Exemples de preguntes sobre anàlisi de dades i discussió d'oportunitats
L'anàlisi de dades i la probabilitat són dues àrees que es troben amb freqüència en diverses disciplines, especialment l'estadística, les matemàtiques, l'economia i la investigació de mercat. En aquest article, explorarem diversos exemples de problemes i debats relacionats amb l'anàlisi de dades i la probabilitat per aprofundir en la nostra comprensió d'aquests conceptes fonamentals.
1. Anàlisi de dades: Introducció i preguntes d'exemple
L'anàlisi de dades és el procés d'inspeccionar, seleccionar, transformar i modelar dades amb l'objectiu de descobrir informació útil, extreure conclusions i donar suport a la presa de decisions. Els passos típics inclouen la recopilació de dades, la neteja de dades, l'exploració de dades (estadístiques descriptives) i anàlisis posteriors.
Exemple de pregunta 1: Determinació de la mitjana i la desviació estàndard
Donades les dades següents sobre les puntuacions de les proves de matemàtiques de 10 estudiants: 78, 82, 85, 88, 90, 75, 91, 74, 89, 86.
Calcula la mitjana i la desviació estàndard de les dades.
Discussió:
– El valor mitjà és el total de totes les dades dividit pel nombre d'observacions.
\[
\text{Mitjana} = \frac{78 + 82 + 85 + 88 + 90 + 75 + 91 + 74 + 89 + 86}{10} = \frac{838}{10} = 83.8
\]
– Per calcular la desviació estàndard, primer cal calcular la variància. La variància és la mitjana de les diferències al quadrat entre cada conjunt de dades i la mitjana.
\[
\text{Variància} = \frac{(78-83.8)^2 + (82-83.8)^2 + (85-83.8)^2 + \cdots + (86-83.8)^2}{10}
\]
Aleshores, la variància es calcula de la següent manera:
\[
\text{Variància} = \frac{33.64 + 3.24 + 1.44 + 17.64 + 38.44 + 75.04 + 50.41 + 94.44 + 26.01 + 4.84}{10} = \frac{345.14}{10} = 34.514
\]
– La desviació estàndard és l'arrel quadrada de la variància.
\[
\text{Desviació estàndard} = \sqrt{34.514} ≈ 5.88
\]
Exemple de pregunta 2: Gràfic de dades
Donades les dades de població d'una ciutat durant els darrers 5 anys (en milers): 2016: 120, 2017: 125, 2018: 130, 2019: 135, 2020: 140.
Crea un gràfic de línies per representar les dades.
Discussió:
Per crear un gràfic de línies, podem seguir aquests passos:
1. Determineu els eixos X i Y. L'eix X és per als anys i l'eix Y és per a la població.
2. Representa els punts en funció de les dades donades:
– (2016, 120)
– (2017, 125)
– (2018, 130)
– (2019, 135)
– (2020, 140)
3. Connecta els punts amb línies.
El gràfic resultant mostrarà la tendència d'augment de la població urbana del 2016 al 2020.
2. Probabilitat: conceptes bàsics i problemes d'exemple
La probabilitat és una mesura de la probabilitat que un esdeveniment es produeixi. La probabilitat d'un esdeveniment A s'expressa normalment com a \( P(A) \) i es calcula com:
\[
P(A) = \frac{\text{Nombre d'esdeveniments desitjats}}{\text{Nombre total d'esdeveniments possibles}}
\]
Exemple de pregunta 3: Probabilitat simple
D'una baralla estàndard de cartes, quina és la probabilitat de treure un As?
Discussió:
– En un joc de cartes hi ha 52 cartes.
– Hi ha 4 cartes As (cors, diamants, trèvols i piques).
– La probabilitat de treure un As és:
\[
P(\text{As}) = \frac{4}{52} = \frac{1}{13} \approx 0.0769 \text{ o } 7.69\%
\]
Exemple de pregunta 4: Assajos consecutius
Es tiren dos daus simultàniament. Calcula la probabilitat que la suma dels dos daus sigui 7.
Discussió:
– En total hi ha 6 × 6 = 36 resultats possibles de dos daus.
– Les combinacions que produeixen un total de 7 són: (1,6), (2,5), (3,4), (4,3), (5,2), (6,1). Per tant, hi ha 6 aparicions.
– La probabilitat que la suma dels dos daus sigui 7 és:
\[
P(\text{Total 7}) = \frac{6}{36} = \frac{1}{6} \approx 0.1667 \text{ o } 16.67\%
\]
Exemple de pregunta 5: Regla de Bayes
Donat que 1 de cada 1000 persones té la malaltia X, una prova per detectar la malaltia X té una precisió del 99% (tant si és positiva com negativa). Si una persona dóna positiu, quina és la probabilitat que realment tingui la malaltia X? Suposem que la prova té una sensibilitat del 95% i una especificitat del 98%.
Discussió:
Per exemple:
– P(P) és la probabilitat que una persona doni positiu,
– P(D) és la probabilitat que una persona tingui la malaltia,
– P(P|D) és la probabilitat de donar positiu si una persona té la malaltia,
– P(D|P) és la probabilitat de tenir la malaltia si una persona dóna positiu.
Segons el teorema de Bayes:
\[
P(D|P) = \frac{P(P|D) \cdot P(D)}{P(P)}
\]
Primer calcula P(P):
\[
P(P) = P(P|D) ⋅ P(D) + P(P|D^c) ⋅ P(D^c)
\]
\[
P(P) = 0.95 ≤ 1/1000 + 0.02 ≤ 999/1000 ≤ 0.0211
\]
Ara,
\[
P(D|P) = \frac{0.95 \cdot \frac{1}{1000}}{0.0211} ≈ 0.045 \text{ o 4.5%}
\]
Així doncs, si una persona dóna positiu, la probabilitat que realment tingui la malaltia X és d'aproximadament el 4.5%.
Conclusió
L'anàlisi de dades i l'anàlisi de probabilitats són eines essencials en diversos camps com la recerca, l'economia i l'atenció mèdica. En entendre com funcionen, podem fer millors prediccions, prendre millors decisions i gestionar els riscos. A través d'aquests exemples i debats, obtenim una millor comprensió de com es poden analitzar les dades i com es poden calcular les probabilitats de diversos esdeveniments. Esperem que aquest article hagi estat útil per aprofundir en la nostra comprensió de l'anàlisi de dades i l'anàlisi de probabilitats.
