ESTADISTICA DESCRIPTIVA

Tarea 3- Unidad 2 – distribución y probabilidad

Código: 300046

Presentado al tutor (a):

Luis Alberto Cáceres Torres

Entregado por:

Nancy Salgado Chona

Deybys Maestre
María Magdalena Pestana
Kedrys Johana Álvarez Navarro
Código: 1065834330

Grupo: 300046_47

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA

INGENIERIA AMBIENTAL

Abril 2021

Zona Caribe
Valledupar
 INTRODUCCIÓN

Los datos son el elemento mas importante de la estadística, y, por tanto su correcto
tratamiento resulta esencial.
La estadística trata de la recolección, presentación, análisis y usos de datos para
tomar decisiones, solucionar problemas, es por eso por lo que resulta vital para un
ingeniero tener cocimientos en estadística. La distribución binomial es una
distribución discreta muy importante que surge en muchas aplicaciones
bioestadísticas. En esta unidad argumentamos los conceptos básicos de las
distribuciones de frecuencia.
 OBJETIVOS

El objetivo general de la estadística es el conocimiento cuantitativo.

Comprender los programas o softwares que facilitan la elaboración para la creación

de histogramas, tablas o diagramas de frecuencias.
Conocer de manera cuantitativa y matemáticamente parte de la realidad.
 1. Punto 1.
Estudiante 1. Nancy Salgado
a. Espacio muestral, con que letra se denota.
“El espacio muestral, también llamado espacio muestra, de un experimento aleatorio
es el conjunto de todos los posibles resultados del experimento y se le denota,
generalmente, por la letra griega Ω (omega mayúscula)” (Rincon,2014, p.5).

b. Punto muestral.
Según Walpole, Myers, & Ye (2012) A cada resultado en un espacio muestral se le
llama elemento o miembro del espacio muestral, o simplemente punto muestral

c. Evento muestral.
Es un subconjunto de interés del espacio muestral, los eventos son los resultados
de un experimento aleatorio que cumplen unas determinadas condiciones y se
denota por lo general con las primeras letras mayúsculas del alfabeto. (Zapata,2010,
p.7)

d. Variable aleatoria.
“Una variable aleatoria es una transformación X del espacio de resultados Ω al
conjunto de números reales, En ocasiones, el termino variable aleatoria se escribe
de manera breve como v.a y su plural con unas al final.” (Rincon,2014, p.107).

e. ¿Qué significa que el espacio muestral de una variable aleatoria continua

es no contable?
Marcela (2019) afirma “Si un espacio muestral contiene un número infinito de
posibilidades, igual al número de puntos en un segmento de recta es decir que es
incontable”.

f. ¿Qué son variables aleatorias discretas proporcionales y que son variables

aleatorias discretas de conteo no acotado? De ejemplos de este tipo de
variables.
Balzarini et al. (2015) afirman que, entre las variables discretas es importante
distinguir al menos dos subtipos muy comunes: 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; los resultados se expresan como proporciones porque existe un
denominador natural: la cantidad de semillas por caja. Para el caso de proporciones,
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. Ejemplo de variable discreta
obtenida por un conteo (no acotado) es el número de pústulas de roya por m2 de
cultivo. 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.
Estudiante 2. Deybys Maestres

g. Existen dos conceptos de probabilidad: el clásico y el concepto

frecuencial; defina cada uno.
Los conceptos de probabilidad se definen en clásicos y frecuenciales, para el caso
de los clásicos, corresponde a los posibles casos favorables y posibles en algunos
sucesos y en frecuencial, también es definido como probabilidad empírica y es la
responsable de generar datos para encuestas y preguntas (Parraguez, 2016).

h. En el caso de la probabilidad frecuencial, explique el experimento de

germinación de una semilla, cuál es el experimento aleatorio, cuál es el
evento y cuantos puntos muestrales tiene.
La germinación de una semilla está dada a una condición inicial y es la probabilidad
de que una semilla germine de forma adecuada. Entonces, si se asume que se tiene
100 semillas, el proceso de siembra será repetitivo 100 veces, una vez por cada
semilla y durante el proceso, se observa la germinación de 40 semillas puede
calcularse la probabilidad. Dado esto, la notación para cada paso será, P como la
probabilidad, N como número de repeticiones, n como cantidad de repeticiones y se
calcula como la probabilidad igual a la cantidad de repeticiones sobre el número de
repeticiones (Balzarini, 2013).

i. ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de

probabilidad?
La frecuencia relativa es un valor asociado al cociente de la frecuencia absoluta,
específicamente para poblaciones o muestras, la sumatoria de esta es igual a 1.
Además, puede ser considerada como la estimación de la probabilidad, la cual es
definida como criterios probables en un evento.

j. ¿Qué son eventos mutuamente excluyentes?

