes:
➔ Es la etapa deductiva de una investigación científica.
➔ Se utilizan cálculos aritméticos para representar las conclusiones.
➔ Se suele definir hipótesis dentro del marco de la investigación para comprobarlas
mediante fórmulas propias de esta rama de la estadística.
➔ Está relacionada con el cálculo de probabilidades.
➔ Se mantiene cierta incertidumbre respecto a las conclusiones.
➔ Es la etapa práctica de la estadística.

● Estadística Exploratoria:
Los métodos para realizar un análisis exploratorio suelen dividirse en métodos
gráficos o no gráficos y métodos univariantes o multivariantes. Se basan en gran
medida en las imágenes, que los analistas utilizan para buscar patrones, valores
atípicos, tendencias y resultados inesperados.
El análisis exploratorio de datos gráfico emplea herramientas visuales para mostrar
los datos, como por ejemplo:
➔ Matrices de sombreado
➔ Histogramas
➔ Gráficas de líneas
 ➔ Pictogramas
➔ Gráficas de dispersión

El análisis exploratorio de datos es un proceso de investigación en el que se usan

estadísticas de resumen y herramientas gráficas para llegar a conocer los datos y
comprender lo que se puede averiguar de ellos.
Con el EDA, se pueden hallar anomalías en los datos, como valores atípicos u
observaciones inusuales, revelar patrones, comprender posibles relaciones entre
variables y generar preguntas o hipótesis interesantes que se pueden comprobar
más adelante mediante métodos estadísticos más formales.
El análisis exploratorio de datos es como el trabajo detectivesco: se buscan claves y
pistas que puedan conducir a la identificación de las posibles causas de origen del
problema que se intenta resolver. Se exploran las variables de una en una, luego de
dos en dos, y luego muchas variables a la vez.

● Estadística Bayesiana:
La estadística bayesiana se basa en la probabilidad subjetiva, trabaja con la
actualización de la evidencia considerando los conocimientos adquiridos previos a
una investigación, más la evidencia obtenida con esta.
Planteamiento estadístico de la medición de la probabilidad. Las estimaciones
bayesianas se basan en la síntesis de una distribución anterior y en datos de
muestras actuales. Los planteamientos clásicos de la estadística estima la
probabilidad de un evento obteniendo la media de todos los datos posibles. El
planteamiento bayesiano, por otro lado, pondera la probabilidad en función de datos
actuales acerca de una situación en particular. También tiene en cuenta datos de
fuentes ajenas a la investigación estadística, tales como experiencias pasadas,
opinión de expertos o convicciones anteriores. Esta información externa se describe
mediante una distribución que incluye todos los valores posibles del parámetro.
 ● Estadística No Paramétrica:
La estadística no paramétrica es una rama de la inferencia estadística cuyos
cálculos y procedimientos están fundamentados en distribuciones desconocidas.
En otras palabras, la estadística no paramétrica intenta averiguar la naturaleza de
una variable aleatoria. Para, una vez sabe cómo se comporta, realizar cálculos y
métricas que la caracterizan.
Este es el objetivo de la estadística no paramétrica. A continuación lo vemos más en
detalle.

Si no sabemos qué tipo de distribución de probabilidad tiene un fenómeno, no

podemos realizar estimaciones como si realmente supiéramos cómo se distribuye.
Este es el objetivo de la estadística paramétrica, permitir conocer la distribución para
que podamos ir al siguiente paso (la estadística paramétrica).

Pruebas No paramétricas:
➔ Test binomial
➔ Prueba de Anderson-Darling
➔ Prueba de Cochran
➔ Prueba de Cohen kappa
➔ Prueba de Fisher
➔ Prueba de Friedman
➔ Prueba de Kendall

