300046_94

ESTADÍSTICA DESCRIPTIVA (PARA AGRARIAS)

ELABORADO POR:
ANGIE TATIANA BRIÑEZ
ID 1110528735
GERALDIN CORTES MORENO
ID 1116918530

PRESENTADO AL TUTOR:
ISMAEL DUSSAN

DIRECTOR DE CURSO

LUIS ALBERTO CACERES

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

MARZO 2020
 INTRODUCCION

El estudio de los modelos probabilísticos y las variables aleatorias y probabilidades propone una
solución a los interrogantes que se presentan en determinadas situaciones permitiendo predecir
cuáles serán los posibles resultados que se obtendrán de acuerdo a ciertos factores. Su uso en las
áreas de la Agronomía se hace cada vez más común e importante logrando de esta manera
calificar la calidad de los productos
Objetivo general

• Elaborar documento de aplicación de conceptos de probabilidad

Objetivos específicos

• Identificar los diferentes conceptos de variables aleatorias y probabilidades y

modelos probabilísticos
• Analizar las gráficas creadas por el programa R como resultado del procesamiento
de la información suministrada.
• Aplicar en los ejercicios de modelos probabilísticos del programa R para el
procesamiento de la información
 DESARROLLO DE TRABAJO INDIVIDUAL

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.

Espacio Muestral

Resultados para tabla de frecuencia absoluta, frecuencia absoluta acumulada y frecuencias

relativas
Consolidado de los resultados Programa R

Suma de Frec. Absoluta Frec. Relativa % F. Absoluta F. relativa

caras acumulada acumulada
2 1 0.02777778 2,7 1 0.02777778
3 2 0.05555556 5,5 3 0.08333333
4 3 0.08333333 8,3 6 0.16666667
5 4 0.11111111 11,1 10 0.27777778
6 5 0.13888889 13,8 15 0.41666667
7 6 0.16666667 16,6 21 0.58333333
8 5 0.13888889 13,8 26 0.72222222
9 4 0.11111111 11,1 30 0.83333333
10 3 0.08333333 8,3 33 0.91666667
11 2 0.05555556 5,5 35 0.97222222
12 1 0.02777778 2,7 36 1.00000000
100%

Gráfico de barras SUMA DE CARAS

6
5
Frecuencias absolutas

Como podemos observar en la

gráfica y al igual que en la tabla
3

podemos observar que la suma

de caras que más se repite es 7
2

con 6 veces
1
0

2 3 4 5 6 7 8 9 10 11 12
 FRECUENCIAS RELATIVAS SUMA DE CARAS
0.20

Esta grafica nos representa la

0.15

frecuencia relativa que la

Frecuencias relativas

obtenemos dividiendo la
0.10

frecuencia absoluta sobre la

cantidad total de la muestra.
0.05
0.00

2 3 4 5 6 7 8 9 10 11 12

FRECUENCIAS RELATIVAS ACUMULADAS SUMA DE CARAS

1.0
0.8
Frecuencias relativas

Como ya hemos estudiado la

0.6

suma de las frecuencias relativas

debe dar como resultado 1, al
0.4

igual como observamos en esta

grafica
0.2
0.0

2 3 4 5 6 7 8 9 10 11 12

2. Explique con sus propias palabras los siguientes términos:

• Espacio muestral, 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

• 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?

Quiere decir que como las variables continuas manejan rangos o intervalos,

durante este espacio puede salir un numero infinitos de resultados

• ¿Que son variables aleatorias discretas proporcionales y que son variables

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

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.

Variable aleatoria discreta de conteo no acotado, es simplemente el resultado de la

suma de un elemento en un espacio determinado. Por ejemplo, el del libro que es

el número de pústulas de roya por m2 de cultivo

• Existe dos conceptos de probabilidad el clásico y 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, cuantos

puntos muestrales tiene.

Concepto de probabilidad clásico, es cuando el espacio muestral es finito. Es el

estudiado en los juegos de azar.

Concepto frecuencial es una serie repetida de estudios aleatorios. Se usa cuando el

 espacio muestral es infinito y no se pueden enumerar todos los resultados

posibles.

