ESTADISTICA DESCRIPTIVA
FASE 3: ELABORAR DOCUMENTO DE APLICACIÓN DE
CONCEPTOS DE PROBABILIDAD
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS AGRARIAS, PECUARIAS Y DEL MEDIO AMBIENTE
ECAPMA
AGRONOMÍA
FRESNO TOLIMA
INTRODUCCIÓN
El siguiente trabajo trata principalmente de la probabilidad y como nos puede
servir para nuestra carrera como futuros agrónomos, y también como podemos
utilizar esta probabilidad por medio del programa R facilitando así la búsqueda
de datos estadísticos
OBJETIVOS
Aprender a utilizar la herramienta o programa R.
Entender como la probabilidad está vinculada directamente con nuestro
programa de estudio.
Aprender como el programa R facilita la búsqueda de datos y de
probabilidades.
RESUMEN DE LA WEB CONFERENCIA
En la web conferencia se habló principalmente sobre el trabajo de código dado
que, aunque no tenía que ver con el programa nos servía para entender y manejar
mejor le programa R. Hablo sobre el funcionamiento del programa y de las ventajas
que tenía a la hora de utilizarlo, también nos mostró ejemplos de cómo desarrollar
el trabajo individual y el colaborativo y todo lo que el programa nos puede ayudar
a realizar
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.
Todos los pares de números del 1 al 6 conforman el espacio muestral. Un evento de
, puede ser “la suma de los dados”, se tienen todas las posibilidades de las sumas
y por el resultado se cuentan dichas posibilidades.
Ω=
{((1,1),(1,2),(1,3),(1,4),(1,5),(1,6)@(2,1),(2,2),(2,3),(2,4),(2,5),(2,6)@(3,1),(3,2),(3,3),(3,4)
,(3,5),(3,6)@(4,1),(4,2),(4,3),(4,4),(4,5),(4,6)@(5,1),(5,2),(5,3),(5,4),(5,5),(5,6)@(6,1),(6,2
),(6,3),(6,4),(6,5),(6,6) )}
Ω={(2,3,4,5,6,7@3,4,5,6,7,8@4,5,6,7,8,9@5,6,7,8,9,10@6,7,8,9,10,11@7,8,9,10,11,12)}
SUMADADOS
2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
> fabs # Tabla de frecuencias absolutas
SUMADADOS
2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
> fabsacum
2 3 4 5 6 7 8 9 10 11 12
1 3 6 10 15 21 26 30 33 35 36
> frel # Tabla de frecuencias relativas
SUMADADOS
2 3 4 5 6 7 0.02777778
0.05555556 0.08333333 0.11111111 0.13888889 0.16666667
8 9 10 11 12
0.13888889 0.11111111 0.08333333 0.05555556 0.02777778
> frelacum
2 3 4 5 6 7 0.02777778
0.08333333 0.16666667 0.27777778 0.41666667 0.58333333
8 9 10 11 12
0.72222222 0.83333333 0.91666667 0.97222222 1.00000000
GRAFICOS DE BARRAS SUMAS DE CARAS
FRECUENCIA RELATIVA SUMA DE CARAS
FRECUENCIAS RELATIVA ACUMULADA SUMA DE CARAS
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:
2.1ESPACIO MUESTRAL
En la teoría de probabilidades, el espacio muestral o espacio de
muestreo (denotado E, S, Ω o U) consiste en el conjunto de todos los posibles
resultados de un experimento aleatorio, junto con una estructura sobre el mismo
2.2 PUNTO MUESTRAL
Es el conjunto de todos los posibles resultados de un experimento. En la definición
anterior, el espacio muestral Ω consta de n elementos (puntos muéstrales). Punto
muestral (ω). Es un elemento de Ω, es decir un resultado particular del experimento.
2.3 EVENTO MUESTRAL
Eventos aleatorios Un evento se entiende como el acontecimiento de un hecho en
proceso o por venir. Se dice que es aleatorio, si no es posible determinarlo con
exactitud. En todo caso, será posible predecirlo con un nivel dado de confianza. Al
evento también se le denomina un suceso o un fenómeno.
