Tarea 3 – Construcción de un documento de aplicación de conceptos de

probabilidad

Estudiantes

Jonnathan Alape Rodríguez

Codigo:1073172889
Wily Alberto Beltrán Galeano
Código:
Angela Yisela Méndez Rincón
Código:
Cesar Eduardo Nava Poveda
Código:
José Alexander Rivera Angarita
Código:

Grupo: 124

Tutor
Jaime Alberto Navarro López

Universidad Nacional Abierta y a Distancia (UNAD)

Escuela de Ciencias Básicas, Tecnología e Ingeniería

Curso: Bioestadística

31 Marzo de 2024

1
 Parte 1 – Revisión y análisis conceptual
Tema 1. Tipos de Variables
1. Defina:
a. Espacio muestral: es el conjunto de todos los valores que potencialmente se
pueden asumir en un estudio aleatorio, y es usualmente denotado con la letra griega
omega.
b. Punto muestral: Se denomina punto muestral a cada uno de los posibles resultados
de un estudio aleatorio, es decir a cada elemento de (Ω).
c. Evento muestral: Cualquier subconjunto de elementos de Ω.
Ejemplo: Supongamos que se está lanzando un dado justo de seis caras. El espacio
muestral en este caso estaría formado por todos los posibles resultados de lanzar el
dado. Estos resultados serán los números del 1 al 6, ya que esas son las caras del dado.
Entonces, el espacio muestral sería:
Espacio Muestral (E) = {1, 2, 3, 4, 5, 6}
Los puntos muéstrales en este caso serán los números del 1 al 6, ya que esos son los
posibles resultados individuales que pueden ocurrir al lanzar el dado. El evento muestral
incluiría los puntos muéstrales 2, 4 y 6, ya que son los números pares en el dado de 6
caras.
2. ¿Qué significa que el espacio muestral de una variable aleatoria continua es
un contable?
R/: Que el espacio muestral de una variable aleatoria continua no es contable significa
que el conjunto de posibles valores que puede tomar esa variable es infinito y no puede
ser enumerado o contado de manera discreta. En otras palabras, hay una cantidad
infinita de valores posibles en el conjunto de resultados.
3. ¿Qué son variables aleatorias discretas proporcionales?
R/: Se refieren a situaciones en las que las probabilidades de los valores discretos que
pueden tomar una variable aleatoria están directamente relacionadas con algún
parámetro o factor de proporción.

Ejemplo: El número de semillas germinadas en cajas de Petri con 25 semillas cada caja;
los resultados se expresan como proporciones porque existe un denominador natural: la

2
cantidad de semillas por caja.
Para el caso de proporciones, que si bien el valor puede ser continuo en el rango 0-1, el
espacio generatriz es discreto, porque la base de la variable es el conteo.
4. ¿Qué son variables aleatorias discretas de conteo no acotado?
R/: Se refieren a situaciones en las que el número de resultados posibles es infinito y no
tiene un límite superior claro. Esto significa que la variable puede tomar valores de
manera indefinida sin un límite superior establecido.
Ejemplo: El número de pústulas de roya por m2 de cultivo. Si el espacio muestral de una
variable es discreto pero representado por nombres o códigos que representan
categorías excluyentes y exhaustivas de la variable, entonces la variable aleatoria es una
variable cualitativa de tipo categorizada (nominal u ordinal).
 Número de bacterias en un cultivo montado en caja Petri.
 Toma precipitación en una semana
 la presión atmosférica
 El resultado puede solo tomar número enteros, del 1 al 6. Así, la probabilidad de
que salga cualquiera de esos números es de 1/6.
5. Construir un organizador gráfico de su preferencia: probabilidad clásico y
frecuencial.

3
 6. ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de
probabilidad?
R/: la frecuencia relativa se basa en datos empíricos y proporciona una medida de la
ocurrencia real de un evento en un conjunto de datos específicos, mientras que la
probabilidad es una medida teóricaque se utiliza para modelar y predecir el
comportamiento de eventos en situaciones. ideales o en el largo plazo, sin depender de
datos específicos. Ambos conceptos están relacionados, pero la probabilidad es una
herramienta más amplia que se utiliza en diversas disciplinas
7. ¿Qué variables tienen función de probabilidad y que variables tienen función
de densidad?
R/: las variables aleatorias pueden ser clasificadas en dos categorías principales en
función de cómo se distribuye la probabilidad: variables aleatorias discretas y variables
aleatorias continuas. Estas categorías determinan si una variable tiene una función de
probabilidad o una función de densidad de probabilidad asociada. A continuación, te
explico las diferencias: 1. Variables aleatorias discretas: - Las variables aleatorias
discretas representan resultados que pueden ser contados o enumerados.

