FASE 3 - DISTRIBUCIÓN Y PROBABILIDAD

PRESENTADO A
LUIS ALBERTO CÁCERES TORRES

PRESENTADO POR
JORGE ENRIQUE NARANJO CASTAÑO
CÓDIGO NO 17356393

CURSO NO
300046ª-954

GRUPO NO
300046-128

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

ESCUELA DE CIENCIAS AGRÍCOLAS, PECUARIAS Y DEL MEDIO AMBIENTE
(ECAPMA)
ESTADÍSTICA DESCRIPTIVA (AGRARIAS)
2021
 CONTENIDO

pág.

1. INTRODUCCIÓN ...................................................................................................... 3
2. OBJETIVOS .............................................................................................................. 4
1.1 OBJETIVOS GENERAL ..................................................................................... 4
1.2 OBJETIVOS ESPECIFICO ................................................................................. 4
3. DESARROLLO ......................................................................................................... 5
1.3 CONCEPTOS ESTADÍSTICOS.......................................................................... 5
1.4 MODELOS PROBABILÍSTICOS ...................................................................... 10
1.5 PROGRAMA “SCRIPT FASE 3 - DADOS.TXT” ............................................... 12
1.6 PROGRAMA R “SCRIPT FASE 3 – MODELOS.TXT”...................................... 16
4. CONCLUSIÓN ........................................................................................................ 21
5. BIBLIOGRAFÍA ....................................................................................................... 22
 1. INTRODUCCIÓN

Este trabajo se va abordar los conceptos básicos de distribución y probabilidad,

donde se plantea ejercicio en casos reales, una distribución de probabilidad indica toda

la gama de valores que pueden representarse como resultado de un experimento. La

probabilidad indica un papel importante en la investigación que son evaluadas en

términos de distribución de probabilidades.

 2. OBJETIVOS

1.1 OBJETIVOS GENERAL

Identificar los conceptos básicos de probabilidad y distribuciones de probabilidad más

usadas en las ciencias agrarias.

1.2 OBJETIVOS ESPECIFICO

✓ Participar de manera activa en el foro

✓ Desarrollar los ítems propuestos en la guía, como gráficas, una descripción

adecuada de ellas.

✓ Ejecutar los scripts en el programa R x64, para la exportación de la graficas para

sus análisis y descripción.

 3. DESARROLLO

1.3 CONCEPTOS ESTADÍSTICOS

EXPLICAR EN SUS PROPIAS PALABRAS LAS SIGUIENTE CONCEPTOS

A. Espacio muestra, con qué letra se denota.

Es un conjunto con todos los posibles resultados de un experimento aleatorios, se

clasifican en variables discretas y continua. Se denota con la letra de, 𝛀

B. Punto muestral.

Son llamados puntos muestrales a los elementos del espacio muestral, es decir

son los resultados simples de un experimento, se representa con la letra, 𝝎

C. Evento muestral

Es un subconjunto de ese espacio muestral

D. Variable aleatoria

Es una función con valores numéricos, y definida sobre un espacio muestral. Es

decir.

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

no contable?

que, entre dos valores de la variable aleatoria, pueden realizarse un número

infinito de otros valores. Si el espacio muestral es la diferencia entre valores de

la variable está definida aritméticamente. Es decir, no podemos dar un número

preciso de opciones, así como el dado.

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

aleatorias discretas de conteo no acotado? De ejemplos de este tipo de

variables.

Que son variables aleatorias discretas proporcionales: Aquella que sólo puede

tomar un número finito de valores dentro de un intervalo. Por ejemplo, el número

total de cerdos en una cochera, puede ser 8 ó 10 ó 20 individuos, pero nunca 8,5

ó 10,87. se expresa en proporciones porque existe un denominador natural.

Que son variables aleatorias discretas de conteo no acotado: Es cuando una

variable de conteo solo es capaz de adquirir un número finito de valores dentro de

un intervalo. Por ejemplo, la cantidad de espermatozoides en una muestra de

semen, por cuanto se tratará de un valor discreto de tipo aleatorio y sin límites

precisos.

G. Existen dos conceptos de probabilidad: el clásico y el concepto frecuencial;

defina cada uno.

Probabilidad clásica: Se define como el cociente entre los eventos favorables a

dicho evento y el número total de eventos posibles. (Balzarini, 2013)

Probabilidad Frecuencial: Se conoce también como probabilidad empírica. Se

repite un número determinado de veces, que se obtiene del resultado que nos

interesa entre el número de veces que se realizó el experimento. Se fundamenta

en los datos que se obtiene por encuestas. (Balzarini, 2013)

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.

