TAREA 6 – EVALUACIÓN FINAL PRUEBA OBJETIVA ABIERTA (POA)

ENTREGADO POR:

DEYSI YANIRA RODRÍGUEZ PIÑARETE -1053616586

CAROLINA YASMÍN ALBA OTÁLORA -1002405481

ANYI VANESA FONSECA FLÓREZ- 1007475393

NOHORA MARITZA CAMARGO CÁRDENAS - 1052413664

TUTOR: CARLOS ANDRES FAJARDO

CURSO: BIOESTADÍSTICA

CÓDIGO CURSO: 302277045A_1704

CÓDIGO GRUPO: 302277045_67

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

INGENIERÍA AGROFORESTAL

10 DE DICIEMBRE DE 2024
 Introducción

La bioestadística es una disciplina fundamental para analizar e interpretar datos en

investigaciones científicas, proporcionando herramientas para moldear fenómenos biológicos,

evalúa hipótesis y así tomar decisiones fundamentales. Este trabajo se centra en analizar un

artículo científico, haciendo énfasis en conceptos estadísticos empleados con su correcta

interpretación. Además, se profundiza en técnicas específicas como observación de

distribuciones, cálculo de probabilidades, estimación de valores promedio y medidas de

dispersión, así como el uso de distribuciones como la de Poisson. Por último, se aplican análisis

avanzados como el cálculo del análisis de varianza (ANOVA) para comparar grupos, evaluando

su utilidad en el contexto de la investigación científica.

 Objetivos

General

Evaluar la calidad metodológica y solidez desde una perspectiva bioestadística, con el fin

de comprender y valorar la aplicación de los conceptos estadísticos en el análisis de datos

biológicos.

Específicos

• Analizar en detalle los conceptos estadísticos utilizados en el artículo, como la

distribución de Poisson, la media, la desviación estándar y el ANOVA.

• Evaluar la correcta aplicación de las pruebas estadísticas empleadas en el estudio.

• Interpretar los resultados obtenidos a la luz de los conceptos estadísticos

revisados.

• Identificar posibles sesgos o limitaciones en el diseño del estudio y en el análisis

de los datos.
 Parte 1:

En grupo deben seleccionar un artículo científico a partir del cual harán un análisis en

tomando como base el diagrama 1 que se muestra a continuación. Esto es, a partir de la lectura

de la investigación identifique: la situación de base (realidad, observaciones), problema

científico, modelo estadístico, diseño experimental usado, datos obtenidos (principales), análisis

de datos realizado y conclusiones. Haga especial énfasis en el análisis de los conceptos

estadísticos utilizados y en la interpretación y conclusiones a las que los investigadores llegan

(Máximo 1 página). Plasme la información sintetizada en un mapa mental utilizando el software

de su preferencia.

Artículo seleccionado: Estadística Aplicada a la Ingeniería Agrícola y a las Ciencias

Agropecuarias. Su contribución en la docencia, investigación y transferencia de

conocimiento.

Link de mapa mental:

[Link]

=DAGYjiNkYaA&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton
 Parte 2: Ejercicios de aplicación

Ejercicio 1

En un estudio se investiga la relación entre la presencia de tres tipos diferentes de hongos

y la condición de fertilidad del suelo en diferentes parcelas de una plantación. Se han recogido

datos de una muestra de 200 parcelas y se han observado las siguientes distribuciones:

Tipo de hongo A: Presencia en 50 parcelas.

Tipo de hongo B: Presencia en 80 parcelas.

Tipo de hongo C: Presencia en 30 parcelas.

Además, se ha evaluado la fertilidad del suelo en estas parcelas y se ha encontrado lo

siguiente:

Parcelas con suelo fértil (F): 120 parcelas.

Parcelas con suelo no fértil (F'): 80 parcelas.

De estas parcelas con suelo fértil fue posible establecer la relación entre el tipo de hongo

y la cantidad de parcelas con suelo fértil.

Tipo A y suelo fértil (AF): 40 parcelas.

Tipo B y suelo fértil (BF): 60 parcelas.

Tipo C y suelo fértil (CF): 20 parcelas.

a) Calcule la probabilidad de encontrar el hongo de tipo B en una parcela seleccionada al

azar (P(B)).

