Unidad 2: Fase

Probabilidades y distribuciones de probabilidad aplicadas a ciencias agropecuarias

Presentado por:

Viviana Briyiht León– Cód. 1119887015

Presentado a:

Jessica Almeida Braga

Universidad Nacional Abierta y a Distancia - Unad

Escuela de Ciencias Agrícolas, Pecuarias y del Medio Ambiente

Programa de Agronomía,

Cead Cumaral, Meta

Abril- de 2019
 Introducción

El siguiente trabajo describe un acercamiento general de

los temas de la unidad 2 : Probabilidades y distribuciones de probabilidad aplicada a
ciencias agropecuarias donde debemos interpretar los conceptos básicos de
probabilidad,variables aleatorias, continuas y discretas aplicadas a las ciencias agrarias
y así mismo la distribuciones de probabilidad, para mejora y fortalecer nuestros
conocimientos en el manejo de las mismas. Lo que nos permite analizar los datos y
resultados presentados en las gráficas.
 Objetivos

Objetivos General

Realizar un trabajo individual y grupal de los temas como: probabilidades y

distribuciones de probabilidad aplicadas a ciencias agropecuarias
desarrollando los conceptos y los ejercicios presentados en la unidad II

Objetivos Específicos:

Adquirir el conocimiento necesario y elemental sobre estadística descriptiva

descriptiva para agrarias
Participar con aportes significativos en el foro colaborativo de grupo.
Cumplir una guía de actividad y rúbrica.
Reconocer los conceptos de probabilidad
Identificar los variables aleatorias continuas y discretas aplicadas a las
ciencias agrarias.
 DESARROLLO DEL TRABAJO:

Definir los siguientes conceptos tomados del libro de Balazarini se aclara que para
la presente actividad el estudiante debe consultar el capítulo dos variables
aleatorias y probabilidades y el capítulo tres modelos probabilísticos.

Tema variable aleatorias y probabilidades

Espacio maestral y con qué letra se denota

Se llama espacio muestral al conjunto de todos los resultados posibles de un estudio

aleatorio experimental u observacional. Será denotado con la letra griega omega (Ω).

Punto maestral

Se llama punto muestral o evento elemental a cada uno de los elementos del conjunto
Ω y será denotado genéricamente como.

Evento maestral

Dado un espacio muestral Ω se llama evento a cualquier subconjunto de Ω.

Explique en sus propias palabras el experimento aleatorio del dado deben descargar el
CODIGODADO disponible en la siguiente columna. El estudiante debe entender que,
aunque no es un experimento agropecuario nos ayuda a entender los conceptos
planteados.
Como podemos analizar en el experimento encontramos que se quiere hallar la
probabilidad de saber qué valor nos da las caras al lanzar un dado, debido a este
experimento analizaremos paso a paso lo que se debe hacer en el programa R.

Encontrar las combinaciones al lanzar los dados.

Al mirar sabremos que siempre habrá 36 resultados, por ende, el denominador siempre
será 36, para la probabilidad.

Puntos muéstrales 36.

Luego de estos podemos variar el tipo de probabilidad que se necesite, como sacar dos
números iguales.

Gracias al proceso obtenido desde el programa R, podremos tomar gráficos y valores

más exactos.

Defina Variable aleatoria

Dado un espacio muestral Ω con una probabilidad asociada, una variable aleatoria Y es
una función real definida en Ω tal que [Y ≤ y] es un evento aleatorio ⊬ y ∈ R . O sea
Y: Ω → B ⊆ R es una variable aleatoria si para cualquier y ∈ R, [Y ≤ y] es un evento
aleatorio.

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

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

El espacio muestral asociado a una variable aleatoria de tipo continua es no contable,

queriendo significar que, entre dos valores de la variable, pueden realizarse un número
infinito de otros valores. Además, si el espacio muestral es continuo, la diferencia entre
valores de la variable está definida aritméticamente. Ejemplo de variables aleatorias con
espacios muestrales con estas características son los rendimientos, las ganancias de
peso, las precipitaciones, entre otras

Entre las variables discretas es importante distinguir al menos dos subtipos muy
comunes en estudios biológicos: las proporciones que provienen de conteos que no
pueden superar el número de elementos evaluados y los conteos no acotados o sin
denominador natural. Ejemplo de una variable discreta expresada como proporción es
el número de semillas germinadas en cajas de Petri con 25 semillas cada caja
Los resultados se expresan como proporciones porque existe un denominador natural:
cantidad de semillas por caja. Ejemplo de variable discreta obtenida por un conteo (no
acotado) es el número de pústulas de roya por m2 de cultivo. Para el caso de
proporciones es importante dejar expresado que si bien el valor puede ser continuo en
el rango 0-1, el espacio generatriz es discreto, porque la base de la variable es el conteo
Existe dos conceptos de probabilidad el clásico y concepto frecuencial, 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.