Ejemplo de la semilla

Experimento aleatorio Germinación de una semilla

Evento (A) Encontrar la semilla
Puntos muestrales 1000

Organizamos los datos en la formula así:

# PUNTOS MUESTRALES FAVORABLES
P(A)=# TOTAL DE PUNTOS MUESTRALES EN EL ESPACIO MUESTRAL

600
P(A)= 1000 = 0.6

• ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de

probabilidad?

Las frecuencias se entienden como probabilidades sólo cuando N tiende a infinito. Si

el número de veces que se repite un experimento no es grande, entonces hablaremos

de frecuencia relativa y diremos que ésta “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(A ꓴ B)?

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?

Para conteos no acotados en el modelo Poisson

• ¿Para variables de proporciones que modelo se utiliza?

Para proporciones se piensa en el modelo probabilístico Binomial

• Que variables tienen función de probabilidad y que variables tienen función de

densidad.

La función de distribución de probabilidad de una variable aleatoria discreta

La función de densidad de una variable aleatoria continúa denotada como f(.)

• ¿Qué es la esperanza matemática de una variable aleatoria, como se denota?

La esperanza matemática de una variable aleatoria, usualmente denotada por E(.) o la

letra griega Mu (μ) es, desde un punto de vista intuitivo, un promedio de los valores

asumidos por la variable, donde cada valor es ponderado por su probabilidad de

ocurrencia.

• ¿Qué es la varianza de una variable aleatoria, como se denota?

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.

DISTRIBUCIÓN

3. Descargar el código “MODELOS.txt” y ejecutarlo en el Programa R, (.

Ejercicio Vacas del tambo

Podemos observar que las gráficas obtenidas con el programa R coinciden con las

obtenidas en el libro dado que las condiciones iniciales no cambian. A las vacas se les da

una ración adicional para aumentar la producción de leche en 5 litros, pero la varianza no

se toca.

Datos procesados en R:
Teniendo en cuenta los datos suministrados por el libro podemos observar como la

gráfica cambia al modificar la varianza, en este caso reduciéndola.

Función de Distribución N(VARIANZA.VARIANZA1 EN ROJO,MISMA MEDIA)

0.4
0.3
F(x)

0.2
0.1
0.0

10 15 20 25 30 35 40

x
 Función de Distribución N(media.sigma)

0.05
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

PROBABILIDAD que el rendimiento se encuentre en el intervalo de 50 a 65 qq/Ha

0.685911 que es igual a los resultados obtenidos en el libro

Ejercicio del híbrido de maíz

Resultados del libro

 Función de Distribución N(media.sigma)
0.05
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

x
 Función de Distribución N(media.sigma)
0.05
0.04
0.03
F(x)

0.02
0.01
0.00

20 40 60 80 100

PROBABILIDAD que el rendimiento se encuentre en el intervalo de 50 a 65 qq/Ha

Ejercicio de la semilla de panicum

La distribución Binomial puede usarse para el cálculo de probabilidades de eventos provenientes

de conteos acotados. Se supone que se realizan cierto número (n) de experimentos aleatorios y en
cada experimento se registra uno de dos resultados posibles, éxito o fracaso donde el éxito tiene
una cierta probabilidad (P) de ocurrencia (este ensayo con resultado binario se conoce como
ensayo Bernoulli)
dbinom(k,n,p) # PROBABILIDAD DE UN VALOR IGUAL P(X=7), "que germinen siete
semillas"

[1] 0.003089905
Probabilidad de que germinen menos de 3 semillas
[1] 0.5255928

Para conocer la probabilidad que germinen 3 o mas semillas se resta 1 menos el anterior
resultado:
> 1-pbinom(k1,n,p) # La probabilidad de que germinen 3 o más semillas es de 0.4744 o del
47.44 por ciento
[1] 0.4744072

# Probabilidad de que germinen a lo sumo 5 semillas:

> # A lo sumo se interpreta que germinen máximo 5 semillas
> k2=5
> pbinom(k2,n,p) # La probabilidad de que germinen a lo sumo 5 semillas, es de 0.98 o del 98
por ciento
[1] 0.9802723

# La esperanza de esta variable aleatoria:

> E=n*p
>E # La esperanza es de 2.5
[1] 2.5
# La vaarianza de esta variable aleatoria
> V=n*p*(1-p)
>V # La varianza es de 1.875
[1] 1.875

Distribución Poisson
La distribución de Poisson también sirve como modelo probabilístico para variables discretas de
tipo conteo. A diferencia de la Binomial, donde el conteo se realizaba sobre n experimentos
independientes, en el caso de la Poisson, los conteos se refieren al número de veces que un
evento ocurre en una unidad de tiempo o espacio dada (hora, kilo, m2, m3, planta, etc.) y por
tanto los valores de la variable no están acotados. Es decir, mientras los valores de Y en una
Binomial podían pertenecer a los naturales entre 0 y n inclusive, en el caso de una Poisson
pueden pertenecer a los naturales entre 0 e infinito.

