UNIDAD 2: FASE 3 - ELABORAR DOCUMENTO DE APLICACIÓN DE CONCEPTOS DE PROBABILIDAD

ESTADISTICA DESCRIPTIVA

INTEGRANTES

NICOLE LEMMON GAMBOA CODIGO: 1082957758

HECTOR FABIO LOPEZ

TUTOR

GRUPO

72

UNIVERSIDAD NACIONAL ABIERTTA Y A DISTANCIA

ESCUELA DE CIENCIAS AGRICOLAS, PECUARIAS Y DEL MEDIO AMBIENTE

SANTA MARTA

2019
 INTRODUCCIÓN

La probabilidad es la parte de la estadística que estudia las posibilidades de que un evento suceda
teniendo en cuenta el experimento aleatorio el cual se está practicando. Se obtiene a partir de la
cantidad de números favorables sobre la cantidad total en número de puntos muestrales en el
espacio muestral, la probabilidad es muy importante ya que nos permite definir en resumidos datos
incluso porcentaje la posibilidad de ocurrencia de un evento.

OBJETIVOS

GENERAL

 Aprender sobre el concepto y manejo de probabilidad para el estudio de

experimentos realizados en cada una de las áreas de la ingeniería.

ESPECIFICO

 Aprender el uso y aplicación de la probabilidad dentro del programa estadístico R

Asistencia web conference fase 3 Nombre de ingreso

Nicole Lemmon Gamboa Zcar_NicoleLemmon_72
 DESARROLLO DEL TRABAJO

1.
 EXPERIMENTO: CODIGODADOS.txt en programa R

Mi experiencia: Se realizó el paso a paso del procedimiento del experimento de suma de

caras de dados y se pudo comprender a pesar que es un caso no de mi carrera del área
agrícola se comprendieron los temas que el ejercicio práctico quiso dar a entender sobre
las posibilidades de eventos que pueden suceder en el tema de lanzar dados los posibles
resultados, la probabilidad de que suceda cada evento y su porcentaje también de
probabilidad.

 GRAFICO DE FRECUENCIAS ABSOLUTAS

Gráfico de barras SUMA DE CARAS

6
5
4
Frecuencias absolutas

3
2
1
0

2 3 4 5 6 7 8 9 10 11 12

ANALISIS: histograma de forma “acampada “de frecuencias absolutas presenta información sobre
el experimento con los dados en el programa R y las posibilidades de suma de caras de dados,
muestra cuanto se repite cada evento el grafico presenta cada dato y su probabilidad de aparecer,
el dato con mayor probabilidad de aparecer es el 7 como evento que más se repite
  GRAFICO DE FRECUENCIAS RELATIVAS

FRECUENCIAS RELATIVAS SUMA DE CARAS

0.20
0.15
Frecuencias relativas

0.10
0.05
0.00

2 3 4 5 6 7 8 9 10 11 12

ANALISIS: Grafico de frecuencias relativas sobre el experimento con los dados, tiene al igual que el
anterior forma de “acampada” y presenta cada evento dentro del experimento y su probabilidad
de repetirse de acuerdo a su porcentaje en este caso el evento con mayor porcentaje es la suma
de caras con valor número 7 con un porcentaje de 0,16666667 y los eventos con menor
probabilidad de suceder son el 2 y 12 con un porcentaje ambos de 0,02777778
 FRECUENCIAS RELATIVAS ACUMULADAS

FRECUENCIAS RELATIVAS ACUMULADAS SUMA DE CARAS

1.0
0.8
Frecuencias relativas

0.6
0.4
0.2
0.0

0 1 2 3 4 5

ANALISIS:
Histograma de variables aleatorias continúa en donde se presenta la frecuencia relativa
acumulada con respecto a la suma de caras del experimento con los dados teniendo en
cuenta el porcentaje se ´puede decir que la probabilidad de tener un valor mayor o igual a
2 pero menor de 5 es de 0.165 es lo mismo que sumar la probabilidad de tener un valor
de2 (0.027) 3 (0.055) y 4(0.83)=0,165
2. DEFINICIONES.

 Espacio Muéstral, con que letra se denota.

Es el conjunto de todos los productos probables de un experimento aleatorio. También se
conoce como espacio de muestreo, se detona con la letra Ε, S, Ω o 𝑈.

 Punto muéstral.
Se denomina a cada uno de los probables productos de una investigación aleatoria,
teniendo en cuenta cada pieza de Ω

 Evento muéstral.
Se denomina evento muéstral al subconjunto de piezas de Ω, como por ejemplo en el
ejemplo del experimento con dados cuando salen valores diferentes en cada dado.

 Variable aleatoria.
Es una función que relaciona cada pieza del espacio muéstral Ω de valor numérico con
asignación de probabilidad de ocurrencia como el caso de los dado al arrojar (1,1) (1,2)
(1,3) etc.

