TRABAJO DE ESTADISTICA INFERECIAL.

Ivn Ren Gmez Suarez.

Carlos Andrs Polo Cantero.

Yalidis Velsquez Mndez.

DOC. Matemtica y fsica.
Especialista en estadstica.

Universidad de Crdoba.
Facultad de ciencias jurdicas y administrativas.
Administracin en finanzas y Negocios Internacionales.
Berastegui Crdoba.
2015

HISTORIA DE LA ESTADISTICA
La historia de la estadstica comienza alrededor de 1749, Es una ciencia con tanta
antigedad como la escritura, y es por s misma auxiliar de todas las ciencias. Procede del
vocablo estado pues era funcin principal de los Gobiernos de los Estados establecer
registros de poblacin, nacimientos, defunciones, impuestos, cosechas con La necesidad
de poseer datos cifrados sobre la poblacin y sus condiciones. Es difcil conocer los
orgenes de la Estadstica. Desde los comienzos de la civilizacin han existido formas
sencillas de estadstica, pues ya se utilizaban representaciones grficas y otros smbolos
en pieles, rocas, palos de madera y paredes de cuevas para contar el nmero de
personas, animales o ciertas cosas. Ms tarde y con el tiempo se han venido aplicando
las diferentes frmulas para incluir el anlisis en la interpretacin de datos para la toma de
decisiones, el termino estadstica aunque han habido cambios en su interpretacin hoy
da en trminos modernos significa conjuntos de informacin recopilada aplicados en
diferentes reas como lo es la contabilidad financiera, salud, arquitectura y porque no en
nuestro diario vivir. La estadstica ha tenido un importante impacto en un amplio rango de
ciencias, estas la aplican en sus actividades
desde diseos de experimentos
especialmente en la prctica mdica mediante el uso de la probabilidad y sus otras teoras
requiriendo obviamente de estas.

PERSONAS QUE LE HAN HECHO APORTES A LA ESTADSTICA.

Thomas Bayes, Jakob Bernouilli, Gertrude Mary Cox, Pafnuti Chebyshev, Abrahn De
Moivre, Pierre de Fermat, Galton, Francis, Charles Dogson, Fisher, Ronald Aylmer, Gauss,
Carl Friedrich, Laspeyres, Etienne L. y Paasche, Hermann, Gosset Y William Sealey,
Kolmogorov Y Andrei Nikolaevich, Pearson, Karl entre otros.

Abraham de Moivreeste: Fue un matemtico francs. Conocido por la frmula

de De Moivre y por su trabajo en la distribucin normal y probabilidad, A pesar que la
posicin social de su familia no est clara, su padre, cirujano de profesin, pudo mandarlo
a la academia protestante de Sedan (1678-82). De Moivre estudi lgica en Saumur
(1682-84), asisti al Collge de Harcourt en Pars (1684), y estudi privadamente con
Ozanam (1684-85). De todas maneras no hay referencias que De Moivre haya obtenido
un ttulo acadmico.Conocido por la frmula de Moivre, la cual conecta nmeros
complejos y trigonometra, y por su trabajo en la distribucin normal y probabilidad. Fue
elegido un miembro de Royal Society de Londres en 1697, y fue amigo de Isaac Newton y
Edmund Halley. De Moivre escribi un libro de probabilidad titulado The Doctrine of
Chances.Como era calvinista, tuvo que salir de Francia despus de la revocacin del
Edicto de Nantes (1685), y pas el resto de su vida en Inglaterra. Toda su vida fue pobre y
era cliente regular del Slaughter's Coffee House, en St. Martin Lane, en Cranbourn Street,
donde ganaba algo de dinero jugando al ajedrez.Muri en Londres, siendo enterrado en
St Martin's-in-the-Fields, aunque ms tarde su cuerpo fue trasladado.

