Fase 3 - Elaborar documento de aplicación de conceptos de probabilidad 

  

PRESENTADO POR:
Jonathan Arlecy Melo Viveros
TI:1006996760

N° GRUPO:
100

PRESENTADO A:
LUIS ALBERTO CACERES TORRES
TUTOR

UNIVERSIDAD NACIONAL ABIERTA Y A DISTACIA_UNAD

ECAPMA (ZOOTECNIA)
 INTRODUCCIÓN

Se logró interpretar los fundamentos de los tipos de variables estadísticas cuantitativas y

cualitativas, su forma de procesamiento y el desarrollo del presente con el fin de desarrollar
competencias para realizar recomendaciones de uso y manejo de las variables estadísticas.
OBJETIVOS

 Conocer con más detalle los tipos de variables utilizadas en las ciencias agrarias.
 Aprender a interpretar tablas y gráficos.
 Desarrollar procedimientos el programa R.
TRABAJO INDIVIDUAL
En el trabajo individual, cada estudiante deberá realizar los siguientes ejercicios:

1. Descargar el código “CODIGODADOS.txt” y ejecutarlo en el programa R.

Explique en sus propias palabras el experimento aleatorio del dado. El
estudiante debe entender que, aunque no es un experimento agropecuario
nos ayuda a entender los conceptos planteados.
 Adjuntar los tres gráficos generados por el código (de Frecuencias Absolutas,
frecuencias relativas y frecuencias relativas acumuladas) y hacer una buena
descripción de cada uno de ellos.
Primero nos dirigimos al archivo CODIGODADOS y Se tiene un experimento aleatorio
de lanzar dos dados, donde se realizan todas las posibles combinaciones, en las que se
encuentran 36 posibles resultados o 36 puntos muestrales.

Tenemos como Variable aleatoria, la suma de valores del punto muestral, dado a que
existen 36 posibles resultados estos serán el espacio muestral, esto quiere decir que la
probabilidad siempre tendrá como denominador a 36 ( x /36).

Primerose registra un vector de los posibles resultados sumadados según su

combinación, ejemplo (1,1)=¿ 2 ,(2,1)=¿ 3 ,(6,6)=¿ 12 , etc .
Esta es otra manera de presentar los 36 posibles eventos del espacio muestral, en
donde se suman los valores obtenidos en cada dado.

TABLAS DE FRECUENCIAS PARA LA VARIABLE DISCRETA

"SUMADADOS"

Se obtiene la tabla de frecuencias absolutas.

Se obtiene la tabla de frecuencias absolutas acumuladas.

Se obtiene la tabla de frecuencias relativas.

Se puede decir de la tabla de frecuencias relativas, la probabilidad de que la suma de

dos caras sea igual a 7 es de 16,6 % el cual tiene un mayor probabilidad.

Se obtiene la tabla de frecuencias relativas acumuladas.

En este caso, las frecuencias relativas acumuladas ayudan a determinar con facilidad
la probabilidad de obtener un valor mayor o igual a 6 pero menor que 8, por tanto la
probabilidad es 58,33 %.

GRÁFICOS DE FRECUENCIAS

Se tiene el gráfico de barras para las frecuencias absolutas, donde se identifican

que para que la suma de 7 existen 6 posibles combinaciones o 6 puntos muestrales
donde la suma es 7, después se tiene que para que la suma sea igual a 6 o 8, existen 5
posibles resultados, y con 1 sola posible combinación se tiene a que la suma sea igual
a 2 o 12.
Se tiene el gráfico de barras para las frecuencias relativas donde se puede identificar
que al lanzar dos dados la suma con mayor probabilidad a obtener es 7, por otro lado
con menor probabilidad se tiene que la suma sea igual a 2 y 12 con probabilidades de
2,77%.