Los eventos mutuamente excluyentes están conformados por dos puntos diferentes
que se encuentran en la intersección (Balzarini, 2013).

• ¿Cómo es la intersección de dos eventos mutuamente excluyentes?

Las intersecciones de dos eventos mutuamente excluyentes forman un conjunto,
estos contienen puntos que corresponden a los subconjuntos A y B (Balzarini,
2013), la notación para los casos es:

1. Intersección entre dos conjuntos (AB).

2. Intersección entre dos conjuntos excluyentes (AB).

¿Si son excluyentes, dado un evento A y uno B, a que es igual la P(AꓴB)?

La suma de las probabilidades corresponde a un par de eventos excluyentes
(Balzarini, 2013).
k. En el caso de distribuciones de variables aleatorias, si una variable es
continua y simétrica, ¿qué modelo se usa?
El modelo normal, aplica para las distribuciones aleatorias ideales y continuas, ya
que pueden tomar cualquier valor real (Rodo, 2020).

Estudiante 3. María Magdalena Pestana

l. Para una variable de conteo no acotado, ¿qué modelo se utiliza?

El tipo de modelo que se utiliza para analizar variables es la distribución Poisson lo
cual facilita calcular las posibilidades de variables aleatorias que provienen de
conteos no acotados.

m. Para variables de proporciones ¿Qué modelo se utiliza?

Para estas variables se utiliza el modelo de regresión se debe tener en cuenta que
para el caso de proporciones es importante dejar claro que si el valor puede ser
continuo en el rango 0-1, el espacio generador es discreto, porque la base de la
variable es el conteo.

n. ¿Qué variables tienen función de probabilidad y cuales 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 continúa denotada como F(.) es toda
la información sobre la variable.

La distribución de una variable aleatoria independientemente del tipo de variable

puede representar también por su función de distribución denotada como F (Y).

o. ¿Cuáles son los parámetros más usados en estadística para estudiar y

utilizar funciones de distribución de variables aleatorias?
Desde el punto de vista estadístico el valor esperado y la varianza son los
parámetros más usados en estadística para estudiar y utilizar funciones de
distribución de variables aleatorias.
• Se puede concluir que el valor esperado concreta la idea de valor medio de
un fenómeno aleatorio.
• La varianza formaliza la idea de incertidumbre y su reciproco 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.

p. ¿Qué es la esperanza matemática de una variable aleatoria? ¿Cómo se

denota?
La esperanza matemática también llamado valor esperado es igual al sumatorio de
las probabilidades de que exista un suceso aleatorio, multiplicado por el valor del
suceso aleatorio.
La esperanza se calcula como la media aritmética de los valores es decir la suma
de los valores por sus probabilidades:
Donde:
𝑋 = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝑠𝑢𝑐𝑒𝑠𝑜
𝑃 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑜𝑐𝑢𝑟𝑟𝑎
𝑖 = 𝑃𝑒𝑟𝑖𝑜𝑑𝑜 𝑒𝑛 𝑒𝑙 𝑞𝑢𝑒 𝑠𝑒 𝑑𝑎 𝑑𝑖𝑐ℎ𝑜 𝑠𝑢𝑐𝑒𝑠𝑜
𝑁 = 𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑢 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠.

2. Punto 2.

Estudiante 5. Kedrys Alvarez Navarro

a. Qué tipo de histograma se debe seleccionar en un modelo probabilístico

para una variable aleatoria continua cuando se tienen datos de esa
variable.
Histograma de frecuencias relativas o simple. Existen diversos modelos teóricos o
funciones matemáticas que podrían ajustar o “aproximar bien” la forma del
histograma. (Balzarini, 2013).

b. Qué es la estandarización, cuál es su fórmula.

Es la que nos permite llevar cualquier distribución normal a la distribución estándar.
También se le conoce como transformación. (Balzarini, 2013).

𝑌−𝜇
𝑍=
√𝜎 2

c. Qué tipo de conteos se trabajan con la distribución Binomial.

La distribución binomial puede usarse para el cálculo de probabilidades de eventos
preminentes de Conteos Acotados

d. En la distribución binomial qué es n y qué es P.

𝑛 es el número de experimentos aleatorios que se realizan donde se registran uno
de dos resultados éxito o fracaso y 𝑃 es el número de probabilidad de aciertos del
experimento (Balzarini, 2013).

e. A qué es igual la esperanza y la varianza en la distribución binomial.