Cuando Ω es finito (el número de puntos muestrales es contable) se puede dar una
definición de probabilidad que se basa en la observación de los elementos del espacio
muestral. Ésta se desarrolló originariamente estudiando los juegos de azar. y se conoce
como el concepto o enfoque clásico de probabilidad:
Si A es un subconjunto de puntos muestrales de , entonces la probabilidad de
ocurrencia del evento A, denotada por P(A) es:

Numero de puntos muestrales favorables

P(A) =
Numero total de puntos muestrales en el espacio muestral

Ejemplo de la semilla:

“encontrar la semilla germinada”. Si se observan 1000 semillas, es decir se repite 1000

veces el ensayo de germinación (N=1000) en condiciones tales que cada observación
no afecte a las otras y 600 semillas germinan (nA=600), se dice que la probabilidad
estimada de observar una semilla germinada, está dada por:

P(A) = P(observar una semilla germinada) = = 600 / 1000 = 0,6 AnN

Experimento aleatorio: Germinación de una semilla.

Evento: Observar una gemilla germinada

Puntos muestrales: 1000

La definición frecuencial de probabilidad es distinta ya que se refiere a una serie

repetida de estudios aleatorios. Generalmente se usa cuando el espacio muestral es
infinito y por tanto no se pueden enumerar todos los resultados posibles del estudio. Así,
se repite el estudio un número grande de veces y se registra la frecuencia relativa de
ocurrencia de cada resultado, la que es luego usada como un estimador de probabilidad.
La definición frecuencial de probabilidad establece que:
Si A es un evento y nA es el número de veces que A ocurre en N repeticiones
independientes del experimento, la probabilidad del evento A, denotada por P(A), se
define como el límite, cuando el número de repeticiones del experimento es grande, de
la frecuencia relativa asociada con el evento.

¿Qué diferencia existe entre el concepto de frecuencia relativa y el de probabilidad?

Si bien la analogía es fundamental, las frecuencias se entienden como probabilidades

sólo cuando N tiende a infinito. Si el número de veces que se repite un experimento no
es grande, entonces hablaremos de frecuencia relativa y diremos que ésta “aproxima”
una probabilidad. Otra idea importante para comprender la medida de probabilidad es la
de eventos mutuamente excluyentes.

¿Que 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(AꓴB)?

Se dice que dos eventos son mutuamente excluyentes si cada uno está formado por
puntos muestrales distintos, es decir no existe ningún punto muestral en la intersección
de los subconjuntos que representan los eventos. Si A y B son dos eventos de Ω, la
intersección de eventos conforma un nuevo conjunto, que contiene a los puntos
muestrales que simultáneamente pertenecen al subconjunto A y al subconjunto B.
Denotaremos la intersección de A y B con A∩B.

Cuando dos eventos son excluyentes, la intersección es cero y por tanto la probabilidad
de la unión de esos eventos, P(A∪B), es la suma de las probabilidades de cada evento.
Por el contrario, si la intersección no es vacía, la probabilidad de la unión de eventos es
la suma de las probabilidades de cada evento.

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

simétrica que modelo se usa.
Para una variable continua y de distribución simétrica unimodal, es común el uso del
modelo Normal; mientras que para proporciones se piensa en el modelo probabilístico
Binomial y para conteos no acotados en el modelo Poisson.

¿Para una variable de conteo no acotado que modelo se utiliza?

Para conteos no acotados en el modelo Poisson.

¿Para variables de proporciones que modelo se utiliza?

Para proporciones se piensa en el modelo probabilístico Binomial

Que variables tienen función de probabilidad y que variables tienen función de densidad.

La función de distribución de probabilidad de una variable aleatoria discreta y la

función de densidad de una variable aleatoria continúa denotada como f(.) contienen
exhaustivamente toda la información sobre la variable.

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

Desde un punto de vista estadístico, un parámetro es una función de todos los valores
distintos que asume la variable aleatoria en la población. Mientras que una función de
los valores la variable, pero en una muestra, se conoce con el nombre de estadístico.
Luego, los parámetros se derivan de poblaciones y los estadísticos desde muestras.

¿Qué es la esperanza matemática de una variable aleatoria, como se denota?

La esperanza matemática de una variable aleatoria, usualmente denotada por E(.) o la

letra griega Mu (μ) es, desde un punto de vista intuitivo, un promedio de los valores
asumidos por la variable, donde cada valor es ponderado por su probabilidad de
ocurrencia.

