Estadística Descriptiva

Fase 3 - Aplicación De Conceptos De Probabilidad

Leydy Johana Leon Gonzalez

Código: 1117529293

Grupo:105

Tutor:

 Jessica Almeida Braga

Universidad Nacional Abierta Y A Distancia UNAD

Escuela De Ciencias Agrícolas, Pecuarias Y Del Medio Ambiente ECAPMA

CCAV – Dosquebradas
Abril 2020
 INTRODUCCIÓN

En el presente trabajo se pretende interpretar los fundamentos de los tipos de variables

estadísticas cuantitativas y cualitativas, su forma de procesamiento y el desarrollo del presente
con el fin de desarrollar competencias para realizar recomendaciones de uso y manejo de las
variables estadísticas aplicando la estadística descriptiva en el sector agropecuario.
 OBJETIVOS

OBJETIVO GENERAL:

 Conocer e interpretar los fundamentos de los tipos de variables cuantitativas y

cualitativas.

OBJETIVOS ESPECIFICOS:

 Conocer con más detalle los tipos de variables utilizadas en las ciencias agrarias.
 Aprender a interpretar tablas y gráficos.
 Desarrollar procedimientos el programa R.
 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.

 Adjuntar los tres gráficos generados por el código (de Frecuencias Absolutas, frecuencias
relativas y frecuencias relativas acumuladas) y hacer una buena descripción de cada uno
de ellos.
Primero nos dirigimos al archivo CODIGODADOS y Se tiene un experimento aleatorio de
lanzar dos dados, donde se realizan todas las posibles combinaciones, en las que se encuentran
36 posibles resultados o 36 puntos muestrales.

Tenemos como Variable aleatoria, la suma de valores del punto muestral, dado a que
existen 36 posibles resultados estos serán el espacio muestral, esto quiere decir que la
probabilidad siempre tendrá como denominador a 36 ( x /36).

Primero se registra un vector de los posibles resultados sumada dos según su combinación,
ejemplo (1,1)=¿ 2 ,(2,1)=¿ 3 ,(6,6)=¿ 12 , etc .
Esta es otra manera de presentar los 36 posibles eventos del espacio muestral, en donde se
suman los valores obtenidos en cada dado.

TABLAS DE FRECUENCIAS PARA LA VARIABLE DISCRETA

"SUMADADOS"

Se obtiene la tabla de frecuencias absolutas.

Se obtiene la tabla de frecuencias absolutas acumuladas.

Se obtiene la tabla de frecuencias relativas.

Se puede decir de la tabla de frecuencias relativas, la probabilidad de que la suma de dos

caras sea igual a 7 es de 16,6 % el cual tiene una mayor probabilidad.

Se obtiene la tabla de frecuencias relativas acumuladas.

En este caso, las frecuencias relativas acumuladas ayudan a determinar con facilidad la
probabilidad de obtener un valor mayor o igual a 6 pero menor que 8, por tanto, la
probabilidad es 58,33 %.

GRÁFICOS DE FRECUENCIAS

Se tiene el gráfico de barras para las frecuencias absolutas, donde se identifican

que para que las sumas de 7 existen 6 posibles combinaciones o 6 puntos muestrales
donde la suma es 7, después se tiene que para que la suma sea igual a 6 o 8, existen 5
posibles resultados, y con 1 sola posible combinación se tiene a que la suma sea igual a 2
o 12.
Se tiene el gráfico de barras para las frecuencias relativas donde se puede identificar que al
lanzar dos dados la suma con mayor probabilidad a obtener es 7, por otro lado, con menor
probabilidad se tiene que la suma sea igual a 2 y 12 con probabilidades de 2,77%.

Por otro lado, se tiene el gráfico de barras las frecuencias relativas acumuladas, donde se
suma la frecuencia, debido a esto el último resultado debe obtener el 100%, para el caso de
la frecuencia debería ser igual a 1, ya que todo serian las 36 posibles resultados.
2. Leer el Capítulo dos - Variables Aleatorias y Probabilidades y el Capítulo tres - Modelos
Probabilísticos del libro Estadística y Biometría de Mónica Balzarini (que también se encuentra
en la carpeta) y responder o definir los siguientes puntos:

 Espacio muestral, con qué letra se denota.

