UNIDAD 2: FASE 3 – ELABORAR DOCUMENTO DE APLICACIÓN DE

CONCEPTOS DE PROBABILIDAD

PRESENTADO POR
LINA MARI APATIÑO DIAZ
COD: 1.058.038.709

PRESENTADO A
LUIS ALBERTO CACERES TORRES

CURSO
300046_614

UNIVERSIDAD NACIONAL ABIERTA Y A DISTACIA (UNAD)

INGENIERIA AMBIENTAL
SOGAMOSO – BOYACA
NOVIEMBRE 2019
INTRODUCCION

Por medio del siguiente trabajo se llevan a cabo la aplicación de conocimientos referentes
los modelos probabilísticos mediante la realización de ejercicios planteados.
Con el desarrollo de la fase 3 de estadística descriptiva (para agrarias) donde se manejaron
códigos descriptivos en el programa R y una exhaustiva investigación en el libro Estadística
y Biometría de Mónica Balzarini, nos ayudó a despejar dudas acerca de definiciones o
preguntas concretas.
Este trabajo se enfoca en el desarrollo de una serie de preguntas, el manejo del programa y
la explicación de graficas las cuales fueron obtenidas del desarrollo de los códigos en dicho
programa

OBJETIVOS

OBJETIVO GENERAL

Adquirir más conocimientos sobre toda la parte de estadística descriptiva (para agrarias)

OBJETIVOS ESPECIFICOS

 Hacer un adecuado desarrollo de la actividad

 Tener claros conceptos desconocidos
 Manejar el programa R con mayor fluidez
RESUMEN WEDCONFERENCIA
DESARROLLO DEL TRABAJO

1. Descargar el código “CODIGODADOS.txt” y ejecutarlo en el programa R.

Explique en sus propias palabras el experimento aleatorio del dado. El
estudiante debe entender que, aunque no es un experimento agropecuario nos
ayuda a entender los conceptos planteados.
 Adjuntar los tres gráficos generados por el código (de Frecuencias Absolutas,
frecuencias relativas y frecuencias relativas acumuladas) y hacer una buena
descripción de cada uno de ellos.

Para entender los conceptos trabajamos con un experimento aleatorio del dado el cual
nos sirvió para saber cuál es el espacio muestreal esto se sabe ya que con los dados
podemos adquirir diferentes resultados 1-2, 2-2... Hasta llegar a los 36 diferentes
resultados.
Por otro lado el conjunto de resultados denominados eventos se da al lanzar los dados
y obtener dos números impares 1-3, o dos números pares 4-6, y portal razón también
se podrían obtener dos numero iguales 4-4.

 FRECUENCIAS ABSOLUTAS

Con esta grafica podemos observar la cantidad de veces que se repite el suceso
  FRECUENCIAS RELATIVAS

Esta grafica es el cociente de la anterior por lo cual se ven igual

 FRECUENCIAS RELATIVAS ACUMULADAS

Esta nos muestra el número total delos datos

 2. Leer el Capítulo dos - Variables Aleatorias y Probabilidades y el Capítulo tres -
Modelos Probabilísticos del libro Estadística y Biometría de Mónica Balzarini (que
también se encuentra en la carpeta) y responder o definir los siguientes puntos:

 Espacio muestral, con qué letra se denota.

Se denota por E, S, Ω o U, y consiste en el conjunto de todos los posibles resultados de un
experimento aleatorio, junto con una estructura sobre el mismo.
 Punto muestral.
Es el conjunto de todos los posibles resultados de un experimento.
 Evento muestral.
Son los conjuntos de resultados de Ω o una característica de interés en un experimento
aleatorio.
 Defina variable aleatoria
Función que asocia a cada elemento del espacio muestral Ω un número real y luego a cada
uno de estos valores le asignaremos probabilidades de ocurrencia.
 ¿Qué significa que el espacio muestral de una variable aleatoria continua es no
contable?
Que no se puede dar un número preciso de opciones

 ¿Qué son variables aleatorias discretas proporcionales y que son variables aleatorias
discretas de conteo no acotado? De ejemplos de este tipo de variables.
Variables aleatorias discretas proporcionales: Su distribución viene dada por los valores
que pueden tomar y las probabilidades de que aparezcan, estas cantidades reciben el nombre
de función de probabilidad o función de masa.
Ejemplos: número de páginas de un libro, numero de preguntas hechas en una clase de una
hora.
Variables aleatorias discretas de conteo no acotado: cuando solo es capaz de adquirir un
número finito de valores dentro de un intervalo se dice que es aleatoria discreta.
Ejemplo: la cantidad de espermatozoides en una muestra de semen, por cuanto se trata de un
valor discreto de tipo aleatorio y sin límites precisos.