 ¿Qué significa que el espacio muéstral de una variable aleatoria continua es no

contable?
El espacio muéstral de una variable aleatoria continua es no contable ya que entre dos
valores de la variable, se pueden hacer otro valor numérico sin fin de otros valores , en el
espacio muéstral discreto podríamos deducir opciones de resultados teniendo en cuenta
que son limitados mientras que en el continuo al tener una variabilidad continua no la
podemos deducir.

 ¿Qué son variables aleatorias discretas proporcionales y que son variables aleatorias
discretas de conteo no acotado? De ejemplos de este tipo de variables.

Variables aleatorias discretas proporcionales: son aquellas que poseen un valor numérico
no infinito, mejor dicho esta variable se puede coger un número no infinito de valores
estando dentro de un intervalo , ejemplo: una cantidad de manada de leones

Las variables aleatorias discretas de conteo: son aquellas de muestra donde puedes coger
algunos valores con frecuencia números enteros, ejemplo: número de integrantes de una
familia, el producto al lanzar un dado etc.
 Existen dos conceptos de probabilidad: el clásico y el concepto frecuencia; defina cada uno,
en el caso del frecuencial explique el experimento de germinación de una semilla cuál es el
experimento aleatorio, cuál es el evento, cuántos puntos muéstrales tiene.

Probabilidad clásica
Es la cual se enfoca en observación de elementos del respectivo espacio muestral, es el cálculo de
la probabilidad de un suceso, la cual donde todos los sucesos posibles de un caso tienen la misma
posibilidad de suceder, es la razón entre la cantidad de sucesos favorables y el valor total de sucesos

𝑛(𝐸)
𝑃(𝐸) =
𝑛(𝑆)

𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠

𝑃(𝐸) =
𝑛𝑢𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑚𝑢𝑠𝑡𝑟𝑎𝑙𝑒𝑠 𝑒 𝑒𝑙 𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙

Probabilidad frecuencial

Esta se enfoca en varias secuencias repetidas de los experimentos aleatorios, se utiliza cuando el
espacio muéstral no tiene fin y por eso no se pueden valorar todos los productos probables del
estudio.

Formula
𝒏𝑨
𝑷(𝑨) = 𝐥𝐢𝐦
𝑵→∞ 𝑵

“Caso de la semilla germinada”

𝑃(𝐴) = (𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑟 𝑢𝑛𝑎 𝑠𝑒𝑚𝑖𝑙𝑙𝑎 𝑔𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑎)

𝑛𝐴 600
= = = 0,6
𝑁 1000

Evento: “encontrar la semilla germinada”

Experimento aleatorio: es la germinación de una semilla si puede germinar o no.
Puntos muéstrales: 600
 ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de probabilidad?

La frecuencia relativa es aquel resultado al dividir la frecuencia absoluta de un valor especifico entre
el valor total de datos y teniendo en cuenta el concepto de probabilidad la frecuencia relativa se
entiende como probabilidad por lo tanto son muy parecidas y no existe diferencia.

 ¿Qué son eventos mutuamente excluyentes? ¿Cómo es la intersección de dos eventos

mutuamente excluyentes? ¿Si son excluyentes, dado un evento A y uno B, a que es igual la P
(AUB)?

Los eventos mutuamente excluyentes son aquellos donde cada uno los forma puntos muestrales
diferentes, los cuales donde no hay punto muestral en el cruce de los subconjuntos que muestran
los sucesos. La intersección de los dos sucesos es aquella que conforma un nuevo conjunto donde
son visibles los puntos muestrales que hacen parte al conjunto. Debido a ser excluyentes el
resultado para𝑃(𝐴 ∪ 𝐵) seria la adicion de las probabilidades de cada suceso.

 En el caso de distribuciones de variables aleatorias cuando una variable es continua y

simétrica, qué modelo se usa.

La Variable aleatoria tipo continua en el espacio muestral es no contable, queriendo representar

entre dos valor de variables se puede hacer un numero infinitos de otros valores, mientras que la
variable aleatoria simétrica es aquella en el espacio muestral continuo donde la desigualdad entre
valores se define aritméticamente.

 Para una variable de conteo no acotado, ¿qué modelo se utiliza?

Variables discretas es bueno tener en cuenta dos tipos de estudios biológicos, los conteos sin
denominador natural y las proporciones que vienen de los conteos los cuales no pueden pasar la
cantidad de números de elementos examinados.

 Para variables de proporciones ¿qué modelo se utiliza?

Se debe tener en cuenta que si el valor es continuo en el rango 0-1 para el casi o de proporciones el
espacio generado es discreto ya que la variable tiene como base el conteo, si una variable presenta
espacio muéstral discreto pero se interpreta en códigos o nombres que presentan categorías de tipo
excluyentes de la variable, por lo tanto la variable seria cualitativa nominal u ordinal.