• La esperanza o media indica el valor medio de un fenómeno aleatorio 𝜇 =
𝑛. 𝑝
𝑛 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠
𝑃 = 𝑒𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 é𝑥𝑖𝑡𝑜
• La varianza es una medida de dispersión que nos indica que tan lejos se
encuentran los cuadrados de la desviación de la media 𝜎 2 = 𝑛. 𝑝. 𝑞
𝑛 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠
𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 é𝑥𝑖𝑡𝑜
𝑞 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑜

f. Mencione ejemplos en su área de estudio donde se podría utilizar la

distribución Binomial.
1. para sortear la nota apreciativa el tutor lanza una moneda 4 veces. Calcular
la probabilidad que salgan más caras que sellos
𝐵(4, 0.5)𝑝 = 0.5𝑞 = 0.5
𝑝(𝑥 ≥ 3) − 𝑝(𝑥 − 3) + 𝑝(𝑥 − 4)
4 4
( ) 0. 53 . 0.5 + ( ) 0. 54 = 0.3125
3 4
g. Qué tipos de conteos se trabajan con la distribución de Poisson.
Eventos de conteo de probabilidad de variables discreta. (Balzarini, 2013).

h. Cómo se denota el único parámetro de la distribución de Poisson.

La distribución de Poisson se especifica por un parámetro: lambda (𝜆) este
parámetro es igual a la media y a la varianza. Cuando la lambda aumente a valores
lo suficientemente grandes, la distribución normal (𝜆, 𝜆) podría utilizarse para
aproximar la distribución de Poisson. (Balzarini, 2013).

i. ¿A qué es igual la media y la varianza en la distribución de Poisson?

La varianza y la media siempre serán el mismo parámetro lambda (𝜆). (Balzarini,
2013).

j. Mencione ejemplos en su área de estudio donde se podría utilizar la distribución

de Poisson.
1. En el curso de estadística hay 100 estudiantes, 15 de ellos no han ingresado al
campus durante la unidad 2. Calcula la probabilidad de que, si seleccionamos 20 al
azar, 3 de no han ingresado al campus desde el inicio del curso.
𝑛 = 20
(𝑒 −8 )(33 )
𝑃 = 0,15 𝑝(𝑥 = 3) = = 0,2240418
3!
𝑥=3
𝜆=3
2. en un estudio hecho por el profesor de curso, determino que solo el 3% de todos
sus estudiantes a cargo son responsables.
¿Cuál es la probabilidad de escoger 100 estudiantes a azar y 5 de ellos sean de los
más responsables?
𝑛 = 100
(100)(0.03)
𝑝 = 0.03 𝑝(𝑥 = 5) = = 0.6
5
𝑥=5
𝜆 = 0,6
 3. Punto 10.

Estudiante 1. Nancy Salgado

a. Explique en sus propias palabras el experimento aleatorio del dado. Este

ejercicio nos ayudará a entender los conceptos de probabilidad y
distribución.
Como sabemos un experimento aleatorio es aquel donde sin importar, el estado
en que repitamos el procedimiento, este siempre será incierto, es así como en
el experimento del dado nos encontramos con esta situación, pues sin importar,
si la manera de tirar el dado es la misma siempre el resultado será incierto, sin
embargo, a través de la probabilidad y la distribución, podemos conocer el
número de los posibles resultados de este experimento, iniciando con el primer
número del dado y combinándolo con los seis posibles resultados del segundo
dado, igualmente con el segundo número y así sucesivamente hasta obtener el
espacio muestral que para este caso será 36 posibles resultados; así como
también podríamos obtener varios eventos por ejemplo que en ambos dados
salga un numero par, o en ambos salga el mismo número.

Estudiante 3. María Magdalena Pestana

b. Adjunte en el informe los tres gráficos generados por el script

(Frecuencias Absolutas, frecuencias relativas y frecuencias relativas
acumuladas). No debe haber más de un gráfico por página.

PERIODO 951 - 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

La suma de las caras debe dar 12 por lo tanto creamos el vector con los datos
sumando los valores de cada dado
(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)
Realizando la suma quedaría: 2, 3, 4, 5, 6, 7 y así hasta llegar al último evento
(6,6)
 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)

PERIODO 951 - 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

La frecuencia relativa nos permite saber la posibilidad de sacar cada suma, es

decir si se desea sacar las sumas de las caras 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
 PERIODO 951 - 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

la tabla de frecuencias acumuladas nos permite saber las posibilidades de hallar las
sumas menores, mayor o igual a esta. Para calcular la frecuencia absoluta
acumulada hay que calcular primero la frecuencia absoluta de la población o
muestra.

4. Punto 11

Estudiante 3. María Magdalena Pestana

a. Distribución normal - Ejercicio de las vacas del tambo (página 91).