𝑃𝑎𝑟𝑐𝑒𝑙𝑎𝑠 𝑐𝑜𝑛 ℎ𝑜𝑛𝑔𝑜𝐵

𝑃(𝐵) =
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑎𝑟𝑐𝑒𝑙𝑎𝑠

80
𝑃(𝐵) = = 0.4
200

La probabilidad de encontrar un hongo al azar tipo B en una parcela seleccionada al azar

es de 0.4 o 40%.

b) Calcule la probabilidad de que una parcela seleccionada al azar tenga suelo fértil (P(F)).

𝑃𝑎𝑟𝑐𝑒𝑙𝑎𝑠 𝑐𝑜𝑛 𝑠𝑢𝑒𝑙𝑜 𝑓è𝑟𝑡𝑖𝑙

𝑃(𝐹) =
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑎𝑟𝑐𝑒𝑙𝑎𝑠

120
𝑃(𝐹) = = 0.6
200

La probabilidad de que una parcela seleccionada al azar tenga suelo fértil es de 0.6 0

60%.

c) Calcule la probabilidad de que una parcela seleccionada al azar tenga suelo fértil dado

que tiene presencia del hongo tipo C (P(F|C)).

Probabilidad de parcelas con hongo tipo C y suelo fértil, que se calcula como el número

de parcelas CF dividido entre el total de parcelas:

𝑃𝑎𝑟𝑐𝑒𝑙𝑎𝑠 𝑐𝑜𝑛 ℎ𝑜𝑛𝑔𝑜 𝐶 𝑦 𝑠𝑢𝑒𝑙𝑜 𝑓è𝑟𝑡𝑖𝑙 20

𝑃(𝐹 ∩ 𝐶) = = = 0.1
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑎𝑟𝑐𝑒𝑙𝑎𝑠 200
 Probabilidad de encontrar el hongo tipo C, que se calcula como el número de parcelas con

hongo tipo C dividido entre el total de parcelas:

𝑃𝑎𝑟𝑐𝑒𝑙𝑎𝑠 𝑐𝑜𝑛 ℎ𝑜𝑛𝑔𝑜 𝐶 30

𝑃(𝐶) = = = 0.15
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑎𝑟𝑐𝑒𝑙𝑎𝑠 200

Se aplica la fórmula:

0.1
𝑃(𝐹/𝐶) = = 0.6667
0.15

La probabilidad de que una parcela seleccionada al azar tenga suelo fértil dado que tiene

presencia del hongo C es de 0.667 0 66.7%.

d) ¿Qué interpretación podría darse al valor de P(F|C) en el contexto agroforestal estudiado?

En el contexto agroforestal, podría ser una asociación positiva entre la presencia del hongo

tipo C y la fertilidad del suelo. Este tipo de relación podría sugerir que el hongo tipo C

contribuye a mejorar la fertilidad del suelo o que prefiere condiciones de suelo fértil para

su crecimiento.
 Ejercicio 2

Supóngase que se sabe que en cierta área de una gran ciudad el número promedio de ratas

por manzana es de 12. Suponiendo que el número de ratas sigue una distribución de Poisson,

encuentre la probabilidad de que en una manzana seleccionada al azar:

El problema nos proporciona un valor promedio de 12 ratas por manzana y se nos pide

calcular varias probabilidades relacionadas con este número, con la distribución de Poisson es

ideal para modelar el número de ocurrencias de un evento en un intervalo de tiempo y espacio

fijo, en este caso, el evento es “encontrar una rata” y el Intervalo es “una manzana”.

Parámetro:

𝜆 = 12

Utilizando la fórmula de la distribución de Poisson:

𝑒 −𝜆 ∗ 𝜆𝑘
𝑃(𝑋 = 𝑘) =
𝑘!

Donde:

𝑃(𝑋 = 𝑘) es la probabilidad de que ocurran exactamente k eventos

𝜆 es el número promedio de ocurrencias

𝑘 es el número de ocurrencias específicas

𝑘! Es la factorial de k
Calculando las probabilidades:

a) Haya exactamente 12 ratas.

𝑘 = 12

𝑒 −12 ∗ 1212
𝑃(𝑋 = 12) =
12!