Por otro lado se tiene el gráfico de barras las las frecuencias relativas acumuladas,
donde se suma la frecuencias, debido a esto el último resultado debe obtener el
100%, para el caso de la frecuencia debería ser igual a 1, ya que todo serian las 36
posibles resultados.
 2. Leer el Capítulo dos - Variables Aleatorias y Probabilidades y el Capítulo tres -
Modelos Probabilísticos del libro Estadística y Biometría de Mónica Balzarini (que
también se encuentra en la carpeta) y responder o definir los siguientes puntos:

 Espacio muestral, con qué letra se denota.

Se llama espacio muestral al conjunto de todos los resultados posibles de un proceso
experimental u observacional. Será denotado con la letra griega omega (Ω).
 Punto muestral: Se llama punto muestral o evento elemental a cada uno de los
elementos del conjunto Ω y será denotado genéricamente como: ω. Siguiendo con el
ejemplo, un punto muestral es el resultado posible “tres semillas sanas” (representado por ω
= (+ + +)), otro punto muestral es “la primera semilla sana y las otras dos no” (ω = (+ - -)).

 Evento muestral: Dado un espacio muestral Ω, se llama evento a cualquier

subconjunto de Ω. Se utilizarán letras A, B, C,.... para denotar los eventos, salvo en el caso
del mismo Ω (llamado evento cierto) y del subconjunto que no contiene ningún resultado
posible (conjunto vacío), denotado por ∅. Un evento de Ω, puede ser “observar una semilla
cualquiera sana y las otras no”. Este evento esta constituido por los siguientes puntos
muestrales: A = {+ - - , - + - , - - +}.

 Defina variable aleatoria: Definiremos a una variable aleatoria como una función
que asocia a cada elemento del espacio muestral : un número real y luego a cada uno de
estos valores le asignaremos probabilidades de ocurrencia. El tipo de espacio muestral
determina el tipo de variable aleatoria.
Dado un espacio muestral Ω con una probabilidad asociada, una variable aleatoria X es una
función real definida en Ω tal que [X≤x] es un evento aleatorio ∀ x ∈ ℜ. O sea X: Ω→ B ⊆
ℜ es una variable aleatoria si para cualquier x ∈ ℜ, [X≤x] es un evento aleatorio.

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

contable?
Es el espacio muestral de una variable de tipo continuo no contable que entre los valores de
la variable logran un número infinito de otros valores
 ¿Qué son variables aleatorias discretas proporcionales y que son variables
aleatorias discretas de conteo no acotado? De ejemplos de este tipo de variables.
Las variables aleatorias discretas proporcionales son aquellas las cuales provienen de
conteo que nos pueden superar el número de elementos evaluados.
Las variables aleatorias de coteo no acotado son aquellas en las cuales no se posee un
denominador de origen natural, ejemplo de ellos es la cantidad de postulas o manchas de
royas encontradas en una determinada superficie de cultivo de café probabilidad el clásico.
espacio muestral y exactamente se conoce la probabilidad, como también es el definido del
asunto del dado y se pueda precisar la probabilidad. así como cuando (Ω) es finito (el
número de puntos muestrales es contable) se da una definición de probabilidad que se
fundamenta en el análisis de los elementos del espacio muestral.

 Existen dos conceptos de probabilidad: el clásico y el 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, cuantos puntos
muestrales tiene.

 ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de

probabilidad?
 la frecuencia absoluta de un suceso es el número de veces que aparece cuando se
repite un experimento aleatorio, y la frecuencia relativa es la frecuencia  
absoluta dividida por el número de veces, n, que se repite el experimento aleatorio.

 ¿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(A ꓴ B)?
¿Que son eventos mutuamente excluyentes?
Es cuando dos eventos son mutuamente excluyentes, y cada uno se forma por puntos
muestrales distintos cómo es la intersección de dos eventos mutuamente excluyentes.
Se conforma un conjunto nuevo, que sujeta a los puntos muéstrales que a la vez conciernen
al subconjunto A y al subconjunto B. Diremos la intersección de A y B con A Ո B. Cuando
dos sucesos son excluyentes, la intersección es cero sí son excluyentes, dado un evento A y
uno B, a que es igual la P(A ꓴ B)?