 ¿Qué variables tienen función de probabilidad y cuáles variables tienen función de

densidad?
Variables con función de probabilidad es la cual denomina una probabilidad de que suceda a cada
valor de variable, con diferencia a la función de probabilidad la cual tiene distribución acumulada F
(.) la cual determina la probabilidad de que ocurra para valores iguales o menores de variable.
La función de densidad de una variable expresada con F (.) abarcan totalmente detalle sobre la
variable.

 ¿Cuáles son los parámetros más usados en estadística para estudiar y utilizar funciones de
distribución de variables aleatorias?

Los parámetros más usados en estadística para el tema de variables aleatorias provienen de
muestras estadísticas y poblaciones, la varianza y el valor esperado son parámetros más utilizados
en el área de estadística para el uso de variables aleatorias, el valor esperado concreta la
representación media de un caso aleatorio. La varianza concreta la idea de inquietud y su
relacionada idea de precisión.

 Qué es la esperanza matemática de una variable aleatoria? ¿cómo se denota?

La esperanza matemática de una variable aleatoria denotada por la letra E(.) O la letra griega (𝜇)
es aquella el promedio de valores conseguidos por la variable donde cada cierto valor es
considerado por su probabilidad de que ocurra.

 ¿Qué es la varianza de una variable aleatoria? ¿cómo se denota?

La varianza de una variable aleatoria denotada por Var (.) o la letra griega sigma (𝜍), es
una cantidad de dispersión, su respectiva raíz cuadrada llamada desvió estándar es
utilizada para manifestar la dispersión con respecto a diferencias de distintos datos
teniendo en cuenta la esperanza.

3. Descargar el código “MODELOS.txt” y ejecutarlo en el Programa R, comparando los

resultados obtenidos con el programa R con respecto a la explicación de los ejercicios
brindados en el texto de Mónica Balzarini en las páginas 91 (Ejercicio de las vacas del
tambo), 93 (ejercicio del híbrido de maíz), 101 (ejercicio de la semilla de panicum) y 105
(ejercicio de las picaduras de gorgojo).

 Adjuntar las gráficas generadas por el programa R para cada una de las tres distribuciones
descritas (Normal, Binomial y Poisson) y hacer una buena descripción y explicación de la información
presentada en cada una de ellas.
EJERCICIO LAS VACAS DEL TAMBO

Densidad

Producción de leche (l/día)

Análisis: Grafico de función de distribución normal con la misma varianza pero distintas medias,
teniendo en cuenta la densidad y la producción de leche (l/día), en este caso se realizó una segunda
media de (rojo) y de 30 teniendo en cuenta la nueva ración que se les da a las vaca que aumenta
en 5 litros la producción diaria normal que son 25, ósea 25+5=30
 Función de Distribución N(VARIANZA.VARIANZA1 EN ROJO,MISMA MEDIA)

0.4

Densidad
0.3
F(x)

0.2
0.1
0.0

10 15 20 25 30 35 40

Producción de leche (l/día)

Análisis: Grafico de función de distribución normal con la misma media pero distintas varianzas
teniendo en cuenta la producción de leche y la densidad, en este punto se aplicó una primera
varianza de valor 9 y una segunda varianza (rojo) con valor de 2, con la misma media de 25 teniendo
cuenta que ese el mismo valor de producción de leche diaria de las vacas de un tambo se distribuye
como el modelo normal.
EJERCICIO DEL HÍBRIDO DE MAÍZ

Función de Distribución N(media.sigma)

0.05
0.04
0.03
F(x)

Densidad
0.02
0.01
0.00

20 40 60 80 100

Rendimiento (q/ha)

ANALISIS: Grafico de distribución normal del caso del hibrido de maíz teniendo en cuenta la función
de densidad normal para el rendimiento de un hibrido representado por la sombra bajo la curva de
amarillo con la probabilidad de evento entre 50 y 65 (q/ha), por lo tanto el rendimiento entre 50 y
65q/ha =0,6859
PROBABILIDAD DE UN VALOR MENOR
Cambiamos el valor=50 por valor=35

PROBABILIDAD DE UN VALOR MAYOR

Cambiamos valor=50 por valor =85

EJERCICIO SEMILLA DE PANICUM

 En este ejercicio realizado dentro del programa R, se trabajó el tema de probabilidad con
respecto a la germinación de siete semillas teniendo en cuenta el número total de ensayos
realizados que en este caso fue de 10, por lo tanto la probabilidad de germinación de las
semillas fue de 0,25 y la probabilidad de un valor igual p(x=7) donde germinen 7 semillas
fue igual a 0,003089905.
 Se estudió además la probabilidad de germinación de menos de 10 semillas en este caso 3
semillas o más, menores a 10, la probabilidad de que germinen fue de 0,4744072, y la
probabilidad de que germinen menos de 3 semillas fue de 0,5255928, y por último la
probabilidad de que germinen 5 semillas es de 0,9802723.