Tema 2. Modelos probabilísticos

Distribución normal:
8. ¿Qué tipo de histograma seleccionar para un modelo probabilístico de una
variable aleatoria continua cuando se tienen datos de esa variable?
Una gráfica de densidad de probabilidad es la más adecuada para representar un modelo
probabilístico de una variable aleatoria continua con los datos disponibles. Este tipo de
gráfica muestra la distribución de probabilidad de una variable continua de forma
continua y suave, lo que facilita la visualización del modelo y la interpretación de los
resultados. Además, la gráfica de densidad de probabilidad permite comparar
visualmente el modelo teórico con los datos observados, lo que es útil para evaluar la
bondad del ajuste del modelo (Balzarini, 2011).

4
Distribución binomial:
9. ¿Qué tipo de conteos se trabajan con la distribución Binomial?
El conteo se realiza sobre n experimentos independientes.
La distribución Binomial puede usarse para el cálculo de probabilidades de eventos
provenientes de conteos acotados. Es decir, los valores de Y pueden pertenecer a los
naturales entre 0 y n inclusive.
En la distribución binomial se tiene un número fijo de ensayos independientes, cada uno
con dos posibles resultados (éxito o fracaso), y se está interesado en determinar la
probabilidad de obtener un número específico de éxitos en esos ensayos (Balzarini,
2011).
10. En la distribución binomial ¿Qué es n y qué es P?
(n) representa el número total de ensayos o repeticiones del experimento aleatorio, y (p)
representa la probabilidad de éxito en cada ensayo individual (Balzarini, 2011).

Distribución de Poisson:
11. ¿Qué tipos de conteos se trabaja con la distribución de Poisson?
La distribución de Poisson es una distribución de conteo discreta que se aplica a las
ocurrencias de algún evento durante un periodo determinado. Es decir, es una
distribución de probabilidad discreta en la que solo es necesario conocer los eventos y
cuál es su frecuencia media de ocurrencia para poder conocer la probabilidad de que
ocurran.
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.
Una distribución es discreta cuando se toma un número de valor finito, mientras que las
continuas usan un número infinito de valores. (Balzarini, 2011)}

12. ¿Cómo se denota el único parámetro de esta distribución?

Como puede observarse desde la función, el único parámetro de la distribución Poisson
es . Si una variable aleatoria Y se distribuye como Poisson lo denotamos como: Y~
Poisson (). Esta distribución tiene un único parámetro, que representa la esperanza y

5
también a la varianza, es decir que cuando Y~ Poisson (), se cumple:
= E(Y) =   2= V(Y) =  (Balzarini, 2011)

Parte 2 – Aplicación conceptual

13. Ejercicio 1:
En una granja productora de alevinos se producen peces de 4 especies diferentes,
Cachama, Mojarra, Tilapia y Pirarucú. Por un accidente en los tanques se mezclaron
todas las especias en un solo tanque; sin embargo, se sabe la distribución de cada una
de las variedades de la siguiente forma:

Especie Cantidad
Cachama 226
Mojarra 206
Tilapia 50
Pirarucú 20

Si se atrapa al azar un alevino de este tanque mezclado, ¿Cuál es la probabilidad que

el alevino sea?
a. Cachama
b. Mojarra
c. Tilapia
d. Pirarucú
14. Se sabe que el 30% del total de los individuos del tanque mezclado se contagió
con un virus y además se tiene información específica en la que se determinó que
se contagiaron 35 mojarras del mismo tanque ¿Cuál es la probabilidad de
capturar, de este tanque mezclado, un alevino de mojarra libre del virus?,
para resolver el ejercicio tenga en cuenta la definición de probabilidad condicional:
La probabilidad condicional de A, dado B, es igual a la probabilidad de AnB, dividida entre
la probabilidad de B, siempre que la probabilidad de B no sea cero. Es decir:
𝑨 𝑷(𝑨𝒏𝑩)
𝑷( ) =
𝑩 𝑷(𝑩)

