Tarea 3 - Construcción de un documento de aplicación de conceptos

de probabilidad

Estudiante

Angela Yisela Méndez Rincón

Grupo

302277045_124

Tutor

Jaime Alberto Navarro López

Universidad Nacional Abierta y a Distancia

Escuela de Ciencias Básicas, Tecnología e Ingeniería

Bioestadística

30 de marzo de 2024
 Introducción,

Los lectores encontrarán información esencial sobre bioestadística en este

documento porque cubre temas sobre variables aleatorias y sus probabilidades y

distribuciones de probabilidad, que son muy útiles en tareas de procesamiento de datos para

operaciones de producción agrícola.

Una variable que no se resuelve totalmente por el evento de una ocasión irregular se

conoce como variable aleatoria o estocástica. En definitiva, una variable irregular X es un

componente del espacio muestral S en los números genuinos.

En un juicio dado, una variable irregular puede tomar varias cualidades. Es por ello,

que tenemos que estar atentos para reconocer la variable y sus probabilidades potenciales

que puede tomar en cada presentación del análisis. Por ejemplo, la cantidad de semblantes

que aparecen en un lanzamiento de un dado es una variable aleatoria, cuyas probabilidades

potenciales son = 1, 2, 3,4,5,6.

Los modelos probabilísticos analizan los valores de entrada y determinan el tipo de

información que es más probable que aparezca en el valor. Un modelo de probabilidad

contiene valores de datos de referencia y valores de etiqueta. El valor de los datos de

referencia son los datos del puerto de entrada conectado a la transformación. El valor de la

etiqueta describe el tipo de información contenida en el valor de los datos de referencia.

Puede asignar una etiqueta a cada valor de datos de referencia del modelo.
Objetivos.

Objetivo general.

 Identificar algunos de los conceptos fundamentales en la

bioestadística que son de suma importancia a la hora de realizar procesamiento de

datos para operaciones de producción agrícola.

Objetivos específicos.

 Reconocer las variables aleatorias, sus derivados y probabilidades.

 Establecer los Modelos probabilísticos y su importancia en los

valores de datos de referencia y valores de etiqueta.

 Resolver los ejercicios propuestos en la guía de actividades.

 La actividad consiste en:

Parte 1: revisión y análisis conceptual A partir de la lectura y análisis desde los

capítulos 2 (variables aleatorias y probabilidades) y 3 (modelos probabilísticos), del libro

de Balzarini y colaboradores (2011), dispuesto en el entorno de aprendizaje, deberán:

a) Hacer aportes de su resolución en el foro, mostrando sus avances, discusión

y dudas sobre el tema que resuma e integre de manera coherente y clara las

respuestas a las siguientes preguntas orientadoras:

 Proponga un ejemplo en el que defina un espacio muestral, puede usar

ejemplos de su cotidianidad. Defina un punto y un evento muestrales del mismo

ejemplo.

Solución: Un espacio muestral es el conjunto de todos los posibles resultados de

un experimento aleatorio. Es decir, es el conjunto de todos los resultados que podrían

ocurrir al realizar un experimento.

Un punto muestral es un elemento individual dentro del espacio muestral.

Representa un resultado específico de un experimento aleatorio. Por ejemplo, si

lanzamos un dado, los puntos muestrales serían los números del 1 al 6, ya que esos son

los posibles resultados del lanzamiento.

Un evento muestral es un subconjunto del espacio muestral. Representa un

conjunto de resultados posibles de un experimento aleatorio. Por ejemplo, si lanzamos

un dado, el evento muestral "obtener un número par" sería el subconjunto {2, 4, 6}, ya

que esos son los resultados posibles que cumplen con la condición de ser números

pares.
 Ejemplo de espacio muestral, punto muestral y evento muestral.

Supongamos que tenemos una bolsa con 4 bolas: 2 bolas rojas y 2 bolas azules.

