Estadistica y Probabilidades

UNIVERSIDAD CATOLICA DE SANTA MARIA
Pgina 1

ESTADISTICA Y PROBABILIDADES

PROFESOR: ANTONIO ERICK LINARES FLORES CASTRO

ALUMNA: MERY ISABEL DELGADO EDUARDO

SECCIN: B

AREQUIPA- PERU
2014

Pgina 2

INDICE

1. HISTORIA...Pag. 3

2. DEFINICIN Y CLASES.. Pag. 7

3. USO E IMPORTANCIA... Pag. 13

4. APLICACIN DE LA ESTADISTICA EN LA INGENIERIA INDUSTRIAL..Pag. 14


Pgina 3

1. HISTORIA DE LA ESTADSTICA Y PROBABILIDADES

La historia de la probabilidad comienza en el siglo XVII cuando Pierre Fermat y Blaise
Pascal tratan de resolver algunos problemas relacionados con los juegos de azar.
Aunque algunos marcan sus inicios cuando Cardano, jugador donde los haya, escribi
sobre 1520 El Libro de los Juegos de Azar, aunque no fu publicado hasta ms de un
siglo despus, sobre 1660, no es hasta dicha fecha que comienza a elaborarse una
teora aceptable sobre los juegos.

Christian Huygens conoci la correspondencia entre Blaise Pascal y Pierre Fermat
suscitada por el caballero De Mr, se plante el debate de determinar la probabilidad
de ganar una partida, y public en 1657 el primer libro sobre probabilidad: De
Ratiociniis in Ludo Aleae, un tratado sobre juegos de azar. Se aceptaba como intuitivo
el concepto de equiprobabilidad, se admita que la probabilidad de conseguir un
acontecimiento fuese igual al cociente entre

Durante el siglo XVIII, debido muy particularmente a la popularidad de los juegos de
azar, el clculo de probabilidades tuvo un notable desarrollo sobre la base de la
anterior definicin de probabilidad. Destacan en 1713 el teorema de Bernoulli y la
distribucin binomial, y en 1738 el primer caso particular estudiado por De Moivre, del
teorema central del lmite. En 1809 Gauss inici el estudio de la teora de errores y en
1810 Laplace, que haba considerado anteriormente el tema, complet el desarrollo de
esta teora. En 1812 Pierre Laplace public Thorie analytique des probabilits en el
que expone un anlisis matemtico sobre los juegos de azar.

A mediados del siglo XIX, un fraile agustino austraco, Gregor Mendel, inici el estudio
de la herencia, la gentica, con sus interesantes experimentos sobre el cruce de
plantas de diferentes caractersticas. Su obra, La matemtica de la Herencia, fue una
de las primeras aplicaciones importantes de la teora de probabilidad a las ciencias
naturales

Desde los orgenes la principal dificultad para poder considerar la probabilidad como
una rama de la matemtica fue la elaboracin de una teora suficientemente precisa
como para que fuese aceptada como una forma de matemtica. A principios del siglo
XX el matemtico ruso Andrei Kolmogorov la defini de forma axiomtica y estableci
las bases para la moderna teora de la probabilidad que en la actualidad es parte de
una teora ms amplia como es la teora de la medida.


Pgina 4

PRINCIPALES REPRESENTANTES DE LA TEORA DE LA
PROBABILIDAD
Girolamo Cardano (1501 1576)
Mdico, matemtico y astrlogo italiano. Era un jugador
empedernido y su obra es mas bien un manual para
jugadores. Escribi el Libro de los juegos de azar, en 1565,
aunque no publicado hasta 1663. Trabaj con los conceptos
de la definicin clsica de la probabilidad. Introdujo la idea
de asignar una probabilidad P entre 0 y 1 a un suceso
cuyo resultado se desconoce.

Galileo Galilei (1564 1642)
La principal contribucin de Galileo a la teora de la
probabilidad fue la creacin de la teora de la medida de
errores. Sent las bases para el nacimiento de la
estadstica.

Pierre de Fermat (1601 1665)
En su juventud, con su amigo el cientfico Blaise Pascal, realiz
una serie de investigaciones sobre las propiedades de los
nmeros. De estos estudios, Fermat dedujo un importante
mtodo de clculo de probabilidades. Tambin se interes por la
teora de los nmeros y realiz varios descubrimientos en este
campo.