1.7 Investigación Documental: Definir conceptos y aplicaciones específicas de los

diferentes tipos de Probabilidad (Subjetiva o Personal, Frecuencial, Clásica,
Axiomática, Condicional, Teorema de Bayes y Modelos Contínuos y Discretos de
Probabilidad).
● Probabilidad Subjetiva
El juicio personal de un individuo y su creencia sobre la probabilidad de que una
ocasión tenga lugar son la base de la probabilidad subjetiva. En la probabilidad
subjetiva no hay datos cuantitativos ni información objetiva. Las probabilidades
subjetivas se basan en las opiniones y la experiencia personales más que en la
información objetiva y los datos cuantitativos. En la probabilidad subjetiva, las
probabilidades se determinan por el grado en que difieren entre los individuos. Las
probabilidades subjetivas están sujetas a sesgos individuales y, por tanto, tienden a
variar.
La Probabilidad subjetiva puede ser usada en multiples casos, como:
Hacer frente a variables desconocidas
Se puede utilizar la probabilidad subjetiva cuando hay variables desconocidas en
una situación. En situaciones en las que no se dispone de mucha información, se
puede recurrir a los conocimientos, la experiencia y las opiniones personales para
ayudar a tomar decisiones y predecir vagamente la probabilidad de que se produzca
un acontecimiento. Esto puede beneficiar a tu empresa al ayudarte a predecir los
resultados futuros y a prepararte.

Estimar
La probabilidad subjetiva también puede ser útil cuando se necesita hacer una
estimación. La estimación se da en muchos campos profesionales, y puedes utilizar
la probabilidad subjetiva para ayudarte a hacer estimaciones. El uso de la
probabilidad subjetiva para aprovechar su experiencia pasada y sus conocimientos
profesionales puede ayudarle a estimar con la mayor precisión posible.

Hacer predicciones
La probabilidad subjetiva también puede ayudarte a hacer predicciones sobre la
probabilidad de que se produzcan acontecimientos, lo que puede ser útil en muchos
contextos empresariales. Cuando utilizas la probabilidad subjetiva, puedes usar tus
opiniones y creencias para llegar a una conclusión sobre la probabilidad de que
ocurra un evento.

● Probabilidad Frecuencial
La probabilidad frecuencial, también llamada probabilidad frecuentista, es la
frecuencia relativa esperada a largo plazo para un suceso elemental de un
experimento aleatorio.

Para calcular la probabilidad frecuencial de un suceso, se debe hacer el

experimento un número elevado de veces y dividir el número de casos favorables
obtenidos entre el número total de repeticiones realizadas.
La definición de este tipo de probabilidad es muy similar a la probabilidad objetiva,
pero la diferencia es que en la probabilidad frecuencial se repite el mismo
experimento miles de veces.

La probabilidad frecuencial se usa sobre todo en los experimentos que se

desconoce la probabilidad de cada suceso elemental. Entonces se simulan muchas
iteraciones y se emplean las probabilidades frecuenciales para hacer una
estimación de la frecuencia con la que sucederá cada evento.

● Probabilidad Clásica
La probabilidad clásica es una medida estadística que indica la probabilidad de que
suceda un evento. La probabilidad clásica es igual al número de casos favorables
de dicho evento dividido entre el número total de casos posibles.

La probabilidad clásica también se conoce como probabilidad teórica o probabilidad

a priori.

La probabilidad clásica es un número entre 0 y 1. Cuanto más probable de que

ocurra un evento, mayor será la probabilidad clásica, por contra, cuanto menos
probable sea de que suceda un evento, menor será el valor de la probabilidad
clásica.

A diferencia de otros tipos de probabilidades, no hace falta hacer ningún

experimento para hallar la probabilidad clásica de un evento, sino que se trata de un
cálculo teórico. Más abajo profundizaremos en este concepto.

La probabilidad clásica se aplica siempre que se cumplan las dos premisas

señaladas anteriormente, es decir:

-Todos los eventos son igualmente probables.

-El espacio muestral es finito.

Por lo tanto, hay situaciones en las cuales la probabilidad clásica no se puede
aplicar, como por ejemplo cuando se quiere anticipar si un tratamiento nuevo curará
una determinada enfermedad, o la probabilidad de que una máquina produzca
artículos defectuosos.

Un ejemplo de la vida real de la probabilidad clásica es:

Las máquinas de lotería —como las que se usan para Mega Millions o Powerball—
contienen pelotas de ping pong numeradas que se mezclan con paletas giratorias o
chorros de aire. Cada una de las pelotas de ping pong tiene la misma probabilidad
de ser elegida.

Si no hay muchos ejemplos clásicos de probabilidad en la vida real, es posible que

se pregunte cuál es el punto de aprenderlo. La respuesta es que es un bloque de
construcción para otras áreas de probabilidad, como la regla de conteo . También se
extiende a situaciones más complejas, como la teoría cuántica, que comparte
muchas propiedades importantes con la teoría clásica de la probabilidad.