> dpois(x1,lamda) # La probabilidad de que en 100 semillas una tenga 1 picadura es de 0.1637 o
de 16.37 por ciento

[1] 0.1637462

>

> ## DOS PICADURAS O MAS TOCA A UNO QUITARLE LAS PROBABILIDADES DE

CERO MAS LA DE UNO

> x0=0 # El valor de conteo que se quiere calcular la probabilidad, en este caso que ninguna
semilla tenga picaduras

> x2=1

> lamda=0.2 #media o varianza como es igual

> dpois(x0,lamda) # La probabilidad de que ninguna semilla tenga picaduras es de 0.8187 o

del 81.87 por ciento

[1] 0.8187308

> 1-(dpois(x0,lamda)+dpois(x2,lamda)) # 1 menos la SUMA de la probabilidad de tener

cero picaduras mas una picdura (x0+x2)

[1] 0.0175231
> # La probabilidad de que 2 de las 100 semillas tengan picaduras es de 0.0175 o del 1.8 por
ciento

>

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

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

• Qué tipo de conteos se trabajan con la distribución Binomial

Puede usarse para el cálculo de probabilidades de eventos provenientes de conteos

acotados

• En la distribución binomial que es n y que es P

Se supone que se realizan cierto número (n) de experimentos aleatorios y en cada

experimento se registra uno de dos resultados posibles, éxito o fracaso donde el éxito
tiene una cierta probabilidad (P) de ocurrencia

• Que tipos de conteos se trabaja con la distribución de Poisson

En agronomía se usa para que tipo de conteos, les recuerdo los ácaros por ejemplo se
pueden trabajar con esta distribución
• Como se denota el único parámetro de esta distribución, a que es igual la media
y la varianza.
El único parámetro de la distribución Poisson es . Si una variable aleatoria Y se
distribuye como Poissson lo denotamos como: Y~Poisson(). Esta distribución tiene
un único parámetro, que representa la esperanza y también a la varianza, es decir que
cuando Y~ Poisson(), se cumple:

• Qué tipos de conteos se trabaja con la distribución de Poisson

Sirve como modelo probabilístico para variables discretas de tipo conteo. Los conteos
se refieren al número de veces que un evento ocurre en una unidad de tiempo o
espacio dada (hora, kilo, m2, m3, planta, etc.) y por tanto los valores de la variable no
están acotados.

• En agronomía se usa para qué tipo de conteos (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.
 CONCLUSIONES

La Estadística es la ciencia cuyo objetivo es reunir una información cuantitativa concerniente a

individuos, grupos, series de hechos, etc. y deducir de ello gracias al análisis de estos datos unos
significados precisos o unas previsiones para el futuro.
La estadística, en general, es la ciencia que trata de la recopilación, organización presentación,
análisis e interpretación de datos numéricos con el fin de realizar una toma de decisión más
efectiva.
 BIBLIOGRAFÍAS

• Balzarini, M. (2013). Estadística y biometría: ilustraciones del uso e infostat en

problemas de agronomía. Recuperado de
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?docID=322177
5&query=bioestadística
• Walpole, R.E.; Myers, R.H.; Myers, S.L. & Ye, K. “Probabilidad y estadística para
ingeniería y ciencias”. Octava Edición. Pearson Prentice-Hall. México, 2007. V
• Material docente de la Unidad de Bioestadística Clínica.
URL: http://www.hrc.es/bioest/M_docente.html
• Iniciación a la Estadística. URL:
http://descartes.cnice.mecd.es/Estadistica/iniciacion_estadististica_fjgarcia/FGG990_UD.
htm
• Estadística Descriptiva y Probabilidad. URL: http://thales.cica.es/rd/Recursos/rd99/ed99-
0278- 01/indice.html.