Si sacamos una bola al azar de la bolsa, el espacio muestral sería el conjunto de todas

las posibles combinaciones de bolas que podríamos sacar. En este caso, el espacio

muestral sería {roja, roja}, {roja, azul}, {azul, roja}, {azul, azul}.

Un punto muestral sería una combinación específica de bolas que podríamos

sacar. Por ejemplo, {roja, azul} sería un punto muestral.

Un evento muestral sería un subconjunto del espacio muestral que cumple con

ciertas condiciones. Por ejemplo, el evento muestral "sacar una bola roja" sería el

subconjunto {roja, roja}, {roja, azul}, ya que esos son los resultados posibles que

cumplen con la condición de ser bolas rojas.

 ¿Qué significa que el espacio muestral de una variable aleatoria

continua es no contable?

Solución: El espacio muestral asociado a una variable aleatoria de tipo continua es

no contable, queriendo significar que, entre dos valores de la variable, pueden realizarse un

número infinito de otros valores.

¿Qué son variables aleatorias discretas proporcionales y que son variables

aleatorias discretas de conteo no acotado? De tres (3) ejemplos de este tipo de

variables.
 Solución: Las variables aleatorias discretas son variables aleatorias cuyo intervalo

de valores es finito o contablemente infinito.

Entre las variables discretas es importante distinguir al menos dos subtipos muy

comunes:

Las proporcionales: que provienen de conteos que no pueden superar el número de

elementos evaluados.

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 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.

 Números de árboles talados en una ha.

 Número de días que dura metamorfosis de una especie especifica.

Variables aleatorias discretas de conteo no acotado.

Es una variable que puede adquirir un valor discreto y sin límites precisos

dentro de valores de intervalo. Ósea esta variable no tiene un denominador natural.

Ejemplos:

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.

• Construir un organizador gráfico de su preferencia (mapa conceptual, mapa

mental, diagrama de flujo, organigrama, diagrama de Venn, cuadros comparativos)

en el que sintetice los conceptos de probabilidad clásico y frecuencial, En el caso del

concepto frecuencial incluya ejemplos desde su formación profesional.

  Mapa mental.

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

probabilidad?

Solución: Si bien la analogía es fundamental, 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 variables tienen función de probabilidad y que variables tienen

función de densidad?

Solución:

Función de probabilidad=Variable aleatoria discreta

Función de densidad=Variable aleatoria continua

Tema 2. Modelos probabilísticos

Distribución normal:

 ¿Qué tipo de histograma seleccionar para un modelo probabilístico de una

variable aleatoria continua cuando se tienen datos de esa variable?

 Solución: Para seleccionar un modelo probabilístico para una variable aleatoria

continua cuando se tienen datos de esa variable, resulta recomendable graficar un

histograma de frecuencias relativas y observar la forma del mismo.

Existen diversos modelos teóricos o funciones matemáticas que podrían ajustar

“aproximar bien” la forma del histograma. Por ejemplo, en la Figura 3.1 se presentan cuatro

histogramas de frecuencias relativas diferentes y a cada uno de ellos se les ha superpuesto

un modelo teórico que aproxima relativamente bien la forma del histograma.

Los nombres de estos modelos de probabilidad son Chi-Cuadrado, Normal,

Exponencial y Uniforme.

Distribución binomial:

 ¿Qué tipo de conteos se trabajan con la distribución Binomial?

Solución: La distribución Binomial puede usarse para el cálculo de probabilidades

de eventos provenientes de conteos acotados, es decir, conteos demarcados.

  En la distribución binomial ¿qué es n y que es P?

Solución:

n=hace referencia al número (n)de veces en que se repite un experimento aleatorio.

P=Es la probabilidad ( p)de éxito enun experimento aleatorio .

Distribución de Poisson:

 ¿Qué tipos de conteos se trabaja con la distribución de Poisson?

Solución: La distribución de Poisson es útil para calcular variables aleatorias a

partir de conteos no acotados.

