Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CIENCIAS AGRARIAS
ESTUDIANTE
MAYO DE 2019
INTRODUCCIÓN
OBJETIVOS GENERALES
- Fortalecer y afianzar los conocimientos en estadística descriptiva
- Interpretar los conceptos básicos que nos ofrece la estadística como son los tipos de
probabilidad de que ocurra un evento
Punto muestral
Se denomina punto muestral a cada uno de los posibles resultados de un estudio
aleatorio, es decir a cada elemento de
¿que son variables aleatorias discretas proporcionales y que son variables aleatorias
discretas de conteo no acotado? De ejemplos este tipo de variables.
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.
Ejemplo: rendimientos, las ganancias de peso, las precipitaciones, entre otras.
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.
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.
-Probabilidad el clásico: propone modelos para los fenómenos aleatorios, es decir, los
que se pueden predecir con certeza, y estudia sus consecuencias lógicas.
¿Cuáles 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.
DISTRIBUCIÓN BINOMIAL
Qué tipo de conteos se trabajan con la distribución Binomial
Puede usarse para el cálculo de probabilidades de eventos provenientes de conteos
acotados.
En agronomía se usa para que tipo de conteos, les recuerdo los ácaros por ejemplo se
pueden trabajar con esta distribución.
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,
= E(Y) =
2= V(Y) =
Revisando el ejercicio de la tabla 3.1 del libro de Balzarini como se obtiene λ en este
caso a que es igual la media y la varianza.
se obtiene de la multiplicación de, “Número de granos partidos por kilo” por el
“Número de muestras con dicha cantidad, luego se divide sobre 50 granos por kilo en
este caso como está en el ejemplo del documento, el resultado se divide nuevamente
entre los 50 granos por kilo, y dará el resultado final para encontrar .
2. APLICACIÓN DE CONCEPTOS
Estudie el ejercicio de velocidad del viento de la del texto y explicar por qué hay un
sitio mejor para el objeto del estudio, pueden tomar pantallazos del gráfico.
Después de analizar el grafico izquierdo que se encuentra en una zona sur agrícola y
el grafico de la derecha que esta situado en una zona norte agrícola se puede afirmar
que un molino de viento para generar electricidad, comienza a funcionar cuando el
viento alcanza una velocidad de unos 19 km/h, logrando su máximo rendimiento con
vientos entre 40 y 48 km/h y deja de funcionar cuando los vientos alcanzan los 100
km/h. Los lugares ideales para la instalación de los generadores de turbinas son
aquellos en los que el promedio anual de la velocidad del viento es de al menos 21
km/h. Mientras que, si el molino se coloca con fines de extracción de agua
subterránea, se espera una velocidad del viento promedio de 26 km/h. se puede
observar, que en la zona sur se registran velocidades del viento que oscilan entre los
20 y 28 km/h. Sólo el 10% de las veces la velocidad del viento supera los 26 km/h. en
la zona Norte la mediana de la velocidad del viento es aproximadamente de 46 km/h,
esto es equivalente a decir que el 50% de las veces, el viento alcanza una velocidad
promedio de 46 km/h o menor. El 10% de las veces, la velocidad del viento superó 48
km/h. El rango de velocidades en la zona norte varía entre 40 km/h hasta 52 km/h. con
este análisis podemos concluir que los vientos de la zona norte son los favorable a
utilizar para la producción de la energía eólica para extraer agua porque su vientos
son más constates y fuertes lo que permitiría un mejor rendimiento ya se sus viento
oscilan entre 40 km/h hasta 52 km/h, esto puede ser debido que la turbina se
encuentra ubicado en una colina o zona montañosa
Ω={(1,1),(1,2),(1,3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3)}
Supongamos además que definimos la variable aleatoria Y=suma de los dos números,
que conforma un nuevo espacio probabilístico y que estamos interesados en los
siguientes eventos:
El evento A conformado por los puntos muestrales cuya suma sea un número par, es
decir, A={(1,1),(1,3),(2,2),(3,1),(3,3)} y P(A)= 5/9.
El evento B conformado por los puntos muestrales cuya suma sea un número impar,
siendo B={(1,2),(2,1),(2,3),(3,2)} y P(B)=4/9.
Preguntas:
Preguntas:
a) ¿Cuál es la variable en estudio?
R//. Variable tractores
b) ¿Cuántos resultados posibles tiene la variable? ¿Qué tipo de variable es?
R//. 260, Variable aleatoria
c) ¿Cuál es la probabilidad de que hoy no venda ningún tractor?
R//. 0,423076923
d) ¿Cuál es la probabilidad que un día, seleccionado al azar dentro de los días laborables del
año, venda 3 o más tractores?
R//. 0,038461538
e) ¿Cuál es la probabilidad que en los próximos dos días venda 3 tractores?