¿Qué es la varianza de una variable aleatoria, como se denota?

La varianza de una variable aleatoria, denotada por Var(.) o la letra griega Sigma al
cuadrado (σ2 ), es una medida de dispersión. Su raíz cuadrada, denominada desvío
estándar (σ) es usada para expresar la dispersión en término de diferencias (o desvíos)
de cada dato respecto a la esperanza.

Conceptos capítulo tres modelos probabilísticos.

DISTRIBUCION NORMAL.

¿Qué tipo de histograma se seleccionar un modelo probabilístico para una variable

aleatoria continúa cuando se tienen datos de esa variable?: Se utiliza un histograma
de frecuencias relativas.

¿Qué es la estandarización, cuál es su fórmula?: Es la trasformación de cualquier

distribución normal a la distribución normal estándar. La estandarización tiene la
𝑌−𝜇
siguiente formula →𝑍 = √𝜎2

DISTRIBUCIÓN BINOMIAL.

¿Qué tipo de conteos se trabajan con la distribución Binomial?: Se trabajan tipos

de conteo acotados.

En la distribución binomial que es n y que es P: la letra (n) significa el número de

experimentos aleatorios y la letra (P) significa la probabilidad de éxito o fracaso.

A que es igual la esperanza y la varianza en esta distribución: La esperanza es igual

a el número de lanzamientos que resultan en cara el cual es igual a 200x0,5=10 y la
varianza es 20x0,5x0,5=5.

DISTRIBUCION DE POISSON.

¿Qué tipos de conteos se trabaja con la distribución de Poisson?: Se trabajan tipos

de conteo no acotados, o sea de 0 (cero) a infinito.

En agronomía se usa para que tipo de conteos: En agronomía se usa para modelar
el número de insectos sobre una planta.
¿Cómo se denota el único parámetro de esta distribución, a que es igual la media
y la varianza?: El único parámetro de la distribución Poisson se denota como λ, la media
y la varianza es igual a…

Revisando el ejercico de la table 3.1 del libro de Balzarini como se obtiene λ en

este caso a que es igual la media y la varianza: La media y la varianza son igual a…

Aplicación de conceptos.

Estudie el ejercicio de velocidad del viento del texto y explique por qué hay un sitio
mejor para el objeto del estudio, pueden tomar pantallazos del gráfico.

Partiendo de que el objetivo del ejercicio es usar la energía eólica como fuente de
energía alternativa para el bombeo de agua subterránea y analizando que primeramente
para que un molino de viento sea funcional debe que estar ubicado a una altura
adecuada donde la accidentalidad con el viento sea la más óptima.

Analizando los datos que componen las gráficas, en la zona sur la velocidad del viento
oscila entre 18 y 29 km/h, donde solo el 10% de las veces la velocidad del viento supera
los 26 km/h. En la zona norte, la velocidad del viento oscila entre 37 km/h hasta los 54
km/h, ahora bien sabemos que un molino de agua sea eficiente y funcional para la
extracción del agua subterránea debe tener una velocidad promedio de 26 km/h.

Con lo anterior, podemos concluir que la zona con mejores aptitudes para la extracción
del agua subterránea es la zona norte, debido a que su velocidad del viento tiene un
promedio entre 37 y 54 km/h comprendiendo mayor parte del tiempo el promedio
necesitado para dicha actividad.

Desarrolle el ejercicio 2.1 del texto de Balzarini y en el caso del punto e revise la
presentación de probabilidad en R. En este caso se requiere obtener la tabla de
frecuencias relativas f(y) y la tabla de frecuencias relativas acumuladas que es la
misma F(Y), este ejercicio se puede desarrollar en una tabla de Word.

Desarrolle el ejercicio 2.3 del texto de Balzarini , para el desarrollo de este punto
puede usar Excel y es una variable discreta, la cantidad de días es la frecuencia
absoluta, hay que sacar f(y) que es la frecuencia relativa , de las frecuencias
relativas salen las probabilidades de cada valor de la variable número de tractores
vendidos, en el caso de tres o más se suma la de tres y la de cuatro pues no hay
más .

TRABAJO CON VARIABLES DE CIENCIAS AGRARIAS.

Variables cuantitativas discretas:

Variables cuantitativas continúas:

¿cuál es conteo de más alta probabilidad?: El conteo más alto de probabilidad es el

En el caso de la variable continua el 50% de los datos de sus variables serán

menores ó iguales a que a valor?: Al valor de 19.60.