Experimento de germinación de una semilla: Se tiene primero un lote de

semillas, de la cual sacaremos la probabilidad de que la semilla germine

óptimamente. Cogemos una semilla y la plantamos esperando que germine, pero

este proceso lo repetiremos 1000 veces, ósea se usaran 1000 semillas, este

número de repeticiones será N, tengamos en cuenta que para lograr obtener la

probabilidad debemos saber el número de veces que el evento ocurre en la

cantidad de las repeticiones y lo denotaremos (nA.). La probabilidad de

germinación de una semilla en la totalidad de las repeticiones la denominaremos

P(A). Si de las 1000 repeticiones (N) se observó una germinación de 400 semillas

(nA), diremos que la probabilidad de que una semilla germine se representa por:

P(A) = P (observar una semilla germinada) =nA =N = 400/1000= 0,4 y esta es la

probabilidad de observar una semilla germinada en las 1000 repeticiones.

(Balzarini, 2013)

Cuál es el experimento aleatorio: en este caso es la semilla.

Cuál es el evento: es la probabilidad de que la semilla germine.

Cuantos puntos muéstrales tiene: depende de la cantidad de semillas

germinadas en la totalidad de repeticiones. (Balzarini, 2013)

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

probabilidad?
 La frecuencia relativa: se da cuando el número de repeticiones de un

determinado experimento no es grande o elevado. En cuanto a la probabilidad,

se debe asignar a cada evento del espacio muestral un número real entre 0 y 1.

(Balzarini, 2013)

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(AꓴB)?

✓ Los eventos mutuamente excluyentes se manifiestan cuando dos o

más eventos no pueden pasar al mismo tiempo, y la suma de sus

probabilidades individuales es la posibilidad que puede suceder. Se da

cuando la probabilidad de la unión de dos sucesos incompatibles

es igual a la suma de las probabilidades de cada uno de estos sucesos, ya

que su intersección es el grupo vacío y por este motivo no habrá necesidad

de restarle nada.

✓ Cuando A y B son mutuamente excluyentes, P(AUB) = P(A)+P(B). un

ejemplo serio que para obtener las probabilidades de sacar una carta

roja o un trébol, se suman las probabilidades de sacar una carta roja

y la de sacar un trébol. En el ámbito de la probabilidad, la conjunción

permite que ambos eventos sucedan.

K. En el caso de distribuciones de variables aleatorias, si una variable es

continua y simétrica, ¿qué modelo se usa?

 Para una variable continua y de distribución simétrica, es normal el uso

del modelo normal.

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

Para estas variables de conteos no acotados se utiliza el modelo poisson.

M. Para variables de proporciones ¿qué modelo se utiliza?

Para las variables de proposiciones se utiliza un modelo probabilístico

binomial.

N. ¿Qué variables tienen función de probabilidad y cuáles variables tienen

función de densidad?

En la probabilidad, la función de densidad de probabilidad, función de

densidad o simplemente densidad de una variable aleatoria continua describe la

probabilidad relativa según la cual, esta variable aleatoria tomara un valor.

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

utilizar funciones de distribución de variables aleatorias?

los parámetros más utilizados generalmente en estadísticas son los siguientes;

✓ Esperanza matemática para una variable aleatoria discreta.

✓ Esperanza matemática para una variable aleatoria continua.

✓ Varianza de una variable aleatoria.

✓ Covarianza.

✓ Momentos de una variable aleatoria.

 P. ¿Qué es la esperanza matemática de una variable aleatoria? ¿cómo se

denota?

Se denota en la generalización de la media aritmética a toda la población, ósea es

la media de la variable aleatoria. También llamado valor medio, esperado o

esperanza matemática y de denota con la letra griega μ.

1.4 MODELOS PROBABILÍSTICOS

Lea el Capítulo 3 – Modelos probabilísticos del libro Estadística y Biometría de

Mónica Balzarini y responda las siguientes preguntas:

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

para una variable aleatoria continua cuando se tienen datos de esa variable.

Un modelo probalístico el propósito es estudiar resultados de un experimento

aleatorio y predecir su comportamiento futuro, para esto se debe seleccionar un

histograma de barras, variables de tipo relativo, luego se debe realizar una

observación de su forma. Se pueden aplicar modelos teóricos y funciones

matemáticas que permitan ajustar o aproximar el histograma. (Balzarini, 2013).

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

Es una función que nos permite llevar una distribución carácter normal a una

distribución de carácter estándar. Su formula es;

𝑥−𝜇
𝑧=
𝜎
 Los elementos base para estandarizar los datos son los parámetros de la media

aritmética y la desviación estándar.

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

Una distribución binomial es una probabilidad discreta que describe el número de

éxitos al realizar n experimentos cerca de una variable aleatoria, en este caso

sería el número de conteo que es el número de éxito y el número de fracaso, es

decir;

• En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito

o fracaso).

• La probabilidad del éxito ha de ser constante

• La probabilidad de fracaso ha de ser también constate.

