Estadística Descriptiva (Para Agrarias) (300046A_764)

Unidad 1

Fase N°:2

Identificación de variables Estadísticas

Estudiantes: Jeyson Andrés Ruiz López

Código: 1077085779

Natalia del Pilar Nieto Nieto

Codigo: 1070011323

Grupo: 300046_12

Periodo: 2020 ll periodo 16-04(764)

Director de curso: Luis Alberto Cáceres Torres

Universidad Nacional, Abierta y a Distancia – UNAD

Programa (Zootecnia)

CEAD - Zipaquirá

Gachancipá

2020
 EXPERIMENTO ALEATORIO LANZAR DOS DADOS - PERIODO 764

PERIODO 764 - Gráfico de barras SUMA DE CARAS

6
5
4
Frecuencias absolutas

3
2
1
0

2 3 4 5 6 7 8 9 10 11 12
 PERIODO 764 - FRECUENCIAS RELATIVAS SUMA DE CARAS
0.20
0.15
Frecuencias relativas

0.10
0.05
0.00

2 3 4 5 6 7 8 9 10 11 12
 PERIODO 764 - Gráfico de barras SUMA DE CARAS
6
5
4
Frecuencias absolutas

3
2
1
0

2 3 4 5 6 7 8 9 10 11 12
 PERIODO 764 - FRECUENCIAS RELATIVAS SUMA DE CARAS
0.20
0.15
Frecuencias relativas

0.10
0.05
0.00

2 3 4 5 6 7 8 9 10 11 12
 PERIODO 764 - FRECUENCIAS RELATIVAS ACUMULADAS SUMA DE CARAS
1.0
0.8
Frecuencias relativas

0.6
0.4
0.2
0.0

2 3 4 5 6 7 8 9 10 11 12

> # EXPERIMENTO ALEATORIO LANZAR DOS DADOS - PERIODO 764

>

> # Hay 36 posibles resultados, que da de combinar cada número con los demás

> # Iniciamos con el número 1 en el primer dado y lo vamos combinando con las seis posibles
opciones del segundo dado (1,2,3,4,5,6)

> # Hacemos lo mismo con el número 2 del primer dado y las seis combinaciones que puede haber
con el segundo y así sucesivamente,

> # hasta obtener una matriz de ESPACIO MUESTRAL como se presenta a continuación:

> #(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),

> #(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),

> #(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),

> #(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),

> #(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),

> #(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}

>

> # VEMOS QUE HAY 36 RESULTADOS POSIBLES, POR TANTO ESTE ES EL ESPACIO MUESTRAL

> # La probabilidad siempre tendrá denominador 36 (x/36)

> # PUNTOS MUESTRALES = 36

> # Los eventos son subconjuntos del espacio muestral (los 36 posibles resultados del dado)

> # Por ejemplo, un evento puede ser que en ambos dados salgan números pares (2,2 4,4 6,6)

> # Otro evento puede ser sacar dos números iguales, en donde se tendrían los siguientes posibles
resultados:

> # POSIBLE RESULTADOS: (1,1),(2,2),(3,3),(4,4),(5,5),(6,6)

> # En este caso habrían 6 resultados de éxito de los 36 posibles del espacio muestral.

> # La probabilidad por tanto de obtener dos números iguales sería: 6/36 = 0.166 O 16,6% en
términos porcentuales

>

> # VARIABLE ALEATORIA Y = SUMA DE VALORES

> # Es otra forma de presentar los 36 posibles eventos del espacio muestral, en donde se suman
los valores obtenidos en cada dado:

>

> #(2), (3), (4), (5), (6), (7),

> #(3), (4), (5), (6), (7), (8),

> #(4), (5), (6), (7), (8), (9),

> #(5), (6), (7), (8), (9), (10),

> #(6), (7), (8), (9), (10), (11),

> #(7), (8), (9), (10), (11), (12)

>

> # De esta forma se puede procesar su análisis en el programa R

>

> PROCESAMIENTO EN R
Error: unexpected symbol in " PROCESAMIENTO EN"

>

> # Creamos el vector con los datos sumando los valores de cada dado, como se indicó
anteriormente

> # EJEMPLO:

> # (1,1),(1,2),(1,3),(1,4),(1,5),(1,6)

> # Sumando quedará: 2, 3, 4, 5, 6, 7 y así sucesivamente hasta llegar al último evento (6,6):