La producción de leche diaria de las vacas del tambo se distribuye como el
modelo normal, con esperanza 25 litros (que es la misma media) y varianza de
9 litros al cuadrado:
𝜇 = 25
𝜎2 = 9
A las vacas se le da una nueva ración que aumenta su producción en 5 litros,
pero no cambia la varianza ya que son los mismos animales:
𝜇 = 30
Σ = √𝜎 2
𝑥 = 𝑠𝑒𝑞 (15, 40, 𝑏𝑦 = 0,5) #secuencia de valores en un rango de producción de
leche de 15 a 40 litros
[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

PERIODO 951 - 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 951 - 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)

Se puede observar que cambia la ubicación de la media (esperanza), pero la forma

de ambas graficas es la misma porque cambio la varianza.
Presente y describa el gráfico "Producción de leche - Función de Distribución N
(misma media, distinta varianza".

𝑀𝐸𝐷𝐼𝐴 = 25
𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴 = 9
𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴 1 = 2
𝑆𝐼𝐺𝑀𝐴 = 𝑠𝑞𝑟𝑡 (𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴)
𝑆𝐼𝐺𝑀𝐴1 = 𝑠𝑞𝑟𝑡 (𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴1)
𝑥 = 𝑠𝑒𝑞 (15, 40, 𝑏𝑦 = 0,5)
𝑑𝑛𝑜𝑟𝑚 (𝑥, 𝑀𝐸𝐷𝐼𝐴, 𝑆𝐼𝐺𝑀𝐴)
 PERIODO 951 - 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 951 - 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)

En este caso ambas graficas tienen la misma media (o esperanza) pero sus formas
cambiaron porque tienen distinta varianza.

A mayor varianza, la gráfica tendrá mayor amplitud.

b. Probabilidad en distribución normal - Ejercicio del híbrido de maíz
(página 93).

Fig. Rendimiento asociado a un hibrido de maíz donde se observa el rango

asociado a una función normal con parámetros N (60, 7).
Para el caso de una probabilidad puntal, por ejemplo, de que el rendimiento
este por debajo de 50 qq/Ha, se obtiene un valor de 0.0766 o de
aproximadamente el 8%. En caso contrario se puede dar uso a su
complemento 1-pnorm que será aproximado al 92%, que el hibrido supere el
50 qq/Ha.

Si lo que se quiere es tomar la tajada o intervalo asociado a una probabilidad

de escoger un individuo con dichas características, en el caso puntual que
se encuentre entre [50 – 65] qq/Ha, se obtiene un valor de 0.686 o
aproximadamente el 70% como se indica en la figura a continuación:
Fig. Hibrido de maíz para el periodo de crecimiento bajo estudio, con el área
coloreada que se asocia a la probabilidad en dicho intervalo.
 Estudiante 1. Nancy Salgado

c. Distribución binomial - Ejercicio de la semilla de Panicum Sp. (página

102).

• Indique la probabilidad de que germinen 7 de las 10 semillas

La probabilidad es de 0.0031 o 31%

• Indique la probabilidad de que germinen 3 o más semillas.

La probabilidad es de 0.4744 o del 47.44%

• Indique la probabilidad de que germinen a lo sumo 5 semillas.

La probabilidad es de 0,98 0 del 98%

• Indique la esperanza (E) de esta variable aleatoria.

La esperanza es de2.5

• Indique la varianza (V) de esta variable aleatoria.

La varianza es de 1.875
Fig. Distribución binomial donde se obtiene un evento favorable con mayor valor de
probabilidad en 2 y 3 semillas, con la respectiva esperanza asociada y varianza (2.5
y 1.875, respectivamente)

Estudiante 2. Deybys Maestre

d. Distribución Poisson - Ejercicio de las picaduras de gorgojo (página

105).
Picaduras del Gorgojo
Se sabe por la literatura que las semillas son picadas con un promedio de 0.2 cada
semilla.
Por tanto, la probabilidad que una semilla se encuentre picada de 100 como la
opción que todas estén picadas (𝑥 2 = 1) es equivalente al 16% aproximadamente.
En cambio, y dando uso a su complemento para no encontrar semillas picadas
(teóricamente) se halla una probabilidad de 82%.
 BIBLIOGRAFIA

Libro

García, P. A. (2014). La interpretación de los datos: Una introducción a la

estadística aplicada. UNED - Universidad Nacional de Educación a Distancia.
Biblioteca virtual UNAD https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/48802 (introducción)

http://www.agro.unc.edu.ar/~mcia/archivos/Estadistica%20y%20Biometria.pdf
(pág. 108- 133)

Mendoza, H; Bautista, G. (2002). Probabilidad y Estadística. Universidad Nacional

de Colombia, sede
Bogotá http://red.unal.edu.co/cursos/ciencias/2001065/html/contenido.html

Sitios
https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/distribucion-
binomial/media-y-varianza-de-la-distribucion-binomial.html