UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

Centro Universitario del Norte

Carrera de Contaduría Pública y Auditoría

ESTADISTICA IV

INVESTIGACION DE ESTADISTICA

Karen Johana Xon Sell

Cobán, Alta Verapaz, agosto de 2019.

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA
Centro Universitario Del Norte
Carrera de Contaduría Pública y Auditoría

ESTADISTICA IV

TRABAJO DE INVESTIGACION

Karen Johana Xon Sell 201742121

Cobán, Alta Verapaz, abril de 2019.

 INTRODUCCION

La probabilidad demuestra la importancia y la utilidad del método estadístico en

cuanto al método económico, con el fin de aprender el método y técnicas
adecuadas para el correcto tratamiento y análisis de la información proporcionada
por los datos que genera la actividad económica

Asi mismo las reglas de probalidad que servirá para diferenciar el calculo y el
sistema de uso que se dara en cuanto a diferentes situaciones, ya que cada uno
de las reglas son distintas uno de otras.

Como también la curva que representa la distribución de probabilidad normal

lo cual se describe generalmente como en forma de campana. Esta distribución
es importante en inferencia estadística
 OBJETIVOS

GENERAL:

Analizar cada uno de los procedimientos que se aplica en cuanto las

probabilidades estadísticas, y su respectiva fórmula para llegar a un resultado
correcto a lo que pide en cuanto a los problemas que se nos brindaran en clases

ESPECIFICOS

Interpretar cada uno de los ejemplos que se nos dará en clases para poder
resolver de acuerdo a cada uno de las probalidades con facilidad

Conocer las reglas de la probabilidad para poder aplicar en cada uno de los
ejercicios a realizar y así mismo facilitarnos a nosotros mismos conociendo las
reglas
DISTRIBUCIONES DE PROBABILIDAD

Una distribución de probabilidad indica toda la gama de valores que pueden

representarse como resultado de un experimento si éste se llevase a cabo.

Es decir, describe la probabilidad de que un evento se realice en el futuro,

constituye una herramienta fundamental para la prospectiva, puesto que se puede
diseñar un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenómenos naturales.

Toda distribución de probabilidad es generada por una variable aleatoria x y

puede ser de dos tipos, Variable aleatoria discreta (x). Porque solo puede tomar
valores enteros y un número finito de ellos.

Por ejemplo: x Variable que define el número de alumnos aprobados en

la materia de probabilidad en un grupo de 40 alumnos (1, 2 ,3…ó los 40).

propiedades de una variable aleatoria discreta (x)

Las probabilidades asociadas a cada uno de los valores que toma x deben
ser mayores o iguales a cero y menores o iguales a 1.

La sumatoria de las probabilidades asociadas a cada uno de  los

valores que toma x debe ser igual a 1. Ejemplo para variable aleatoria discreta; Se
tiene una moneda que al lanzarla puede dar sólo dos resultados: o cara (50%), o
cruz (50%).

NÚMERO DE CARAS LANZAMIENTOS PROBABILIDAD DE ESTE

RESULTADO P(CARA)

0 (CRUZ, CRUZ) 0.25

1 (CARA, CRUZ)+ (CRUZ, 0.50

CARA)

2 (CARA, CARA) 0.25

 Variable aleatoria continua (x).

Porque puede tomar tanto valores enteros como fraccionarios y un número

infinito de ellos dentro de un mismo intervalo.

Por ejemplo: x Variable que define la concentración en gramos de plata de

algunas muestras de mineral (14.8 gr., 12.1, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8,
…, ¥

PROBALIDAD EN LA INVESTIGACION

radica en que, mediante este recurso matemático, es posible ajustar de la

manera más exacta posible los imponderables debidos al azar en los más
variados campos tanto de la ciencia como de la vida cotidiana.

En efecto, la probabilidad es una estrategia mediante la cual se intenta estimar

la frecuencia con la que se obtiene un cierto resultado en el marco de una
experiencia en la que se conocen todos los resultados posibles.

Así, el ejemplo más tradicional consiste en definir cual es la prevalencia de

obtener un número al arrojar un dado. Sobre seis resultados posibles todas las
caras, sólo es posible lograr un número por cada vez que el dado es arrojado.

En este caso, la probabilidad puede expresarse como uno en seis, un sexto, la

sexta parte o, en términos matemáticos precisos, 0.16 ó 16%. La importancia
esencial de la aplicación de los métodos de cálculo de la probabilidad reside en su
capacidad para estimar o predecir eventos.

Ya que cuanto mayor sea la cantidad de datos disponibles para calcular la

probabilidad de un acontecimiento, más preciso será el resultado calculado. Dada
la complejidad de los sistemas en los que suele aplicarse la teoría de la
probabilidad, se requiere de modelos informáticos y estadísticos de gran
elaboración, que serían imposibles de no contarse con los modernos recursos
tecnológicos relacionados con la computación.