>

> SUMADADOS=c(2, 3, 4, 5, 6, 7,

+ 3, 4, 5, 6, 7, 8,

+ 4, 5, 6, 7, 8, 9,

+ 5, 6, 7, 8, 9, 10,

+ 6, 7, 8, 9, 10, 11,

+ 7, 8, 9, 10, 11, 12)

>

> # TABLAS DE FRECUENCIAS PARA LA VARIABLE DISCRETA "SUMADADOS":

>

> # En este caso las tabla de frecuencias se desarrollan por pasos:

>

> table(SUMADADOS) # Tabla de frecuencias absolutas

SUMADADOS

2 3 4 5 6 7 8 9 10 11 12

1 2 3 4 5 6 5 4 3 2 1

> fabs=table(SUMADADOS) # Asignación al comando de Tabla de frecuencias absolutas el

nombre: "fabs"

> fabs

SUMADADOS

2 3 4 5 6 7 8 9 10 11 12

1 2 3 4 5 6 5 4 3 2 1

> fabsacum<-as.table(cumsum(fabs)) # Frecuencias absolutas acumuladas

> fabsacum

2 3 4 5 6 7 8 9 10 11 12

1 3 6 10 15 21 26 30 33 35 36

> frel=prop.table(table(SUMADADOS)) # Asignación al comando de Tabla de frecuencias

relativas el nombre: "frel"

> frel # Tabla de frecuencias relativas

SUMADADOS

2 3 4 5 6 7 8

0.02777778 0.05555556 0.08333333 0.11111111 0.13888889 0.16666667 0.13888889

9 10 11 12

0.11111111 0.08333333 0.05555556 0.02777778

> # Podemos decir entonces que la probabilidad que la suma de las dos caras sea igual a 2 es del
0.027 o 2.7% en términos porcentuales.

> # Las probabilidades se multiplican por 100 para expresarlas en porcentaje.

>

> frelacum<-as.table(cumsum(frel)) # Frecuencias relativas acumuladas

> frelacum

2 3 4 5 6 7 8

0.02777778 0.08333333 0.16666667 0.27777778 0.41666667 0.58333333 0.72222222

9 10 11 12

0.83333333 0.91666667 0.97222222 1.00000000

> # En este caso, la probabilidad de obtener un valor mayor o igual a 2 pero menor de 4 es de
0.083 o 8.3%

> # es lo mismo que sumar la probabilidad de obtener un valor de 2 (0.027) y de 3 (0.055) = 0.083

>

> # GRAFICOS DE FRECUENCIAS:

>

> barplot(fabs,ylab="Frecuencias absolutas",main="PERIODO 764 - Gráfico de barras SUMA DE

CARAS") # Gráfico de Frecuencias absolutas

> barplot(frel,ylab="Frecuencias relativas",ylim=c(0,0.2),xlim=c(0,12),main="PERIODO 764 -

FRECUENCIAS RELATIVAS SUMA DE CARAS") # Gráfico de Frecuencias relativas
>

> barplot(fabs,ylab="Frecuencias absolutas",main="PERIODO 764 - Gráfico de barras SUMA DE

CARAS") # Gráfico de Frecuencias absolutas

>

Warning messages:

1: unable to open printer

2: opening device failed

> barplot(fabs,ylab="Frecuencias absolutas",main="PERIODO 764 - Gráfico de barras SUMA DE

CARAS") # Gráfico de Frecuencias absolutas

> barplot(frel,ylab="Frecuencias relativas",ylim=c(0,0.2),xlim=c(0,12),main="PERIODO 764 -

FRECUENCIAS RELATIVAS SUMA DE CARAS") # Gráfico de Frecuencias relativas

> barplot(frelacum,ylab="Frecuencias relativas",main="PERIODO 764 - FRECUENCIAS RELATIVAS

ACUMULADAS SUMA DE CARAS") # Gráfico de Frecuencias relativas acumuladas

>

>

>

>
 PERIODO 764 - Producción de leche Función de Distribución N (misma varianza, distinta media

0.12
0.10
0.08
F(x)

0.06
0.04
0.02
0.00

10 15 20 25 30 35 40

Producción de leche (litros/día)

PERIODO 764 - Producción de leche Función de Distribución N (misma varianza, distinta media
0.12
0.10
0.08
F(x)

0.06
0.04
0.02
0.00

10 15 20 25 30 35 40

Producción de leche (litros/día)

 PERIODO 764 - Producción de leche Función de Distribución N (misma media, distinta varianza

0.4
0.3
F(x)

