FASE 3

ELABORAR DOCUMENTO DE APLICACIÓN DE CONCEPTOS DE PROBABILIDAD

GRUPO: 93

Juan Carlos Castañeda Perdomo

Cód. 1117535126
Manuel Alejandro Oliveros
Cód. 17616891
Sthefany Castillo Herrera
Cód. 1117543249
Selina Cuellar Méndez
Cód. 1117529064
Yinna Marcela Mendoza
Cod. 1117547347

TUTOR:
ISMAEL DUSSAN

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA ECAPMA
ESTADÍSTICA DESCRIPTIVA (PARA AGRARIAS)
2020
 Introducción

Por medio del siguiente trabajo se lleva a cabo la aplicación de conocimientos referentes a las

variables aleatorias y probabilidades y los modelos probabilísticos usados dentro del campo de

agrarias para calcular la calidad de una producción o las probabilidades de obtener los resultados

que se quieren. En el apartado se encuentra graficas situaciones que representan la definición de

los conceptos propuestos y facilitan la interpretación de los mismos, como es la distribución

binominal, Distribución de Poisson, distribución normal entre muchos mas conceptos.

Objetivo general

 Elaborar documento de identificación y análisis de variables estadísticas.

Objetivos específicos

 Definir conceptos básicos de variables aleatorias y probabilidades y modelos

probabilísticos.

 Implementar el programa R para obtener tablas de frecuencias relativas y frecuencias

relativas acumuladas.

 Desarrollar ejercicios de los modelos probabilísticos en el programa R.

DEFINICIONES DE CONCEPTOS

1. Código Dados Ejecutado en R

Espacio muestral
 Gráfico de barras SUMA DE CARAS FRECUENCIAS RELATIVAS SUMA DE CARAS

0.20
6
5

0.15
Frecuencias absolutas

Frecuencias relativas
4

0.10
3
2

0.05
1

0.00
0

2 3 4 5 6 7 8 9 10 11 12 2 3 4 5 6 7 8 9 10 11 12

FRECUENCIAS RELATIVAS ACUMULADAS SUMA DE CARAS

1.0

Graficas obtenidas con el procesador de

datos R para el Codigo dados. Tal como
0.8

hemos estudiado la teoria la graficas de

Frecuencias relativas

0.6

frecuencias absolutas nos muestra que el valor

de las suma de las caras que mas se repite es
0.4

el 7 con 6 apariciones. Y las frecuencias

0.2

relativas acumuladas da igual a 1.

0.0

2 3 4 5 6 7 8 9 10 11 12
Frecuencias absolutas
Gráfico de barras SUM A DE CARAS

6
5
4
3
2
1
0

2 3 4 5 6 7 8 9 10 11 12

Análisis: En el gráfico de Frecuencia absoluta podemos observar los números con sus
respetivas frecuencias donde 7 es el número de mayor frecuencia. Ejemplo (3,4=7), (2,5=7),
(6,1=7) repetimos este proceso a la inversa para un total de 6 movimientos de los dados. los
de menor frecuencia de nuestro estudio de dados son 2 y 12. Ejemplo podemos tener las
sumas de estos los cuales pueden ser del 1,1= 2 o 6,6= 12 ya que no hay otra forma de que
salga 12 o 2 con los dados. Y así podemos ver el tamaño de espacio muestral.

FRECUENCIAS RELAT IVAS SUMA DE CARAS

0.20
Frecuencias relativas

0.15
0.10
0.05
0.00

2 3 4 5 6 7 8 9 10 11 12

Análisis: en el gráfico
de frecuencias relativas podemos observar la probabilidad de que un resultado nos salga al
realizar el lanzamiento de los dados. Ejemplo al momento de ejecutar el código DADOS en el
programa R medice que la probabilidad que me salga 7 es de 0.16666667 para un 16.66%.
otro ejemplo es 4 tenemos que es 0.08333333 para un 8.33%. de probabilidad.
 Frecuencias relativas
FRECUENCIAS RELAT IVAS ACUM ULADAS SUM A DE CARAS

1.0
0.8
0.6
0.4
0.2
0.0

2 3 4 5 6 7 8 9 10 11 12

Analisis: en el grafico de frecuencias relativas acumuladas es la sumatoria de todos los

porcentages otenidos en la grafica de frecuencias relativas para asi obtener el 100%. De la

investigacion que se este haciendo.

