FASE 3 – DISTRIBUCCIÓN Y PROBABILIDAD

ESTADISTICA DESCRIPTIVA, PARA AGRARIAS (300046A_951)

PRESENTADO POR:

 ALCIDES DE JESUS ALVAREZ (94.477.128)

 JAIBER DANILO RODRIGUEZ CEPEDA (1.124.218.271)

 JAUBER OSBALDO OSPINA (1.120.380.641)

 PAULA ANDREA PALENCIA GUZMÁN (1.000.465.242)

 JORGE EDUARDO RODRIGUEZ PEREZ (1.120.501.064)

GRUPO: 300046_93

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

ESCUELA DE CIENCIAS AGRÍCOLAS, PECUARIAS Y DEL MEDIO
AMBIENTE
PERIODO 16-01.
2021
 INTRODUCCIÓN
La distribución de probabilidad está definida sobre el conjunto de todos los sucesos y cada
uno de los sucesos es el rango de valores de la variable aleatoria.
La distribución y probabilidad describe cómo se espera que varíen los resultados, a
continuación, nos contextualizamos basándonos en conceptos básicos y ejercicios sobre y el
tema.

OBJETIVOS
 Adquirir los conocimientos necesarios frente a este tema con el fin de que este
describa como se espera que varíen los resultados en problemas cotidianos.

 Tener en cuenta que la distribución de probabilidad es aquella que permite

establecer toda la gama de resultados probables de ocurrir en un experimento,
siendo una posible solución, con variedad de resultados.
 DESARROLLO

Unidad 2, Fase 3 – Distribución Y Probabilidad (Estadística Descriptiva, Para

Agrarias)

Nombre del Fecha de

Aporte de la guía
estudiante entrega
1. Punto 1. literales a, b, c, d, e, f marzo 20
1. Alcides de Jesús
2. Punto 10. literal a marzo 27
Álvarez.
3. Punto 11. literal c abril 4
1. Punto 1 literales g, h, i, j, k marzo 20
2. Jaiber Danilo
2. Punto 10. literales b, c marzo 27
rodríguez cepeda.
3. Punto 11. literal d abril 4
1. Punto 1. literales l, m, n, o, p marzo 20
3. Jorge Eduardo 2. Punto 11. literal a marzo 27
rodríguez Pérez.
3. Presenta los resultados obtenidos en el programa R (R Consolé) al
abril 4
ejecutar la totalidad del “Script Fase 3 - DADOS.txt”
1. Punto 2. literales a, b, c, d, e marzo 20
4. Jauber Osbaldo 2. Punto 11. literal b marzo 27
Ospina.
3. Presenta los resultados obtenidos en el programa R (R Consolé) al
abril 4
ejecutar la totalidad del “Script Fase 3 – MODELOS.txt”
1. Punto 2. literales f, g, h, i, j   marzo 20
5. Paula Andrea 2. Compila entregas y redacta Portada, Introducción y Objetivos. marzo 28
Palencia Guzmán.
3. Compila entregas, redacta Conclusiones, Bibliografía y entrega el
abril 8
documento en el Entorno de Evaluación.
 1 APORTE.
Estudiante 1, Alcides De Jesús Álvarez.
(Punto 1, literales a, b, c, d, e y f).

a). Espacio muestral, con qué letra se denota.