0.2
0.1
0.0

10 15 20 25 30 35 40

Producción de leche (litros/día)

PERIODO 764 - Rendimiento de maíz - Función de Distribución N(media.sigma)

0.05
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

Rendimiento (qq/Ha)
 PERIODO 764 - Rendimiento de maíz Distribución Normal con área bajo la curva

0.05
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

Rendimiento (qq/Ha)

PERIODO 764 - Rendimiento de maíz Distribución Normal con área bajo la curva
0.05
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

Rendimiento (qq/Ha)
 PERIODO 764 - Distribución Binomial - Germinación de semillas
(n=10,p=0.25)
0.25
0.20
Probabilidad del evento

0.15
0.10
0.05
0.00

0 1 2 3 4 5 6 7 8 9 10

Evento (germinación de x semillas)

> # MODELOS DE DISTRIBUCIONES - PERIODO 764

>

> # DISTRIBUCION NORMAL

> # EJERCIO DE LAS VACAS DEL TAMBO, Libro Estadística y Biometría de Mónica Balzarini,
CAPITULO 3 - MODELOS PROBABILÍSTICOS - Distribución normal, página 91

> # La producción de leche diaria de las vacas de un tambo se distribuye como el modelo normal,
con esperanza 25 litros (que es la misma media) y varianza de 9 litros al cuadrado:

> MEDIA=25

> VARIANZA=9

> # A las vacas se les da una nueva ración que aumenta su producción en 5 litros, pero no cambia
la varianza, ya que son los mismos animales:

> MEDIA2=30

> SIGMA=sqrt(VARIANZA)

> x=seq(15,40,by=0.5) #secuencia de valores en un un rango de producción de leche de 15 a 40

litros

> dnorm(x,MEDIA,SIGMA)
[1] 5.140930e-04 8.836587e-04 1.477283e-03 2.402033e-03 3.798662e-03

[6] 5.842767e-03 8.740630e-03 1.271754e-02 1.799699e-02 2.477039e-02

[11] 3.315905e-02 4.317253e-02 5.467002e-02 6.733290e-02 8.065691e-02

[16] 9.397063e-02 1.064827e-01 1.173551e-01 1.257944e-01 1.311466e-01

[21] 1.329808e-01 1.311466e-01 1.257944e-01 1.173551e-01 1.064827e-01

[26] 9.397063e-02 8.065691e-02 6.733290e-02 5.467002e-02 4.317253e-02

[31] 3.315905e-02 2.477039e-02 1.799699e-02 1.271754e-02 8.740630e-03

[36] 5.842767e-03 3.798662e-03 2.402033e-03 1.477283e-03 8.836587e-04

[41] 5.140930e-04 2.908942e-04 1.600902e-04 8.569012e-05 4.461008e-05

[46] 2.258767e-05 1.112362e-05 5.327914e-06 2.482015e-06 1.124574e-06

[51] 4.955732e-07

>

> # Gráfico de distribución normal con media = 25 y varianza = 9

> # POR FAVOR NO LO CIERRE, ya que sobre este mismo aparecerá el siguiente gráfico (continúe
ejecutando el código)

> # Cuando aparezca el gráfico, seleccione nuevamente el código de ejecución (Editor R) ubicando
el cursor en el MARCO AZUL, donde aparece el nombre del código

> # De esta forma, mantendrá el orden de ejecución dentro del código:

>

> curve(dnorm(x,MEDIA,SIGMA),xlim=c(10,40),col="blue",lwd=2,

+ xlab="Producción de leche (litros/día)",ylab="F(x)",main="PERIODO 764 - Producción de leche

Función de Distribución N (misma varianza, distinta media")

> # Gráfico de distribución normal con media = 30 y varianza = 9

> # Este gráfico (de color rojo) le debe aparecer junto con el anterior gráfico de color azul, en la
misma gráfica:

>

> curve(dnorm(x,MEDIA2,SIGMA),xlim=c(10,40), add=TRUE, col="red", lwd=2)

>

> # se puede observar que cambia la ubicación de la media (esperanza), pero la forma de ambas
gráficas es la misma porque no cambió la varianza

>
> # Ahora se realiza el mismo procedimiento pero en este caso no cambia la media (esperanza)
sino las varianzas:

>

> MEDIA=25

> VARIANZA=9

> VARIANZA1=2

> SIGMA=sqrt(VARIANZA)

> SIGMA1=sqrt(VARIANZA1)

