Fase 3 – Elaborar documento de aplicación de conceptos de probabilidad

Estudiante:

Nelson David Fontalvo Zarate

Código: 72301462

Grupo:

300046_54

Tutor:

Luis Alberto Cáceres

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

CEAD—Barranquilla

Abril de 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.
 Objetivos.
 Definir conceptos de variables aleatorias y probabilidades.
 Analizar distribuciones sobre probabilidad aplicada a las ciencias agrarias.
 Aprender a aplicar modelos probabilísticos.
1. Definir los siguientes conceptos tomados del libro de Balazarini se aclara que
para la presente actividad el estudiante debe consultar el capítulo dos variables
aleatorias y probabilidades y el capítulo tres modelos probabilísticos.
 Antes de iniciar se debe ver la presentación PROBABILIDAD EN R disponible en
power point con audio les explica como ubicar los archivos y unos conceptos básicos.

 Espacio muestral y con qué letra se denota: es el conjunto de todos los

resultados posibles de un experimento aleatorio. Se suele designar con la letra E
 Punto muestral: Se llama punto muestral o evento elemental a cada uno de los elementos del
conjunto Ω y será denotado genéricamente como W.
 Evento muestral: (A). Es un conjunto de posibles resultados del experimento.
A es un subconjunto de Ω (A ⊂ Ω).
Dado un espacio muestral Ω se llama evento a cualquier subconjunto de Ω.
 Explique en sus propias palabras el experimento aleatorio del dado deben
descargar el CODIGODADO disponible en la siguiente columna. El estudiante debe
entender que, aunque no es un experimento agropecuario nos ayuda a entender los
conceptos planteados.
 Defina Variable aleatoria: es una función que asigna un valor, usualmente
numérico, al resultado de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un
dado dos veces: (1, 1), (1, 2), 
 ¿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”
Los espacios muestrales se han dividido en dos grandes categorías: Espacio muestral
discreto y Espacio muestral continuo. En el Espacio muestral discreto, tenemos un
número de opciones conocidas, como por ejemplo: 6 caras en un dado. No podemos
obtener más allá de 6 posibilidades. Están “limitados” dentro de x número de opciones.

En cambio, el Espacio muestral continuo, y es al que refieres en tu pregunta, es

cuando la variabilidad obtenida, que es continua, simplemente no la podemos deducir.
Por ejemplo: las medidas de estatura de 100 personas. Puedes obtener: 1.3 m, 1.32
m…1.6m…1.28m… Desconoces la variabilidad que vas a tener, además, no es muy
exacta ¿Por qué? Porque depende también del instrumento utilizado y el juicio del
observador. Entonces tus datos siempre son sujetos de error.

Con esto, podemos decir que la variable aleatoria continua es no contable, repito,
porque no podemos decir: hay 6 posibilidades (como con el dado) o 2 (como con la
moneda). No podemos dar un número preciso de opciones.

 ¿que son variables aleatorias discretas proporcionales y que son variables

aleatorias discretas de conteo no acotado? De ejemplos este tipo de variables.
Variables aleatorias discretas: es aquella que toma un conjunto de valores numéricos
asociados a los resultados de la realización de un proceso aleatorio.
Ejemplo: si el experimento es lanzar 4 veces una moneda al aire y nos interesa el
número de caras, la variable aleatoria podrá tomar los valores: 0, 1, 2, 3 y 4
Es una variable que toma un numero finito de valores particulares que suelen ser
resultado de un conteo.
Las funciones de distribución escalonadas tienen discontinuidades que son llamadas
saltos.
Ejemplo: se observa que la variable aleatoria. Presenta saltos en los puntos x=i i=0,
….5 las magnitudes de dichos saltos son ½, 5/18, 2/9, 1/6, 1/9 y 1/18
respectivamente.

 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 muestrales
tiene.

PROBABILIDAD CLASICA

Es la razón entre el número de casos (sucesos) favorables, y el número total de casos

(sucesos) posibles, siempre que nada obligue a creer que algunos de estos sucesos
debe tener preferencia a los demás, lo que hace que sean igualmente posibles, es
decir:

PROBABILICAD FRECUENCIAL
Conocida también como probabilidad empírica es la que se fundamenta en los datos
que se obtienen por encuestas, preguntas, etc.
Se le llama probabilidad frecuencial al cálculo de la probabilidad de un evento y la
frecuencia relativa del mismo.
Para determinar la probabilidad frecuencial, se repite un número determinado de
veces, posteriormente se registran los datos y se divide el número de veces que se
obtiene del resultado que nos interesa entre el número de veces que se realizó el
experimento.

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

probabilidad?
LA FRECUENCIA RELATIVA SE ENTIENDE COMO PROBABILIDAD
Como sabes la frecuencia absoluta de un suceso es el número de veces que aparece
cuando se repite un experimento aleatorio, y la frecuencia relativa es la frecuencia
absoluta dividida por el número de veces, n, que se repite el experimento aleatorio.

