UNIDAD 2: PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD APLICADAS A LAS

CIENCIAS AGRARIAS

FASE 3 – ELABORAR DOCUMENTO DE APLICACIÓN DE CONCEPTOS DE

PROBABILIDAD

ESTUDIANTE

EDWIN HERNANDEZ PINZÓN CÓDIGO: 1038107900

CÓDIGO GRUPO: 300046_69

TUTORA: JESSICA ALMEIDA BRAGA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS AGRÍCOLAS, PECUARIAS Y DE MEDIO AMBIENTE ECAPMA
ESTADISTICAS DESCRIPTIVAS PARA AGRARIAS

PROGRAMA INGENIERÍA AMBIENTAL

MAYO DE 2019
 INTRODUCCIÓN

En el siguiente trabajo de estadística descriptiva aplicadas a ciencias agrarias y ambientales,

de la unidad 2, fase 3: elaborar documento de aplicación de conceptos de probabilidad.
Encontrará la definición de algunos términos utilizados en estadística, Conceptos básicos de
probabilidad
Variables aleatorias, continuas y discretas aplicadas a las ciencias agrarias. Distribuciones
de probabilidad aplicadas a las ciencias agrarias al igual que los fundamentos de los tipos de
probabilidad de ocurrencia de un evento determinado proveniente de la observación de una
característica agropecuaria, a través del abordaje de los conceptos del curso de estadística
descriptiva
En el programa R se procesaron diferentes vectores y códigos que fueron muy útil para
aprenda a aplicar los tres modelos probabilísticos tales como: modelo normal, modelo
binominal y modelo Poisson

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

- Desarrollar nuevas temáticas en mi carrera profesional de ingeniería ambiental a partir de

la toma de decisiones utilizando las herramientas que nos ofrece la estadística para
contribuir a mejorar nuestro medio ambiente afectado por la contaminación
1. PREGUNTAS ORIENTADORAS

 ¿Qué es espacio muestral?

 Es el conjunto de todos los resultados posibles de un experimento aleatorio. Se
denota con la letra “E” mayúscula.

 Punto muestral
Se denomina punto muestral a cada uno de los posibles resultados de un estudio
aleatorio, es decir a cada elemento de 

 ¿Qué es evento muestral?

Es cualquier subconjunto de elementos de 

 Explique en sus propias palabras el experimento aleatorio del dado.

R//. En este experimento de los dados se analizan 11 probabilidades equivalentes

a 36 puntos muéstrales, en las cueles la menor posibilidad es de 1 de 1 y la mayor
es de 12, a continuación, podemos observar las 11 probabilidades que salgan esos
valores al lanzar los dos dados

 ¿Qué es variable aleatoria?

característica de interés en un estudio donde se realizan mediciones

 ¿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.

 ¿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.

- 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

Ejemplo: Por ejemplo, consideremos que la germinación de una semilla es un

experimento aleatorio (puede germinar o no). Supongamos que con A se representa
el evento.

-frecuencial: Número de veces que se repite un proceso periódico en un intervalo de

tiempo determinado.

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

-Frecuencia relativa: 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.

 ¿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(A ꓴ B)?

-Son mutuamente excluyentes si cada uno está formado por

puntos muéstrales distintos, es decir no existe ningún punto muestral en la
intersección de los subconjuntos que representan los eventos y , por la teoría de
conjuntos.

La intersección de eventos conforma un nuevo conjunto, que contiene a los puntos

muéstrales que simultáneamente pertenecen al subconjunto A y al subconjunto B

La fórmula matemática para determinar la probabilidad de los eventos mutuamente

excluyentes es P(A U B) = P(A) + P(B).
 P(AB), 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?

Modelo probabilístico Binomial y para conteos no acotados en el modelo Poisson.

 ¿Para variables de proporciones que modelo se utiliza?

Se usa una variable acotada en el intervalo (0,1)

 Que variables tienen función de probabilidad y que variables tienen función de

densidad.
Una función de densidad de probabilidad caracteriza el comportamiento probable de
una población en tanto especifica la posibilidad relativa de que una variable
aleatoria continua X tome un valor cercano a x.

