Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dado que X sólo puede tomar los valores 0, 1 o 2 (ej: gusanos que se escapan),
entonces X es una variable discreta (solo toma valores enteros).
éxito = p = 0,8
fracaso = 1 - p = q = 0,2
❑ ❑
() ∗( )
❑ ❑
() ∗( )
❑ ❑
() ∗( )
❑ ❑
() ∗( )
X 0 1 2
❑ ❑ ❑ ❑
f(x) = P[X=x] (Función de densidad) () =¿ ¿() ∗( ) =¿ () =¿
F(X) (Función de distribución acumulada)
En la siguiente tabla escriba el resultado del árbol para cada valor posible de X y calcule sus
funciones de densidad y distribución acumulada, considerando sólo 3 decimales:
k n−k
P( x )=nCk p q
2! 0 2
Para X = 0 éxito, P(x = 0) = ∗( 0.8 ) ∗( 0.2 ) =¿ ¿
( 2−0 ) !∗0 !
Ahora, calcule usted los restantes valores de X éxitos (no ser depredado):
!
Para X=1 éxitos, P(x=1) =
¿¿
!
Para X=2 éxitos, P(x=2) =
¿¿
barplot(c(dbinom(0,2,.8),dbinom(1,2,.8),dbinom(2,2,.8)),
xlab="Gusanos que escapan (Valores de X. Éxitos)",
ylab="Probabilidad",names.arg=c("0","1","2")) ##names.arg
indica los nombres de cada barra, en orden secuencial.
En el gráfico vemos cómo son las probabilidades para todos los casos posibles:
por ejemplo, vemos que es muy probable que los gusanos no sean depredados en
ninguno de los dos ensayos (x=2), mientras que es muy poco probable que los
gusanos sean depredados en los dos ensayos (x=0). Y eso es porque la
probabilidad de p es mucho mayor (0,8) que la probabilidad de q (0,2).
b) Parámetros y estimadores
La función densidad de una variable aleatoria describe totalmente el
comportamiento de una variable de una población ideal. Una población puede ser
descrita en función de ≪parámetros≫, los cuales describen el comportamiento de
cualquier variable aleatoria de dicha población. El conocer estos parámetros
proporciona al investigador una rápida visión de la naturaleza de las variables. Si
conocemos la densidad exacta de la variable, entonces, es posible estimar el valor
de cada parámetro. Sin embargo, si el investigador no dispone de todos los datos
de la población, sino de sólo algunos datos de la variable aleatoria, entonces, los
parámetros no pueden ser estimados con exactitud. Por lo tanto, se utilizan
aproximaciones llamados estimadores, que provienen de muestras tomadas
desde la población.
N° lanzamiento 1 2 3 4 5 6 7 8 9
X 1 2 3 4 5 6
p(x) 1/6 1/6 1/6 1/6 1/6 1/6
Entonces el cálculo de la esperanza E(X) para los valores del lanzamiento de un
dado es el siguiente:
( 6) ( 6)( 6)( 6) ( 6) ( 6)
(
E(x) = 1∗
1
) + 2∗( ) + 3∗( ) + 4∗( ) + 5∗( ) + 6∗( ) =3.5
1 1 1 1 1
( ( )) ( ( )) ( ( ))
E(x) = ¿ ❑
❑
+ ¿ ❑ + ¿ ❑ = ❑ = ❑ =¿ ¿
❑ ❑ ❑ ❑
Ahora calcularemos la esperanza, como la suma del producto entre las capturas y
sus respectivas probabilidades:
Esperanza <- sum(capturas*Probs) ## 57.62
V(X)= ¿
var_chinita ## 47.2
Ejercicio 3. Desarrollo de Rhinella
getwd()
setwd(“RUTA A CARPETA”)
## Cambiaremos “ruta a carpeta” (en inglés se dice PATH) por
la dirección donde tendremos almacenados nuestros archivos.
Es necesario que los slash tengan el siguiente sentido: /
## Ej: la ruta C:/Dropbox/Metodos/Taller4 indica que se
trabajara con los archivos de la carpeta o directorio
Taller4, que se encuentra dentro de Metodos, dentro de
Dropbox y en la unidad C del PC.
Para responder esta pregunta utilizaremos las medidas de resumen, que nos
permiten observar el comportamiento de una variable en una muestra. Las
medidas de posición o medidas de tendencia central nos informan acerca de la
posición central de la distribución (siendo las más utilizadas el promedio o media
aritmética, la moda y la mediana), mientras que las medidas de dispersión nos
muestran la variabilidad (dispersión) de los datos respecto a la media o esperanza
(siendo las más utilizadas la varianza y la desviación estándar).
∑ xi
X = i =1
n
Adicionalmente, el comando tapply() nos permite para calcular cada una de las
medidas de resumen para múltiples grupos, indicando primero la variable de
respuesta (el tiempo de desarrollo) y luego la variable predictora (en este caso, las
poblaciones), seguido por la función a aplicar.
tapply(data$Tiempo,data$Localidad, mean)
∑ (xi −X )2
S2= i=1
n−1
donde xi es el valor de cada observación, X es el promedio y n es el número de
observaciones en la muestra. En R podremos calcularla mediante los siguientes
comandos:
var(data$Tiempo) ##para todos los datos o
tapply(data$Tiempo,data$Localidad,var) ## para cada grupo
S= √ S2
S
cv =
X
Bibliografía revisada
Ejercicios Adicionales:
OBS: El nombre de cada variable para las bases de datos se entrega entre
paréntesis (para los ejercicios 3 y 4) . Recuerde modificar tanto el rotulo de los
ejes como el nombre principal de sus gráficos.