Cuando este número n es muy grande, la frecuencia relativa con que aparece un
suceso tiende a estabilizarse hacia un valor fijo.

Este resultado, conocido como ley de los grandes números, nos lleva a definir la
probabilidad de un suceso como ese número hacia el que tiende la frecuencia relativa
al repetir el experimento muchas veces

 ¿Que son eventos mutuamente excluyentes?,

Los eventos mutuamente excluyentes: son dos resultados de un evento que no pueden

ocurrir al mismo tiempo.

Se dice que dos eventos A y B de un espacio muestral Ω son mutuamente excluyentes

si no contienen elementos en común, o sea si la intersección de A y B es el conjunto
vacío (AᴖB=θ).

Sacar una carta de un mazo estándar y que salga un as y un rey son eventos
mutuamente excluyentes, ya que no pueden ocurrir los dos al mismo tiempo.

Como es la intersección de dos eventos mutuamente excluyentes, si de los dados se

debe descargar CODIGODADOS y ejecutarlo desde R

Tema variables aleatorias y probabilidades

 Espacio muestral y con que letra se denota.

Es el conjunto de todos los resultados posibles de un experimento aleatorio. Se suele designar con
la letra E

 son excluyentes, dado un evento A y uno B, a que es igual la P(A ꓴ B)?

Los eventos mutuamente excluyentes son aquellos en los que si un evento sucede significa que el
otro no puede ocurrir. Si bien suelen usarse en teorías científicas, también son parte de las leyes y
los negocios. Como resultado, entender los eventos mutuamente excluyentes puede ser importante
para una variedad de disciplinas.
Fórmula
La fórmula matemática para determinar la probabilidad de los eventos mutuamente excluyentes es
P(A U B) = P(A) + P(B). Dicho en voz alta, la fórmula es "Si A y B son evento mutuamente
excluyentes, entonces la probabilidad de que A o B suceda es equivalente a la probabilidad del
evento A más la probabilidad del evento B".

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

continua y simétrica que modelo se usa.

Variable aleatoria como 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. El tipo de espacio muestral determina el tipo de variable
aleatoria.
El espacio muestral asociado a una variable aleatoria de tipo continua es no contable,
queriendo significar que entre dos valores de la variable, pueden realizarse un número
infinito de otros valores.
si el espacio muestral es continuo, la diferencia entre valores de la variable está
definida aritméticamente
Ejemplo de variables aleatorias con espacios muestrales con estas características son
los rendimientos, las ganancias de peso, las precipitaciones, entre otras.

 Para una variable de conteo no acotado que modelo se utiliza?

Variables discretas es importante distinguir al menos dos subtipos muy
comunes en estudios biológicos: las proporciones que provienen de
conteos que no pueden superar el número de elementos evaluados y los
conteos no acotados o sin denominador natural.

 Para variables de proporciones que 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).

 Que variables tienen función de probabilidad y que 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 continua denotada como f(.)
contienen exhaustivamente toda la información sobre la variable.

 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.

 Que es la esperanza matemática de una variable aleatoria, como 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.
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
 La varianza 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. Por ejemplo, la varianza es cero si todos
los datos son exactamente iguales.
 Las propiedades de la Esperanza y de la Varianza de la distribución de una
variable aleatoria premiten establecer cuáles serán los parámetros de las distribuciones
de “nuevas” variables obtenidas por transformaciones de variables originales con
Esperanza y Varianza conocida. Así por ejemplo, si disponemos de la caracterización de
la variable rendimiento en qq/ha, podremos saber cuál es la Esperanza y la Varianza
de la distribución de los mismos rendimientos expresados en kg/ha ya que entre una y
otra variable solo existe la multiplicación por una constante.
Conceptos capítulo tres modelos probabilísticos
DISTRIBUCION NORMAL
Que tipo de histograma se seleccionar un modelo probabilístico para una variable
aleatoria continua cuando se tienen datos de esa variable
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

 Que es la estandarización, cuál es su fórmula.

Para usar las tablas, debemos expresar nuestra variable como una normal estándar.
Para ello usamos una transformación llamada estandarización que nos permite llevar
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 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

Que tipo de conteos se trabajan con la distribución Binomial

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. A que es igual la esperanza y la
varianza en esta distribución.
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). Se supone además que estos experimentos son
independientes (es decir el resultado de un experimento no afecta al resultado de otro)
y que la probabilidad de éxito (o fracaso) se mantiene constante a través del conjunto
de experimentos. Interesa la variable aleatoria cantidad de éxitos en los n ensayos.

DISTRIBUCION DE POISSON

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

En agronomía se usa para que tipo de conteos, les recuerdo los ácaros por ejemplo se
pueden trabajar con esta distribución.
 Como se denota el único parámetro de esta distribución, a que es igual la media
y la varianza.