Bleise Pascal (1623 1662)
Los matemticos franceses Bleise Pascal y Pierre Fermat
formulan la teora de la probabilidad a partir de una serie
de investigaciones sobre las propiedades de los nmeros.
Esta teora ha llegado a ser de gran importancia en los

Pgina 5

clculos de la fsica terica moderna as como en estadsticas actuariales,
matemticas y sociales.

Jacob Bernoulli (1654 1705)
En 1689 public un importante trabajo sobre series
infinitas y su ley sobre los grandes nmeros en teora
probabilstica. Fue un temprano precursor del uso de la
teora probabilstica en medicina y meteorologa en su
trabajo Ars conjectandi (el arte de la conjetura)
publicado de manera pstuma en 1713. Se puede decir
que con sus trabajos, Bernoulii inicia el establecimiento
de la combinatoria como una nueva e independiente
rama de las matemticas.

Abraham de Moivre (1667 1754)
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 miembro
de la 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.

Joseph Lagrange ( 1736 1813)
A finales del siglo 18; con su trabajo, Lagrange se volvi
evidente que existen analogas entre los juegos de azar y
fenmenos aleatorios en fsica, biologa y ciencias sociales.
Fue el primero que estudi las permutaciones, adems
que invent y madur el clculo de variaciones.


Pgina 6

Carl F. Gauss (1777 1853)
En 1801 Gauss public Disquisitiones arithmeticae, su principal
trabajo y uno de los mas importantes en la historia de las
matemticas. Esta obra cubre temas de teora de nmeros,
anlisis matemtico, teora de probabilidades, geometra,
fisicomatemtica, astronoma y geodesia. En probabilidad,
mostr que sta puede representarse por una curva en forma
de campana (distribucin gaussiana), que es la base en la
distribucin estadstica de datos.

Karl Pearson (1857 1936)
Aplic la estadstica a los problemas biolgicos de la herencia y
evolucin, resaltndose las publicaciones realizadas entre
1893 1912, tituladas Contribuciones de la matemtica a la
teora de la evolucin, en las cuales se encuentran
contribuciones al anlisis de regresin, coeficiente de
correlacin en el que incluy la prueba de fi cuadrada y fue l
quin acu el trmino de desviacin estndar.

Egon Pearson (1895 1980)

Fue el nico hijo de Karl Pearson. Egon ayud a desarrollar
teoras concernientes con aplicaciones de tcnicas
estadsticas, teora estadstica y operaciones de
investigacin. Junto con Neyman desarroll un enfoque de
prueba de hiptesis, el cual fue duramente refutado por
Fisher, pero obviamente aceptado. Durante la segunda
guerra mundial, Egon trabaj en mtodos estadsticos en
control de calidad, junto con una nueva disciplina de
investigacin de operaciones.


Pgina 7

Jerzy Neyman ( 1894 1981)
Es considerado uno de los grandes fundadores de la
estadstica moderna. Trabaj junto con Egon Pearson en
la teora de prueba de hiptesis, proveyndola de
fundamentacin lgica y rigor matemtico. Sus ideas
establecieron que las muestras deben ser bastante
grandes, desarroll adems una teora de estudio de
muestreo en 1934. Despus investig la teora de
estimacin por juegos de confianza. Us intervalos de
confianza. A principios de este siglo quedaba claro que la teora de la probabilidad
requera de un marco terico ms adecuado para su desarrollo y ste se encuentra
gracias a los avances logrados en otras reas de la matemtica.

2. DEFINICIN

Teora Probabilstica: Es la rama de las Matemticas que proporciona los fundamentos,
modelos matemticos y el lenguaje que se usa en la Estadstica. Se encarga de modelar
matemticamente la incertidumbre o aleatoriedad de ciertas caractersticas de un
fenmeno de inters.

Probabilidad: Medida de la certidumbre que se le asocia a la ocurrencia u observacin
de un fenmeno o al hecho de que una caracterstica de inters tome cierto valor.