Respuesta: El espacio muestral se denota con la letra E, y es el conjunto donde se encuentra
todos los posibles resultados dentro de la muestra.
b). Punto muestral.
Respuesta: Son cada uno de los posibles resultados que tenemos dentro del espacio
muestral.
c). Evento muestral.
Respuesta: Es el subconjunto dentro del espacio muestral, que se puede formar por posibles
eventos aleatorios.
d).Variable aleatoria.
Respuesta: Es la función que cumple un número real dentro del resultado en el espacio
muestral.
e) ¿Qué significa que el espacio muestral de una variable aleatoria continua es no
contable?
Respuesta: En el espacio muestral la variable aleatoria continua no se puede definir un
resultado exacto, si no que podemos presentar diferentes rangos de valores en los
resultados.
f) ¿Qué son variables aleatorias discretas proporcionales y que son variables discretas
de conteo no acotado?
Respuesta: * Las variables aleatorias discretas proporcionales, son aquellas donde se puede
obtener dos valores, donde podemos utilizar la Distribución Binomial.
Ejemplos: el resultado de lanzar una moneda, hacer encuestas de dos opciones falsas o
verdaderas, sí o no.
*Las variables aleatorias discretas de conteo no acotado, son aquellas donde el valor de la
variable da como resultado un número finito dentro de un intervalo, donde podemos utilizar
la Distribución Poisson.
Ejemplos: hacer muestreos aleatorios a un cultivo, para determinar el área afectada puede
ser por hongo, plaga.
 Cuando se hacen muestreos del suelo en un área para cultivar y determinar la composición
y textura, y así determinar sus características.

Estudiante 2, Jaiber Danilo Rodríguez.

(Punto 1, literales g, h, i j y k)

g. Existen dos conceptos de probabilidad: el clásico y el concepto frecuencial; defina cada

uno.

Respuesta: Probabilidad clásica: es el número de resultados favorables dividido entre el número

total de resultados posibles y se aplica cuando un evento simple del espacio muestral tiene la
misma posibilidad de ocurrir.

Probabilidad de concepto frecuencial: es el concepto como del cociente entre el número de casos
favorables con el número de casos posibles.

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 muéstrales
tiene.

Respuesta: El experimento aleatorio es si la semilla germina o si la semilla no germina. El

evento puede ser observar si la semilla a germinar se encuentra en condiciones sana o no. Y tiene
dos puntos muéstrales los cuales son: el primero si la semilla a germinar está sana y la segunda
es si la semilla a germinar no está sana.

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

Respuesta: La frecuencia relativa se conoce porque es igual a la frecuencia absoluta dividida por
el número de veces “n” que se repite aleatorio y la de probabilidad es igual a una medida con un
valor numérico.

j. ¿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 (A ꓴ B)?

Respuesta: P (AUB)= P(A) + P (B) es decir se suman las probabilidades de (A) y las
probabilidades de (B) y cuando no pueden ocurrir ambos la interacción es un conjunto vacío.

k. En el caso de distribuciones de variables aleatorias, si una variable es continua y

simétrica, ¿qué modelo se usa?
Respuesta: si una variable es continua o simétrica se usa el modelo Normal la cual viene en
forma de montaña y es la más importante de las distribuciones de variables continuas con una
especificación de dos parámetros las cuales son la medida y la desviación.

Estudiante 4, Jauber Osbaldo Ospina.

(Punto 2. literales a, b, c, d, e)

a). Qué tipo de histograma se debe seleccionar en un modelo probabilístico para una
variable aleatoria continua cuando se tienen datos de esa variable.

Respuesta: Una variable está tipificada o estandarizada cuando a sus valores se les resta su
media aritmética y se le divide su desviación
estándar

Para las variables se usa "Z"

b). Qué es la

estandarización, cuál es su fórmula.

Respuesta: Se denomina estandarización al acto y el resultado de estandarizar: ajustar a
un estándar. La estandarización, por lo tanto, implica concertar algo para que resulte
coincidente o concordante con un modelo, un patrón o una referencia.
C. Qué tipo de conteos se trabajan con la distribución Binomial.
Respuesta: Una distribución binomial es una distribución de probabilidad discreta que
describe el número de éxitos al realizar n experimentos independientes entre sí, acerca de
una variable aleatoria.

*En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).

*La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que la
moneda no cambia en cada experimento y las probabilidades de sacar cara son constantes.
*La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la letra
q = 1-p. Es importante fijarse que, mediante esa ecuación, sabiendo p o sabiendo q,
podemos obtener la que nos falte.