Pierre Simn Laplace: Pierre-Simn Laplace era un matemtico francs que

invent y desarroll la Transformada de Laplace y la ecuacin de Laplace. Fue un
creyente del [[determinismo cau cre una curiosa frmula para expresar la probabilidad de
que el Sol saliera por el horizonte. l deca que la probabilidad era de (d + 1) / (d + 2),
donde d es el nmero de das que el sol ha salido en el pasado. Laplace deca que esta
frmula, que era conocida como la Regla de Sucesin (de Laplace), poda aplicarse en
todos los casos donde no sabemos nada, o donde lo que conocamos fue cambiado por lo
que no. An es usada como un estimador de la probabilidad de un evento, si sabemos el
lugar del evento, pero slo tenemos muy pocas muestras de l.

Karl Pearson: Fue un cientfico, matemtica britnico, que implemento la

estadstica matemtica. Desarrollo una investigacin sobre la aplicacin de los mtodos
estadsticos en la biologa y fue el fundador de la bioestadstica. Hizo el primer
departamento de estadstica en la Universidad, donde fue profesor. Creo la revista
Biometrika, desde entonces una de las ms importantes en el campo de la estadstica.

Carl Friedrich Gauss: Fue uno de los matemticos ms grandes de la

historia. Se le considera uno de los tres genios de la historia de las Matemticas. Realiz
grandes aportes a todas las ramas de la ciencia. El talento de Gauss llam la atencin del
duque de Brunswick, quien, se propuso su educacin secundaria y universitaria. Uno de
los principales aportes a la Estadstica, fue el de la teora de los errores, adems dedujo la
curva normal de la probabilidad, a la que tambin se le llama "Curva de Gauss", est an
se usa en los clculos estadsticos.

Thomas Bayes: Fue un clrigo matemtico britnico. l estudi e investigo el

problema de la determinacin de la probabilidad de las causas a travs de los efectos que
se observan. El teorema de Bayes, habla acerca de la probabilidad que existe para un
suceso que se presenta como suma de diversos sucesos mutuamente excluyentes.
La Teora Bayesiana se basa en la enumeracin de los posibles eventos que son
diferentes, a la vez que asocia cada uno con una posible probabilidad de ocurrencia. Por
medio de la medicin del impacto de cada evento, y la multiplicacin por su
correspondiente probabilidad de ocurrencia, se pueden calcular los daos esperados de
cada uno de los factores de riesgo. El teorema de Bayes es vlido en todas las
aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el
tipo de probabilidades que emplea.

Jakob Bernoulli: Fue un matemtico y cientfico suizo, hermano mayor de

Johan
Bernoulli
(y
miembro
de
la
reconocida
Familia
Bernoulli).
Bernoulli se considera como el iniciador de la teora de la probabilidad, que hasta ese
momento slo estaba tratando de fenmenos experimentales con resultados
equiprobables, motivados, aparte de los juegos de azar, por problemas de las ciencias
sociales, intereses econmicos, seguros, meteorologa y medicina. En su obra "Ars
Conjectandi", introduce lo que hoy se conoce como la primera ley de los grandes
nmeros. El cul es el principio fundamental, que establece que, bajo ciertas condiciones,
un promedio muestral se aproxima al promedio de la poblacin de donde se obtuvo la
muestra, si el tamao de sta es grande.

Simen Deneis Poisson: Ingeniero civil y matemtico francs, estudi y

fue profesor en la Ecole Polytechnique de pars. Tuvo como profesores, entre otros, a
Laplace y Lagranje, que pronto se dieron cuenta de su talento matemtico. Poisson
estudio problemas sobre ecuaciones diferenciales ordinarias y parciales y cmo aplicarlas
a varios problemas de fsica. Pblico artculo sobre movimientos planear la rotacin de la
tierra, el mtodo de lagrange aplicado a problemas mecnicos, as como varios estudios
sobre electricidad magnetismo superficial entre otros.
La distribucin poisson que describe la probabilidad de que un suceso aleatorio ocurra en
un periodo de tiempo o en una regin del espacio bajo ciertas condiciones. Tambin
introdujo la expresin ley de los grandes nmeros.

DISTRIBUCIONES DISCRETAS DE PROBABILIDAD.