● Probabilidad Axiomática
La probabilidad axiomática es una teoría de probabilidad unificadora. Establece un
conjunto de axiomas (reglas) que se aplican a todos los tipos de probabilidad,
incluida la probabilidad frecuentista y la probabilidad clásica . Estas reglas, basadas
en los Tres Axiomas de Kolmogorov, establecen puntos de partida para la
probabilidad matemática.

Los tres axiomas de Kolmogorov

Los tres axiomas son:

● Para cualquier evento A, P(A) ≥ 0. En inglés, eso es “Para cualquier evento
A, la probabilidad de A es mayor o igual a 0”.
● Cuando S es el espacio muestral de un experimento; es decir, el conjunto de
todos los resultados posibles, P(S) = 1 . En inglés, eso es «La probabilidad de
que ocurra cualquiera de los resultados es del cien por cien», o,
parafraseando, «cada vez que se realiza este experimento, algo sucede».
 ● Si A y B son resultados mutuamente excluyentes, P(A ∪ B ) = P(A) + P(B).
Aquí ∪ significa ‘unión’. Podemos leer esto diciendo: «Si A y B son resultados
mutuamente excluyentes , la probabilidad de que ocurra A o B es la probabilidad de
que ocurra A más la probabilidad de que ocurra B».

El hecho de que estos axiomas sean universales no significa que proporcionen

todas las respuestas. Por ejemplo, cualquier función que satisfaga los tres axiomas
se denomina función de probabilidad . Sin embargo, los axiomas no te dicen qué
función elegir; simplemente establece que la función de probabilidad que elija debe
satisfacer las reglas.

Los axiomas de probabilidad se utilizan ampliamente en multitud de aplicaciones.

Por ejemplo:

Deportes
Cuando tu equipo tiene un sorteo antes del juego, tienes un 50/50 de oportunidad de
ganarlo: cara o cruz. Un jugador de baloncesto da pasos hasta la línea de tiros libres
y tiene una buena idea, sobre la base de los resultados anteriores, ya que va a
hacer el tiro. Un equipo de fútbol intenta un gol de campo cuando piensan que la
distancia a la meta esta lo suficientemente cerca que lo más probable es que lo
logren.

Juegos de mesa
Si estás utilizando un juego de ruleta con cuatro secciones - rojo, azul, verde y
amarillo, tienes una oportunidad de caer en el rojo de 25 por ciento, ya que una de
las cuatro secciones es de color rojo. ¿Cuáles son las probabilidades de que vayas
a tirar un dado y obtener un número par? Tienes una probabilidad del 50 por ciento,
ya que tres de los seis números en un dado son pares.

Decisiones médicas
Si te dicen que necesitas una cirugía, querrás que conocer la tasa de éxito de la
operación. Con base en las estadísticas, puedes tomar una decisión informada si es
o no es una buena opción para ti. Puedes decidir si deseas o no iniciar un
tratamiento de medicamentos, con base en los resultados positivos de otros
pacientes o efectos secundarios.

Primas de seguros
Las compañías de seguros de coches ven tu edad y registro de conductor al
momento de decidir tu tipo de prima. Si ven que has tenido varios accidentes, lo
más probable es que puedas tener otro. En ese caso, sus tarifas serán más altas
que las de un conductor seguro.

Esperanza de vida
La esperanza de vida se basa en el número de años que grupos similares han vivido
en el pasado. Estas edades son utilizadas como directrices por parte de entidades
como asesores financieros para ayudar a los clientes a prepararse para sus años de
jubilación.

● Probabilidad Condicional
La probabilidad condicional, también llamada probabilidad condicionada, es una
medida estadística que indica la probabilidad de que ocurra un evento A si otro
evento B ha sucedido. Es decir, la probabilidad condicional P(A|B) se refiere a
cuánto de probable es que suceda el evento A una vez ya se ha producido el evento
B.

La probabilidad condicional se escribe con una barra vertical entre los dos eventos:
P(A|B), y se lee «la probabilidad condicional del evento A dado el evento B».

Ten en cuenta que el valor de la probabilidad condicional es un número entre 0 y 1.

Cuanto mayor sea la probabilidad condicional, más probable será de que el evento
A se cumpla cuando ocurra el evento B, pero cuanto menor sea la probabilidad
condicional, menos probable será que el evento A se cumpla cuando suceda el
evento B.