PROBALIDAD DE UN EVENTO

es la probabilidad de que ocurra un resultado o evento específico. Lo opuesto

de un evento es un no evento, la probabilidad del evento también se conoce como
probabilidad pronosticada.

Asi mismo la probabilidad del evento estima la probabilidad de que ocurra un

evento, como sacar un as de un mazo de cartas o producir una pieza no conforme,
la probabilidad de un evento varía de 0 (imposible) a 1 (seguro).

Ya que cada ejecución en un experimento se denomina ensayo. Por ejemplo, si

lanza una moneda al aire 10 veces y registra el número de caras, realiza 10
ensayos del experimento.

Si los ensayos son independientes e igual de probables, se puede estimar la

probabilidad del evento dividiendo el número de eventos entre el número total de
ensayos. Por ejemplo, si obtiene 6 caras en 10 lanzamientos de moneda, la
probabilidad estimada del evento es: Número de eventos ÷ Número de ensayos =
6 ÷ 10 = 0.6

Una probabilidad de evento acumulada estima la probabilidad de que ocurra un

conjunto de eventos es decir la probabilidad de obtener 4 o menos al lanzar un
dado, lo cual representa la suma de la probabilidad de obtener 1, 2, 3 y 4.

SISTEMA COMPLEJO DE EVENTOS

Los eventos complejos incluyen dos componentes, un componente de

observación y un componente de objeto, el componente de observación temporal
no incluye toda la información necesaria para el objeto, de modo que la
información adicional se almacena en el componente de objeto. El contenido
exacto del componente de objeto depende de si los objetos rastreados se están
desplazando o son estáticos.

Por consiguiente, el componente de objeto podría contener el campo de forma

para eventos estáticos. Como mínimo, debe incluir un campo Id. que puede
vincularlo al componente de observación.

La fusión de los componentes de objeto y observación temporal crea un

registro de evento complejo o mensaje de datos. Se utiliza un campo Id. único que
existe en ambos componentes para unir los dos y crear una imagen completa de
la información de cada evento. En el caso de datos en tiempo real, esta fusión
aparece automáticamente

Eventos estáticos complejos

Un ejemplo de evento estático complejo se toma de una estación

meteorológica. La ubicación geográfica del sensor no cambia, de modo que su
posición geográfica, así como otra información estática, se almacena en el
componente de objeto temporal.

El componente de objeto temporal también incluye el Id. del sensor de modo

que se pueda vincular a las observaciones para el sensor correcto

.
 Eventos dinámicos complejos

Un ejemplo de evento dinámico complejo es la información de un avión. Su

ubicación geográfica está cambiando constantemente, de modo que se debe
almacenar en el componente de observación, junto con la información de fecha y
hora.

En este caso, la tabla de objetos temporales podría incluir información

como el fabricante y modelo del avión, información del piloto y la tripulación y la
edad y capacidad del fuselaje.

REGLAS DE PROBALIDAD

Existen tres reglas de probabilidas lo que es la probalidad total, condicional y la

compuesta ya que cada uno de ellas se diferencia mucho en cuanto a su
aplicación

Probabilidad total

Sean A y B dos sucesos definidos en el experimento E, cada uno de los

cuales puede presentarse o no cada vez que se realiza el experimento. Plantee
estos dos sucesos en cada uno de los experimentos dados.
 Nos interesa considerar el suceso aparición de al menos uno de ellos, p(A U
B) o P(A+B). Es decir, el suceso se cumplirá si aparece A, si lo hace B o si lo
hacen ambos.

Para calcular esta probabilidad se pueden presentar dos casos, en el caso

1. F AUB=FA+FB-FAB o en este caso si dividimos por N es decir P(AUB), en
cuanto al caso 2. AΠB=Ǿ o también Faub=fa+fb y al dividir por n P(AUB) = P(A)

+P(B)

PROBABILIDAD CONDICIONAL

En cuanto a la probabilidad condicional hay situaciones en las que interesa

calcular la probabilidad de sucesos que tienen cierta información con respecto a
un experimento. Dicha información reduce el espacio muestra original a uno de
sus subconjuntos.

De esta forma la probabilidad de un suceso será diferente si se tiene o no

información adicional. Así por ejemplo, un animal elegido de aquellos que están
vacunados tendrá una probabilidad mayor de no contraer la enfermedad que aquel
seleccionado entre el conjunto total de animales.
 A este tipo de probabilidad se denomina probabilidad condicional y se expresa: 
P(A / B) que se lee como la probabilidad de que habiendo ocurrido B ocurra A, o
probabilidad de A habiendo ocurrido B. En donde FA/B=FAΠB/FB y al dividir por
N: Pa/b=P aΠb/pb

PROBABILIDAD COMPUESTA O CONJUNTA

La probabilidad condicional estudiada nos conduce a observar reglas de

probabilidad para sucesos conjuntos, es decir, la probabilidad de que dos o más
sucesos aparezcan al mismo tiempo.