2. Definiciones de terminos.

 Espacio muestral y con que letra se denota.

Es el conjunto de todos los valores que potencialmente pueden asumirsen en un estudio
aleatorio y se denota con la letra griega omega (Ω). Es la que ayuda a introducir el concepto
de variable aleatoria.

 Punto muestral.
Se denomina punto muestral a cada uno de los posibles resultados de un estudio aleatorio, es
decir a cada elemento de 

 Evento muestral.
Se llama evento a cualquier subconjunto de elementos de 

 Variable aleatoria.
Es una función que asocia a cada elemento del espacio muestral  un número real y luego a
cada uno de estos valores le asignaremos probabilidades de ocurrencia. Se puede de dar de
dos formas cualitativa o cuantitativa dependiendo el valor de la variable.
 ¿Qué significa que el espacio muestral de una variable aleatoria continua es no
contable?
significa que entre dos valores de la variable, pueden realizarse un número infinito de otros
valores.

Ejemplo de variables aleatorias con espacios muestrales con estas características son los
rendimientos, las ganancias de peso, las precipitaciones, entre otras.

 ¿que son variables aleatorias discretas proporcionales?

Es siempre contable, es decir puede ser teóricamente enumerado, aún si éste es infinitamente
grande o no está acotado.

ejemplo, el número de nematodos (gusano) por hectárea registrado a partir de una muestra
aleatoria de hectáreas en producción de papas, podría no tener un valor límite.

 ¿Que son variables aleatorias discretas de conteo no acotado?

Este tratará de un valor discreto de tipo aleatorio y sin límites precisos. Un ejemplo de ello
son los automoviles que transitan por una via

 Conceptos de probabilidad el clásico

se puede dar una definición de probabilidad que se basa en la observación de los elementos
del espacio muestral. Ésta se desarrolló originariamente estudiando los juegos de azar.

 Concepto frecuencial.
Es distinta ya que se refiere a una serie repetida de estudios aleatorios. Generalmente se usa
cuando el espacio muestral es infinito y por tanto no se pueden enumerar todos los resultados
posibles del estudio.

 ¿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)?
 Se dice que dos eventos son mutuamente excluyentes si cada uno está formado por puntos
muéstrales distintos, es decir no existe ningún punto muestral en la intersección de los
subconjuntos que representan los eventos. Cuando no tiene ningún punto muestral en común.

 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 es 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? ¿cómo 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.
3. CODIGO MODELOS.txt EJECUTADO EN R

Distribucion normal – ejercicios de las vacas del tambo

Función de Distribución N(MEDIA.MEDIA2 EN ROJO,MISMA VARIANZA)

0.12
0.10
0.08
F(x)

0.06
0.04
0.02
0.00

10 15 20 25 30 35 40

x
Al no cambiar la esperanza podemos observar que las gráficas se mantienen, aunque cambien de
posición y son iguales a las obtenidas en el libro.

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

Las graficas estan iguales a las que nos presenta el libro, los resultados se dan debido a que se
modifico la varianza pero la esperanza es la misma. Al aumentar la varianza, modificamos la
amplitud de la onda.