 ¿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.

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

La esperanza es una medida de la tendencia central de la distribución. Se denota: E
[X] ó μ

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

Es un parámetro que tiene un valor pequeño cuando la mayoría de los valores de la
variable se encuentran cerca de la esperanza y crece a medida que éstos se desvían
del centro de la distribución.
Se denota: Var (X)=

Conceptos capítulo tres modelos probabilísticos

DISTRIBUCION NORMAL
 Qué tipo de histograma se 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

Figura 3.1. Histogramas de frecuencias relativas de variables aleatorias continuas

donde se superponen funciones de modelos probabilísticos teóricos que ajustan
relativamente bien las formas de los histogramas.

 Que es la estandarización, cuál es su fórmula.

Permite llevar cualquier distribución normal a la distribución normal estándar.

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 la distribución binomial que es n y que es P?

-Cierto número (n) de experimentos aleatorios
- Probabilidad (P) de ocurrencia

 A que es igual la esperanza y la varianza en esta distribución.

La E(Y) y la V(Y) cuando Y tiene distribución Binomial son:
 DISTRIBUCION DE POISSON

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

La distribución de Poisson también sirve como modelo probabilístico para variables
discretas de tipo conteo. A

 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,

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

varianza.

el único parámetro de la distribución Poisson es . Si una variable aleatoria Y se

distribuye como Poisson lo denotamos como:
Y~ Poisson().

= 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

 Desarrolle el ejercicio 2.1

 Ejercicio 2.1: Supongamos que se toma una muestra aleatoria con reposición de
tamaño n=2 a partir del conjunto {1,2,3} y se produce el siguiente espacio muestral
con 9 puntos muestrales:

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.

El evento C conformado por los elementos cuya suma es 5.

Preguntas:

 a) ¿Qué tipo de concepto de probabilidad aplicaría para calcular probabilidades?

R/: probabilidades aleatorias P(A)=A/Ω= 5/9=0,55 P(B)=A/Ω= 4/9=0,44

 b) Los eventos A y B, ¿son independientes?

R/: si son independiente porque para realizar el evento b no necesitamos del evento a

 c) ¿Cuál es la probabilidad de que ocurra A o B?

5 4 9
P(AUB)=P(A)+P(B)= + =
9 9 9
 d) ¿Cuál es la probabilidad de que ocurra B o C?
2
R/: P(C) ={[3,2),(2,3]}=
9
4 2 6
P (BUC)= P(B)+P(C)= + =
9 9 9

 e) Representar tabularmente a F(Y).

  Desarrolle el ejercicio 2.3

Ejercicio 2.3: Los siguientes datos corresponden a la venta de tractores que

registra una empresa de maquinarias agrícolas en los días laborables del
último año:

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

 TRABAJO CON VARIABLES DE CIENCIAS AGRARIAS

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

Gráfico de barras CONTEO

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

Class limits Class limits

Distribución empirica
1.0
100

0.8
80

Distribución empirica

0.6
Frequency

60

0.4
40

0.2
20

0.0
0

8.91 11.58 16.93 22.28 27.63 10 15 20 25 30

Class limits MP7

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%

En la varible pm 2,5 tenemos que el minimo material particulado fue de 9, el

primer cuartil esta en 14, la media equivale al 19, la mediana el d 19,34, el
tercer cuartil se cituo alrededor de 24,25 y la maxima poderacion de PM 2,5 fue
de 30 lo que significa que le 50 del PM equivale a la mediana 19
3. 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
MODELO NORMAL
 Deben 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, y hacer el ejercicio con un 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 y que pasa cuando se cambia la varianza en que se afecta la
figura.
 Función de Distribución N(VARIANZA.VARIANZA1 EN ROJO,MISMA MEDIA)
Función de Distribución N(MEDIA.MEDIA2 EN ROJO,MISMA VARIANZA)

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

 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.
 Función de Distribución N(media.sigma)

Función de Distribución N(media.sigma)

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

Deaza D. (2018). OVI Distribuciones de probabilidad en el programa R. Recuperado el 18 de

abril de 2019 de: 
http://hdl.handle.net/10596/23235