Estadstica: Rama de la ciencia que estudia las reglas para disear, planear, recolectar,
capturar, organizar, presentar, procesar y analizar los datos obtenidos al realizar varios
ensayos repetidos de un experimento y para inferir conclusiones acerca de este ltimo.
Proporciona adems, los mtodos para el diseo estadstico de experimentos y para
tomar decisiones cuando aparecen situaciones de incertidumbre. Algunos autores
establecen que la estadstica no es ciencia ya que algunas de las reglas que emplea son
empricas.

Ramas relacionadas directamente con la Estadstica:

1. Teora Probabilstica
2. Inferencia Estadstica
o Estimacin
o Pruebas de Hiptesis
3. Muestreo

Pgina 8

4. Regresin y Correlacin
5. Estadstica Descriptiva
6. Diseo de Experimentos
7. Estadstica Bayesiana
8. Estadstica Demogrfica
9. Estadstica Paramtrica
10. Estadstica No Paramtrica

Teora Probabilstica: rama de la matemtica que proporciona los fundamentos,
modelos matemticos y el lenguaje que se usa en la estadstica.

Estadstica Descriptiva: rama de la Estadstica que se encarga de analizar las reglas para
recolectar, presentar y procesar los datos obtenidos al hacer una medicin u
observacin de una caracterstica de inters de un objeto, con la finalidad de conocer
su comportamiento sujeto a incertidumbre.

Las escalas de medicin de una caracterstica de inters de un objeto pueden
clasificarse en cuatro grandes rubros:

1. Nominal
2. Ordinal
3. De intervalo
4. De razn

Medicin Nominal: En este nivel de medicin se establecen categoras distintivas que
no implican un orden especfico. Por ejemplo, si la unidad de anlisis es un grupo de
personas, para clasificarlas se puede establecer la categora sexo con dos niveles,
masculino (M) y femenino (F), los respondientes solo tienen que sealar su gnero, no
se requiere de un orden real. As, si se asignan nmeros a estos niveles solo sirven para
identificacin y puede ser indistinto: 1=M, 2=F o bien, se pueden invertir los nmeros
sin que afecte la medicin: 1=F y 2=M. En resumen en la escala nominal se asignan
nmeros a eventos con el propsito de identificarlos. No existe ningn referente
cuantitativo. Sirve para nombrar las unidades de anlisis en una investigacin.
Ejemplos de caractersticas de inters que utilizan escalas nominales: las placas de los
carros, el nmero de cuenta de un alumno, el tipo de sangre, etctera.

Medicin Ordinal: Se establecen categoras con dos o ms niveles que implican un
orden inherente entre s. La escala de medicin ordinal es cuantitativa porque permite
ordenar a los eventos en funcin de la mayor o menor posesin de un atributo o
caracterstica. Por ejemplo, en las instituciones escolares de nivel bsico suelen formar
por estatura a los estudiantes, se desarrolla un orden cuantitativo pero no suministra
medidas de los sujetos. Estas escalas admiten la asignacin de nmeros en funcin de
un orden prescrito. Las formas ms comunes de variables ordinales son tems
(reactivos) actitudinales estableciendo una serie de niveles que expresan una actitud

Pgina 9

de acuerdo o desacuerdo con respecto a algn referente. Por ejemplo, ante el tem: La
economa mexicana debe dolarizarse, el respondiente puede marcar su respuesta de
acuerdo a las siguientes alternativas: Totalmente de acuerdo; De acuerdo; Indiferente;
En desacuerdo; Totalmente en desacuerdo. Las anteriores alternativas de respuesta
pueden codificarse con nmeros que van del uno al cinco que sugieren un orden
preestablecido pero no implican una distancia entre un nmero y otro. Las escalas de
actitudes son ordinales pero son tratadas como variables continuas.

Medicin de Intervalo: La medicin de intervalo posee las caractersticas de la
medicin nominal y ordinal. Establece la distancia entre una medida y otra. La escala
de intervalo se aplica a variables continuas pero carece de un punto cero absoluto. El
ejemplo ms representativo de este tipo de medicin es un termmetro, cuando
registra cero grados centgrados de temperatura indica el nivel de congelacin del
agua y cuando registra 100 grados centgrados indica el nivel de ebullicin, el punto
cero es arbitrario, no real, lo que significa que en este punto no hay ausencia de
temperatura. Una persona que en un examen de matemticas obtiene una puntuacin
de cero no significa que carezca de conocimientos, el punto cero es arbitrario por que
sigue existiendo la caracterstica medida.

