Unidad 2: Fase 3 - Elaborar documento de aplicación de conceptos de probabilidad

Estadística Descriptiva (para agrarias)

Presentado Por:
Laura Camila Velasco
Código De Grupo:
300046_44

Presentado A:
Héctor Fabio López

Universidad Nacional Abierta A Distancia

Zootecnia.
Escuela Ecapma
El bordo, Cauca
Mayo 10 del 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.
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

 Analizar los diferentes tipos de conceptos básicos de la Estadística Descriptiva.

 Comprender los conceptos básicos y temas, como son: población, tamaño de muestra, unidad estadística,
variables y tipos de muestreo.
 Entender la variación presentada a través de los resultados gráficos que nos brindan los Histogramas y
polígonos de frecuencia.
 Estudiar los diferentes métodos estadísticos, que se utilizan en propósitos descriptivos.
PREGUNTAS ORIENTADORAS

 ¿Qué es espacio muestral?

Es un conjunto de todos los resultados posibles que se pueden obtener al realizar un experimento

aleatorio. Ejemplo: sea el experimento E: lanzar un dado y el espacio muestral correspondiente a este
experimento es: S = (1, 2, 3, 4, 5, 6
 Punto muestral
Es un elemento del espacio muestral de cualquier experimento dado.
 ¿Qué es evento muestral?
Es cualquier subconjunto de elementos de 

Explique en sus propias palabras el experimento aleatorio del dado.

En este respectivo experimento de los dados se puede analizar las 11 probabilidades que equivalen a 36
puntos muéstrales, donde la menor posibilidad es de 1 de 1 y la mayor es de 12, continuación, podemos
observar las 11 probabilidades que pueden salir al lanzar los dos dados.

 ¿Qué es variable aleatoria?

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?,

Primero es importante repasar lo que es el espacio muestral. En todo experimento de azar, lo primero
que buscamos es conocer el posible resultado: qué número caerá en el dado al lanzarlo, qué color de
pelota sacaré de un saco de pelotas de colores, o si la moneda mostrará una u otra cara al ser lanzada.
Así, todos los posibles resultados de un experimento le llamamos “Espacio muestral”

 ¿que son variables aleatorias discretas proporcionales y que son variables aleatorias discretas de
conteo no acotado? De ejemplos este tipo de variables.

Las variables aleatorias discretas son conocidas como un numero finito o a lo más numerable de
valores. En otras palabras, esta variable puede tomar un número finito de valores dentro de un intervalo,
como por ejemplo el número exacto de una cantidad en una manada de lobos.
Por otro lado, las variables aleatorias de conteo vienen siendo una muestra que puede tomar ciertos valores, con
frecuencia números enteros, por lo que entre sus ejemplos podemos colocar:

 Número de caras al lanzar una moneda

 El resultado del lanzamiento de un dado
 Número de hijos de una familia

 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: se puede dar una definición de probabilidad que se basa en la observación de
los elementos del espacio muestral. Ésta se desarrolló originariamente estudiando los juegos de azar.

frecuencial de probabilidad: La probabilidad frecuencial o empírica es la que se fundamenta en los

datos obtenidos por encuestas, preguntas o por una serie larga de realizaciones de un experimento.

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.

 experimento aleatorio

1000 semillas las cuales se estudiaron.

 evento.
Número de semillas que se pueden encontrar germinadas las cuales fueron 600.

 puntos muestrales.

A probabilidad estimada de observar una semilla germinada, puede estimarse por: P(A) = P(observar
una semilla germinada) = nA N = 600 / 1000 = 0,6
  ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de probabilidad?

Si bien la analogía es fundamental, 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)?

Dos o más eventos son mutuamente excluyentes o disjuntos, si no pueden ocurrir simultáneamente. Es
decir, la ocurrencia de un evento impide automáticamente la ocurrencia del otro evento (o eventos).
Dos o más eventos son no excluyentes, o conjuntos, cuando es posible que ocurran ambos. Esto no
indica que necesariamente deban ocurrir estos eventos en forma simultánea.
La regla de la Adición expresa que: la probabilidad de ocurrencia de al menos dos sucesos A y B es igual a:
P(A o B) = P(A) U P(B) = P(A) + P(B)
Si A y B son mutuamente excluyente:
P(A o B) = P(A) + P(B)  P(A y B)
Si A y B son no excluyentes Siendo:
P(A) = probabilidad de ocurrencia del evento
AP (B) = probabilidad de ocurrencia del evento
BP(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B Eventos Independientes
Dos o más eventos son independientes cuando la ocurrencia o no-ocurrencia de un evento no tiene efecto sobre
la probabilidad de ocurrencia del otro evento (o eventos). Un caso típico de eventos independiente es el muestreo
con reposición, es decir, una vez tomada la muestra se regresa de nuevo a la población donde se obtuvo. 

 En el caso de distribuciones de variables aleatorias cuando una variable es continua y simétrica

que modelo se usa.

Se usa el modelo Normal

 ¿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.

La función de distribución de probabilidad de una variable aleatoria discreta y 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?
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
 ¿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

 Que es la estandarización, cuál es su fórmula.

Permite llevar cualquier distribución normal a la distribución normal estándar. Reprogramara

 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 .
 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 está 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:

 ¿Qué tipo de concepto de probabilidad aplicaría para calcular probabilidades?

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?

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
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:
 ¿Cuál es la variable en estudio?
Variables tractores
 ¿Cuántos resultados posibles tiene la variable? ¿Qué tipo de variable es?
260, Variable aleatoria
 c) ¿Cuál es la probabilidad de que hoy no venda ningún tractor?
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?
0,038461538
 e) ¿Cuál es la probabilidad que en los próximos dos días venda 3 tractores?
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 RELATIVAS 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 variable pm 2,5 tenemos que el mínimo material particulado fue de 9, el primer cuartil está en 14, la media
equivale al 19, la mediana el d 19,34, el tercer cuartil se situó alrededor de 24,25 y la máxima ponderación de
PM 2,5 fue de 30 lo que significa que le 50 del PM equivale a la mediana 19
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

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.
 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 cuántas 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

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.
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

Resumen. De la tercera conferencia

Se indican principalmente los pasos para instalación de R, explicando cómo se hace el cambio de dir
a la carpeta de estadística descriptiva, además la explicación de cómo se realiza la importación de un
archivo Excel, se explica que el código de PROBABILIDAD tiene que estar en la misma capeta
formato ALL FILES

Un experimento maestral conjunto de resultados de un experimento aleatorio. Porque es un

experimento aleatorio. Ejemplo lanzar dos dados
El evento aleatorio puede es un subconjunto del espacio muestral con condiciones. Un punto muestral
es cada componente del espacio.
También se presenta los conceptos de probabilidad, entre ellos probabilidad clásica y probabilidad
desde frecuencia.