Se llama espacio muestral al conjunto de todos los resultados posibles de un proceso
experimental u observacional. Será denotado con la letra griega omega (Ω).
 Punto muestral: Se llama punto muestral o evento elemental a cada uno de los
elementos del conjunto Ω y será denotado genéricamente como: ω. Siguiendo con el ejemplo, un
punto muestral es el resultado posible “tres semillas sanas” (representado por ω = (+ + +)), otro
punto muestral es “la primera semilla sana y las otras dos no” (ω = (+ - -)).

 Evento muestral: Dado un espacio muestral Ω, se llama evento a cualquier subconjunto

de Ω. Se utilizarán letras A, B, C,.... para denotar los eventos, salvo en el caso del mismo Ω
(llamado evento cierto) y del subconjunto que no contiene ningún resultado posible (conjunto
vacío), denotado por ∅. Un evento de Ω, puede ser “observar una semilla cualquiera sana y las
otras no”. Este evento esta constituido por los siguientes puntos muestrales: A = {+ - - , - + - , - -
+}.

 Defina variable aleatoria: Definiremos a una variable aleatoria como 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. El tipo de espacio muestral determina el tipo de
variable aleatoria.
Dado un espacio muestral Ω con una probabilidad asociada, una variable aleatoria X es una
función real definida en Ω tal que [X≤x] es un evento aleatorio ∀ x ∈ ℜ. O sea X: Ω→ B ⊆ ℜ es
una variable aleatoria si para cualquier x ∈ ℜ, [X≤x] es un evento aleatorio.

 ¿Qué significa que el espacio muestral de una variable aleatoria continua es no

contable?
Es el espacio muestral de una variable de tipo continuo no contable que entre los valores de la
variable logran un número infinito de otros valores
 ¿Qué son variables aleatorias discretas proporcionales y que son variables aleatorias
discretas de conteo no acotado? De ejemplos de este tipo de variables.
Las variables aleatorias discretas proporcionales son aquellas las cuales provienen de conteo que
nos pueden superar el número de elementos evaluados.
Las variables aleatorias de coteo no acotado son aquellas en las cuales no se posee un
denominador de origen natural, ejemplo de ellos es la cantidad de postulas o manchas de royas
encontradas en una determinada superficie de cultivo de café probabilidad el clásico.
espacio muestral y exactamente se conoce la probabilidad, como también es el definido del
asunto del dado y se pueda precisar la probabilidad. así como cuando (Ω) es finito (el número de
puntos muestrales es contable) se da una definición de probabilidad que se fundamenta en el
análisis de los elementos del espacio muestral.

 Existen dos conceptos de probabilidad: el clásico y el 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.

 ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de probabilidad?

la frecuencia absoluta de un suceso es el número de veces que aparece cuando se repite

un experimento aleatorio, y la frecuencia relativa es la frecuencia  
absoluta dividida por el número de veces, n, que se repite el experimento aleatorio.

 ¿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)?

¿Que son eventos mutuamente excluyentes?

Es cuando dos eventos son mutuamente excluyentes, y cada uno se forma por puntos muestrales
distintos cómo es la intersección de dos eventos mutuamente excluyentes.
Se conforma un conjunto nuevo, que sujeta a los puntos muéstrales que a la vez conciernen al
subconjunto A y al subconjunto B. Diremos la intersección de A y B con A Ո B. Cuando dos
sucesos son excluyentes, la intersección es cero sí son excluyentes, dado un evento A y uno B, a
que es igual la P(A ꓴ B)?

A y B son excluyentes, A Ո B es vacía y por tanto P(A Ո B) = 0.

 En el caso de distribuciones de variables aleatorias cuando una variable es continua

y simétrica, qué modelo se usa.
 La distribución de variables aleatoria, continuas y simétrica el modelo es Normal.

 Para una variable de conteo no acotado, ¿qué modelo se utiliza?