Medicin de Razn: Una escala de medicin de razn incluye las caractersticas de los
tres anteriores niveles de medicin anteriores (nominal, ordinal e intervalo).
Determina la distancia exacta entre los intervalos de una categora. Adicionalmente
tiene un punto cero absoluto, es decir, en el punto cero no existe la caracterstica o
atributo que se mide. Las variables de ingreso, edad, nmero de hijos, etctera, son
ejemplos de este tipo de escala. El nivel de medicin de razn se aplica tanto a
variables continuas como discretas.

Las caractersticas de inters de un objeto que slo pueden ser medidas utilizando las
escalas nominal u ordinal se clasifican como atributos; por ejemplo, en un tornillo, la
apariencia, el tipo de cabeza. En cambio, las caractersticas de inters de un objeto que
pueden ser medidas utilizando las escalas por intervalos y de razn, se clasifican como
variables; por ejemplo, en un tornillo, el dimetro, la longitud, la resistencia al torque.

Si se conocen con certeza los valores que tomar una variable de inters, previamente
a medirla o realizar un experimento, a dicha variable se le denomina determinstica. En
este caso se puede conocer su comportamiento sin necesidad de hacer el
experimento; si es el caso, el experimento se realizar con la finalidad de comprobar
los resultados esperados. Si los valores que tomar la variable no pueden predecirse
con certeza, antes del experimento, a dicha variable se le denomina aleatoria. Por otra
parte, dentro del estudio de variables aleatorias, se puede ver que existen dos tipos:

a) Aquella cuyos resultados pueden ser medidos en forma discreta; por ejemplo: el
nmero de llegadas a una cola, el nmero de defectos en un lote, el nmero de ases

Pgina
10

que se obtienen en un juego de pocker, etctera, a stas se les denomina variables
aleatorias discretas
b) Variables aleatorias continuas, son aquellas que tienen unidades de medida
continua; por ejemplo: la cantidad de leche que produce una vaca diariamente, el
tiempo de vida de un producto, el tiempo de espera en una cola, etctera.

Una Poblacin se define como la totalidad de valores posibles (mediciones o conteos)
de una caracterstica particular de un grupo especfico de objetos. Al conjunto total de
objetos se le denomina Universo. Por ejemplo: el conjunto de estudiantes de
ingeniera puede ser un universo; dentro de este universo puede haber muchas
poblaciones, la poblacin de tipos de sangre, la poblacin de estaturas, la poblacin de
mujeres, etctera. Una Muestra es una parte de la poblacin, seleccionada de acuerdo
a una regla o plan. La estadstica descriptiva se puede dividir en dos grandes rubros: la
descripcin tabular y grfica de los datos de una muestra, y, la definicin de algunos
parmetros descriptivos de dicha muestra; posteriormente se har una breve
descripcin del significado de cada uno de estos rubros.

Inferencia Estadstica: rama de la Estadstica que proporciona las reglas para estimar
ciertos valores de una poblacin, con base en los resultados de una muestra, formular
hiptesis sobre la verdad de estas estimaciones y tomar decisiones con base en estos
resultados. La inferencia estadstica, siguiendo el texto anterior, puede dividirse por
una parte en estimacin puntual y por intervalos, y por otra parte en pruebas de
hiptesis.

El Muestreo es la rama de la Estadstica que se encarga de definir las reglas para tomar
muestras de una poblacin especfica, el tamao de dichas muestras y los parmetros
que indicarn la representatividad de stas. La primera finalidad del muestreo es
obtener muestras representativas de la poblacin en estudio. Una muestra es
representativa si es obtenida aleatoriamente. Se dice que el Muestreo es Aleatorio si
cumple las siguientes caractersticas:

Todos los posibles resultados del experimento deben tener la misma
posibilidad de ocurrir.
Los resultados deben ser independientes entre s.