 Probabilidad en Distribución Normal - Ejercicio del Híbrido de

Maíz.
De acuerdo a lo que dice el libro, dice que puede modelarse a una distribución normal
cuando la media de 60 qq/ha y la varianza de 49 (qq/ha)2 la especificación se escribe de
manera concisa como Y N(60;49).
 Función de Distribución N(media.sigma)
0.000.010.020.030.040.05
F(x)

20 40 60 80 100

Análisis: Podemos decir que la probabilidad de rendimiento que ocurra el evento, (se encuentra
dentro la producción del hibrido de maíz está dentro el intervalo dado [50, 65]) y al realizar el
proceso en el programa R y realizando las observaciones con el libro de Balzarini esto nos
muestra que la probabilidad es de 0,6859 o del 68.59%.
DISTRIBUCION BINOMIAL - Ejercicio de la semilla de Panicum

DISTRIBUCION DE POISSON - EJERCICIO DE LAS PICADURAS DE GORGOJO

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.
La distribución normal se usa para el cálculo de probabilidades de variables continuas, cuyos
histogramas tienen forma “acampanada”, por eso y porque su expresión matemática fue
estudiada por Gauss, también se conoce como modelo Gaussiano. El siguiente histograma
corresponde a la variable aleatoria perímetro que fue medido sobre numerosas cabezas de ajo,
para el cual el modelo Normal con media 17,2 y varianza 10,7 pareciera proveer un buen ajuste,
ejemplo:
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

la distribución de frecuencias de esta variable tiene ciertas características: es aproximadamente

simétrica, posee una gran cantidad de valores cerca del centro. La media, la moda y la mediana
son prácticamente iguales y los valores extremos, tanto inferiores como superiores, tienen menor
frecuencia de ocurrencia que los valores centrales. Además, la distribución es simétrica, es decir
con distribución de valores superiores a la media igual a la de valores por debajo de la media.
 Qué es la estandarización, cuál es su fórmula.
La tabla de distribución normal presenta las áreas correspondientes a valores posibles de una
normal de media 0 y varianza 1. Esta densidad normal particular, recibe el nombre de normal
estándar.
Para usar las tablas, debemos expresar nuestra variable como una normal estándar. Para ello
usamos una transformación llamada estandarización que 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. La nueva variable aleatoria Z, obtenida mediante
estandarización de Y, se distribuye normal con media cero y varianza uno, es decir, normal
estándar.

DISTRIBUCIÓN BINOMIAL
 Qué tipo de conteos se trabajan con la distribución Binomial
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). Se supone además que estos experimentos son independientes (es decir el resultado
de un experimento no afecta al resultado de otro) y que la probabilidad de éxito (o fracaso) se
mantiene constante a través del conjunto de experimentos.
 En la distribución binomial que es n y que es P.
P es la probabilidad de éxito y por lo tanto pertenece al intervalo [0;1] y n es el número de
ensayos Bernouille independientes.
 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:

Por ejemplo, si se tira 20 veces una moneda, y se quiere calcular la probabilidad de obtener 12
caras, es decir, P (Y = 12), esta será:

La esperanza de la variable Y=número de lanzamientos que resultan en cara es igual a

20x0,5=10 y la varianza de Y es 20x0,5x0,5=5.

DISTRIBUCION DE POISSON
 Qué tipos de conteos se trabaja con la distribución de Poisson.
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.
 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.
 Cómo se denota el único parámetro de esta distribución, a que es igual la media y la
varianza.
La función de probabilidad de una variable aleatoria Y que se distribuye como una variable
Poisson puede expresarse como:

Como puede observarse desde la función, el único parámetro de la distribución Poisson es . Si

una variable aleatoria Y se distribuye como Poissson lo denotamos como: Y~ Poisson (λ). Esta
distribución tiene un único parámetro, que representa la esperanza y también a la varianza, es
decir que cuando Y~ Poisson (λ), se cumple:
 Conclusiones

 La probabilidad se basa en la observación de los elementos del espacio muestral, cuando se

obtiene el resultado se lleva a cabo un experimento aleatorio, así mismo es la medida de
grado de incertidumbre sobre el valor que puede asumir una variable aleatoria.
 La distribución permite organizar los datos de una variable aleatoria, según los datos que
presenten cada estudio.
 Se puede concluir que al cuantificar variables aleatorias no se puede predecir el posible
resultado que arroje el estudio.

Bibliografía

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=3221775&query=bioestadistica