FASE 3 –ELABORAR DOCUMENTO DE APLICACIÓN DE CONCEPTOS DE

PROBABILIDAD

ALEJANDRA DUQUE – 1036634893

ELKIN ARBOLEDA – 1027885290
RAMIRO ELIECER GARCÍA – 70954144
EDWIN ANDRÉS SOTO - 1002205705
YENIFER PAOLA OSPINA PATIÑO – 1047972584

CATALINA MUÑOZ
300046_99

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

ESCUELA DE CIENCIAS AGRÍCOLAS, PECUARIAS Y DEL MEDIO AMBIENTE
AGRONOMIA
MEDELLIN ANTIOQUIA, MARZO 2020
 INTRODUCCIÓN

El presente trabajo muestra la aplicación de algunos conceptos propios de la estadística

descriptiva y su importancia a la hora de realizar análisis estadísticos. Es importante porque

permitió mediante la utilización del programa R, nos permite definir la probabilidad de

ocurrencia de un evento determinado proveniente de la observación de una característica

agropecuaria.

De igual manera, en éste se puede observar las diferencias entre cada tipo de gráfico y la forma

como se interpreta, dependiendo de la frecuencia que se desea mostrar y su implicación en el

objeto de estudio.
 OBJETIVOS
Objetivo General

Objetivos específicos
 Definir conceptos de probabilidad
 Realizar gráficas de Variables aleatorias continuas y discretas

 A. PROBABILIDAD.
 Espacio muestra Expliquen en sus propias palabras los siguientes términos:
a. Espacio muestral: es el conjunto de todos los posibles resultados de un experimento
aleatorio, junto con una estructura sobre el mismo. 
Con qué letra se denota: es usualmente denotado con la letra griega omega (Ω).
b. Punto muestral: Es un elemento de (Ω). , es decir un resultado particular del experimento.
c. Evento muestral: es un subconjunto de un espacio muestral, es decir, un conjunto de posibles
resultados que se pueden dar en un experimento aleatorio
d. Variable aleatoria: es una función que asigna un valor, usualmente numérico, al resultado de
un experimento aleatorio
e. ¿Qué significa que el espacio muestral de una variable aleatoria continua es no contable?
R/: significa que, entre dos valores de la variable, se puede ejecutar un número infinito de otros
valores.

l. Para variables de proporciones ¿qué modelo se utiliza?

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
Si el espacio muestral de una variable es discreto pero representado por nombres o códigos que
representan categorías excluyentes y exhaustivas de la variable, entonces la variable aleatoria es
una variable cualitativa de tipo categorizada (nominal u ordinal).
m. ¿Qué variables tienen función de probabilidad y cuáles variables tienen función de
densidad?
La función de distribución de probabilidad de una variable aleatoria discreta
Para una variable aleatoria discreta la función de distribución de probabilidades f(.), es aquella
que designa una probabilidad de ocurrencia a cada valor de la variable. A diferencia de la
función de probabilidad, se tiene la distribución acumulada F(.), que designa una probabilidad de
ocurrencia para valores menores o iguales a un valor de la variable.
La función de densidad de una variable aleatoria continúa denotada como f(.) contienen
exhaustivamente toda la información sobre la variable.
n. ¿Cuáles son los parámetros más usados en estadística para estudiar y utilizar funciones
de distribución de variables aleatorias?
Los parámetros se derivan de poblaciones y los estadísticos desde muestras.
El valor esperado y la varianza son los parámetros más usados en estadística para estudiar y
utilizar funciones de distribución de variables aleatorias.
El valor esperado, formaliza la idea de valor medio de un fenómeno aleatorio.
La varianza formaliza la idea de incertidumbre y su recíproco la idea de precisión, más varianza
indica más incertidumbre sobre el fenómeno y menor precisión de las conclusiones que podemos
elaborar desde los datos que lo caracterizan.
o. ¿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.
La esperanza de una variable aleatoria sólo proporciona información parcial acerca de la función
de probabilidad (o densidad) ya que explica dónde está posicionada la distribución de valores
sobre la recta real. La esperanza es una medida de la tendencia central de la distribución. Pero
dos distribuciones con igual esperanza pueden tener distinta dispersión, y por tanto la esperanza
puede no ser suficiente para caracterizar completamente de la distribución.
p. Que es la 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 (),
es una medida de dispersión. Su raíz cuadrada, denominada desvío estándar () es usada para
expresar la dispersión en término de diferencias (o desvíos) de cada dato respecto a la esperanza
GRÁFICOS GENERADOS POR EL “CÓDIGODADOS”
A.
B.
C.
 B.DISTRIBUCIÓN