El experimentador controla la cantidad de informacin contenida en la muestra por
medio del nmero de unidades muestrales que incluye en la muestra y por el mtodo
usado para seleccionar los datos muestrales.

Cmo se puede determinar cul procedimiento usar y el nmero de elementos a
elegir de la muestra? La respuesta depende de dos factores: qu tanta

Pgina
11

representatividad se desea? y qu tan seguro se requiere estar de esta
representatividad?, es decir,

1. Si u es la variable de inters y es un estimador de u entonces se debe
especificar un lmite para el error de estimacin, esto es |u - | < B.
2. Se debe fijar la probabilidad de que efectivamente el error de estimacin sea
menor de B, esto es, la fraccin de las veces en que el muestreo tiene como error
de estimacin un valor menor a B, P[ E.E. < B ] = 1-.

Usualmente se selecciona B como dos veces la desviacin estndar del estimador de u,
es decir, B = 2. Si la distribucin de los datos tiene forma de campana esto equivale
a tomar = 0.05.

En los tres prrafos anteriores cabe sealar que esto se ver con detenimiento a lo
largo del curso, son conceptos que todava no se manejan.

En la Teora del Muestreo se definen algunos tipos de muestreo para que la muestra
obtenida sea representativa de la poblacin bajo estudio:

1. Muestreo Aleatorio Simple. Cuando se selecciona un grupo de n unidades
muestrales de tal manera que cada muestra de tamao n tenga la misma
posibilidad de ser seleccionada. Este tipo de muestreos se aplica cuando todos
los elementos de la poblacin bajo estudio se encuentran agrupados de la misma
forma, sin distingos de ninguna especie. Por ejemplo, un lote de artculos
agrupados a granel en un solo contenedor.

2. Muestreo Aleatorio Estratificado. Consiste en separar los elementos de la
poblacin en grupos que no presenten traslapes, llamados estratos, y la seleccin
posterior de una muestra aleatoria simple de cada estrato. La estratificacin es la
separacin de los datos en grupos de la misma especie o que tienen el mismo
origen. Se usa el trmino estratificacin por una similitud con la manera en que
las capas terrestres o estratos, forman la corteza de la tierra; por lo que cuando
un grupo de datos con caractersticas importantes comunes se separa del total
de datos disponibles, se dice que se estratifica. Algunos ejemplos de
estratificacin pueden ser: por turno, por proveedor de materia prima, por
operario, por mquina, por semana, por mtodo de trabajo, por molde, etctera.
Por ejemplo, los seres humanos pueden ser estratificados por sexo, por edad,
por lugar de origen, etctera. El muestreo aleatorio estratificado es aplicable
cuando la poblacin bajo estudio se encuentra agrupada en bloques
perfectamente distinguibles y sin traslapes; por ejemplo, un lote de artculos que
llega en m cajas. Un grupo de alumnos en un saln no es homogneo, est

Pgina
12

dividido por el sexo de cada alumno, la carrera que estn estudiando, el
semestre de avance, la edad, etctera; en este caso, si se va a realizar un estudio
con ellos, conviene estratificarlos.

3. Muestreo Sistemtico. Se obtiene al seleccionar aleatoriamente un elemento de
los primeros k elementos en el marco y despus seleccionar cada k-simo
elemento a partir del primero. El muestreo sistemtico es aplicable cuando la
poblacin bajo estudio se encuentra ordenada de alguna forma sistemtica; por
ejemplo, si al hacer un experimento, la caracterstica que se est analizando,
depende de la estatura de los miembros, es conveniente entonces, antes de
aplicar el muestreo, ordenar a los miembros de la poblacin por estatura (puede
ser de mayor a menor o de menor a mayor) y aplicar el muestreo sistemtico.
Tambin es aplicable el muestreo sistemtico, cuando la poblacin bajo estudio
est surgiendo de una lnea de produccin; por ejemplo, si estn saliendo de la
lnea de produccin 10000 contactos de plata por hora y deseamos obtener una
muestra de tamao n=100, que sea representativa de la poblacin producida en
todo un turno de trabajo de 8 horas; entonces, tendramos que sacar un
contacto cada 800 producidos, lo cual significa sacar un contacto cada 5 minutos
aproximadamente, a lo largo de todo el turno.

