Está en la página 1de 13

ESTADISTICA DESCRIPTIVA (PARA AGRARIAS)

Fase 3 –Elaborar documento de aplicación de conceptos de probabilidad

Presentado por:
Damián Alfonso rojas Quiroga
Código: 1.071.890.340
Miguel Arcángel Romero Velásquez
Codigo:1121396143
Laura Natalia Turca Martínez
Código. 300046
Yorman Xiraus Rodríguez
Codigo:1119894351

Tutor:
Maikel Suarez Rivero

Grupo:
127

Universidad Nacional Abierta y a Distancia


programa de ingeniería ambiental

09/04/2020
INTRODUCCIÓN

Esta actividad se hace a través de un programa llamado R siendo este mismo


el que nos ayuda a nosotros como estudiantes a obtener un conocimiento
acerca de probabilidades, como también los tipos de variables aleatorias
discretas y continuas. También podemos analizar las distribuciones de
probabilidad aplicadas a las ciencias agrarias.
ACTIVIDADES A DESARROLLAR

Respuesta de las preguntas orientadoras

PROBABILIDAD

• Espacio muestral, con qué letra se d enota


Conjunto de todos los valores que potencialmente pueden asumir en un
estudio aleatorio. Tal conjunto de resultados posibles se denomina
espacio muestral y es usualmente denotado con la letra griega omega(Ω)
• Punto muestral
Se denomina punto muestral a u conjunto de posibles resultados de u
experimento de un punto muestral (ω). En un elemento de Ω de un
resultado específico de un estudio
• Evento muestral
Es un conjunto de posibles resultados del experimento. A es un
subconjunto de Ω (A⊂Ω)
• Variable alea toria
Es una función que asigna un valor, usualmente numérico, al resultado de
un experimento aleatorio.
• ¿Qué significa que el espacio muestral de una variable aleatoria
continua es no contable?
Significa que, entre dos valores de la variable, pueden reali zarse un
número infinito de otros valores.
Ejemplo de variables aleatorias con espacios muestral es con estas
características son los rendimientos, las ganancias de peso, las
precipitaciones, entre otras.
• ¿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
conteos que no pueden superar el número de elementos evaluados. Un ejemplo sería
el número de semillas germinadas en cajas e Petri con 25 semillas cada caja, los
resultados se expresan como proporciones porque existe un denominador natural.
(Balzarini 2013)
Las variables aleatorias discretas de conteo no acotado son aquellas en las cuales no
se posee un denominador de origen natural. Un ejemplo seria la cantidad de manchas
de roya encontradas en una determinada superficie de cultivo de café.

• 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.

El concepto clásico de probabilidad se relaciona con la tendencia a infinito del espacio


muestral, basado así en la observación de los elementos del mismo. (Balzarini, 2013)

La definición frecuencial de probabilidad tiene que ver con una serie repetida de
estudios de carácter aleatorio. También está dada cuando el espacio muestral es
infinito y de esta forma no pueden enumerarse todos los resultados obtenidos producto
del estudio. (Balzarini, 2013)

Para ejemplificar lo anterior recurriremos al ejemplo de la germinación de semillas, para


este caso se tiene un lote de semillas, de la cual sacaremos la probabilidad de que la
semilla germine óptimamente. Cogemos una semilla y la plantamos esperando que
germine, pero este proceso lo repetiremos 500 veces, ósea se usarán 500 semillas,
este número de repeticiones será N, tengamos en cuenta que para lograr obtener la
probabilidad debemos saber el número de veces que el evento ocurre en la cantidad de
las repeticiones y lo denotaremos (Na). La probabilidad de germinación de una semilla
en la totalidad de las repeticiones la denominaremos P(A). Si de las 500 repeticiones
(N) se observó una germinación de 300 semillas (Na), diremos que la probabilidad de
que una semilla germine se representa por:
P(A) = P (observar una semilla germinada) =Na =N = 300/500= 0,6 y esta es la
probabilidad de observar una semilla germinada en las 500 repeticiones. (Balzarini,
2013) el experimento aleatorio es la semilla, el evento es la probabilidad de que la
semilla germine y la cantidad de puntos muestrales es uno que depende de la cantidad
de semillas germinadas en la totalidad de repeticiones.

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


probabilidad?