1212
𝑃(𝑋 = 12) =
12! ∗ 𝑒 12

Usando 𝑛! = 𝑛 ∗ (𝑛 − 1)

12! = 12 ∗ 11 ∗ 10 ∗ 9 ∗ 8 ∗ 7 ∗ 6 ∗ 5 ∗ 4 ∗ 3 ∗ 2 ∗ 1 = 479001600

1212
𝑃(𝑋 = 12) =
(479001600) ∗ 𝑒 12

(248832) ÷ 8916100448256
𝑃(𝑋 = 12) =
(248832) ÷ (479001600) ∗ 𝑒 12

Cancelando el factor común 248832

35831808
𝑃(𝑋 = 12) =
(1925) ∗ 𝑒 12

𝑃(𝑋 = 12) = 0.114

0.114 ∗ 100 = 11.4 %

Aproximadamente 11.4 %.

b) Haya más de 12 ratas.

𝑃(𝑋 > 12) = 1 − 𝑃(𝑋 ≤ 12)

𝜆 = 12

𝑋 > 12

𝑥 = {0,1,2,3,4,5,6,7,8,9,10,11,12}
 𝑒 −𝜆 ∗ 𝜆𝑥
𝑃(𝑥, 𝜆) =
𝑥!

𝒙=𝟎

𝑒 −12 ∗ 120
𝑃(𝑋 = 0) =
0!

Por definición 0! = 1

𝑒 −12 ∗ 1
𝑃(𝑋 = 0) =
1
1
𝑃(𝑋 = 0) =
𝑒 12

𝑃(𝑋 = 0) = 0.00000614

𝒙=𝟏

𝑒 −12 ∗ 121
𝑃(𝑋 = 1) =
1!
𝑃(𝑥 > 12) 1
𝑒 −12 ∗ 12
𝑃(𝑋 = 1) =
1
12
𝑃(𝑋 = 1) =
𝑒 12

𝑃(𝑋 = 1) = 0.0000737

𝒙=𝟐

𝑒 −12 ∗ 122
𝑃(𝑋 = 2) =
2!

122
𝑃(𝑋 = 2) =
2! ∗ 𝑒 12

144
𝑃(𝑋 = 2) =
2 ∗ 𝑒 12

Cancelando el factor común 2

 (2) ÷ 144
𝑃(𝑋 = 2) =
(2) ÷ 2 ∗ 𝑒 12

72
𝑃(𝑋 = 2) =
𝑒 12

𝑃(𝑋 = 2) = 0.000442

𝒙=𝟑

123
𝑃(𝑋 = 3) =
3! ∗ 𝑒 12

123
𝑃(𝑋 = 3) =
6 ∗ 𝑒 12
1728
𝑃(𝑋 = 3) =
6 ∗ 𝑒 12

Cancelando el factor común 6

(6) ÷ 1728
𝑃(𝑋 = 3) =
(6) ÷ 6 ∗ 𝑒 12

𝑃(𝑋 = 3) = 0.00177

𝒙=𝟒

𝑒 −12 ∗ 124
𝑃(𝑋 = 4) =
4!

124
𝑃(𝑋 = 4) =
4! ∗ 𝑒 12

124
𝑃(𝑋 = 4) =
24 ∗ 𝑒 12

20736
𝑃(𝑋 = 4) =
24 ∗ 𝑒 12

Cancelando el factor común 24

 (24) ÷ 20736
𝑃(𝑋 = 4) =
(24) ÷ 24 ∗ 𝑒 12

864
𝑃(𝑋 = 4) =
𝑒 12

𝑃(𝑋 = 4) = 0.00530

𝒙=𝟓

𝑒 −12 ∗ 125
𝑃(𝑋 = 5) =
5!

125
𝑃(𝑋 = 5) =
5! ∗ 𝑒 12

125
𝑃(𝑋 = 5) =
120 ∗ 𝑒 12

248832
𝑃(𝑋 = 5) =
120 ∗ 𝑒 −12

Cancelando el factor común 24

(24) ÷ 248832
𝑃(𝑋 = 5) =
(24) ÷ 120 ∗ 𝑒 −12

10368
𝑃(𝑋 = 5) =
5 ∗ 𝑒 12

𝑃(𝑋 = 5) = 0.0127

𝒙=𝟔

𝑒 −12 ∗ 126
𝑃(𝑋 = 6) =
6!