4. Muestreo por Conglomerados. Cuando cada unidad de muestreo aleatorio es a
su vez una coleccin o conglomerado de elementos. En Geologa se dice que un
conglomerado es una coleccin de arenas de diferente tamao. Las colonias de la
Zona Metropolitana de la Ciudad de Mxico, no pueden considerarse como
estratos, porque las caractersticas de los habitantes en cada una de ellas, no
pueden considerarse como semejantes; por ejemplo, el nivel socioeconmico de
las familias no puede analizarse tomando a las colonias como estratos, porque en
cada colonia existen niveles socioeconmicos diversos.

5. Hojas de Verificacin. Para analizar a una poblacin se debe tener presente lo
dicho anteriormente; para muestrear se deben recoger datos, los cuales
proporcionan evidencia de los hechos y por ello deben ser recolectados en forma
cuidadosa. Tambin el propsito para el cual se recolectan debe estar muy claro,
si no es as, lo que suceder es que se obtendr mucha informacin, pero no se
tomarn acciones debido a que no se sabe para que se quieren los datos. Lo
esencial al recolectar datos es que el propsito de hacerlo est bien claro y que
los datos reflejen la verdad. El siguiente paso es hacer que los datos sean fciles
de recolectar y de ser usados. Las hojas de verificacin son formatos usados para
capturar fcil y rpidamente los datos que se obtienen al realizar un experimento
o medir cierta caracterstica de inters de un proceso. Algunos de los usos de las
hojas de verificacin son:

Pgina
13

Verificar la frecuencia de repeticin de actividades, defectos o sucesos.
Verificar la localizacin de actividades, defectos o sucesos.
Verificar posibles causas de problemas a resolver para investigar si son las
causas raz.
Verificar las acciones a tomar previamente enlistadas.

3. USO E IMPORTANCIA

La probabilidad y la estadstica son dos reas de la matemtica.
Algunos de los usos de estas reas del conocimiento son los que a continuacin se
presentan.
Pronosticar o anticipar el clima para cada da
Los meteorlogos pueden darnos una aproximacin sobre el clima ms
probable para un da determinado.
Deteccin de plagas en la siembra
Para detectar qu plagas hay en la siembra, los campesinos o agrnomos,
revisan al azar determinado nmero de plantas. Si estn afectadas deben
tomar medidas al respecto.
Juegos de Azar
Cuando se juega a los volados o a los dados no sabemos con seguridad quin
ganar u obtendr el premio, pero podemos predecir un nmero si
observamos los resultados que se obtienen en una serie de volados o tiradas.
Registro de la cantidad de personas de alguna comunidad
Cada 10 aos se cuentan, casa por casa, el nmero de habitantes de la comunidad,
el municipio, el estado y el pas. Es lo que conocemos como censo de poblacin.
Presentar la informacin en grficas
En organizar la informacin y elaborar grficas que nos ayudan a observar cmo es
la poblacin, qu caractersticas y qu necesidades tiene.
La importancia de la probabilidad radica en que, mediante este recurso matemtico, es
posible ajustar de la manera ms exacta posible los imponderables debidos al azar en
los ms variados campos tanto de la ciencia como de la vida cotidiana.

Pgina
14

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. As, el ejemplo ms tradicional
consiste en definir cual es la prevalencia de obtener un nmero al arrojar un dado.
Sobre seis resultados posibles (todas las caras), slo es posible lograr un nmero 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 trminos matemticos precisos, 0.16 16%.

La teora de la probabilidad, en especial en el marco de sistemas ms complejos, se
aplica en reas variadas del conocimiento, como las ciencias exactas (estadstica,
matemtica pura y aplicada, fsica, qumica, astronoma), las ciencias
sociales (sociologa, psicologa social, economa), la astronoma, la meteorologa y, en
especial en forma ms reciente, la biomedicina.

La importancia esencial de la aplicacin de los mtodos de clculo de la
probabilidad reside en su capacidad para estimar o predecir eventos. Cuanto mayor
sea la cantidad de datos disponibles para calcular la probabilidad de un
acontecimiento, ms preciso ser el resultado calculado. Dada la complejidad de los
sistemas en los que suele aplicarse la teora de la probabilidad, se requiere de modelos
informticos y estadsticos de gran elaboracin, que seran imposibles de no contarse
con los modernos recursos tecnolgicos relacionados con la computacin.