 ¿Como se denota el único parámetro de esta distribución?

Solución: La distribución de poisson se especifica por medio del parámetro lambda

(λ), dicho parámetro es igual o similar a la media y la varianza, cuando lambda aumenta los

valores suficientemente grandes, la distribución normal (λ, λ), se emplearía para aproximar

la distribución de poisson.

Para poder hacer el cálculo de la longitud de una onda de la onda, es necesario

entonces reemplazar la velocidad y la frecuencia de la onda en la ecuación, esto permitirá

que al dividir la velocidad por la frecuencia obtendrás la longitud de la onda.

La fórmula que se emplea es:

V: velocidad de la onda

F: frecuencia.
 Mediante ella se podrá denotar el parámetro de lamdba, debido a que la distribución

de poisson es el número promedio de eventos por unidad de tiempo, así mismo la

distribución de los exponentes es la tasa de ocurrencia del evento medido en unidad de

tiempo.

Parte 2: aplicación conceptual.

Basado los conceptos previamente estudiados, realizar los ejercicios de aplicación

siguiendo las indicaciones de los enunciados. Desarrolle los mismos con apoyo de software

(Hoja de Excel y/o R, ver bibliografía señalada en esta guía):

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?

e) 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

P( AnB)
P( A /B)=
P(B)
Solución:

Para calcular la probabilidad de capturar un alevino de una especie específica en el tanque

mezclado, debemos dividir la cantidad de esa especie entre el total de alevinos en el tanque.

a) La probabilidad de capturar un alevino de Cachama es de:

P ( BA )= (226+206+
226
=
226
50+20) 502
=0.45 .

b) La probabilidad de capturar un alevino de Mojarra es de:

P ( BA )= (226+206+
206
=
206
50+20) 502
=0.41.

c) La probabilidad de capturar un alevino de Tilapia es de:

P ( BA )= (226+206+
50
=
50
50+20) 502
=0.10 .

d) La probabilidad de capturar un alevino de Pirarucú es de:

P ( BA )= (226+206+
20
=
20
50+20) 502
=0.04 .

e) Para calcular la probabilidad de capturar un alevino de Mojarra libre del

virus, debemos utilizar la probabilidad condicional.

La probabilidad de capturar una Mojarra libre del virus dado que se contagiaron 35

Mojarras es igual a la probabilidad de capturar una Mojarra libre del virus y que se

contagiaron 35 Mojarras, dividida entre la probabilidad de que se contagiaron 35 Mojarras.

La probabilidad de capturar una Mojarra libre del virus y que se contagiaron 35 Mojarras es

igual a la probabilidad de capturar una Mojarra libre del virus multiplicada por la

probabilidad de que se contagiaron 35 Mojarras. La probabilidad de capturar una Mojarra

libre del virus es igual a la cantidad de Mojarras libres del virus dividida entre el total de
alevinos en el tanque. La probabilidad de que se contagiaron 35 Mojarras es igual a 35

dividido entre la cantidad total de Mojarras en el tanque.

Supongamos que la cantidad de Mojarras libres del virus es X. Entonces, la probabilidad de

capturar una Mojarra libre del virus es:

X
(226+ 206+50+20)

La probabilidad de que se contagiaron 35 Mojarras es 35 / 206.

Por lo tanto, la probabilidad de capturar una Mojarra libre del virus es:

X
( )∗35
(226+ 206+50+20)
206

Recuerda que la probabilidad de capturar una Mojarra libre del virus dado que se

contagiaron 35 Mojarras es igual a la probabilidad de capturar una Mojarra libre del virus y

que se contagiaron 35 Mojarras, dividida entre la probabilidad de que se contagiaron 35

Mojarras.