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

Respuesta:
n    = Número de ensayos/experimentos
p    = Probabilidad de éxito
e). A qué es igual la esperanza y la varianza en la distribución binomial.
Respuesta:
En teoría de probabilidad, la varianza o variancia (que suele representarse como ) de
una variable aleatoria es una medida de dispersión definida como la esperanza del cuadrado
de la desviación de dicha variable respecto a su media. Su unidad de medida corresponde al
cuadrado de la unidad de medida de la variable: por ejemplo, si la variable mide una
distancia en metros, la varianza se expresa en metros al cuadrado. La varianza tiene como
valor mínimo 0. La desviación estándar (raíz cuadrada positiva de la varianza) es una
medida de dispersión alternativa, expresada en las mismas unidades que los datos de la
variable objeto de estudio.

La varianza es una medida de dispersión que nos indica qué tan lejos se encuentran los
cuadrados de la desviación de la media. Se calcula con la fórmula:

Dónde:

n es el número de ensayos

p es la probabilidad de éxito

q es la probabilidad de fracaso

Estudiante 5, Paula Andrea Palencia Guzmán.

(Punto 2. literales f, g, h, i, j)
f). mencione ejemplos en su área de estudio donde se podría utilizar la distribución
binomial.

Respuesta: Ejemplo 1.
*La probabilidad de que camilo presente la actividad N° 2 es de 0,8. Si observa que tiene 3
actividades más por entregar (con menos puntaje), ¿Cuál sería la probabilidad de que
presente por lo menos dos de esas actividades?

Desarrollo:
P ( Á )=1−P( A)
P ( Á )=1−0,8
P ( Á )=0,2

Á=la probabilidad de que camilo presente por lomenos las dos actidades con menos puntaje .
A=la probabilidad de que camilo presenta la actividad N ° 2

Respuesta: la probabilidad de que camilo presente las actividades es de 0,2 y 0,8 de que
presente la tarea N°2, que tiene mayor puntaje que las demás.

X =numero de actividades con menos puntaje por entregar .

X B(3 , 0,8)
X =0 ; 1; 2; 3

n=numero de ensayos
n=3
p= probabilidad de exito
p=0,8

f ( x )=( X=x )= n p x ¿
() p
3
()
f ( 2 ) =( X=2 )= 0,8 ¿
2
2

f ( 2 ) =( X=2 )=6∗0 , 82∗0 ,21

f ( 2 ) =( X=2 )=0.768∗100 %=76.8 %

n!
( np )= x ! ( n−x )!
3! 3∗2∗1
(32 )= 2 ! ( 3−1 =
) ! 2∗1∗2∗1
=6

n !=1∗2∗3∗…∗( n−1 )∗n

n !=n∗( n−1 )∗…∗3∗2∗1
4 !=4∗3∗2∗1=24

Ejemplo 2.

*La última actividad por entregar en el semestre, consta de leer una novela de un autor el
cual ha tenido un gran éxito, hasta el punto de que el 80% de los lectores ya han leído.
Un grupo pequeño de 4 estudiantes son aficionados a la lectura.

1. ¿Cuál es la probabilidad de que en el grupo de estudiantes hayan leído la novela 2

estudiantes?
2. ¿y como máximo 2?

Desarrollo:
1. B=( 4 , 0,2 ) P=0,8 q=0,2
4∗3
P ( x=2 )= 4 0 , 82∗0 , 22=
() ∗0,64∗0,04=0,1536∗100 %=15,36 %
2 2

2. P ( x ≤ 2 )=P ( x=0 ) + P ( x=1 )∗+ P( x=2)

¿ 4 ∗0 , 80∗0,02 4 + 4 ∗0 , 81∗0,0 23 + 4 ∗0 , 82∗0,0 22=0.1808∗100 %=18.08 %
() () ()
0 1 2
g) ¿qué tipos de conteos se trabajan con la distribución de poisson?