La frecuencia relativa se da cuando el número de repeticiones de un determinado


experimento no es grande o elevado, por su parte para considerar una función como
probabilidad, se debe asignar a cada evento del espacio muestral un número real entre
0 y 1. (Balzarini, 2013)

• ¿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(AꓴB)?
Los eventos mutuamente excluyentes son aquellos en los cuales cada evento cuenta o
está formado por puntos muéstrales totalmente diferentes, lo que significa que no
existe ningún punto muestral en la intersección de los subconjuntos. (Balzarini, 2013)

La intersección de dos eventos mutuamente excluyentes conforma un nuevo conjunto,


el cual posee puntos muéstrales pertenecientes tanto al subconjunto A como al B, la
intersección entre dos conjuntos se denota (A‫ח‬B), pero si A y B son excluyentes, la
intersección es vacía por lo tanto P(AꓴB), es igual a cero. (Balzarini, 2013)

P(AꓴB), es igual a la suma de las probabilidades de cada evento.

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


continua y simétrica, ¿qué modelo se usa?

Para el caso de variables continuas simétricas es usual la implementación del modelo


normal.

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

Para una variable de conteo no acotado se utiliza el modelo de Poisson.

• Para variables de proporciones ¿qué modelo se utiliza?

Para el caso de variables de proporción es común la utilización de modelos.

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


función de densidad?

Para el caso de variables con función de probabilidad encontramos las variables


discretas. Como variables con función de densidad podemos encontrar las variables
continuas.

• ¿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 estudiar funciones de distribución de


variables aleatorias son el valor esperado, que a su vez formaliza el valor medio en un
fenómeno aleatorio.

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


denota?

La esperanza matemática de una variable aleatoria es el número que expresa el valor


medio del fenómeno que representa dicha variable.

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


La varianza de una variable es una medida de dispersión y es denotada con la letra
griega sigma.

DISTRIBUCIÓN

DISTRIBUCCION NORMAL


• Que tipo de histograma se selecciona un modelo probabilístico
para una variable aleatoria continua cuando se t ienen datos de esa
variable.
Se debe seleccionar un histograma de variables de tipo relativas,
posteriormente se debe hacer una observacion de la forma del mismo. Se
pueden aplicar modelos teoricos y funciones matematicas que permitan
ajustar o aproximar el histograma.
• Que es la estandarizaci ón, cuál es su formula.

Es una funcion que nos permite llevar una funcion de distribuccion


carácter normal a una distribuccion de carácter normal estandar.

La formula es

DISTRIBUCCION BINOMI AL

• Qué tipo de conteos se trabajan con la distribución Binomial

se establecen dos tipos de conteos en la distribución binomial, estos representan el


éxito o el fracaso.

• En la distribución binomial que es n y que es P.

En la distribución binomial n hace referencia al número de experimentos y p hace


referencia a la probabilidad de ocurrencia o éxito.
• A qué es igual la esperanza y la varianza en esta distribución.

La esperanza en esta distribución es igual al número de repeticiones del experimento,


multiplicado por la probabilidad de ocurrencia o éxito.
Por su parte la varianza es igual al número de repeticiones del experimento,
multiplicado dos veces por la probabilidad.

DISTRIBUCION DE POISSON

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

Con la distribución de poisson se trabajan conteos que hacen referencia al número de


veces que un evento ocurre en una unidad de tiempo o espacio determinado.

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

Es utilizado principalmente para determinar el número de insectos sobre una planta, en


un golpe de red, el número de manchas defectuosas de un mosaico o en un metro
cuadrado de piso, entre otros conteos de interés.

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


media y la varianza.

El único parámetro de esta distribución suele notarse por λ. La varianza de poisson


aumenta a medida que aumentan los conteos y esta es función de la media
Adjuntar cada gráfico obtenido con el programa de estadística en una diapositiva
aparte (no se aceptan pantallazos).

A. PROBABILIDAD.

• Ejecutar el programa R y abrir “CODIGODADOS.txt” (recuerde que en la


casilla que dice “R Files” debe cambiar a “All files” para poder visualizar el
archivo y abrirlo).
• 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.

Consiste en determinar las probabilidades de obtener diferentes resultados al lanzar


dos dados. Al lanzar los dados existen 36 posibilidades de obtener resultados, los
cuales pueden caer 1-1, 1-2, 2-2, 2- y así sucesivamente hasta llegar a los 36
diferentes resultados, los cuales se le denomina espacio muestral. Por otra parte, a
lanzar los dados existen otras posibilidades las cuales se obtienen dos números
impares 3-5 y dos números pares 2,4, también tenemos la posibilidad de sacar dos
números iguales 6-6, la cual es mas remota, a estos resultados los podemos
denominar subconjuntos o eventos.
Para los números iguales obtenemos un total de seis combinaciones diferentes 1-1, 2-
2, 3-3. 4-4, 5-5, 6-6. Los seis resultados lo dividimos en el total de los resultados (36) y
así obtenemos la probabilidad (6/36=0,1), seguido al multiplicarlo por 100 obtenemos
un 16,6% de probabilidades de obtener dos números iguales al lanzar los dados.