 Existen dos conceptos de probabilidad: el clásico y el 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 clásica: es el espacio muestra de todos os resultados posibles S es finito y los
resultados del espacio muestra deben ser igualmente posibles.
Probabilidad frecuencial: hace referencia a la definición de probabilidad entendida como
el cociente entre el número de casos favorables y el número de casos posibles, cuando el
número de casos tiende a finito.
 ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de probabilidad?
Las frecuencias se entienden como probabilidades solo cuando N tiende a finito. Si el número
de veces que se repite un experimento no es grande, entonces hablaremos de frecuencia
relativa y diremos que esta aproxima una probabilidad.
 ¿Qué 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(AꓴB)?
Eventos mutuamente excluyentes: se dice que dos eventos son mutuamente excluyentes si
cada uno está formado por puntos muéstrales distintos, es decir no existen ningún punto
muestral en la intersección de los subconjuntos que representan los eventos.
Cómo es la intersección de dos eventos mutuamente excluyentes: conforman un nuevo
conjunto, que contiene a los puntos muéstrales que simultáneamente pertenecen al
subconjunto A y al subconjunto B.
Si son excluyentes, dado un evento A y uno B, a que es igual la P(AꓴB): cuando dos
eventos son excluyentes, la interacción es cero y por tanto la probabilidad de la unión de esos
eventos, 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, qué modelo se usa.
Variable continúa: es aquella que puede adoptar cualquier valor en el marco de un intervalo
que ya está predeterminado.
Variable simétrica: permite establecer el grado de asimetría que presenta una distribución
de probabilidad de una variable aleatoria sin tener que hacer su representación grafica
Se usa un modelo normal.

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

Se usa el modelo Poisson
 Para variables de proporciones ¿qué modelo se utiliza?
Se usa el modelo probabilístico Binominal
 ¿Qué variables tienen función de probabilidad y cuáles variables tienen función de
densidad?
Función de probabilidad: variable aleatoria discreta
Función de densidad: variable aleatoria continua
 ¿Cuáles son los parámetros más usados en estadística para estudiar y utilizar
funciones de distribución de variables aleatorias?
El valor esperado y la varianza son los parámetros más usados en estadística para estudiar y
utilizar funciones de distribución de variables aleatorias.
 Qué es la esperanza matemática de una variable aleatoria? ¿cómo se denota?
Es una medida de tendencia central de la distribución.
 ¿Qué es la varianza de una variable aleatoria? ¿cómo se denota?
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. Denotada por Var (.) o la letra griega Sigma al cuadrado (2  ), 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.
3. Descargar el código “MODELOS.txt” y ejecutarlo en el Programa R,
comparando los resultados obtenidos con el programa R con respecto a la
explicación de los ejercicios brindados en el texto de Mónica Balzarini en las
páginas 91 (Ejercicio de las vacas del tambo), 93 (ejercicio del híbrido de
maíz), 101 (ejercicio de la semilla de panicum) y 105 (ejercicio de las
picaduras de gorgojo)
 Adjuntar las gráficas generadas por el programa R para cada una de las tres
distribuciones descritas (Normal, Binomial y Poisson) y hacer una buena descripción y
explicación de la información presentada en cada una de ellas.

MODELO NORMAL
Esto nos muestran que al modificar la media las gráficas varían notablemente, y estas graficas
son muy diferentes a las presentadas en el libro Estadística y Biometría de Mónica Balzarini
Ya que se tienen dos valores de media y dos de varianza.

MODELO BINOMIAL
MODELO POISSON
Responder las siguientes preguntas:
DISTRIBUCION NORMAL
 Qué tipo de histograma se debe seleccionar en un modelo probabilístico para una
variable aleatoria continua cuando se tienen datos de esa variable
Es recomendable graficar un histograma de frecuencias relativas y observar la forma del
mismo.
 Qué es la estandarización, cuál es su fórmula.
Nos permite llevar cualquier distribución normal a la distribución estándar, tiene la siguiente
formula
𝑌−𝜇
𝑍=
√𝜎 2

DISTRIBUCIÓN BINOMIAL
 Qué tipo de conteos se trabajan con la distribución Binomial
Se trabajan conteos acotados

 En la distribución binomial que es n y que es P.

Numero de ensayos (n)
Probabilidad de ocurrencia o éxito (p)
 A qué es igual la esperanza y la varianza en esta distribución.
La E (Y) y la V (Y) cuando Y tiene distribución binomial son:
 𝑛

𝜇 = 𝐸(𝑌) = ∑ 𝑦 𝑓 (𝑦) = 𝑛𝑃
𝑦=0
2
𝜎 = 𝑉(𝑌) = 𝑛𝑃(1 − 𝑃)
DISTRIBUCION DE POISSON
 Qué tipos de conteos se trabaja con la distribución de Poisson.
Se trabajan conteos no acotados
 En agronomía se usa para qué tipo de conteos (los ácaros por ejemplo, se pueden
trabajar con esta distribución).
La distribución Poisson suele usarse para la parte agrónoma
 Cómo se denota el único parámetro de esta distribución, a que es igual la media y la
varianza.
= E (Y) = 
 2= V (Y) = 
CONCLUSIONES

 Se analizaron los conceptos de manera clara y concisa

 Se manejó una mejor comprensión acerca de términos desconocidos
 Se estudiaron los datos y graficas arrojados por el programa R

BIBLIOGRAFIA

 Modelos Probabilísticos del libro Estadística y Biometría de Mónica Balzarini

 Programa R