Función de Distribución N(MEDIA.MEDIA2 EN ROJO,MISMA VARIANZA)

0.12
0.10
0.08
F(x)

0.06
0.04
0.02
0.00

10 15 20 25 30 35 40

Función de Distribución N(VARIANZA.VARIANZA1 EN ROJO,MISMA MEDIA)

0.4
0.3
F(x)

0.2
0.1
0.0

10 15 20 25 30 35 40

x
 Función de Distribución N(media.sigma)

0.05
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

 DISTRIBUCION NORMAL
o Qué tipo de histograma se debe seleccionar en un modelo probabilístico para una
variable aleatoria continua cuando se tienen datos de esa variable
R/ Para seleccionar un modelo probabilístico para una variable aleatoria continua
cuando se tienen datos de esa variable, resulta recomendable graficar un
histograma de frecuencias relativas y observar la forma del mismo. Existen
diversos modelos teóricos o funciones matemáticas que podrían ajustar o
“aproximar bien” la forma del histograma.
o Qué es la estandarización, cuál es su fórmula.
R/ la estandarización que nos permite llevar 30 40 50 60 70 80 90 Rendimiento
(q/ha) 0,00 0,01 0,02 0,03 0,05 0,06 Densidad Función de densidad Normal
 (60;49): p(evento)=0,6859 Modelos probabilísticos 95 cualquier distribución
normal a la distribución normal estándar. La transformación, estandarización,

tiene la siguiente forma:

Donde Y es el valor de la variable aleatoria que define el evento de interés,  y 2
 son la media y la varianza de la distribución de Y. La nueva variable aleatoria
Z, obtenida mediante estandarización de Y, se distribuye normal con media cero y
varianza uno, es decir, normal estándar.
 DISTRIBUCIÓN BINOMIAL
o Qué tipo de conteos se trabajan con la distribución Binomial
R/ puede usarse para el cálculo de probabilidades de eventos provenientes de
conteos acotados.
o En la distribución binomial que es n y que es P.
R/ P es la probabilidad de éxito y por lo tanto pertenece al intervalo [0;1] y n es el
número de ensayos Bernouille independientes.
Se supone que se realizan cierto número (n) de experimentos aleatorios y en cada
experimento se registra uno de dos resultados posibles, éxito o fracaso donde el
éxito tiene una cierta probabilidad (P) de ocurrencia (este ensayo con resultado
binario se conoce como ensayo Bernoulli).
o A qué es igual la esperanza y la varianza en esta distribución.
R/ para deducir la esperanza matemática y la varianza de la binomial B(n,p)
podemos calcular la esperanza matemática y varianza de la variable
correspondiente a un ensayo y después aplicar las propiedades generales de
dichos parámetros con respecto a la suma de variables independientes.
 DISTRIBUCION DE POISSON
o Qué tipos de conteos se trabaja con la distribución de Poisson.
R/ La distribución de Poisson también sirve como modelo probabilístico para
variables discretas de tipo conteo. A diferencia de la Binomial, donde el conteo se
realizaba sobre n experimentos independientes, en el caso de la Poisson, los
conteos se refieren al 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. Es Modelos probabilísticos 105 decir, mientras los
valores de Y en una Binomial podían pertenecer a los naturales entre 0 y n
inclusive, en el caso de una Poisson pueden pertenecer a los naturales entre 0 e
infinito
o En agronomía se usa para qué tipo de conteos (los ácaros, por ejemplo, se pueden
trabajar con esta distribución).
R/ En Agronomía, la distribución Poisson suele 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.
o Cómo se denota el único parámetro de esta distribución, a que es igual la media y
la varianza.
R/ el único parámetro de la distribución Poisson es . Si una variable aleatoria Y
se distribuye como Poisson lo denotamos como: Y~ Poisson ().
El número medio de hechos que cabe esperar que se produzcan en un intervalo
unitario (media de la distribución); y que también coincide con la varianza de la
distribución.