Un buen ejemplo de su aplicabilidad cotidiana lo constituyen los anlisis del comercio
de las commodities (materias primas) en las relaciones internacionales actuales. Dado
que gran parte de los factores involucrados en la estimacin de la produccin son
azarosos (vientos, humedad ambiental, exposicin solar, mano de obra real,
condiciones econmicas y financieras locales, avatares polticos regionales, entre
otros), la teora de la probabilidad resulta de gran importancia, ya que intenta ajustar
en conceptos matemticos cual ser el devenir de los acontecimientos para calcular,
por ejemplo, la produccin final de cereales, combustibles fsiles y otros recursos de
un rea geogrfica.

Por lo tanto la probabilidad es una herramienta fundamental en la planificacin
estratgica de los movimientos sociales, econmicos y laborales de toda la comunidad.

4. APLICACIN DE LA ESTADISTICA EN LA INGENIERIA
INDUSTRIAL


Pgina
15

Una investigacin generalmente inicia con una idea. Esta es generalmente obtenida
por medio de muchas fuentes, pero cualquiera que sea la formulacin correcta de un
problema a investigar, solo se puede lograr en muchos casos, con base en el anlisis, a
veces simplemente exploratorio, de datos referentes al problema. La definicin de
objetivos, la determinacin de procedimientos metodolgicos, en fin, prcticamente
todas las etapas de un proceso investigativo, requieren para su mejor desarrollo de la
estadstica, en las circunstancias anotadas anteriormente. Los mtodos propios de la
estadstica estn ntimamente relacionados con las caractersticas de un Mtodo
Cientfico. La estadstica con sus mtodos descriptivos, permite la observacin de los
hechos y con sus mtodos inferenciales colabora con el proceso de transcenderlos, de
generalizar el comportamiento o relacin de fenmenos, aportando adems formas de
medir la confianza y validez de tales generalizaciones, con base en su soporte
probabilstico. Se puede entonces ubicar a la estadstica como un valioso auxiliar de un
Mtodo Cientfico, ubicacin esta que implica una visualizacin de esta ciencia en el
aspecto de su aplicacin prctica, sin considerar su ubicacin formal, el objeto formal
de su conocimiento desde el punto de vista filosfico y por ende epistemolgico.
La importancia de la estadstica en la ingeniera, ha sido encaminada por la
participacin de la industria en el aumento de la calidad. Muchas compaas se han
dado cuenta que la baja calidad de un producto, tiene un gran efecto en la
productividad global de la compaa, en el mercado, la posicin competitiva, y
finalmente, en la rentabilidad de la empresa. Mejorar los aspectos de calidad conlleva
al xito de la compaa. La estadstica es un elemento decisivo en el incremento de la
calidad, ya que las tcnicas estadsticas pueden emplearse para describir y comprender
la variabilidad.

Uno de los principales campos de accin de la Ingeniera Industrial es el estudio de
tiempos y movimientos; esto significa cuntos movimientos efectan los operarios de
una lnea de produccin para transformar la materia prima en un bien y cunto tiempo
consume todo esto. Pues bien, como debes tomar nota de cientos de observaciones, la
estadstica te permite obtener promedios, y otro tipo de datos; de estos obtienes
propuestas para eliminar los movimientos que no son necesarios, u optimizarlos,
eliminando lo innecesario y consumiendo menos tiempo para alcanzar la meta. Todo
ello se traduce en economa de dinero para la empresa.
Todos los Ingenieros Industriales toman por lo menos un curso en probabilidad y un
curso en estadstica. Los cursos de la especialidad de ingeniera industrial incluyen
control de calidad, la simulacin, y procesos estocsticos. Adems cursos tradicionales
en planeacin de produccin, el modelacin del riesgo econmico, y planeacin de
facilidades para emplear modelos estadsticos para entender estos sistemas.

Estadistica y Probabilidades

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Estadistica y Probabilidades

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD CATOLICA DE SANTA MARIA

Anda mungkin juga menyukai