La probabilidad condicional del evento A dado el evento B es

igual a la probabilidad de la intersección entre el evento A y el
evento B partido por la probabilidad del evento B.
Ten en cuenta que la fórmula de la probabilidad condicional (o probabilidad
condicionada) solamente se puede utilizar si la probabilidad de ocurrencia del
evento no condicionado es diferente de cero, esto es, P(B)≠0. O dicho de otra
forma, si es posible que ocurra el evento B.

También se puede calcular la probabilidad condicional a partir de su inversa, es

decir, si se conoce P(B|A) se puede determinar P(A|B).

La probabilidad condicional se usa en muchas áreas, en campos tan diversos como

el cálculo , los seguros y la política. Por ejemplo, la reelección de un presidente
depende de la preferencia de voto de los votantes y quizás del éxito de la publicidad
televisiva, incluso de la probabilidad de que el oponente cometa errores durante los
debates.

El meteorólogo podría indicar que su área tiene una probabilidad de lluvia del 40 por
ciento. Sin embargo, este hecho está condicionado a muchas cosas, como la
probabilidad de…

● …un frente frío llegando a su área.

● …nubes de lluvia formándose.
● …otro frente alejando las nubes de lluvia.
Decimos que la probabilidad condicional de que llueva depende de todos los
eventos anteriores.

● Teorema de Bayes
El teorema de Bayes es un procedimiento que nos permite expresar la probabilidad
condicional de un evento aleatorio A dado B, en términos de la distribución de
probabilidad del evento B dado A y la distribución de probabilidad de solo A.

Este teorema es de mucha utilidad, ya que gracias a él podemos relacionar la

probabilidad de que un evento A ocurra sabiendo que ocurrió B, con la probabilidad
de que ocurra lo contrario, es decir, que ocurra B dado A.
El teorema de Bayes fue una proposición plateada por el reverendo Thomas Bayes,
un teólogo inglés del siglo XVIII quien también fue matemático. Fue autor de varios
trabajos en teología, pero en la actualidad es conocido por un par de tratados
matemáticos, entre los cuales destaca como resultado principal el ya referido
teorema de Bayes.

Bayes se ocupó de este teorema en un trabajo titulado “An Essay towards solving a
Problem in the Doctrine of Chances” (Un ensayo para resolver un problema en la
doctrina de las posibilidades), publicado en 1763, y sobre el cual se han
desarrollado grandes estudios con aplicaciones en diversas áreas de conocimiento.

El teorema de Bayes tiene distintas aplicaciones, como:

Estudio de enfermedades
Por ejemplo, en el estudio de enfermedades, el teorema de Bayes puede ayudar a
discernir la probabilidad de que una enfermedad sea encontrada en un grupo de
personas con una característica dada, tomando como datos las tasas globales de la
enfermedad y el predominio de dicha características en personas tanto sanas como
enfermas.

Desarrollo de software
Por otro lado, en el mundo de las altas tecnologías, ha influenciado a grandes
compañías que han desarrollado, gracias a este resultado, software “Basados en el
Conocimiento”.

Como ejemplo cotidiano tenemos el asistente de Microsoft Office. El teorema de

Bayes ayuda al software a evaluar los problemas que presenta el usuario y
determinar qué consejo proporcionarle y así poder ofrecer un mejor servicio según
los hábitos del usuario.

Cabe destacar que esta fórmula fue ignorada hasta tiempos recientes, esto se debe
principalmente a que cuando se desarrolló este resultado hace 200 años, había
poco uso práctico para ellos. Sin embargo, en nuestra época, gracias a los grandes
avances tecnológicos, los científicos han logrado maneras de poner en práctica este
resultado.

● Modelos Continuos y discretos

Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no se
puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva. Por lo tanto, solo los rangos de valores pueden tener una
probabilidad diferente de cero. La probabilidad de que una variable aleatoria
continua equivalga a algún valor siempre es cero.

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de

una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por lo
tanto, una distribución de probabilidad discreta suele representarse en forma tabular.