Dado que: P(A/B) =P(AB)/P(B)-------1) P(AB)=P(B).P(A/B)

P(B/A)=P(AB)/P(A)--------2) P(AB)=P(A).P(A/B)

Ejemplo en cuanto a la probabilidad compuesta; Estudiamos el suceso A

(porcentaje de varones mayores de 40 años casados) y el suceso B (varones
mayores de 40 años con más de 2 hijos) y obtenemos la siguiente información: Un
35% de los varones mayores de 40 años están casados.

De los varones mayores de 40 años y casados, un 30% tienen más de 2 hijos

(suceso B condicionado al suceso A). se desea Calcular la probabilidad de que un
varón mayor de 40 años esté casado y tenga más de 2 hijos (suceso intersección de
A y B).

Por lo tanto: P (A) = 0,35 P (B/A) = 0,30 P (A L B) = 0,35 * 0,30 = 0,105. Es

decir, un 10,5% de los varones mayores de 40 años están casados y tienen más de
2 hijos
DISTRIBUCION BINOMINAL

Es una distribución de probabilidad discreta que mide el número de éxitos en

una secuencia de n independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo

son posibles dos resultados. A uno de estos se denomina éxito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 – p

Características de un experimento binomial

a) La cantidad de ensayos que se realizan es finita. Sea esta cantidad n.

b) Cada ensayo tiene únicamente dos resultados posibles: “éxito” o “fracaso”

c) Todos los ensayos realizados son independientes.

d) La probabilidad de “éxito” en cada ensayo permanece constante. Sea este

valorp

uno de los ejemplos de la distribución binominal , utilizando la distribución

binomial para calcular la probabilidad de que 3 o más elementos defectuosos se
encuentren en una muestra de 25 elementos si la probabilidad de un elemento
defectuoso en cada ensayo es 0.02. El número de elementos defectuosos (X)
sigue una distribución binomial con n = 25 y p = 0.02.

El número de eventos (X) en n ensayos sigue una distribución binomial si se

cumplen las siguientes condiciones: El número de ensayos es fijo, Cada ensayo
es independiente de otros ensayos.

Cada ensayo tiene uno de dos resultados: evento o no evento.La probabilidad

de un evento es igual para cada ensayo.
Una de las propiedades de la distribución binomial es que cuando n es grande, la
distribución binomial puede ser aproximada razonablemente por la distribución
normal. Por ejemplo, para la siguiente distribución binomial, n = 100 y p = 0.5.

DISTRIBUCIÓN NORMAL

es la distribución de probabilidad más importante en estadística, conocida por

la cantidad de fenómenos que explica. Se la denomina Campana de Gauss, ya
que al representar su función de probabilística la misma tiene forma de campana.

Es la más frecuentemente utilizada en aplicaciones estadísticas, debido a su

extensa utilización, admitida por la frecuencia con la que algunos fenómenos
tienden a parecerse en si. respecto a su utilización se puede hacer referencia al
origen de su propio nombre, que proviene del hecho de que por mucho tiempo
médicos y biólogos creyeron que todas las variables naturales de interés seguían
este modelo.

importancia

Su aplicación es directa y permite observar muchas variables de interés,

que pueden describirse fácilmente con este modelo. Sirve para acercarse a varias
distribuciones de probabilidad discreta, entre estas la distribución de Poisson y la
distribución Binomial.
 Sus propiedades han permitido el desarrollo de muchas técnicas de
inferencia estadística. Proporcionando la base de la estadística inferencial clásica,
por su relación con el teorema de límite central. La función asociada a la
distribución normal está dada por:

Dónde: μ media de la distribución. σ: desviación estándar de la distribución.

π = 3.1415926535… x: variable aleatoria. A una distribución normal de media μ y
desviación estándar σ se le denota N(μ,σ). La distribución normal cuando μ = 0
y σ = 1 recibe el nombre de curva normal unitaria (N(0,1))

Asi mismo la representación gráfica de esta distribución es una curva simétrica

y su forma se asemeja a una campana por lo que se conoce como campana de
Gauss.
 CONCLUSION:

Cada una de las reglas de probalidad que son tres se aplicara en los ejercicios en
clases lo cual nos facilita el aprendizaje ya que conocemos de él y lo
interpretaremos en los ejercicios que nos darán.

Así mismo cabe mencionar que el concepto investigado nos da entender la

probalidad de un suceso asociado en cuanto a un experimento aleatorio asi como
también la estabilidad o regularidad de las frecuencias