EJERCICIO DE LAS PICADURAS DE GORGOJO

 En este ejercicio trabajo en el programa R se estudió la probabilidad de cuantas picaduras

hay en 100 semillas en este caso el resultado fue de 0,1637462 o 16.37%
 También se estudió la probabilidad de que ninguna semilla tuviera picadura y el resultado
fue de 81.87%
 En la última parte se estudió la probabilidad de 2 de 100 semillas tuvieran picaduras y el
resultado fue de 1,8%
Responder las siguientes preguntas:
DISTRIBUCION NORMAL
 Qué tipo de histograma se debe seleccionar en un modelo probabilístico para una variable
aleatoria continua cuando se tienen datos de esa variable

Cuando se está trabajando con una variable aleatoria continua y se desea escoger un modelo
probabilístico para la misma, cuando se tienen los datos de aquella variable es bueno seleccionar
un histograma de frecuencias relativas observando la forma de el mismo.

 Qué es la estandarización, cuál es su fórmula.

La estandarización es aquella transformación de cambio de una o varias variables nos permiten

llevar cualquier distribución normal a una distribución estándar.

Formula
𝒀−𝝁
𝒁=
√𝝈𝟐
Donde:
Y= Valor de la variable del evento que se estudia
𝜇 𝑦 𝜎 2 = Son la media y la varianza de distribución de y
𝑍 = La nueva variable aleatoria resultado a través de estandarización de y

DISTRIBUCIÓN BINOMIAL
 Qué tipo de conteos se trabajan con la distribución Binomial

Se utiliza para el cálculo de probabilidades de eventos que vienen de conteos acotados

 En la distribución binomial que es n y que es P ¿A qué es igual la esperanza y la varianza

en esta distribución.

En la distribución binomial (n) significa el número de experimentos aleatorios y (p) significa

probabilidad de ocurrencia, se tiene en cuenta que estos experimentos son independientes por lo
tanto no debe afectar el resultado de uno al otro y la probabilidad de fracaso o éxito se mantiene
firme a partir del grupo de experimentos.

DISTRIBUCION DE POISSON
 Qué tipos de conteos se trabaja con la distribución de Poisson.

La distribución de poisson es utilizada como modelo de probabilidad para variables discretas de tipo
conteo, en el caso de poisson los conteos se enfocan en la cantidad de veces que ocurre un evento
teniendo en cuenta el tiempo o espacio dado por lo cual no están acotados los valores de la variable.

 En agronomía se usa para qué tipo de conteos (los ácaros por ejemplo, se pueden trabajar
con esta distribución).

La distribución de poisson en agronomía es utilizada para crear la cantidad de insectos sobre un

golpe de red o una planta, la cantidad de coliformes, número de manchas defectuosas entre otros
conteos. Claro que se pueden trabajar con los ácaros ya que estos pertenecen a la familia de los
insectos.

 Cómo se denota el único parámetro de esta distribución, a que es igual la media y la

varianza.

La función probable de una variable aleatoria donde se distribuye como una variable poisson se
expresara como:
𝝀𝒚 𝒆−𝝀
𝒇(𝒚, 𝝀) = { 𝒔𝒊 𝒚 = 𝟎, 𝟏, 𝟐, …
𝒚!
𝟎 𝒆𝒏 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓𝒂𝒓𝒊𝒐

Teniendo en cuenta la expresión, el único parámetro de la distribución poisson es 𝜆 , si y se

distribuye como poisson se denotara 𝑌~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) por lo tanto esta distribución posee un único
parámetro que representa la varianza y la esperanza, entonces cuando 𝑌~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆),se cumple:
𝝁 = 𝑬(𝒀) = 𝝀
𝝈𝟐 = 𝑽(𝒀)𝝀
 CONCLUSIÓN

A partir del trabajo anterior se comprendió acerca del tema de probabilidad y la aplicación del
mismo en el programa estadístico R para la práctica de distintos experimentos aleatorios
realizados en los distintos campos de la ingeniería.
BIBLIOGRAFÍA

Balzarini, M. (2013). Estadística y biometría: ilustraciones del uso e infostat en problemas de

agronomía. Recuperado
de http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?docID=3221775&query=bi
oestadistica

Arribas, M. J. M., Almazán, L. A., & Mañas, R. B. (Eds.). (2012). Historia de la probabilidad y de la
estadística vi. Recuperado
dehttp://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?ppg=86&docID=3207420&t
m=1519662405330