126
𝑃(𝑋 = 6) =
6! ∗ 𝑒 12

126
𝑃(𝑋 = 6) =
720 ∗ 𝑒 12
 2985984
𝑃(𝑋 = 6) =
720 ∗ 𝑒 12

Cancelando el factor común 144

(144) ÷ 2985984
𝑃(𝑋 = 6) =
(144) ÷ 720 ∗ 𝑒 12

20736
𝑃(𝑋 = 6) =
5 ∗ 𝑒 12

𝑃(𝑋 = 6) = 0.0254

𝒙=𝟕

𝑒 −12 ∗ 127
𝑃(𝑋 = 7) =
7!

127
𝑃(𝑋 = 7) =
7! ∗ 𝑒 12

127
𝑃(𝑋 = 7) =
5040 ∗ 𝑒 12

35831808
𝑃(𝑋 = 7) =
5040 ∗ 𝑒 12

Cancelando el factor común 144

(144) ÷ 35831808
𝑃(𝑋 = 7) =
(144) ÷ 5040 ∗ 𝑒 12

248832
𝑃(𝑋 = 7) =
35 ∗ 𝑒 12

𝑃(𝑋 = 7) = 0.0436

𝒙=𝟖

𝑒 −12 ∗ 128
𝑃(𝑋 = 8) =
8!
 128
𝑃(𝑋 = 8) =
8! ∗ 𝑒 12

128
𝑃(𝑋 = 8) =
40320 ∗ 𝑒 12
429981696
𝑃(𝑋 = 8) =
40320 ∗ 𝑒 12

Cancelando el factor común 1152

(1152) ÷ 20736
𝑃(𝑋 = 8) =
(1152) ÷ 40320 ∗ 𝑒 12

373248
𝑃(𝑋 = 8) =
35 ∗ 𝑒 12

𝑃(𝑋 = 4) = 0.0655

𝒙=𝟗

𝑒 −12 ∗ 129
𝑃(𝑋 = 9) =
9!

129
𝑃(𝑋 = 9) =
9! ∗ 𝑒 12

129
𝑃(𝑋 = 9) =
362880 ∗ 𝑒 12

5159780352
𝑃(𝑋 = 9) =
362880 ∗ 𝑒 12

Cancelando el factor común 10368

(10368) ÷ 5159780352
𝑃(𝑋 = 9) =
(10368) ÷ 362880 ∗ 𝑒 12

497664
𝑃(𝑋 = 9) =
35 ∗ 𝑒 12

𝑃(𝑋 = 9) = 0.0873
 𝒙 = 𝟏𝟎

𝑒 −12 ∗ 1210
𝑃(𝑋 = 10) =
10!

1210
𝑃(𝑋 = 10) =
10! ∗ 𝑒 12

1210
𝑃(𝑋 = 10) =
3628800 ∗ 𝑒 12

61917364224
𝑃(𝑋 = 10) =
3628800 ∗ 𝑒 12

Cancelando el factor común 20736

(20736) ÷ 61917364224
𝑃(𝑋 = 10) =
(20736) ÷ 3628800 ∗ 𝑒 12

2985984
𝑃(𝑋 = 10) =
175 ∗ 𝑒 12

𝑃(𝑋 = 10) = 0.1048

𝒙 = 𝟏𝟏

𝑒 −12 ∗ 1211
𝑃(𝑋 = 11) =
11!

1211
𝑃(𝑋 = 11) =
11! ∗ 𝑒 12

1211
𝑃(𝑋 = 11) =
39916800 ∗ 𝑒 12
743008370688
𝑃(𝑋 = 11) =
39916800 ∗ 𝑒 12

Cancelando el factor común 20736

(20736) ÷ 743008370688
𝑃(𝑋 = 11) =
(20736) ÷ 39916800 ∗ 𝑒 12
 35831808
𝑃(𝑋 = 11) =
1925 ∗ 𝑒 12

𝑃(𝑋 = 11) = 0.1143

𝒙 = 𝟏𝟐

𝑒 −12 ∗ 1212
𝑃(𝑋 = 12) =
12!