En este punto se pretende que el estudiante aprenda a aplicar modelos probabilísticos

debe revisar en el capítulo tres modelos probabilísticos, en este los ejercicios de
aplicación de los modelos normal, binomial y Poisson, para lo cual el estudiante debe
descargar el código MODELOS y ubicarlo en la carpeta estadística descriptiva, para
correrlo desde el programa R.
MODELO NORMAL.

revisar en el texto el ejercicio de las vacas del tambo en el texto, en el código de

MODELOS, deben correr el código para este ejercicio que esta con los datos del
texto.

Adicionalmente deben hacer la gráfica de la función de densidad con una media

de 28 y 23 ambas con una varianza de 10 misma varianza en ambos casos.

Hacer el ejercicio con una media de 32 y dos varianzas una de 10 y otra de 8, es el

caso de la misma media y dos varianzas.
Que pasa cuando se cambia le media y hay la misma varianza, hacia donde se
desplaza la figura.

La figura se desplaza hacia la izquierda mostrando solo la línea de la varianza.

Qué pasa cuando se cambia la varianza en que se afecta la figura.

Al cambiar la varianza, la gráfica toma aspecto más delgado, sentido ascendiente
acercándose por la izquierda al valor 25 y por la derecha al 20. Es hace que el intervalo
está más cerrado.

En el texto revisar el ejercicio de los híbridos de maíz y en el código MODELOS

correr el código para los datos registrados en este código que son los mismos del
libro.

Adicionalmente determinar la probabilidad de un valor entre 62 y 51 para el

rendimiento.

También la probabilidad de un valor menor de 59 y un valor mayor a 53.

MODELO BINOMIAL.

En el texto deben revisar en tema de modelo binomial el ejercicio de la germinación

de semillas de panicum correrlo con los datos del código MODELOS que son los
mismos del libro.

Adicionalmente CON AYUDA DEL CÓDIGO determinar la probabilidad de

germinar 5 semillas, por lo menos cuatro y a lo sumo 4.
MODELO POISSON.

El estudiante debe revisar del texto el ejercicio de las picaduras del Gorgojo, correr
el código MODELOS que está con los datos del texto.

Web conferencia – Resumen.

La web conferencia da inicio explicando que debemos guardar todos los documentos y
archivos en una misma carpeta, preferiblemente con el nombre de “Estadística
Descriptiva” para que luego entremos al programa R, le damos cambiar dirección y la
configuramos para que lea la carpeta de “Estadística despectiva”, posterior a esto, se
verifica que el programa lea la carpeta seleccionada digitando “getwd ()”. Luego se abre
el script, damos la opción All files y seleccionamos el código a procesar.

Posteriormente a se habla del espacio muestra, evento aleatorio, puntos muéstrales,

experimentos aleatorios, probabilidad clásica, probabilidad desde frecuencia y eventos
mutantes excluyentes donde el tutor da unos ejemplos referentes a los conceptos
anteriormente nombrado.

Luego el tutor explica las tablas de frecuencia de variables cuantitativas discretas

correlacionando los términos de probabilidades, frecuencias, etc…Posteriormente habla
de las variables discretas en función de probabilidad y función de probabilidad
acumulada poniendo como ejemplo el lanzamiento de los dados. Seguidamente el tutor
explica las variables continuas en función de densidad y empírica.

El tutor nos explica cómo usar los códigos dados donde están comprendidos los códigos
de variable discreta, continua y los códigos modelos.

Finalmente, el tutor da una explicación muy clara sobre lo que se debe hacer en el
programa R para la realización correcta del trabajo.
 Conclusiones

Con el desarrollo de la actividad concluimos que la estadística descriptiva nos permite

clasificar, representar y resumir datos, los cuales comprenden variables aleatorias, unas
discretas proporcionales y otras de conteo acodado, además de las frecuencias relativas
son las mismas que las probabilidades.

Con el uso del programa R reconocimos de forma dinámica el funcionamiento de las

variables en distribución Binomial, Normal y Poisson haciendo uso de los códigos de los
modelos.
 Referencias Bibliografía.

Balzarini, M., Di Rienzo, J., Tablada, M., Gonzales, L., Bruno, C., Cordoba, M., &
Robledo, W. &. (2011). Estadistica y Biometria. Argentina: Brujas.

Deaza, D. A. (12 de Abril de 2019). Universidad Nacional Abierta y a Distancia, UNAD.

Obtenido de
http://conferencia2.unad.edu.co/p5did4ztcmn3/?OWASP_CSRFTOKEN=313869
8bf5f38ebff924f2193bcd209cbc02287d2abf96c4545ceb7a78df34bd&proto=true