Algunos campos de aplicación de estos modelos son:

● Modelos de evaluación en la economía
● En el estudio de alguna enfermedad
● Simulación de eventos discretos
1.8 Diseñar y aplicar una encuesta o cuestionario en formulario de Google que
contenga 2 variables ordinales y 3 variables nominales con respuestas de opción
múltiple.
Encuesta:
https://docs.google.com/forms/d/e/1FAIpQLSd0qjp76iEprIOzAJO_rka9irhY5utUGN7l
XY3vljmLtl8isQ/viewform?usp=sf_link
Pregunta 1. “¿Cuál es tu sexo?”

Fuente: 61L1 Cetmar N.20 Fecha: Marzo 2023.

Tabla de frecuencia:
Sexo: Fi Fr
Masculino. 16 32%
Femenino. 34 68 %
Total: 50 100%

Como se puede observar el el gráfico anterior, cincuenta personas respondieron la

encuesta, las cuales dieciseis fueron del sexo masculino, representando el 32%,
mientras que 34 personas fueron del sexo femenino, representado el 68 % de loa
encuestados.
Pregunta 2. “¿Cuál es tu hobby?”

Fuente: 61L1 Cetmar N.20 Fecha: Marzo 2023.

Tabla de frecuencia:

¿Cuál es tu hobby? Fi Fr
Hacer deporte. 14 28%
Bailar. 4 8%
La música. 24 48%
El arte. 8 16%
Total: 50 100%

En la gráfica anterior se muestra los resultados de la segunda pregunta de la

encuesta, la cual fué respondida por cincuenta personas, se preguntó el hobby que
ellos practican. La música fué la más elegida, al tener 24 respuestas, representado
el 48% de los encuestados. De ahí siguen hacer deporte con 14 respuestas (28%),
Arte con 8 (16%) y la menos votada fué bailar con solo 4 respuestas, representado
el 8% de los encuestados.
Pregunta 3. “¿Qué te gusta hacer los fines de semana?”

Fuente: 61L1 Cetmar N.20 Fecha: Marzo 2023.

Tabla de frecuencia:
¿Qué te gusta hacer los fines de semana? Fi Fr
Ir de fiesta. 5 10%
Quedarte en casa. 22 44%
Salir con amigos. 12 24%
Deportes y actividades de aventura. 8 16%
Salidas culturales 3 6%
Total: 50 100%

Esta gráfica representa la frecuencia absoluta de los resultados de la pregunta 3 de

la encuesta aplicada a 50 personas. Se pregunta la actividad favorita que les gusta
hacer a los encuestados los fines de semana. Se observa que el 44% de los
encuestados prefieren quedarse en casa, el 24% prefieren salir con amigos, el 16%
prefieren realizar deporte y actividades de aventura, y el 6% les gusta ir a salidas
culturales.
Pregunta 4. “¿Con qué frecuencia practicas tu hobby?”

Fuente: 61L1 Cetmar N.20 Fecha: Marzo 2023.

Tabla de Frecuencia:

¿Con qué frecuencia practicas tu hobby? Fi Fr

1 vez al mes. 9 18%
1-2 veces por semana. 19 38%
3-5 veces a la semana. 22 44%
Total: 50 100%

En la gráfica anterior se representa los resultados de la pregunta 4 de la encuesta

aplicada a 50 personas, la cual pregunta la frecuencia que los encuestados ponen
en práctica su hobby. Dando como resultado que 22 personas, las cuales
representan el 44%, ponen el práctica su hobby de 3 a 5 veces por semana; el 38%
lo hacen de 1 a 2 veces por semana, mientras que el 18% lo ponen en práctica 1
vez al mes.
Pregunta 5. “¿Crees que tienes suficiente tiempo libre?”

Fuente: 61L1 Cetmar N.20 Fecha: Marzo 2023.

Tabla de Frecuencia:

¿Crees que tienes suficiente tiempo libre? Fi Fr

Si 11 22%
Poco 23 46%
No 16 32%
Total: 50 100%

En este gráfico de pastel representa los porcentajes de los resultados obtenidos de

la pregunta 5 de la encuesta aplicada a 50 personas, se preguntó a los encuestados
si ellos creen que tienen tiempo libre. Veintitres personas, representando el 46% de
los encuestados, respondieron que tienen poco tiempo libre, el 32% creen que no
tienen tiempo libre, mientras que el 22% creen que si tienen tiempo libre.
Pregunta 6. “¿Cuánto tiempo le dedicas?”

Fuente: 61L1 Cetmar N.20 Fecha: Marzo 2023.