A y B son excluyentes, A Ո B es vacía y por tanto P(A Ո B) = 0.

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

continua y simétrica, qué modelo se usa.
 La distribución de variables aleatoria, continuas y simétrica el modelo es Normal.

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

El Modelo De Poisson

 Para variables de proporciones ¿qué modelo se utiliza?

Modelo Probabilístico Nominal

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

función de densidad?
La función de probabilidad: variable aleatoria
la función de densidad de una variable aleatoria continua.
 ¿Cuáles son los parámetros más usados en estadística para estudiar y utilizar
funciones de distribución de variables aleatorias?
Es importante interpretar que los parámetros que se derivan de poblaciones y los
estadísticos desde muestras. Como también el valor esperado, acierta la representación del
valor medio de un fenómeno aleatorio. Y La varianza precisa la idea de incertidumbre y su
recíproco la idea con claridad.

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

La esperanza de una variable aleatoria sólo proporciona información parcial acerca de su
distribución, ya que explicita dónde está posicionada, pero, como se observa en la Figura
2.6, dos o más distribuciones pueden tener la misma medida de posición y sin embargo ser
distintas. Existe la necesidad de una medida que indique cuan disímiles son los valores de
la variable aleatoria. Antes de presentar la definición de varianza, considérese el siguiente
ejemplo. Ejemplo 2.15 Los dos conjuntos de datos, A1, A2, corresponden a todos los
valores posibles e igualmente probables de dos variables aleatorias discretas X1 y X2
respectivamente. Ambas distribuciones tienen igual esperanza pero nótese la diferencia en
su variación: A1 ={ 8; 8; 9; 10; 11; 12; 12} y A2 ={1; 2; 5; 10; 15; 18; 19}.
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.

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
Se utiliza el tipo de histograma frecuencias relativas donde se analiza la forma de este.

 Qué es la estandarización, cuál es su fórmula.

Para usar las tablas, debemos expresar nuestra variable como una normal estándar. Para ello
usamos una transformación llamada estandarización que nos permite llevar cualquier
distribución normal a la distribución normal estándar. La transformación, estandarización,
tiene la siguiente forma:

DISTRIBUCIÓN BINOMIAL

 Qué tipo de conteos se trabajan con la distribución Binomial

Es una distribución de probabilidad discreta que cuenta el número de éxitos en una
secuencia de n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser
dicotómico, esto es, solo dos resultados son posibles. A uno de estos se denomina «éxito» y
tiene una probabilidad de ocurrencia p y al otro «fracaso», con una probabilidad2 q = 1 - p.
En la distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de éxitos.
Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli.
 En la distribución binomial que es n y que es P.
n= la cantidad de pruebas
p= la probabilidad
 A qué es igual la esperanza y la varianza en esta distribución.
La esperanza y la varianza es que, con esperanza igual a la esperanza de la población
original y varianza igual a la varianza de la población original.

DISTRIBUCION DE POISSON

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

número de veces que un evento ocurre en una unidad de tiempo o espacio dada (hora, kilo,
m2, m3, planta, etc.) y por tanto los valores de la variable no están acotados.
 En agronomía se usa para qué tipo de conteos (los ácaros, por ejemplo, se pueden
trabajar con esta distribución).
usarse para modelar el número de insectos sobre una planta, o en un golpe de red, el
número de manchas defectuosas en un mosaico, o en un metro cuadrado de piso, el número
de colémbolos en 100 g de suelo, o en 1000 cm3 de suelo o el número de coliformes en 1
ml de agua, entre otros conteos de interés.

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

y la varianza.
Se denota como λ.
Pantallazo Participación del Foro.
CONCLUSIONES

El desarrollo de éstos ejercicios, nos permite conocer nuevas herramientas que podemos
utilizar de manera fácil y concreta.
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=bioestadistica 

Arribas, M. J. M., Almazán, L. A., & Mañas, R. B. (Eds.). (2012). Historia de la

probabilidad y de la estadística vi. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?
ppg=86&docID=3207420&tm=1519662405330