> x=seq(15,40,by=0.5)

> dnorm(x,MEDIA,SIGMA)

[1] 5.140930e-04 8.836587e-04 1.477283e-03 2.402033e-03 3.798662e-03

[6] 5.842767e-03 8.740630e-03 1.271754e-02 1.799699e-02 2.477039e-02

[11] 3.315905e-02 4.317253e-02 5.467002e-02 6.733290e-02 8.065691e-02

[16] 9.397063e-02 1.064827e-01 1.173551e-01 1.257944e-01 1.311466e-01

[21] 1.329808e-01 1.311466e-01 1.257944e-01 1.173551e-01 1.064827e-01

[26] 9.397063e-02 8.065691e-02 6.733290e-02 5.467002e-02 4.317253e-02

[31] 3.315905e-02 2.477039e-02 1.799699e-02 1.271754e-02 8.740630e-03

[36] 5.842767e-03 3.798662e-03 2.402033e-03 1.477283e-03 8.836587e-04

[41] 5.140930e-04 2.908942e-04 1.600902e-04 8.569012e-05 4.461008e-05

[46] 2.258767e-05 1.112362e-05 5.327914e-06 2.482015e-06 1.124574e-06

[51] 4.955732e-07

>

> # Gráfico de distribución normal con media = 25 y varianza = 9

> # POR FAVOR NO LO CIERRE, ya que sobre este mismo aparecerá el siguiente gráfico (continúe
ejecutando el código)

>

> curve(dnorm(x,MEDIA,SIGMA),xlim=c(10,40),ylim=c(0,0.4),col="blue",lwd=2,

+ xlab="Producción de leche (litros/día)",ylab="F(x)",main="PERIODO 764 - Producción de leche

Función de Distribución N (misma media, distinta varianza")
> # En este caso ambas gráficas tienen la misma media (o esperanza) pero sus formas cambiaron
porque tienen distinta varianza

> # A mayor varianza, la gráfica tendrá mayor amplitud

>

> # EJERCICIO DE HIBRIDO MAIZ, Libro Estadística y Biometría de Mónica Balzarini, CAPITULO 3 -
MODELOS PROBABILÍSTICOS - Distribución normal, página 93

>

> # Si Y es el rendimiento de un híbrido de maíz que puede modelarse con una distribución
normal, con media de 60 qq/Ha y varianza de 49 qq/Ha:

> media= 60

> varianza= 49

> sigma=sqrt(varianza)

> sigma

[1] 7

> X=seq(35,85,by=0.5) # Secuencia de valores en un un rango de 35 a 85 qq/Ha

> dnorm(X,media,sigma)