R//. 0,038461538
En archivo PROBABILIDAD Cada estudiante debe correr el modelo para una variable
discreta y una continúa dando conclusiones de lo encontrado acorde a su profesión. ¿cuál
es conteo de más alta probabilidad? En el caso de la variable continua el 50% de los
datos de su variable serán menores o iguales a que a valor?
- Variable discreta
FRECUENCIAS RELAT IVAS CONTEO
0.10
0.08
8
Frecuencias relativas
Frecuencias absolutas
0.06
6
0.04
4
0.02
2
0.00
0
5 7 9 11 13 15 17 19 21 23 25 27 30 5 7 9 11 13 15 17 19 21 23 25 27 30
Conclusiones
En la variable discreta se procesaron un total de 30 hogares, tomando como conteo
mínimo 5 y conteo máximo 30
En la frecuencia absoluta podemos observar que de los 30 hogares que menos
ahorraron agua fueron 5 ubicado en el rango de 1 y los de mayor ahorro de fueron 26
en el máximo rango que es 10
Podemos decir que el valor mayor o igual a 4, pero menor que 5 tiene una probabilidad
del 13% y mayor o igual a 5 pero menor que 6 tiene una probabilidad de 25%
- Variables continuas
0.20
20
0.15
15
Frequency
Frequency
0.10
10
0.05
5
0.00
0
8.91 11.58 16.93 22.28 27.63 8.91 11.58 16.93 22.28 27.63
Distribución empirica
1.0
100
0.8
80
Distribución empirica
0.6
Frequency
60
0.4
40
0.2
20
0.0
0
Conclusiones
En la variable discreta se analizaron un total de 30 datos equivalente al material
particulado PM 2,5, en un rango de 9 a 100, en la gráfica observamos que a cada cuartil
se nombró con un color: el negro equivalente al 25%, el rojo al 50%, el azul al 75 y el
verde al 100%
0.4
0.12
0.10
0.3
0.08
F(x)
0.2
F(x)
0.06
0.04
0.1
0.02
0.0
0.00
10 15 20 25 30 35 40 10 15 20 25 30 35 40
x x
0 .0 1 0 .0 2 0 .0 3 0 .0 4 0 .0 5
0 .0 5
0 .0 4
F (x )
0 .0 3
F (x )
0 .0 2
0 .0 1
0 .0 0
0 .0 0
20 40 60 80 100 20 40 60 80 100
x x
R//
La probabilidad de un valor menor e igual a 53 es de 0.4432015
La probabilidad de un valor mayor a 53 es de 0.8413447
La probabilidad de un intervalo de rango es de 0.7420733
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.
R//
La probabilidad de que germinen 5 semillas es de 0.9802723
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, y adicionalmente determinar cuantas
de 100 semillas tendrán 3 picaduras y cuantas 6 o más, en este caso saque las
probabilidades de 0,1,2,3,4,5 las suma y se las resta a uno.
CONCLUSIONES
Después de desarrollar el anterior trabajo, de estadística descriptica aplicadas a ciencias
agrarias y ambientales, podemos concluir que: Los conceptos antes mencionados han sido
analizados e investigados de tal manera de hacer más fácil su comprensión y entendimientos
ya que la estadística es la ciencia que trata de entender, organizar y tomar decisiones que
estén de acuerdo con los análisis efectuados.
La estadística juega un papel muy importante en nuestras vidas, ya que actualmente ésta se
ha convertido en un método muy efectivo para describir con mucha precisión los valores de
datos económicos, políticos, sociales, psicológicos, biológicos, ambientales y físicos,
además, sirve como herramienta para relacionar y analizar dichos datos. El trabajo del
experto estadístico ha evolucionado mucho, ya no consiste sólo en reunir y tabular los datos,
sino sobre todo en el proceso de interpretación de esa información, ahora tiene un papel
mucho más importante, lo que nos permites mejorar la toma de decisiones al momento de
enfrentarnos con las diferentes problemáticas.
Al implementar el uso de la estadística descriptiva podemos recolectar, describir, visualizar y
resumir los datos originados a partir de los fenómenos de estudio. Los datos pueden ser
resumidos numérica o gráficamente. Ejemplos básicos de parámetros estadísticos son:
la media y la desviación estándar. Algunos ejemplos gráficos son: histograma y pirámide
poblacional
Bibliografía
Balzarini, M. (2013). Estadística y biometría: ilustraciones del uso e infostat en problemas de
agronomía. Recuperado el 15 de abril de 2019 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 el 16 de abril de 2019 de:
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?
ppg=86&docID=3207420&tm=1519662405330
Mirás M & Rodríguez E. (20181). Técnicas estadísticas con hoja de cálculo y R. Recuperado
el 16 d abril de 2019 de
https://publicacions.uvigo.es/opencms/export/sites/publicacions/publicacions_gl/documentos/
xndice_y_primer_capxtulo_TECNICAS_ESTADISTICAS.pdf