Tabla de Frecuencias:

¿Cuánto tiempo le dedicas? Fi Fr

1 hora. 30 60%
Más de 2 horas. 20 40%
Total: 50 100%

En este gráfico de pastel, se representan los resultados obtenidos en la sexta

pregunta de la encuesta aplicada a 50 personas, donde se pregunta el tiempo en el
cual los encuestados le dedican a su hobby favorito. Los resultados dieron que
treinta personas, los cuales representan el 60% de los encuestados, le dedican 1
hora a su hobby favorito, mientras que veinte personas, las cuales representan el 40
porciento de los encuestados, dedican más de dos horas a su hobby favorito.
1.9 Reflexión final de Aprendizaje
En esta semana se estudió los tipos de estadística y probabilidad, ambos conceptos
van de la mano, porque ambos estudian patrones de ocurrencia que se escapan del
conocimiento o que implican cálculos muy grandes. No se presentó ninguna
dificultad en la comprensión de los conceptos de cada uno de los tipos de
estadistica y probabilidad. Posteriormente, se realizó una encuesta en base a 3
variables nominales y 2 ordinales, fué aplicada a 50 personas las cuales en su
mayoría, las respuestas fueron proporcionadas por individuos del sexo femenino,
además, hubo una diversidad de respuestas en cuanto a sus Hobbies. Al momento
de realizar las gráficas, se propuso hacer un gráfico de barras a aquellas preguntas
las cuales tienen una diversidad de opciones de respuestas. En general fue un exito
la eficiencia de aprendizaje en esta semana.

Bibliografías

López, J. F. (2019, noviembre 15). Estadística descriptiva. Economipedia.

https://economipedia.com/definiciones/estadistica-descriptiva.html

Ortega, C. (2021, mayo 18). Estadística descriptiva: Qué es, objetivo, tipos y
ejemplos. QuestionPro. https://www.questionpro.com/blog/es/estadistica-descriptiva/

Cardona, F. (2022, diciembre 9). Estadística inferencial. Excel Para Todos.

https://excelparatodos.com/estadistica-inferencial/

Solano, H. L. (2018). Estadística Inferencial. Editorial Universidad del Norte.

Ortega, C. (2021b, agosto 23). Análisis exploratorio: Qué es, usos y métodos para
realizarlo. Tudashboard.com. https://tudashboard.com/analisis-exploratorio/

Análisis exploratorio de datos. (2021, julio 9). Jmp.com.

https://www.jmp.com/es_co/statistics-knowledge-portal/exploratory-data-analysis.htm
l
Definición de Estadística Bayesiana. (s/f). Esri.com. Recuperado el 4 de marzo de
2023, de https://support.esri.com/es-es/gis-dictionary/bayesian-statistics

López, J. F. (2019, marzo 29). Estadística no paramétrica. Economipedia.

https://economipedia.com/definiciones/estadistica-no-parametrica.html

Triola, M. F. (2004). Probabilidad y estadística. Pearson educación.

Spiegel, M. R., Schiller, J. J., Srinivasan, R. A., & de los Monteros, A. V. E. (2013).
Probabilidad y estadística (No. QA39. 2. S644 1999.). New York, US: McGraw-Hill.

Alonso, D., & Tubau, E. (2002). Inferencias bayesianas: una revisión teórica. Anuario
de Psicología, 33(1), 25-47.

Condicional, C. I. D. L. P., & Independencia, E. (2005). Razonamiento sobre

probabilidad condicional e implicaciones para la enseñanza de la estadística.
Epsilon, 59, 245-260.

Gea, M. M., Parraguez, R., & Batanero, C. (2017). Comprensión de la probabilidad

clásica y frecuencial por futuros profesores.

Gaviria, C., & Jiménez-Leal, W. (2014). Encuentros cercanos con argumentos del
“tercer tipo”: razonamiento plausible y probabilidad subjetiva como modelos de
evaluación de argumentos. Crítica (México, DF), 46(137), 85-112.

Sabater, A. F., del Rey, Á. M. M., & Sánchez, G. R. (2014). Simulación de la

propagación del malware: Modelos continuos vs. Modelos discretos. In RECSI XIII:
actas de la XIII Reunión Española sobre Criptología y Seguridad de la Información.
Alicante, 2-5 de septiembre de 2014 (pp. 139-144). Servicio de Publicaciones.