DISTRIBUCIN UNIFORME
La distribucin de probabilidad uniforme es una distribucin en la cual las probabilidades
de todos los resultados son las mismas para todos los posibles. La figura 5.3 muestra una
distribucin uniforme en la cual todos los resultados sobre el rango total de posibilidades
de distribucin son igualmente posibles, desde el mnimo de a hasta el mximo de b, a
continuacin la grfica y las frmulas que hacen parte de dicha distribucin.

La media o valor esperado de una distribucin uniforme est a mitad de camino entre sus
dos puntos extremos as:

Media de una distribucin uniforme:

E ( x )==

a+b
2

En donde a y b son los

valores ms bajos y ms altos respectivamente.

Varianza de una distribucin uniforme de probabilidad:

a
b

2=

Probabilidad

que

una

observacin

caiga

entre

dos

valores:

p ( x 1 x x 2 ) =

x x 1
rango

Ejemplos de distribucin uniforme.

Dow chemical produce un fertilizante inorgnico par csped, para aquellos que fertilizan
su pasto en casa, de manera que lo puedan podar con ms frecuencia. Este tipo de
fertilizante se vende en bolsas con un peso uniformemente distribuido. Con una media de
25 libras y un rango de 2.4 libras. Harry Ynez necesita 23 libras para fertilizar su csped,
pero duda si comprar solo una bolsa ya que se desva de las 25 libras en un rango de 2.4
libras. Tambin tiene curiosidad sobre la probabilidad de comprar una bolsa con ms de
25.5 libras.

Solucin.
Si las bolsas tienen un promedio de 25 libras sobre un rango de 2.4 libras, entonces la
mitad de ese rango, o 1.2 libras, debe estar por debajo de 25, y la otra mitad, por encima
de 25 libras. Por consiguiente, el peso mnimo ser 25 -1.2 =23.8 libras y el peso mximo
es 25+1.2 = 26.2libras, como se observa en la figura. La probabilidad de seleccionar una
sola bolsa que contenga entre 25.5 y 26.2 libras es:

p (25. 5< x <26.2 )=

26.225.5
=0.2917
2.4

Interpretacin: Harry no tiene por qu preocuparse. La bolsa ms liviana que podra

comprar pesa 23.8 libras. Definitivamente comprara por lo menos 23 libras que necesita
para su csped. Adems, la probabilidad de seleccionar una bolsa con ms de 25.5 libras
es de 29.17%.

DISTRIBUCIN BINOMIAL.
Es una de las distribuciones de probabilidad ms tiles (control de calidad, produccin,
investigacin). Tiene que ver con el experimento aleatorio que produce en cada ensayo o
prueba uno de dos resultados posibles mutuamente excluyentes: ocurrencia de un criterio
o caracterstica especfico (llamado xito) y no ocurrencia de ste (llamado fracaso). Los
trminos o calificativos de "xito y fracaso" son solo etiquetas y su interpretacin puede no
corresponder con el resultado positivo o negativo de un experimento en la realidad.
Queriendo decir:
-

N experimentos
La variable aleatoria tiene dos posibles resultados.
Independientes
Probabilidad de xito permanece constante.

La variable aleatoria binomial x definida como el nmero de xitos en n ensayos tiene una
distribucin con parmetros n y p.

P(x=x)= ( x )

px qn x ; x=,1,2,3 n

Q= 1 p

( x )=

n!
x ! ( nx ) !

Si x es el binomial de parmetros p y n entonces:

1- E (x) = n * p media (valor esperado)
2- Var(x)= n * p (1-p) varianza
3NOTA: Teniendo en cuanta las siguientes formulas.

P(x a) = 1 p (x < a 1)
P(x > a) = 1 p (x a 1)
a

p ( .)

P (x a) =

a1

p ( .)