Respuesta: *Uno de los tipos de conteos se utiliza para el conteo de datos en la distribución
Poisson específicamente como componente aleatorio en el proceso de ajuste de modelo
generalizado. Caracterizado por esta distribución por la igualdad entre su media y varianza.

*Los datos de Poisson se dicen sobredispersos si la varianza excede la media por lo que un
indicador simple de la magnitud de la sobredispersión le da la comparación entre media
muestral y la variable de conteo de estudio.

*Frecuentemente la sobredispersión se produce por la presencia de un números mayor de

conteos nulos que el esperado bajo la distribución Poisson, la manera de modelar datos de
conteos excesivos ceros es la denominada regresión “zero – inflated” esta misma asume los
conteos nulos.

*Más específicamente, se utiliza una variable aleatoria Bernoulli para determinar si un

resultado de conteo individual surge del proceso que genera solo ceros o no, a través de un
modelo logit, luego, se utiliza un modelo de Poisson o binomial negativo para modelar los
resultados generados por el otro proceso.

*Frecuentemente ocurre que en los datos de conteos ajustados con la distribución Poisson
se presenta sobredispersión. Es importante tener en cuenta este fenómeno, ya que de no
hacerlo es probable arribar a conclusiones erróneas.

h) ¿cómo se denota el único parámetro de la distribución de poisson?

Respuesta: La distribución de Poisson se especifica por un parámetro, Lambda (⋋), este

parámetro representa el numero promedio de eventos esperados por la unidad de tiempo o
de espacio, este parámetro es igual a la media y la varianza. Cuando lambda aumente a
valores lo suficientemente grandes, podría utilizarse para aproximar la distribución de
Poisson.
i) ¿a qué es igual la media y la varianza en la distribución de poisson?
Respuesta: La suposición de que la igualdad entre entre la medida y la varianza es
evidencia suficiente. Para suponer que las ocurrencias en las cuadriculas se distribuyen
según una Poisson, si bien es cierto que en esta distribución media y varianza son iguales,
no existe ninguna razón para aceptar que la relación inversa es siempre cierta, puede existir
infinitas distribuciones teóricas en las cuales el índice sea igual a 1.
Esto nos lleva a concluir necesariamente que el cociente no puede conceptualmente
funcionar simultáneamente como un índice de agregación y como una medida de
desviación de la Poisson.
Ejemplo:
Para la obtención de la media y la varianza aplicaremos la función generatriz de momentos;
derivándola sucesivamente e igualando t a cero.
Así:

Una vez obtenida la media, obtendríamos la varianza en base a:

Haciendo t=0

Por lo que

=
j. mencione ejemplos en su área de estudio donde se podría utilizar la distribución de
poisson.
Respuesta: Ejemplo:
 En la universidad realizan encuentros sincrónicos cada semana, en el cual asisten un
promedio de 4 estudiantes por clase.

M= estudiantes por clase.

 Sabiendo que el número de estudiantes que asisten a las clases sigue una
distribución de Poisson, calcula.

X =N ° de estudiantes que asisten ala clase de la semana .

X poisson ( ⋋ )
⋋=4
P( x=3)

e−⋋∗M x
f ( x )=P ( X =x )=
x!
e ∗43
−4
f ( 3 )=P ( X=3 )=
3!
f ( 3 )=P ( X=3 )=0,1954∗100 %=19,45 %

n !=1∗2∗…∗n
5 !=1∗2∗3=6

La probabilidad de que asistan 5 estudiantes en una clase.

X =N ° de estudiantes que asisten ala clase de la semana .