2.4 VARIABLE ALETORIA
Una variable aleatoria es una función que asigna un valor, usualmente numérico,
al resultado de un experimento aleatorio. Por ejemplo, los posibles resultados de
tirar un dado dos veces: (1, 1), (1, 2), etc. o un número real (p.e., la temperatura
máxima medida a lo largo del día en una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento aún no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de
medición incompleta o imprecisa). Intuitivamente, una variable aleatoria puede
tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes
valores; una distribución de probabilidad se usa para describir la probabilidad de
que se den los diferentes valores. En términos formales una variable aleatoria es una
función definida sobre un espacio de probabilidad.
2.5 ¿QUÉ SIGNIFICA QUE EL ESPACIO MUESTRAL DE UNA VARIABLE ALEATORIA
CONTINUA ES NO CONTABLE?
Primero es importante repasar lo que es el espacio muestral. En todo experimento
de azar, lo primero que buscamos es conocer el posible resultado: qué número
caerá en el dado al lanzarlo, qué color de pelota sacaré de un saco de pelotas de
colores, o si la moneda mostrará una u otra cara al ser lanzada. Así, todos los
posibles resultados de un experimento le llamamos “Espacio muestral”
Los espacios muéstrales se han dividido en dos grandes categorías: Espacio
muestral discreto y Espacio muestral continuo. En el Espacio muestral discreto,
tenemos un número de opciones conocidas, como, por ejemplo: 6 caras en un
dado. No podemos obtener más allá de 6 posibilidades. Están “limitados” dentro
de x número de opciones.
En cambio, el Espacio muestral continuo, y es al que refieres en tu pregunta, es
cuando la variabilidad obtenida, que es continua, simplemente no la podemos
deducir. Por ejemplo: las medidas de estatura de 100 personas. Puedes obtener: 1.3
m, 1.32 m…1.6m…1.28m… Desconoces la variabilidad que vas a tener, además, no
es muy exacta ¿Por qué? Porque depende también del instrumento utilizado y el
juicio del observador. Entonces tus datos siempre son sujetos de error.
Con esto, podemos decir que la variable aleatoria continua es no contable, repito,
porque no podemos decir: hay 6 posibilidades (como con el dado) o 2 (como con
la moneda). No podemos dar un número preciso de opciones.
2.6 ¿QUÉ SON VARIABLES ALEATORIAS DISCRETAS PROPORCIONALES Y QUE SON
VARIABLES ALEATORIAS DISCRETAS DE CONTEO NO ACOTADO? DE EJEMPLOS DE ESTE
TIPO DE VARIABLES.
Variable aleatoria discreta de conteo no acotado
Cuando una variable solo es capaz de adquirir un número finito de valores dentro
de un intervalo se dice que es aleatoria discreta. Por ejemplo, las veces que ha
llovido en la ciudad este mes solo puede ser un valor igual o mayor a 0 y entero.
Por ello también se dice que estos valores pueden ser acotados o no. Un ejemplo
de variable aleatoria discreta de conteo no acotado es la cantidad de
espermatozoides en una muestra de semen, por cuanto se tratará de un valor
discreto de tipo aleatorio y sin límites precisos.
2.7 LA PROBABILIDAD CLÁSICA
La probabilidad clásica es un caso particular del cálculo de la probabilidad de un
evento. Para comprender este concepto es necesario primero entender qué es la
probabilidad de un evento.
La probabilidad mide qué tan probable es que suceda un evento o no. La
probabilidad de cualquier evento es un número real que está entre 0 y 1, ambos
inclusive.
PROBABILIDAD FRECUENCIAL
La probabilidad frecuencial, también conocida como probabilidad frecuentista,
refiere a qué tan probable resulta un suceso si un experimento se repite muchas
veces. Puede entenderse como el cociente entre la cantidad de casos favorables
y la cantidad de casos posibles cuando la cantidad de casos tiende al infinito.
La idea de probabilidad frecuencial se emplea cuando se trabaja con un número
muy elevado de repeticiones, apreciándose así la tendencia a largo plazo. Es
importante tener en cuenta que la asignación de los valores siempre está vinculada
al análisis de múltiples iteraciones: por eso es habitual que se recurra a simulaciones
computarizadas.