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

En la distribución binomial (n ) hace referencia al número de experimentos, y ( P )

hace referencia a la probabilidad de ocurrencia o éxito.

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

La esperanza: En la distribución es igual al número de repeticiones del

experimento, multiplicado por la probabilidad de ocurrencia o éxito, así: nxP.

La varianza: Es igual al número de repeticiones del experimento, multiplicado dos

veces por la probabilidad, así: nxPxP. (Balzarini, 2013)

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

distribución Binomial.
 La probabilidad de germinación de 5 semillas de maíz sembradas en una Huerta,

es de 0.8 ¿cuál será la probabilidad de que esas 5 germine?

Éxito= p(5)

Fracaso=p(?)

Formula= P(Fracaso) = 1- p(Éxito)

P(Fracaso) = 1- p(0,8)

P(Fracaso) = p(0,2)

(0,8)3 x (0,2)2

(0,8)3 x (0,2)2

(0,8)3 x (0,2)2

(0,8)3 x (0,2)2

(0,8)3 x (0,2)2

Calculamos la probabilidad = 5 *(0,8)3 x (0,2)2 = 0,10 es la probabilidad de

germinación

1.5 PROGRAMA “SCRIPT FASE 3 - DADOS.TXT”

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 ayudará a entender los conceptos de probabilidad y

distribución.

Principal mente en este caso el experimento aleatorio es el Dado, o lanzar dos

dados, primero hay que identificar el espacio muestral que es el conjunto de todos

los resultados de un experimento aleatorio.

Experimento aleatorio: 𝑆 = (1,2,3,4,5,6)

Espacio muestral: vemos que hay 36 resultados posibles representados así,

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) así sucesivamente,

{(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)}

Después Calculamos la probabilidad,

𝒏° 𝒅𝒆 𝒄𝒂𝒔𝒐𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝒅𝒆 𝑨 𝒏(𝑨)

𝑷(𝑨) = =
𝒏° 𝒅𝒆 𝒄𝒂𝒔𝒐𝒔 𝒅𝒆 𝑺 𝒏(𝑺)

Por ejemplo, un evento puede ser que en ambos dados salgan números pares

(2,2 4,4 6,6)

𝐴 = (2,2), (4,4), (6,6)

𝑆 = (1,1), (2,2), (3,3), (4,4), (5,5), (6,6)

 𝒏(𝑨) 𝟑
𝑷(𝑨) = = = 𝟎, 𝟓 %
𝒏(𝑺) 𝟔

Otra forma es:

𝑆 = (1,1), (2,2), (3,3), (4,4), (5,5), (6,6), aquí tendríamos 6 resultados de éxito de

los 36 posibles del espacio muestral. La probabilidad por tanto de obtener dos

números iguales sería:

𝒏(𝑨) 𝟔
𝑷(𝑨) = = = 𝟎, 𝟏𝟔𝟔 = 𝟏𝟔, 𝟔 %
𝒏(𝑺) 𝟑𝟔

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 954 - Gráfico de barras SUMA DE CARAS

6
5
Frecuencias absolutas

4
3
2
1
0

2 3 4 5 6 7 8 9 10 11 12

En este grafico de frecuencia absolutas se identifica claramente los conteos con mayor

probabilidad de ocurrencia, en este caso el 7.

 PERIODO 954 - 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

En el gráfico de frecuencia relativa podemos identificar claramente que, para la variable

dados de dos intentos, el conteo de más alta probabilidad es el de 7 respectivamente,

con una frecuencia de 16,6 %.

PERIODO 954 - 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
En el gráfico de frecuencias acumulada nos confirma que los conteos 11 y 12 presentan

mayor probabilidad con un 1,0 % hacia la derecha

1.6 PROGRAMA R “SCRIPT FASE 3 – MODELOS.TXT”

Abra en el programa R “Script Fase 3 – MODELOS.txt” y ejecútelo. 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:

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

i. Presente y describa el gráfico "Producción de leche - Función de Distribución N

(misma varianza, distinta media)". Este gráfico muestra dos distribuciones dentro de

la misma gráfica -una azul y otra roja-. Para obtenerlo, cuando aparezca la gráfica

de distribución de color azul, NO LA CIERRE, continúe ejecutando el script (para

volver al script, ubique el cursor en el marco azul, donde aparece el nombre del

script, para que no pierda la secuencia de ejecución).

Ejercicios: la producción de leche diaria de las vacas de un tambo se distribuye

como el modelo normal, con esperanza 25 litros y varianza 9 litros2. Si a las vacas

se les da una nueva ración que aumenta en 5 litros la producción diaria,

pero no modifica las varianzas, la función de densidad de la producción de leche

diaria de los animales con la nueva ración tendrá un valor esperado de 30 litros.
 PERIODO 954 - Distribución N Producción de leche misma varianza
0.08
F(x)

0.04
0.00

10 15 20 25 30 35 40

Producción de leche (litros/día)

Para este ejercicio se calcular la media aritmética y luego la distribución de la varianza.

En la gráfica se muestra 2 distribuciones con diferentes comportamientos, la curva

azul se muestra en forma campana lo cual representa una distribución normal de la

producción de leche diaria de las vacas, con media de 25 litros de leche. La curva

roja, al suministrar ración, el promedio de producción de litros de leche diario aumento

en 5 litros. Lo cual indica que ambas graficas son idénticas en forma, y no cambio se

mantuvo la densidad de la varianza, se encuentra desplazada 5 unidades hacia arriba

de la distribución de leche con la anterior ración grafica azul.

 PERIODO 954 - Producción de leche Distribución N 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 esta grafica vemos el rango de la producción de litros de leche mínima 10 y máximo

40, la distribución de la curva roja tiene un aumento de producción mayor por encima

de la curva azul, quiere decir que la vacas se le suministraron más concentrado, la

curva azul las vacas se alimentaron con forrajes la producción fue baja, vemos que la

media representativa para ambas curvas es de 22.

PERIODO 954 - Rendimiento de maíz - Función de Distribución N(media.sigma)

0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

Rendimiento (qq/Ha)
En la gráfica se observa la probabilidad de ocurrencia de un valor menor a 58 donde se

ubica la media 60, varianza 46 resultado es 0,0765

PERIODO 954 - Rendimiento de maíz Distribución Normal con área bajo la curva
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

Rendimiento (qq/Ha)

En la grafico se observa la probabilidad de ocurrencia en el rango de valores entre 50 y

65. Con una probabilidad de rendimiento de [1] 0.6

 PERIODO 954 - Distribución Binomial - Germinación de semillas
(n=10,p=0.25)
Probabilidad del evento

0.20
0.10
0.00

0 1 2 3 4 5 6 7 8 9 10

Evento (germinación de x semillas)

En la gráfica de barras se observa la probabilidad de ocurrencia, vemos que la

barra más alta representa el número 2, con una germinación de 0.25 % la

probabilidad del evento. Por otra parte, es de mencionar que la probabilidad de

eventos va desde 0.00 hasta 0.25. Donde: N=10 y P= 0.25.

 4. CONCLUSIÓN

Con este trabajo de distribución y probabilidad, me ha permitido comprender el

comportamiento de un evento, a través de fórmulas podemos determinar cuántas

posibilidades tiene una moneda o un dado. En ocasiones es fundamental llevarlo a la

practica en la vida cotidiana, o empresa. Cuando se quiere llegar a una investigación.

 5. BIBLIOGRAFÍA

Balzarini, M. (2013). Estadística y Biometría. Ilustraciones del uso de infostat en

problemas de agronomia. Brujas. Obtenido de
http://www.agro.unc.edu.ar/~mcia/archivos/Estadistica%20y%20Biometria.pdf
J., A. R. (s.f.). Estadistica Descriptiva Probabilidad e inferencia [En linea] 2021.
Obtenido de Disponible en:
https://repositorio.uchile.cl/bitstream/handle/2250/120284/Rustom_Antonio_Estadistica_
descriptiva.pdf?sequence=1
khanacademy. (s.f.). Calcular la desviación estándar paso a paso [En linea] 2021.
Obtenido de Disponible en: https://es.khanacademy.org/math/statistics-
probability/summarizing-quantitative-data/variance-standard-deviation-
population/a/calculating-standard-deviation-step-by-step
Matemovil. (6 de Febrero de 2019). Experimento Aleatorio, Espacio Muestral, Evento o
Suceso y Probabilidades [En linea]. Obtenido de Disponible en:
https://www.youtube.com/watch?v=fTIS83G7aC8
matemovil. (s.f.). Distribución binomial, ejercicios resueltos [En linea]. Obtenido de
Disponible en: https://matemovil.com/distribucion-binomial-ejercicios-
resueltos/#experimento
Rivera, H. M. (s.f.). Probabilidad y Estadística [En linea]. Obtenido de Disponible en:
http://red.unal.edu.co/cursos/ciencias/2001065/html/contenido.html
wikihow. (s.f.). Cómo calcular la varianza [En linea]. Disponoble en.
https://es.wikihow.com/calcular-la-varianza .
youtube. (15 de Septiembre de 2018). Cuartiles introducción | Qué son y como
encontrarlos en datos sin agrupar [En linea]. Obtenido de Disponible en:
https://www.youtube.com/watch?v=suSz9RXFNTs
youtube. (4 de Agosto de 2014). Varianza y Desviacion Estandar con Excel [En linea].
Obtenido de Disponible en: https://www.youtube.com/watch?v=6Ddt7vE08h0