X poisson ( ⋋ )
⋋=4
P( x=5)

e−⋋∗M x
f ( x )=P ( X =x )=
x!
e ∗45
−4
f ( 3 )=P ( X=3 )=
5!
f ( 3 )=P ( X=3 )=0,1563∗100 %=15,63%

n !=1∗2∗…∗n
5 !=1∗2∗3∗4∗5=120

2 APORTE
Estudiante 1, Alcides De Jesús Álvarez.
(Punto 10. literal a).

Abra “Script Fase 3- DADOS.txt”, ejecútelo y responda las siguientes preguntas.

a). Explique en sus propias palabras el experimento aleatorio del dado. Este ejercicio
nos ayudara a entender los conceptos de probabilidad y distribución.
Respuesta: En el experimento de los dados, podemos ver que hay 36 posibles resultados
que sería el espacio muestral, obtenidos de la combinación de los números de los dos dados
del 1 al 6.
El denominador de la probabilidad es de 36 que son igual a los puntos muéstrales, se
presentan varios eventos en el espacio muestral como, los números pares que en ambos
lados salgan, números iguales sería una probabilidad de 6 en 36 y también como variable
aleatoria la suma de los valores obtenidos de cada dado.

Estudiante 2, Jaiber Danilo Rodríguez.

(Punto 10. literales b, c)

En la gráfica anterior podemos observar que tenemos una base de las cantidades de
elementos y en la parte izquierda encontramos las frecuencias absolutas, para cada
elemento crea una barra de con su determinada altura y con un intervalo entre barras
totalmente iguales entre cada elemento.
para la gráfica de frecuencias relativas suma de caras encontramos con una base de la
cantidad de elementos y con una altura dada por las frecuencias relativas creando una barra
para cada elemento y la altura se determina por la cantidad de las frecuencias relativas y en
este caso también tenemos un intervalo de cada barra totalmente igual.
Para la gráfica frecuencias relativas acumuladas son la suma de las frecuencias relativas,
tenemos una base de la cantidad de elementos y una altura que es las frecuencias relativas y
cada barra seria mayor a la anterior porque tenemos una sumatoria de frecuencias relativas
y de igual manera tenemos el mismo intervalo entre barras.
Estudiante 4, Jauber Osbaldo Ospina.
(Punto 11. literal b)
11. Abra en el programa R “Script Fase 3 – MODELOS.txt” y ejecútelo de acuerdo a
las indicaciones dadas previamente. Este script dará respuesta a los ejercicios del libro
“Estadística y Biometría de Mónica Balzarini” en el Capítulo 3 – Modelos
probabilísticos; describa los ejercicios y responda las siguientes preguntas:

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

I. Presente y describa el gráfico “Rendimiento de maíz - Función de Distribución N

(media. Sigma)”

Respuesta:

En la gráfica podemos observar que tenemos una base donde nos muestra un rendimiento
por (ha) y con una altura donde nos muestra el total del rendimiento y también por medio
de una gráfica lineal podemos ver claramente el rendimiento en los diferentes (ha)
II. Indique los valores de media (μ) y sigma (σ).

Respuesta: valor es de 0.07656373

III. Indique la probabilidad de que el rendimiento sea igual o menor que 50 qq/Ha.

Respuesta: Quiere decir que la probabilidad de que el rendimiento este por debajo de 50
qq/Ha es de 0.0765 o del 7,65 %
IV. Indique la probabilidad de que el rendimiento sea mayor que 50 qq/Ha.

Respuesta: en este caso, la probabilidad de que el rendimiento este por encima de 50 qq/Ha
es de 0.923 o del 92.3 %

V. Indique la probabilidad de que el rendimiento se encuentre entre 50 y 65 qq/Ha.

Respuesta: la probabilidad de que el rendimiento se encuentre entre 50 y 65 qq/Ha es de

0.685911

VI. Presente y describa el gráfico “Rendimiento de maíz Distribución Normal con

área bajo la curva”

En esta grafica podemos observar que es igual a la gráfica de rendimiento de maíz función
de distribución donde podemos ver el rendimiento del maíz por qq/Ha mediante una curva
que nos muestra el rendimiento por qq/A y su valor en cada qq/Ha