P(x < a) =

P (a x b) = p( x b) ( x a)

EJEMPLO:

Usted ha encontrado 8 recepcionistas telefnicas para que tome los pedidos

telefnicos para una lnea de productos deportivos que su empresa est
comercializando. Una recepcionista est ocupada el 30% del tiempo catalogando un
pedido. Usted no desea que la probabilidad de que una llamada del cliente se reciba
con una seal de ocupada exceda el 50% Debera usted contratar ms
recepcionistas si 3 clientes llaman?

DONDE
N=8
P=0.30
Q=1- 0.30 = 0.70

P (x=3) = ( 3 )

(0.30)

83

(0.70)

=0.2541

P (x=3) = 0.2541*100=25.41%

EJEMPLO 2: un gerente de amrica express a descubierto que el 10% de los usuarios

de tarjeta no paga el monto completo de la deuda durante un mes dado. Determinar, la
probabilidad que de 20 cuentas seleccionadas aleatoriamente, 5 de las cuentas no sean
pagadas.

Solucin.
Evento
Nmero de cuentas no pagadas
N=20
P= 0.10
Q= 0.90

20
5
P (x=5) = ( 5 ) ( 0.10 )

( 0.90 )205=0.0319

Anlisis: la probabilidad que 20 cuentas seleccionadas aleatoriamente, 5 de las cuentas

no sean pagadas es de 0.0319

DISTRIBUCIN HIPERGEOMETRICA
Como se acaba de explicar, la distribucin binomial es apropiada solo si la probabilidad de
un xito permanece constante para cada intento. Esto ocurre si el muestreo se realiza con
remplazo o de una poblacin finita (o muy grande). Sin embargo, si la poblacin es
pequea y ocurre el muestreo sin reemplazo, la probabilidad de un xito variara. Si la
probabilidad de un xito no es constante, la distribucin hipergeometrica es de especial
utilidad. La funcin para de probabilidad de la funcin para la distribucin hipergeometrica
es:

En donde:
N= es el tamao de la

poblacin

R= es el nmero de xitos en la poblacin

N: es el tamao de la muestra

La distribucin hipergeometrica si se selecciona una muestra sin reemplazo de una

poblacin finita conocida y contiene una proporcin relativamente grande de la poblacin,
de manera que la probabilidad de xito sea perceptiblemente alterada de una seleccin a
la siguiente, debe utilizarse la distribucin hipergeometrica.

Ejemplo: supongamos que en un establo de caballos de carrera hay N= 10 caballos, y r

= 4 de ellos tienen una enfermedad contagiosa. Cul es la probabilidad de seleccionar
una muestra de n=3 en la cual x= 2 caballos enfermos?

Solucin
P (X=2) = 4

C2

C3-2 / 10 C 3

10-4

66
=0.30
120

Existe un 30% de probabilidad de seleccionar 3 caballos de carreras dos de los cuales

estn enfermos.

DISTRIBUCIN POISSON.

Si x es una variable aleatoria que cuenta el nmero de veces que un evento ocurre en un
intervalo unidad de tiempo longitud superficie, volumen entre otros. Y si se tiene que los
eventos son independientes y el nmero promedio por intervalo es , se dice que x tiene
una distribucin de poisson y su probabilidad es:

e x
p( x=x)=
x!

Para X = 0, 1, 2,3n

MEDIA: E (X)=

VARIANZA: varianza (x) =

Ejemplo:
Supngase que se est interesado en la probabilidad de que exactamente 5 clientes
lleguen durante la siguiente hora laboral. La observacin ha demostrado que en las
ltimas 80 horas han entrado 800 clientes al negocio.

Solucin
Evento
Si x = el nmero de clientes que llegan al negocio

p ( x=5 )=

e10 105
=0.0378
5!

Entonces decimos que la probabilidad de que exactamente 5 clientes lleguen durante la

siguiente hora laboral es de 0.0378.

DISTRBUCION GEOMETRICA
Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra
un xito por primera y nica vez en el ltimo ensayo que se realiza del
experimento.
ADICIONALMETE SE TIENE QUE CUMPLIR LO SIGUIENTE

que existan solamente dos resultados posibles en cada ensayo que vamos
a llamar xitos y fracasos igual que en la distribucin binomial.
la probabilidad de un xito representada por P permanece constante en
todos los intentos igual que la suponemos en la distribucin binomial
todos los n intentos repetidos son independientes similar a lo que
suponemos en la distribucin binomial.