La utilidad de la probabilidad frecuencial suele ser debatida por los especialistas.
Hay expertos que consideran que el método no es empírico y que los criterios de
aleatoriedad que se manejan no son fiables.
Para el cálculo de la probabilidad frecuencial, se necesita realizar la programación
del experimento en un sistema que brinde una iteración aleatoria. El estudio de la
probabilidad frecuencial del fenómeno en cuestión se desarrolla a través de una
tabla de valores.
EJEMPLO. Explique el experimento de germinación de una semilla cuál es el
experimento aleatorio, cuál es el evento, cuántos puntos muéstrales tiene.
La semilla se desarrolla desde un anterozoide situado en el interior del tubo polínico
de una flor. Este llega al ovario ingresando por la micropila al óvulo, donde se
produce la fecundación. Posteriormente, el óvulo se transforma en semilla y el
ovario en pericarpio o fruto. En el desarrollo de la semilla se pueden distinguir tres
estados después que se ha efectuado la polinización: Se llama germinación al
proceso por el que se reanuda el crecimiento embrionario después de la fase de
descanso. Este fenómeno no se desencadena hasta que la semilla no ha sido
transportada hasta un medio favorable por alguno de los agentes de dispersión.
Las condiciones determinantes del medio son: Aporte suficiente de agua, oxígeno,
y temperatura apropiada. Cada especie prefiere para germinar una temperatura
determinada; en general, las condiciones extremas de frío o calor no favorecen la
germinación. Algunas semillas necesitan pasar por un período de dormancia y,
después de este, también un tiempo determinado de exposición a la luz para iniciar
la germinación.
Durante la germinación, el agua se difunde a través de las envolturas de la semilla
y llega hasta el embrión, que durante la fase de descanso se ha secado casi por
completo. El agua hace que la semilla se hinche, a veces hasta el extremo de
rasgar la envoltura externa. Diversas enzimas descomponen los nutrientes
almacenados en el endospermo o en los cotiledones en sustancias más sencillas
que son transportadas por el interior del embrión hacia los centros de crecimiento.
El oxígeno absorbido permite a la semilla extraer la energía contenida en estos
azúcares de reserva, y así poder iniciar el crecimiento.
La radícula es el primer elemento embrionario en brotar a través de la envoltura de
la semilla. Forma pelos radicales que absorben agua y sujetan el embrión al suelo.
A continuación, empieza a alargarse el hipocótilo, que empuja la plúmula, y en
muchos casos el cotiledón o los cotiledones, hacia la superficie del suelo.
Los cotiledones que salen a la luz forman clorofila y llevan a cabo la fotosíntesis
hasta que se desarrollan las hojas verdaderas a partir de la plúmula. En algunas
especies, sobre todo de gramíneas, los cotiledones no alcanzan nunca la superficie
del suelo, y la fotosíntesis no comienza hasta que no se desarrollan las hojas
verdaderas; mientras tanto, la planta subsiste a costa de las reservas nutritivas
almacenadas en la semilla. Desde que comienza la germinación hasta que la
planta logra la completa independencia de los nutrientes almacenados en la
semilla, la planta recibe el nombre de plántula.
2.8 ¿QUÉ DIFERENCIA EXISTE ENTRE EL CONCEPTO DE FRECUENCIA RELATIVA Y EL DE
PROBABILIDAD?
La frecuencia relativa es una medida estadística que se calcula como el cociente
de la frecuencia absoluta de algún valor de la población/muestra (fi) entre el total
de valores que componen la población/muestra (N).
Para calcular la frecuencia relativa antes es necesario calcular la frecuencia
absoluta. Sin ella no podríamos obtener la frecuencia relativa. La frecuencia
relativa se representa con las letras hi y su fórmula de cálculo es la siguiente:
hi = Frecuencia relativa de la observación i-ésima
fi = Frecuencia absoluta de la observación i-ésima
N = Número total de observaciones de la muestra
La probabilidad frecuencial o frecuentista hace referencia a la definición de
probabilidad entendida como el cociente entre el número de casos favorables y
el número de casos posibles, cuando el número de casos tiende a infinito.