El Modelo De Poisson

 Para variables de proporciones ¿qué modelo se utiliza?

Modelo Probabilístico Nominal

 ¿Qué variables tienen función de probabilidad y cuáles variables tienen función de

densidad?
La función de probabilidad: variable aleatoria
la función de densidad de una variable aleatoria continua.
 ¿Cuáles son los parámetros más usados en estadística para estudiar y utilizar
funciones de distribución de variables aleatorias?
Es importante interpretar que los parámetros que se derivan de poblaciones y los estadísticos
desde muestras. Como también el valor esperado, acierta la representación del valor medio de un
fenómeno aleatorio. Y La varianza precisa la idea de incertidumbre y su recíproco la idea con
claridad.

 ¿Qué es la esperanza matemática de una variable aleatoria? ¿cómo 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 la varianza de una variable aleatoria? ¿cómo se denota?
La esperanza de una variable aleatoria sólo proporciona información parcial acerca de su
distribución, ya que explicita dónde está posicionada, pero, como se observa en la Figura 2.6, dos
o más distribuciones pueden tener la misma medida de posición y sin embargo ser distintas.
Existe la necesidad de una medida que indique cuan disímiles son los valores de la variable
aleatoria. Antes de presentar la definición de varianza, considérese el siguiente ejemplo. Ejemplo
2.15 Los dos conjuntos de datos, A1, A2, corresponden a todos los valores posibles e igualmente
probables de dos variables aleatorias discretas X1 y X2 respectivamente. Ambas distribuciones
tienen igual esperanza pero nótese la diferencia en su variación: A1 ={ 8; 8; 9; 10; 11; 12; 12} y
A2 ={1; 2; 5; 10; 15; 18; 19}.

3. Descargar el código “MODELOS.txt” y ejecutarlo en el Programa R; Presente las gráficas

obtenidas con el código, analice y compare los resultados obtenidos, con respecto a los ejercicios
planteados en el Capítulo 3 del texto Estadística y Biometría de Mónica Balzarini: en las páginas
91 (Ejercicio de las vacas del tambo), 93 (ejercicio del híbrido de maíz), 102 (ejercicio de la
semilla de panicum) y 105 (ejercicio de las picaduras de gorgojo).
 0.05
0.04
0.03
Función de Distribución N(media.sigma)
F(x)

0.02
0.01
0.00

20 40 60 80 100

x
 Responde
r 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
Se utiliza el tipo de histograma frecuencias relativas donde se analiza la forma de este.

 Qué es la estandarización, cuál es su fórmula.

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:

DISTRIBUCIÓN BINOMIAL

 Qué tipo de conteos se trabajan con la distribución Binomial

Es una distribución de probabilidad discreta que cuenta el número de éxitos en una secuencia de
n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del
éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es,
solo dos resultados son posibles. A uno de estos se denomina «éxito» y tiene una probabilidad de
ocurrencia p y al otro «fracaso», con una probabilidad2 q = 1 - p. En la distribución binomial el
anterior experimento se repite n veces, de forma independiente, y se trata de calcular la
probabilidad de un determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho,
en una distribución de Bernoulli.
 En la distribución binomial que es n y que es P.
n= la cantidad de pruebas
p= la probabilidad
 A qué es igual la esperanza y la varianza en esta distribución.
La esperanza y la varianza es que, con esperanza igual a la esperanza de la población original y
varianza igual a la varianza de la población original.

DISTRIBUCION DE POISSON

 Qué tipos de conteos se trabaja con la distribución de Poisson.

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).
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.
Se denota como λ.
 CONCLUSIONES

El desarrollo de éstos ejercicios, nos permite conocer nuevas herramientas que podemos utilizar
de manera fácil y concreta en los diferentes sistemas agropecuarios, siendo herramienta muy útil
para cuantificar posibles resultados.
 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 

Arribas, M. J. M., Almazán, L. A., & Mañas, R. B. (Eds.). (2012). Historia de la probabilidad y
de la estadística vi. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?
ppg=86&docID=3207420&tm=1519662405330