 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
 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.
 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.
 La función de probabilidad de una variable aleatoria Y que se distribuye como
una variable Poisson puede expresarse como:

Como puede observarse desde la función, el único parámetro de la distribución Poisson

es . Si una variable aleatoria Y se distribuye como Poissson lo denotamos como: Y~
Poisson(). Esta distribución tiene un único parámetro, que representa la esperanza y
también a la varianza, es decir que cuando Y~ Poisson(λ), se cumple:

 Revisando el ejercico de la table 3.1 del libro de Balzarini como se obtiene λ en

este caso a que es igual la media y la varianza.

2. Aplicación de conceptos

EN EL CAPITULO 2 EN EL EJERCICIO APLICACIÓN Y PAGINAS SIGUIENTES

 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.
 Desarrolle el ejercicio 2.1 del texto de Balzarini y en el caso del punto e revise
la presentación de probabilidad en R. En este caso se requiere obtener la tabla de
frecuencias relativas f(y) y la tabla de frecuencias relativas
 acumuladas que es la misma F(Y), este ejercicio se puede desarrollar en una
tabla de Word.

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?
Clásico
b) Los eventos A y B, ¿son independientes?
no
c) ¿Cuál es la probabilidad de que ocurra A o B?
1
d) ¿Cuál es la probabilidad de que ocurra B o C?
4/9
e) Representar tabularmente a F(Y).

a) La variable aleatoria X asume los valores 2,3,4,5,6, es decir,

R x={2,3,4,5,6}. Se calcula la distribución ƒ de X:(i)

Un punto (1,1) tiene suma 2; donde ƒ(2)=1/9.

Dos puntos (1,2) y (2,1) tienen suma 3; de donde ƒ(3)=3/9.
Tres puntos (1,3),(2,2) y (1,3) tienen suma 4; de donde ƒ(4)=6/9.
Dos puntos, (2,3),(3,2) tienen suma 5; de donde ƒ(5)=8/9. 
Un punto (3,3) tiene suma 6; de donde ƒ(6)=1.

Por lo tanto la distribución ƒ de X es la siguiente:

X 2 3 4 5 6
ƒ(y) 1/9 3/9 6/9 8/9 1
  Desarrolle el ejercicio 2.3 del texto de Balzarini , para el desarrollo de este
punto puede usar Excel y es una variable discreta, la cantidad de días es la frecuencia
absoluta, hay que sacar f(y) que es la frecuencia relativa , de las frecuencias relativas
salen las probabilidades de cada valor de la variable número de tractores vendidos, en
el caso de tres o más se suma la de tres y la de cuatro pues no hay más .

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:
Tractores Cantidad de días
vendidos
0 110
1 80
2 35
3 25
4 10
Total 260

Preguntas:
a. ¿Cuál es la variable en estudio?
X=Cantidad de tractores vendidos por día
b. ¿Cuántos resultados posibles tiene la variable? ¿Qué tipo de variable
es?
La variable tiene 5 posibles resultados. La variable es de tipo discreta
c. ¿Cuál es la probabilidad de que hoy no venda ningún tractor?
P(A)=110/260
d. ¿Cuál es la probabilidad que un día, seleccionado al azar dentro de
los días laborables del año, venda 3 o más tractores?
P(A)=P(x=3)+P(x=4 o más)=25/260+10/260=35/260= 0,1346

e. ¿Cuál es la probabilidad que en los próximos dos días venda 3

tractores?
P(A=vender 3 tractores mañana y vender 3 tractores pasado
mañana)=(25/260)×(24/260)

TRABAJO CON VARIABLES DE CIENCIAS AGRARIAS

3. El estudiante debe revisar la presentación PROBABILIDAD EN R

El estudiante debe descargar en su carpeta de trabajo el archivo Excel
PROBABILIDAD.csv y el código CODIGOPROBABILIDAD, debe verificar lectura de la
carpeta y correr el respectivo código. En este caso el código explica como seleccionar
las variables y el programa las lee del archivo PROBABILIDAD Cada estudiante debe
correr el modelo para una variable discreta y una continua 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 variables serán menores o iguales a
que a valor?

4.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 cuál el estudiante debe
 descargar el código MODELOS y ubicarlo en la carpeta estadística descriptiva, para
correrlo desde el programa R
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.
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.

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.
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.
 BIBLIOGRAFIAS.

Balzarini, M. (2013). Estadística y biometría: ilustraciones del uso e infostat en

problemas de agronomía. Recuperado
de http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?
docID=3221775&query=bioestadistica 
Mirás M & Rodríguez E. (20181). Técnicas estadísticas con hoja de cálculo y R.
Recuperado de www.investigo.biblioteca.uvigo.es/xmlui/handle/11093/970
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&query=estad%C3%ADstica+con+Excel
Deaza D. (2018). OVI Distribuciones de probabilidad en el programa R. Recuperado
de: http://hdl.handle.net/10596/23235