[1] 9.684491e-05 1.246690e-04 1.596703e-04 2.034576e-04 2.579337e-04

[6] 3.253318e-04 4.082527e-04 5.097014e-04 6.331212e-04 7.824238e-04

[11] 9.620142e-04 1.176807e-03 1.432231e-03 1.734223e-03 2.089206e-03

[16] 2.504043e-03 2.985977e-03 3.542545e-03 4.181465e-03 4.910501e-03

[21] 5.737297e-03 6.669190e-03 7.712995e-03 8.874773e-03 1.015958e-02

[26] 1.157120e-02 1.311188e-02 1.478210e-02 1.658026e-02 1.850251e-02

[31] 2.054255e-02 2.269145e-02 2.493758e-02 2.726658e-02 2.966137e-02

[36] 3.210228e-02 3.456725e-02 3.703206e-02 3.947074e-02 4.185592e-02

[41] 4.415934e-02 4.635244e-02 4.840685e-02 5.029505e-02 5.199096e-02

[46] 5.347055e-02 5.471239e-02 5.569818e-02 5.641316e-02 5.684655e-02

[51] 5.699175e-02 5.684655e-02 5.641316e-02 5.569818e-02 5.471239e-02

[56] 5.347055e-02 5.199096e-02 5.029505e-02 4.840685e-02 4.635244e-02

[61] 4.415934e-02 4.185592e-02 3.947074e-02 3.703206e-02 3.456725e-02

[66] 3.210228e-02 2.966137e-02 2.726658e-02 2.493758e-02 2.269145e-02

[71] 2.054255e-02 1.850251e-02 1.658026e-02 1.478210e-02 1.311188e-02

[76] 1.157120e-02 1.015958e-02 8.874773e-03 7.712995e-03 6.669190e-03

[81] 5.737297e-03 4.910501e-03 4.181465e-03 3.542545e-03 2.985977e-03

[86] 2.504043e-03 2.089206e-03 1.734223e-03 1.432231e-03 1.176807e-03

[91] 9.620142e-04 7.824238e-04 6.331212e-04 5.097014e-04 4.082527e-04

[96] 3.253318e-04 2.579337e-04 2.034576e-04 1.596703e-04 1.246690e-04

[101] 9.684491e-05

>

> # Gráfico de distribución normal con media = 60 y varianza = 49

>

> curve(dnorm(x,media,sigma),xlim=c(20,100),col="blue",lwd=2,

+ xlab="Rendimiento (qq/Ha)",ylab="F(x)",main="PERIODO 764 - Rendimiento de maíz -

Función de Distribución N(media.sigma)")

>

> # Especificamos el valor del que queremos saber su probabilidad, en este caso, 50:

> valor=50

> pnorm(valor,media,sigma)

[1] 0.07656373

>

> # Quiere decir que la probabilidad de que el rendimiento esté por debajo de 50 qq/Ha es de
0.0765 o del 7.65 por ciento

>

> #PROBABILIDAD DE UN VALOR MAYOR

> valor=50

> # Para hallar la probabilidad de un valor mayor que 50, se resta 1 menos la probabilidad de hallar
un valor igual o menor:

>

> 1-pnorm(valor,media,sigma)

[1] 0.9234363
> # En este caso, la probabilidad de que el rendimiento esté por encima de 50 qq/Ha, es de 0.923 o
92.3 por ciento.

>

> # PROBABILIDAD EN UN RANGO DE VALORES

>

> # Probabilidad que un dato de rendimiento tomado al azar esté comprendido en el intervalo de
50 a 65 qq/Ha:

> # Reemplaze por el rango de valores, valor 2 es el mayor y valor 1 es el menor:

> valor1=50

> valor2=65

> VALOR1=pnorm(valor1,media,sigma)

> VALOR1

[1] 0.07656373

> VALOR2=pnorm(valor2,media,sigma)

> VALOR2

[1] 0.7624747

>

> # PROBABILIDAD que el rendimiento se encuentre en el intervalo de 50 a 65 qq/Ha:

> VALOR2-VALOR1

[1] 0.685911

>

> # Se resta la probabilidad de que el rendimiento esté por debajo de 65 qq/Ha (p=0.762), menos
la probabilidad de que esté por debajo de 50 qq/Ha (0.0765)

>

> regionX=seq(valor1,valor2,0.01) # Intervalo a sombrear

>

> # GRAFICA DE ÁREA BAJO LA CURVA ENTRE 50 Y 65 qq/Ha

>

> xP <- c(valor1,regionX,valor2) # Base de los polígonos que crean el efecto "sombra"

> yP <- c(0,dnorm(regionX,media,sigma),0) # Altura de los polígonos sombreados

>

> # Cuando le abra la gráfica no la cierre y vuelva al Editor R, seleccionando el marco azul del
cuadro, donde aparece el nombre del código

> curve(dnorm(x,media,sigma),xlim=c(20,100),col="blue",lwd=2,

+ xlab="Rendimiento (qq/Ha)",ylab="F(x)",main="PERIODO 764 - Rendimiento de maíz

Distribución Normal con área bajo la curva")

> xlab="Rendimiento (qq/Ha)",ylab="F(x)",main="PERIODO 764 - Rendimiento de maíz

Distribución Normal con área bajo la curva")

Error: inesperado ',' in " xlab="Rendimiento (qq/Ha)","

> polygon(xP,yP,col="orange1") # Área bajo la curva entre 50 y 65 qq/Ha

>

> # DISTRIBUCION BINOMIAL

> # Ejercicio de la semilla de Panicum, Libro Estadística y Biometría de Mónica Balzarini, CAPITULO
3 - MODELOS PROBABILÍSTICOS - Distribución binomial, página 101:

> # Debe presentar estos resultados en su informe:

>

> # Supóngase que se toman 10 semillas de Panicum sp y se registra el evento "Germinó"o "No
germinó",después de 5 días desde su implantación:

> k= 7 # Queremos saber la probabilidad que germinen 7 de las 10 semillas

> n= 10 # Número total de ensayos realizados, en este caso son 10, que fueron el número de
semillas evaluadas

> p= 0.25 # La probabilidad de germinación de las semillas fue del 25 por ciento

>

> dbinom(k,n,p) # PROBABILIDAD DE UN VALOR IGUAL P(X=7), "que germinen siete semillas"

[1] 0.003089905

>

> # Probabilidad que germinen al menos 3 de las 10 semillas:

> # En este caso, se interpreta como la probabilidad de que germinen tres o más semillas

> # Es equivalente a la probabilidad que germinen 3 semillas, más la probabilidad que germinen 4,
más la prob. que germinen 5; y así sucesivamente hasta 10.