Matemáticamente la probabilidad frecuencial se expresa como:
Dónde:
S: es un suceso determinado
N: Número total de sucesos
P(s): Es la probabilidad del suceso s
2.9 ¿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(AꓴB)?
La medida de probabilidad es la de eventos mutuamente excluyentes. 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 y, por la teoría de conjuntos, se tiene:
Si A y B son dos eventos de , la intersección de eventos conforma un nuevo
conjunto, que contiene a los puntos muéstrales que simultáneamente pertenecen
al subconjunto A y al subconjunto B. Denotaremos la intersección de A y B con A
B.
Si A y B son dos eventos de , la unión de eventos conforma un nuevo conjunto,
que contiene a los puntos muéstrales de A y de B. La unión de A y B se denota por
A B.
Cuando dos eventos son excluyentes, la intersección es cero y por tanto la
probabilidad de la unión de esos eventos, P(A B), es la suma de las probabilidades
de cada evento. Por el contrario, si la intersección no es vacía, la probabilidad de
la unión de eventos es la suma de las probabilidades de cada evento, menos la
probabilidad de la intersección.
a) La probabilidad asociada al evento espacio muestral es igual a 1. Este resultado
sugiere que, si el evento de interés es todo el espacio muestral, la probabilidad de
ocurrencia dado el experimento aleatorio, es 1. Existe certeza de la existencia de
un resultado en el espacio muestral.
b) La probabilidad de cualquier evento que sea un subconjunto del espacio
muestra es mayor o igual a cero. Si entendemos a la probabilidad como el límite
de una frecuencia relativa (cantidad de casos respecto de un total) es claro que
las probabilidades nunca pueden ser negativas.
c) Si existen dos o más eventos mutuamente excluyentes, la probabilidad de que
ocurra uno u otro evento, es decir la probabilidad de la unión es igual a la suma de
la probabilidad de cada uno de estos eventos.
2.10 EN EL CASO DE DISTRIBUCIONES DE VARIABLES ALEATORIAS CUANDO UNA
VARIABLE ES CONTINUA Y SIMÉTRICA, QUÉ MODELO SE USA
Para una variable continua y de distribución simétrica unimodal, es común el uso
del modelo Normal.
2.11 PARA UNA VARIABLE DE CONTEO NO ACOTADO, ¿QUÉ MODELO SE UTILIZA?
Para las variables de conteos no acotados en el modelo Poisson.
2.12 PARA VARIABLES DE PROPORCIONES ¿QUÉ MODELO SE UTILIZA?
Para las variables de proporciones se piensa en el modelo probabilístico Binomial.
2.13 ¿QUÉ VARIABLES TIENEN FUNCIÓN DE PROBABILIDAD Y CUÁLES VARIABLES
TIENEN FUNCIÓN DE DENSIDAD?
La función de distribución de probabilidad de una variable aleatoria discreta y la
función de densidad de una variable aleatoria continúa denotada como f (.)
contienen exhaustivamente toda la información sobre la variable.
2.14 ¿CUÁLES SON LOS PARÁMETROS MÁS USADOS EN ESTADÍSTICA PARA ESTUDIAR
Y UTILIZAR FUNCIONES DE DISTRIBUCIÓN DE VARIABLES ALEATORIAS?
El valor esperado y la varianza son los parámetros más usados en estadística para
estudiar y utilizar funciones de distribución de variables aleatorias. El valor esperado,
formaliza la idea de valor medio de un fenómeno aleatorio. La varianza formaliza
la idea de incertidumbre y su recíproco la idea de precisión, más varianza indica
más incertidumbre sobre el fenómeno y menor precisión de las conclusiones que
podemos elaborar desde los datos que lo caracterizan.
2.15 ¿QUÉ ES LA ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA? ¿CÓMO SE
DENOTA?