• Adjuntar los tres gráficos generados por el código (Frecuencias Absolutas,


frecuencias relativas y frecuencias relativas acumuladas) y hacer una
explicación de cada uno de ellos.
Gráfico de barras SUMA DE CARAS
Barra de frecuencia absolut o que
6
nos muestra el numero de
proabilidades que un evento que
5
Frecuencias absolutas

tenga mayor frecuencia que da


4

como resultado el numero 7 cuando


3

cuando tiene mayor posibilidad de


que el dado de ese mismo
2

resultado con 6 ocurrencias de 36


1

efectivas realizadas y el menos es


2 y 12 con una proabilidad
0

2 3 4 5 6 7 8 9 10 11 12

FRECUENCIAS RELATIVAS SUMA DE CARAS


0.20

FRECUENCIAS RELATIVAS ACUMULADAS SUMA DE CARAS


1.0
0.15
Frecuencias relativas

0.8
Frecuencias relativas
0.10

0.6
0.05

0.4
0.2
0.00

2 3 4 5 6 7 8 9 10 11 12
0.0

2 3 4 5 6 7 8 9 10 11 12

Se explica la distribucion en porcen tajes de numero de pro babilidades de


frecuencia relativa de un dato estadistico es el conciente entre la
frecuencia absoluta y el numero total de datos de la suma de dos caras
dividido por 100
B. DISTRIBUCIÓN
• Descargar el código “MODELOS.txt” y ejecutarlo en el Programa R.
• Presente las gráficas obtenidas con el código, analice y compare los resultados
Obtenidos, con respecto a los ejercicios planteados en el Capítulo 3 del texto
Estadística y Biometría de Mónica Balzarini:
• Distribución normal - Ejercicio de las vacas del tambo (página 91),
• Probabilidad en distribución normal - Ejercicio del híbrido de maíz (página 93)
• Distribución binomial - Ejercicio de la semilla de Panicum sp. (página 102)
• Distribución Poisson - Ejercicio de las picaduras de gorgojo (página 105).

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


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

0.12
0.12

0.10
0.10

0.08
0.08

F(x)
F(x)

0.06
0.06

0.04
0.04

0.02
0.02

0.00
0.00

10 15 20 25 30 35 40 10 15 20 25 30 35 40

x x

Grafica explicativa donde se puede apreciar que, ocasionando un cambio


en la variación de ración, se espera que con raciones diferenciales. Las
vacas del tambo que producían menor cant idad de leche se acercan a un
promedio de producción

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


0.4

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

0.4
0.3

0.3
F(x)

0.2

F(x)

0.2
0.1

0.1
0.0

0.0
10 15 20 25 30 35 40 10 15 20 25 30 35 40

x
x

Grafica de medidas de varianza según la producción que da como


resultado al suministrar ración

Función de Distribución N(media.sigma) Función de Distribución N(media.sigma)


0.05
0.05

0.04
0.04

0.03
0.03

F(x)
F(x)

0.02
0.02

0.01
0.01

0.00
0.00

20 40 60 80 100 20 40 60 80 100

x x
se calculan las probabilidades de que una semilla escogida al azar tenga desde cero
picaduras hasta cinco picaduras.

CONCLUSIONES

Gracias a los diferentes roles que nos brinda la estadística, en este documento
nosotros como estudiantes logramos aprender a interpretar los diferentes
fundamentos de los tipos variables aleatorias continuas y discretas aplicadas a
las ciencias agrarias, pecuarias y ambientales, su forma de procesamiento,
recomendaciones de uso y los conceptos básicos de probabilidad.
REFERENCIAS BIBLIOGRAFICAS

Balzarini, M., Di Rienzo, J., Tablada, M., Gonzales, L., Bruno, C., Cordoba, M., &
Robledo, W. &. (2011). Estadistica y
Biometría. Argentina: Brujas.
www.agro.unc.edu.ar/~mcia/archivos/Estadistica%20y%20Biometria.pdf
Gutiérrez, G. E., & Vladimirovna, P. O. (2016). Estadística inferencial 1 para ingeniería
y ciencias. Recuperado
dehttp://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?docID=4849828&q
uery=estad%C3%ADstica+con+excel
Deaza D. (2018). OVI Distribuciones de probabilidad en el programa R. Recuperado de:
http://hdl.handle.net/10596/23235