> # Otra forma de calcularlo es a la inversa, calculando la probabilidad que germinen menos de 3 y
restándole a la probabilidad total:
>

> k1=2 # Hay que calcular la probabilidad de un valor que sea una unidad menor que el que
queremos hallar

>

> pbinom(k1,n,p) # esta es la probabilidad de que germinen menos de 3 semillas

[1] 0.5255928

>

> #Para conocer la probabilidad que germinen 3 o más semillas se resta 1 menos el anterior
resultado:

> 1-pbinom(k1,n,p) # La probabilidad de que germinen 3 o más semillas es de 0.4744 o del 47.44
por ciento

[1] 0.4744072

>

> # Probabilidad de que germinen a lo sumo 5 semillas:

> # A lo sumo se interpreta que germinen máximo 5 semillas

> k2=5

> pbinom(k2,n,p) # La probabilidad de que germinen a lo sumo 5 semillas, es de 0.98 o del 98 por
ciento

[1] 0.9802723

>

> # La esperanza de esta variable aleatoria:

> E=n*p

>E

[1] 2.5

> # La esperanza es de 2.5

>

> # La varianza de esta variable aleatoria

> V=n*p*(1-p)

>V

[1] 1.875
> # La varianza es de 1.875

>

> # Gráfico de distribución Binomial para el ejercicio de germinación de semillas:

>

> x <- 0:n

> prob <- dbinom(x,n,p)

> barplot(prob,col = "red",names.arg=x,

+ xlab="Evento (germinación de x semillas)",ylab="Probabilidad del

evento",main="PERIODO 764 - Distribución Binomial - Germinación de semillas\n(n=10,p=0.25)")

> xlab="Evento (germinación de x semillas)",ylab="Probabilidad del

evento",main="PERIODO 764 - Distribución Binomial - Germinación de semillas\n(n=10,p=0.25)")

Error: inesperado ',' in " xlab="Evento (germinación de x semillas)","

> #este gráfico muestra la probabilidad de ocurrencia de cada uno de los 11 eventos posibles, es
decir que germinen 0 semillas, 1.., hasta 10.

> # En este caso, cuando p es menor que 0.5, la distribución se encuentra sesgada positivamente
hacia la izquierda

>

> # DISTRIBUCION DE POISSON

>

> # La distribución de Poisson se usa para distribuciones de variables discretas (conteos)

>

> # EJERCICIO DE LAS PICADURAS DE GORGOJO, Libro Estadística y Biometría de Mónica Balzarini,
CAPITULO 3 - MODELOS PROBABILÍSTICOS - Distribución Poisson, página 105:

> # Supongamos que el número promedio de picaduras de gorgojo por semilla es 0.2 (es decir, que
cada 100 semillas 20 tienen picaduras).

> # PROBABILIDAD DE UN VALOR EXACTO

> x1= 1 # Valor de conteo que se quiere calcular la probabilidad

> lamda=0.2 # En la distribución de Poisson lamda equivale a la media o a la varianza, son el

mismo valor

> dpois(x1,lamda) # La probabilidad de que en 100 semillas una tenga 1 picadura es de 0.1637 o
de 16.37 por ciento

[1] 0.1637462
>

> ## DOS PICADURAS O MAS TOCA A UNO QUITARLE LAS PROBABILIDADES DE CERO MAS LA DE
UNO

> x0=0 # El valor de conteo que se quiere calcular la probabilidad, en este caso que ninguna
semilla tenga picaduras

> x2=1

> lamda=0.2 #media o varianza como es igual

> dpois(x0,lamda) # La probabilidad de que ninguna semilla tenga picaduras es de 0.8187 o del
81.87 por ciento

[1] 0.8187308

> 1-(dpois(x0,lamda)+dpois(x2,lamda)) # 1 menos la SUMA de la probabilidad de tener cero

picaduras mas una picdura (x0+x2)

[1] 0.0175231

> # La probabilidad de que 2 de las 100 semillas tengan picaduras es de 0.0175 o del 1.8 por ciento

>

>

>