En estadística la esperanza matemática (también llamada esperanza, valor
esperado, media poblacional o media) de una variable aleatoria X , es el número
{E} [X {E} [X]} o {E}}[X]}{ {E}}[X]}que formaliza la idea de valor medio de un fenómeno
aleatorio.
Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la
probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho
suceso. Por lo tanto, representa la cantidad promedio que se "espera" como
resultado de un experimento aleatorio cuando la probabilidad de cada suceso se
mantiene constante y el experimento se repite un elevado número de veces. Cabe
decir que el valor que toma la esperanza matemática en algunos casos puede no
ser "esperado" en el sentido más general de la palabra (el valor de la esperanza
puede ser improbable o incluso imposible).
2.16 ¿QUÉ ES LA VARIANZA DE UNA VARIABLE ALEATORIA? ¿CÓMO SE DENOTA?
La varianza de una variable aleatoria es una característica numérica que
proporciona una idea de la dispersión de la variable aleatoria respecto de su
esperanza. Decimos que es un parámetro de dispersión.
La definición es la siguiente:
Es, por tanto, el promedio teórico de las desviaciones cuadráticas de los diferentes
valores que puede tomar la variable respecto de su valor medio teórico o
esperanza.
3. Descargar el código “MODELOS.txt” y ejecutarlo en el Programa R, comparando
los resultados obtenidos con el programa R con respecto a la explicación de los
ejercicios brindados en el texto de Mónica Balzarini en las páginas 91 (Ejercicio de
las vacas del tambo), 93 (ejercicio del híbrido de maíz), 101 (ejercicio de la semilla
de panicum) y 105 (ejercicio de las picaduras de gorgojo).
LAS VACAS DE TAMBO
Con medias diferentes y la misma varianza
𝜇1 = 25; 𝜇2 = 30; 𝜎 2 = 9
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
La producción de leche diaria de las vacas de un tambo se distribuye como el
modelo normal, con media de 25 l y varianza 9 l2. Si a las vacas se les da una nueva
ración que aumenta a 30 l la producción diaria, pero no modifica la varianza, la
función de densidad de la producción de leche diaria de los animales con la nueva
ración tendrá un valor esperado de 55 l.
Con diferentes varianzas y la misma media
𝜇 = 25; 𝜎12 = 9; 𝜎22 = 2
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
La producción diaria en la distribución normal con media 25 l y varianza 9 l 2, el
productor puede decidir darles más ración a las vacas con menor producción y
menos ración a las vacas de mayor producción, ocasionando un cambio en la
varianza, pero no necesariamente sobre la media.
HÍBRIDO DEL MAÍZ
𝜇 = 60; 𝜎 2 = 49; 𝑃(50 ≤ 𝑌 ≤ 65)
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
Si Y es el rendimiento de un híbrido de maíz que puede modelarse con una
distribución normal, con media de 60 qq/ha y varianza de 49 (qq/ha) 2 (esta
especificación suele escribirse de manera concisa como Y~N(60; 49)).
SEMILLAS DE PANICUM
> k= 7 # Queremos saber la probabilidad que germinen 7 de las 10 semillas
> n= 10 # Número total de ensayos realizados, en este caso son 10, que fueron el
número de semillas evaluadas
> p= 0.25 # La probabilidad de germinación de las semillas fue del 25%
> dbinom (k,n,p) # PROBABILIDAD DE UN VALOR IGUAL P(X=7), "que germinen siete
semillas"
[1] 0.003089905
> k1=2 # Hay que calcular la probabilidad de un valor que sea una unidad
menor que el que queremos hallar
> pbinom(k1,n,p) # esta es la probabilidad de que germinen menos de 3 semillas
[1] 0.5255928
> 1-pbinom(k1,n,p) # La probabilidad de que germinen 3 o más semillas es de
0.4744 o del 47.44% [1] 0.4744072
> k2=5
> pbinom(k2,n,p) # La probabilidad de que germinen a lo sumo 5 semillas, es de
0.98 o del 98% [1] 0.9802723
> E=n*p
>E # La esperanza es de 2.5 [1] 2.5
> V=n*p*(1-p)
>V # La varianza es de 1.875 [1] 1.875
la mejor probabilidad es la de germinar a sumo 5 que es el 98,03% mientras menos
de 3 es del 52,59% con un promedio de germinación de semillas del 2,5 y con una
varianza del 1,875 con una probabilidad del 25% de germinación de las semillas.