6
 15. Ejercicio 2:
En un brote de un virus dentro de un galpón de pollo s de engorde supóngase que se
sabe que, el 30 por ciento de los pollos son inmunes a la enfermedad. Si se selecciona
una muestra aleatoria de tamaño 10 de esta población, ¿Cuál es la probabilidad de
que contenga exactamente 4 pollos inmunes? Se toma la probabilidad de un pollo
inmune como 0,3. Utilice la distribución binomial teniendo en cuenta que un pollo puede
ser inmune o enfermo, es decir dos resultados posibles.
R/:
 Probabilidad de éxito (P)
 Tamaño de muestra (n)
 Probabilidad de que el pollo sea inmune es del 30% o 0.3 por lo que P=0.3
 Tamaño de muestra 10 n=10
𝑃(𝑥 = 4) = (10 𝑐ℎ𝑜𝑠𝑒 4) ∗ 0.3𝑛4 ∗ (1 − 𝑜. 3)𝑛(10 − 4)
Se calcula
10!
(10 𝑐ℎ𝑜𝑜𝑠𝑒 4) = = 210
(4! ∗ (10 − 4)!)
𝑃(𝑥 = 4) = 210 ∗ 0.3𝑛4 ∗ 0.7𝑛6 = 0.2001
En porcentaje 20.01%
16. Ejercicio 3:
Si las concentraciones de Xilosa total presentes en muestras de bagazo de caña se
encuentran distribuidas en forma aproximadamente normal con una media de una media
de 200 mg/100 mL y una desviación estándar de 20 mg/ 100 mL, encuentre la
probabilidad de que en una de esas muestras seleccionadas al azar de dicho cultivo
tenga una concentración, de xilosa de:
Utilizando la fórmula de desviación normal estándar.
𝑥−𝜇
𝑧=
𝜎
Donde:
 x es el valor en el extremo inferior o superior del intervalo que nos interesa.
 μ es la media de la distribución.
 σ es la desviación estándar de la distribución.

7
 a. Entre 180 y 200 mg/100ml.
𝑥 = 180 𝑥 = 200
𝜇 = 200 mg/100ml 𝜇 = 200 mg/100ml
𝜎 = 20 mg/ 100 ml 𝜎 = 20 mg/ 100 ml
180 − 200 200 − 200
𝑧1 = = −1 𝑧2 = =0
20 20
𝑃(−1 < 𝑧 < 0)
b. Mayor de 225 mg/100 ml.
𝑥 = 225
𝜇 = 200 mg/100ml
𝜎 = 20 mg/ 100 ml
225 − 200
𝑧= = 1.25
20
𝑃(𝑧 > 1.25)
c. Menor de 150 mg/100 ml.
𝑥 = 150
𝜇 = 200 mg/100ml
𝜎 = 20 mg/ 100 ml
150 − 200
𝑧= = −2.5
20
𝑃(𝑧 < −2.5)
d. Entre 190 y 210 mg/100 ml
𝑥 = 190 𝑥 = 210
𝜇 = 200 mg/100ml 𝜇 = 200 mg/100ml
𝜎 = 20 mg/ 100 ml 𝜎 = 20 mg/ 100 ml
190 − 200 210 − 200
𝑧1 = = −0.5 𝑧2 = = 0.5
20 20
𝑃(−0.5 < 𝑧 < 0.5)

8
 Bibliografía

 Balzarini,2011 estadística y biometría

file:///C:/Users/57310/Downloads/LibroEstadisticayBiometriasegundaedicin2015
%20(1).pdf
 Cáceres, L. (2020). OVI Distribución normal y algunas de sus aplicaciones.
https://repository.unad.edu.co/handle/10596/3396
 Cardona, D., Rivera, M., & Romero, J. (2012). Una aproximación de la variable
aleatoria a procesos de toma de decisión que implican condiciones de riesgo e
incertidumbre. Borradores de Investigación: Serie documentos administración.
Bogotá: Universidad del Rosario.
 Dae-Jin Lee. (2019). Introducción al software estadístico R. Numeral 5.
Distribuciones de probabilidad en R
https://idaejin.github.io/courses/R/2019/euskaltel/
 Mirás M & Rodríguez E. (2018). Técnicas estadísticas con hoja de cálculo y R.
http://www.investigo.biblioteca.uvigo.es/xmlui/handle/11093/970 5
 Sáez J. (2010). Métodos estadísticos con R y R comander.
https://cran.rproject.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf