Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TAREA
TAREA
ELABORADO POR:
MONICA DANIELA DIAZ
300046_33
PRESENTADO AL TUTOR:
JUNIO DE 2019
INTRODUCCIÓN
Objetivo general:
Objetivos Específicos:
Defina:
Espacio muestral y con qué letra se denota: Es el conjunto de todos los valores que
potencialmente pueden asumir en un estudio aleatorio. Denotado con la letra griega
omega (Ω).
Punto muestral: Se denomina punto muestral a cada uno de los posibles resultados
de un estudio aleatorio, es decir a cada elemento de Ω
Evento muestral: Se llama evento a cualquier subconjunto de elementos de Ω
Explique en sus propias palabras el experimento aleatorio del dado deben descargar el
CODIGODADO disponible en la siguiente columna. El estudiante debe entender que,
aunque no es un experimento agropecuario nos ayuda a entender los conceptos
planteados.
Quiere decir que como las variables continuas manejan rangos o intervalos, durante
este espacio puede salir un numero infinitos de resultados.
Las variables aleatorias discretas proporcionales son aquellas que no pueden superar
el número de elementos evaluados. Si se hace el estudio de las cajas de Petri con las
semillas, el resultado de semillas germinadas no podría ser mayor de 25, dado que ese
es el número de semillas que se pusieron en las cajas.
Ejemplo de la semilla
600
P(A)= = 0.6
1000
Libro: Se dice que dos eventos son mutuamente excluyentes si cada uno está formado
por puntos muestrales distintos, es decir no existe ningún punto muestral en la
intersección de los subconjuntos que representan los eventos
Explicación: Son eventos mutualmente excluyentes aquellos que tienen puntos
muestrales distintos, es decir no tienen puntos muestrales en común. Al tener una
intersección igual a cero la probabilidad de la unión de esos eventos, P(AUB), es la
suma de las probabilidades de cada evento.
En el caso de distribuciones de variables aleatorias cuando una variable es
continua y simétrica que modelo se usa.
Para una variable continua y de distribución simétrica unimodal, es común el uso del
modelo Normal
¿Para una variable de conteo no acotado que modelo se utiliza?
La varianza de una variable aleatoria, denotada por Var(.) o la letra griega Sigma al
cuadrado, 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.
DISTRIBUCION NORMAL
Para una variable aleatoria continua cuando se tienen datos de esa variable, resulta
recomendable graficar un histograma de frecuencias relativas y observar la forma del
mismo
Que es la estandarización, cuál es su fórmula.
La estandarización nos permite llevar cualquier distribución normal a la
distribución normal estándar. La transformación, estandarización, tiene la
siguiente forma:
Donde:
Y: es el valor de la variable aleatoria que define el evento de interés
µ y σ2 son la media y la varianza de la distribución de Y.
DISTRIBUCIÓN BINOMIAL
DISTRIBUCION DE POISSON
En agronomía se usa para que tipo de conteos, les recuerdo los ácaros por
ejemplo se pueden trabajar con esta distribución.
En Agronomía, la distribución Poisson suele usarse para modelar el número de
insectos sobre una planta, o en un golpe de red, el número de manchas
defectuosas en un mosaico, o en un metro cuadrado de piso, el número de
colémbolos en 100 g de suelo, o en 1000 cm3 de suelo o el número de
coliformes en 1 ml de agua, entre otros conteos de interés.
De las 50 muestras que el comerciante extrajo, cada una de 1 kilo se obtiene la tabla
anterior. Calculamos entonces λ de la siguiente manera:
λ = [(10x3)+(20x6)+(30x10)+(40x20)+(50x6)+(60x5)]/50 = 870/50 = 37
√ λ = √ 37 = 6,08
Estudie el ejercicio de velocidad del viento de la del texto y explicar por qué
hay un sitio mejor para el objeto del estudio, pueden tomar pantallazos del
gráfico.
SUR NORTE
EJERCICIOS:
Desarrolle el ejercicio 2.1 del texto de Balzarini y en el caso del punto e revise la
presentación de probabilidad en R. En este caso se requiere obtener la tabla de
frecuencias relativas f(y) y la tabla de frecuencias relativas acumuladas que es la
misma F(Y), este ejercicio se puede desarrollar en una tabla de Word.
Ejercicio 2.1: Supongamos que se toma una muestra aleatoria con reposición de
tamaño n=2 a partir del conjunto {1,2,3} y se produce el siguiente espacio muestral con
9 puntos muestrales:
Ω={(1,1),(1,2),(1,3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3)}
Supongamos además que definimos la variable aleatoria Y=suma de los dos números,
que conforma un nuevo espacio probabilístico y que estamos interesados en los
siguientes eventos:
El evento A conformado por los puntos muestrales cuya suma sea un número par, es
decir, A={(1,1),(1,3),(2,2),(3,1),(3,3)} y P(A)= 5/9.
El evento B conformado por los puntos muestrales cuya suma sea un número impar,
siendo B={(1,2),(2,1),(2,3),(3,2)} y P(B)=4/9.
El evento C conformado por los elementos cuya suma es 5.
C={(2,3)(3,2)} Y P(C)=2/9
Preguntas:
X 2 3 4 5 6
ƒ(y) 1/9 3/9 6/9 8/9 1
Ejercicio 2.3: Los siguientes datos corresponden a la venta de tractores que registra
una empresa de maquinarias agrícolas en los días laborables del último año:
Tractores Cantidad de
vendidos días
0 110
1 80
2 35
3 25
4 10
Total 260
Preguntas:
¿Cuál es la probabilidad que un día, seleccionado al azar dentro de los días laborables
del año, venda 3 o más tractores?
8 6
13 6
20 6
21 6
23 6
30 6
En el caso de la variable continua el 50% de los datos de su variables serán menores ó
iguales a que a valor?
100
80
60
Frequency
40
20
0
Class limits
0.12
0.12
0.10
0.10
0.08
0.08
F(x)
0.06
0.06
0.04
0.04
0.02
0.02
0.00
0.00
10 15 20 25 30 35 40 10 15 20 25 30 35 40
x x
0.25
dnorm(x, MEDIA, SIGMA1)
0.3
0.20
0.15
F(x)
0.2
0.10
0.1
0.05
0.00
0.0
10 15 20 25 30 35 40
10 15 20 25 30 35 40
x
x
Gráfica de la función de densidad con una media de 28 y 23 ambas con una varianza
de 10 misma varianza en ambos casos.
Función de Distribución N(MEDIA.MEDIA2 EN ROJO,MISMA VARIANZA)
0.12
0.12
0.10
0.10
0.08
0.08
F(x)
0.06
0.06
0.04
0.04
0.02
0.02
0.00
0.00
10 15 20 25 30 35 40
10 15 20 25 30 35 40
x
x
0.06
0.04
0.02
0.00
10 15 20 25 30 35 40
0.14
0.12
0.3
0.10
0.08
F(x)
0.2
0.06
0.04
0.1
0.02
0.0
0.00
10 15 20 25 30 35 40
10 15 20 25 30 35 40
x
x
0.2
0.1
0.0
10 15 20 25 30 35 40
0.02
0.01
0.00
20 40 60 80 100
> pnorm(valor,media,sigma)
[1] 0.4432015
1-pnorm(valo,media,sigma)
[1] 0.8413447
0.02
0.01
0.00
20 40 60 80 100
MODELO BINOMIAL
Datos del libro