1212
𝑃(𝑋 = 12) =
12! ∗ 𝑒 12

1212
𝑃(𝑋 = 12) =
479001600 ∗ 𝑒 12

8916100448256
𝑃(𝑋 = 12) =
479001600 ∗ 𝑒 12

Cancelando el factor común 248832

(248832) ÷ 8916100448256
𝑃(𝑋 = 12) =
(248832) ÷ 479001600 ∗ 𝑒 12

35831808
𝑃(𝑋 = 12) =
1925 ∗ 𝑒 12

𝑃(𝑋 = 12) = 0.1143

Sumando

𝑃(𝑋 ≤ 12) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5)

+ 𝑃(𝑋 = 6) + 𝑃(𝑋 = 7) + 𝑃(𝑋 = 8) + 𝑃(𝑋 = 9) + 𝑃(𝑋 = 10)

+ 𝑃(𝑋 = 11) + 𝑃(𝑋 = 12)

𝑃(𝑋 ≤ 12) = 0.00000614 + 0.0000737 + 0.000442 + 0.00176 + 0.00530 + 0.0127

+ 0.0254 + 0.0436 + 0.0655 + 0.0873 + 0.1048 + 0.1143 + 0.1143

𝑃(𝑋 ≤ 12) = 0.5754

 Así que

𝑃(𝑋 > 12) = 1 − 𝑃(𝑋 ≤ 12)

𝑃(𝑋 > 12) = 1 − 0.5754

𝑃(𝑋 > 12) = 0.4246

0.4246 ∗ 100 = 42.46%

La probabilidad de que haya más de 12 ratas es 𝑃(𝑋 > 12) = 42.46%

c) Haya menos de 12 ratas.

𝑃(𝑋 < 12) = 𝑃(𝑋 ≤ 12 − 1)

(𝑋 < 12) = 𝑃(𝑋 ≤ 11)

𝜆 = 12

𝑋 < 12

𝑃(𝑋 < 12) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5)

+ 𝑃(𝑋 = 6) + 𝑃(𝑋 = 7) + 𝑃(𝑋 = 8) + 𝑃(𝑋 = 9) + 𝑃(𝑋 = 10)

+ 𝑃(𝑋 = 11)

𝑃(𝑋 < 12) = 0.00000614 + 0.0000737 + 0.000442 + 0.00176 + 0.00530

+ 0.0127 + 0.0254 + 0.0436 + 0.0655 + 0.0873 + 0.1048

+ 0.1143

𝑃(𝑋 < 12) = 0.4611

0.4611 ∗ 100 = 46.11%

La probabilidad de que haya menos de 12 ratas es 𝑃(𝑋 < 12) = 42.46%

 d) Haya entre 12 y 15 ratas

𝑥 = {12,13,14,15}

𝒙 = 𝟏𝟐

𝑃(𝑋 = 12) = 0.1143

𝒙 = 𝟏𝟑

𝑒 −12 ∗ 1213
𝑃(𝑋 = 13) =
13!

1213
𝑃(𝑋 = 13) =
13! ∗ 𝑒 12

1213
𝑃(𝑋 = 13) =
6227020800 ∗ 𝑒 12

106993205379072
𝑃(12 ≤ 𝑋 ≤ 15) 𝑃(𝑋 = 13) =
6227020800 ∗ 𝑒 12
= 𝑃(𝑋 = 12) + 𝑃(𝑋 = 13)
Cancelando el factor común 248832
+ 𝑃(𝑋 = 14) + 𝑃(𝑋 = 15) (248832) ÷ 106993205379072
𝑃(𝑋 = 13) =
(248832) ÷ 6227020800 ∗ 𝑒 12

429981696
𝑃(𝑋 = 13) =
25025 ∗ 𝑒 12

𝑃(𝑋 = 13) = 0.10557

𝒙 = 𝟏𝟒

𝑒 −12 ∗ 1214
𝑃(𝑋 = 14) =
14!

1214
𝑃(𝑋 = 14) =
14! ∗ 𝑒 12

1214
𝑃(𝑋 = 14) =
87178291200 ∗ 𝑒 12
 1283918464548864
𝑃(𝑋 = 14) =
87178291200 ∗ 𝑒 12

Cancelando el factor común 497664

(497664) ÷ 1283918464548864
𝑃(𝑋 = 14) =
(497664) ÷ 87178291200 ∗ 𝑒 12

2579890176
𝑃(𝑋 = 14) =
175175 ∗ 𝑒 12

𝑃(𝑋 = 14) = 0.0904

𝒙 = 𝟏𝟓

𝑒 −12 ∗ 1215
𝑃(𝑋 = 15) =
15!