En resumen, la probabilidad de capturar un alevino de Mojarra libre del virus es igual a:

X 35 35
(( )∗( ))/( )
(226+206+ 50+20) 206 206

Para calcular el valor de X, podemos utilizar la información de que el 30% del total de los

individuos del tanque mezclado se contagió con el virus. Si el 30% se contagió, entonces el

70% está libre del virus. Por lo tanto, X es igual al 70% de la cantidad total de Mojarras en

el tanque.

Finalmente, podemos sustituir el valor de X en la fórmula para obtener la probabilidad de

capturar una Mojarra libre del virus.

 Ejercicio 2.

En un brote de un virus dentro de un galpón de pollos 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.

Solución:

 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)∗0.3 n 4∗(1−o . 3)n(10−4)

Se calcula:

10 !
(10 c h oose 4)= =210
(4 !∗(10−4 )!)

P(x=4)=210∗0.3 n 4∗0.7 n 6=0.2001

En porcentaje es: 20.01%

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 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:

a) Entre 180 y 200 mg/100ml.

b) Mayor de 225 mg/100 ml.

c) Menor de 150 mg/100 ml.

d) Entre 190 y 210 mg/100 ml.

Se debe evidenciar desarrollo de los ejercicios por medio de una hoja de cálculo o

de cualquiera de los programas de manejo de datos estadísticos:

 Mirás M & Rodríguez E. (2018). Técnicas estadísticas con hoja de cálculo y

R. [Link]

 Cáceres, L. (2020). OVI Distribución normal y algunas de sus aplicaciones.

[Link]

 Dae-Jin Lee. (2019). Introducción al software estadístico R. Numeral 5.

Distribuciones de probabilidad en R [Link]

 Sáez J. (2010). Métodos estadísticos con R y R comander.

[Link]

Solución:

Utilizando la fórmula de desviación normal estándar.

Donde:

x−μ
z=σ

 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.

 a) Entre 180 y 200 mg/100ml.

x=180

μ=200 mg/100 ml

σ =20 mg/100 ml

180−200
z 1= =−1
20

x=200

μ=200 mg/100 ml

σ =20 mg/100 ml

200−200
z 2= =0
20

P(−1< z <0)

b) Mayor de 225 mg/100 ml.

Solución:

x=225

μ=200 mg/100 ml

σ =20 mg/100 ml

225−200
z= =1.25
20

P(z >1.25)

c) Menor de 150 mg/100 ml.

Solución:

x=150

μ=200 mg/100 ml
 σ =20 mg/100 ml

150−200
z= =−2.25
20

P(z >−2.25)

d) Entre 190 y 210 mg/100 ml.

Solución:

x=190

μ=200 mg/100 ml

σ =20 mg/100 ml

190−200
z 1= =−0.5
20

μ=200 mg/100 ml

σ =20 mg/100 ml

210−200
z 2= =0.5
20

P(−0.5< z< 0.5)

Conclusiones.

 Mediante el desarrollo de cada uno de los ítems descritos se logró aplicar

todos procesos necesarios para la obtención de un documento de aplicación de conceptos de

probabilidad.
  Los conceptos de aplicación de privacidad se basan en procesos de

investigación que se pueden sustentar matemáticamente mediante el uso de herramientas

digitales como lo es el caso del software R, Excel entre otros más.

 El estudiante puso en práctica la construcción de un documento basado en la

aplicación de conceptos empleando medios de investigación y cuantificación de datos,

desde la apropiación de aplicativos y herramientas tecnológicas. Se logra la comprensión de

cada uno de los conceptos de probabilidades, sus múltiples variables y la manera en la cual

se aplican en la cotidianidad de la estadística.

Bibliografía

 Balzarini,2011 estadística y biometría

[Link]

5%20(1).pdf
 Cáceres, L. (2020). OVI Distribución normal y algunas de sus aplicaciones.

[Link]

 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

[Link]

 Mirás M & Rodríguez E. (2018). Técnicas estadísticas con hoja de cálculo y R.

[Link]

 Sáez J. (2010). Métodos estadísticos con R y R comander.

[Link]