Es decir se cumplen todas las mimas suposiciones de la distribucin binomial,

excepto que n no es fijo.
Si en pruebas independientes repetidas puede resultar un xito con una
probabilidad P y un fracaso con una probabilidad Q=1-P es decir la probabilidad de
fracaso es uno menos la probabilidad de xito entonces:
La distribucin de probabilidad de variable aleatoria X (donde X es el nmero de la
prueba en la cual ocurre el primer xito) es la distribucin geomtrica dada por la
P
1
ecuacin:

P( XP)=P
EJEMPLO:
Si la probabilidad que un tirador experto de en el blanco es del 95% cul es la
probabilidad de que falle por primera vez en su decimoquinto disparo?
SOLUCION

Anlisis
Tenemos que solo hay xitos y fracasos que el tirador o da en el blanco o no da en
el blanco, tambin tenemos que cada disparo es independiente es decir si en un
disparo acierta o falla eso no va a afectar en el siguiente disparo pueden acertar o
pueden fallar, tambin tenemos que la probabilidad de xito es constante en este
caso del 95%. Se cumplen todas las condiciones de una distribucin binomial
acepto que l no va a disparar 15 veces solo queremos saber la probabilidad de
que falle por primera vez en el decimoquinto disparo. Entonces es un problema de
distribucin geomtrica ms no binomial.
Datos:
X=15
P= 0.05
Hay 95% de probabilidad de que el acierte pero lo que andamos buscando es que
falle entonces el xito es la falla y la probabilidad de falla seria de 5%

.05
10

14
0.95
P ( X=15 ) =0.05

P ( X=15 ) =0.0244

La probabilidad de que falle por primera vez en su decimoquinto disparo es 2.44%

INTRODUCCION
La estadstica es una ciencia de manejo de datos, que es muy importante estudiar
en nuestra carrera lo cual es de vital importancia para la toma de decisiones. En el
siguiente trabajo hicimos un breve estudio de la historia de la estadstica y de lo
importante que es para las dems ciencias, tambin se ver reflejado los
diferentes aportes que personajes del mundo le han hecho para hacer de esta
ms exitosa en sus resultados que nos arroja, al momento de elaborar nuestros
problemas. Presentaremos en que consisten las distribuciones discretas de
probabilidad, sus conceptos, modelos matemticos o ecuacin y un ejemplo que
se nos hace importante analizar, para el desarrollo de esta materia importante.

OBJETIVOS.

Tener claro en que consiste la estadstica y de lo importante que es

estudiarla el nuestra carrera.

Analizar las diferentes distribuciones discretas de probabilidad.

Saber usar sus frmulas que nos permitan llegar a lo que queremos lograr
en la elaboracin de problemas que se nos planteen.

CONCLUSIN.
Con la elaboracin de este trabajo queda claro en que consiste la ciencia de la
estadstica, sus personajes que le han hecho aporte y en que problemas pueden
ser aplicadas sus frmulas, obviamente estudiando sus diferentes distribuciones
discretas de probabilidad. Cabe aclarar todo esto se llevara a cabo en las tutoras
desarrolladas durante el semestre cursado aclarando dudas que se nos presentes
y desarrollando problemas estadsticos para nuestro aprendizaje.

BIBLIOGRAFA.
Estadstica aplicada a los negocios y la economa, por Allen l. webster (3
edicin)
Cuaderno de estadstica descriptiva III semestre (Tutora: Johana Hernndez)
http://www.uv.mx/cienciahombre/revistae/vol18num2/articulos/historia/
http://www.estadisticaparatodos.es/historia/histo_esta.html
http://aportesestadisticos.blogspot.com/
http://www.ine.es/explica/explica_historia_personajes.htm
https://www.youtube.com/watch?v=PCt4vvWnRlc