Supóngase que se toman 10 semillas de Panicum sp y se registra el evento
“germinó” o “no germinó” después de 5 días desde su implantación. En este
experimento las semillas están suficientemente aisladas como para asegurar
respuestas independientes. Si la probabilidad de germinación es (para todas las
semillas) igual a 0.25 calculemos:
a) Probabilidad que germinen 7 de las 10 semillas,
b) Probabilidad que germinen al menos 3 de las 10 semillas,
c) Probabilidad que germinen a lo sumo 5 semillas.
d) La esperanza de esta variable aleatoria.
e) La varianza.
PICADURAS DE GORGOJO
> x1= 1 # Valor de conteo que se quiere calcular la probabilidad
> lamda=0.2 # En la distribución de Poisson λ equivale a la media o a la varianza,
son el mismo valor
> dpois(x1,lamda) # La probabilidad de que en 100 semillas una tenga 1 picadura
es de 0.1637 o de 16.37%
[1] 0.1637462
> 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%
[1] 0.8187308
> 1-(dpois(x0,lamda)+dpois(x2,lamda)) # 1 menos la SUMA de la probabilidad
de tener cero picaduras más una picadura (x0+x2)
[1] 0.0175231
Si la probabilidad de que una semilla tomada al azar no tenga picaduras es
0.8187308 (81,87), deberíamos esperar que, en un grupo de 100; aproximadamente
82 semillas no estén picadas, y si la probabilidad de que tengan solo una picadura
es de 0.1637462 (16,37), entonces solo 16 semillas cumplirán esta condición y
finalmente 0.0175231 (1,7), aproximadamente 2 de cada 100 semillas tendrán 2 o
más picaduras de gorgojos.
El modelo Poisson podría ayudarnos a resolver estas preguntas ¿cuántas de 100
semillas no tendrán picaduras?, ¿cuánta 1 picadura? y ¿cuántas 2 o más? Para
responder se calcula la probabilidad de que una semilla tomada al azar tenga una
picadura o ninguna picadura de la siguiente manera:
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
Frecuencia Relativa. 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.
Qué es la estandarización, cuál es su fórmula.
Estandarización que nos permite llevar cualquier distribución normal a la
distribución normal estándar. La transformación, estandarización, tiene la siguiente
forma:
𝑌−𝜇
𝑍=
√𝜎 2
donde Y es el valor de la variable aleatoria que define el evento de interés, y 2
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
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 (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.
A qué es igual la esperanza y la varianza en esta distribución.
Esperanza
𝑛
𝜇 = 𝐸(𝑌) = ∑ 𝑦𝑓(𝑦) = 𝑛𝑃
𝑦=0
Varianza
𝜎 2 = 𝑉(𝑌) = 𝑛𝑃(1 − 𝑃)
DISTRIBUCION DE POISSON
Qué tipos de conteos se trabaja con la distribución de Poisson.
La distribución de Poisson también 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.
Cómo 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 Poisson 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:
Esperanza
𝜇 = 𝐸(𝑌) = 𝜆
Varianza
𝜎 2 = 𝑉(𝑌) = 𝜆
CONCLUSIONES
Pudimos aprender más sobre el manejo del programa R
Entendimos que la probabilidad sirve para nuestra área de estudio e
interviene para el análisis de diferentes datos que tengamos que realizar en
nuestra carrera
El programa R nos sirve para encontrar datos estadísticos de nuestra área de
estudio.
REFERENCIAS BIBLIOGRAFICAS
Probabilidad, recuperado de; 19 nov, Ver más en Brainly.lat -
https://brainly.lat/tarea/11891071#readmore
Estadistica, 19 nov, recuperado de Ver más en Brainly.lat -
https://brainly.lat/tarea/11891093#readmore
www.oikos.unam.mx › macroecologia › Curso_Estadistica › PROBABILIDAD