1215
𝑃(𝑋 = 15) =
15! ∗ 𝑒 12

1215
𝑃(𝑋 = 15) =
1307674368000 ∗ 𝑒 12

15407021574586368
𝑃(𝑋 = 15) =
1307674368000 ∗ 𝑒 12

Cancelando el factor común 1492992

(1492992) ÷ 15407021574586368
𝑃(𝑋 = 15) =
(1492992) ÷ 1307674368000 ∗ 𝑒 12

10319560704
𝑃(𝑋 = 15) =
875875 ∗ 𝑒 12

𝑃(𝑋 = 15) = 0.07239

Sumando

𝑃(12 ≤ 𝑋 ≤ 15) = 𝑃(𝑋 = 12) + 𝑃(𝑋 = 13) + 𝑃(𝑋 = 14) + 𝑃(𝑋 = 15)

𝑃(12 ≤ 𝑋 ≤ 15) = 0.1143 + 0.10557 + 0.0904 + 0.07239

𝑃(12 ≤ 𝑋 ≤ 15) = 0.3826

Así que

0.3826 ∗ 100 = 38.26%

La probabilidad de que haya entre 12 y 15 ratas es 𝑃(12 ≤ 𝑋 ≤ 15) = 38.26%

Ejercicio 3

Un equipo de investigadores está interesado en estudiar la altura promedio de árboles en

un área forestal específica. Según estudios previos, se tiene una media esperada de 25 metros

para la altura de los árboles en esta región. Los estudiantes de bioestadística deberán determinar

si la altura promedio de los árboles en la muestra recolectada es significativamente diferente de

la media esperada. Para ello, realizarán una prueba de hipótesis.

Se proporciona a los estudiantes una muestra de tamaño n (número de árboles) con las

siguientes alturas en metros:

Tabla 1. Altura de árboles medida en metros

Altura de Árboles (m)

24.5 26.2 25.8 23.9 25.3 26.5 25.1 24.7 25.6 25.9

Nota: En la tabla se muestran las mediciones en metros realizadas de la muestra de árboles

tomada para el estudio

a) Calcule la media y la desviación estándar de la muestra proporcionada.

Datos iniciales: 24.5, 26.2, 25.8, 23.9, 25.3, 26.5, 25.1, 24.7, 25.6, 25.9

Media esperada: (𝜇): 25𝑚.

Nivel de significancia: (𝛼): 0.025

Tamaño de la muestra: (𝑛): 10

 1. Media muestral

Basándose en la fórmula:

(𝑥̅ − 𝜇)
𝑡= 𝑠
√𝑛

Donde:

• 𝑥̅ es la media muestral de las alturas de los árboles.

• 𝜇 es la media esperada de 25 metros.

• 𝑠 es la desviación estándar de la muestra.

• 𝑛 es el tamaño de la muestra

∑ 𝑥𝑖 24.5, 26.2, 25.8, 23.9, 25.3, 26.5, 25.1, 24.7, 25.6, 25.9
Ẋ= = = 25.35
𝑛 10

2. Desviación estándar muestral

∑( 𝑥𝑖 − 𝑥̅ )2
𝑠=√
𝑛−1

𝑥𝑖 𝑥𝑖 − 𝑥̅ (𝑥𝑖 − 𝑥̅ )2

24.5 24.5 − 25.35 = −0.85 (−0.85)2 = 0.725

26.2 26.2 − 25.35 = 0.85 0.852 = 0.725

25.8 25.8 − 25.35 = 0.45 0.452 = 0.2025

23.9 23.9 − 25.35 = −1.45 (−1.45)2 = 2.1025

25.3 25.3 − 25.35 = −0.05 (−1.45)2 = 0.0025

26.5 26.5 − 25.35 = 1.15 1.152 = 1.3225

 25.1 25.5 − 25.35 = −0.25 (−1.45)2 = 0.0625

24.7 24.7 − 25.35 = −0.65 (−1.45)2 = 0.4226

25.6 25.6 − 25.35 = 0.25 0.252 = 0.0625

25.9 25.9 − 25.35 = 0.65 0.652 = 0.3025

∑( 𝑥𝑖 − 𝑥̅ )2 = 0.725 + 0.725 + 0.2025 + 2.1025 + 0.0025 + 1.3225 + 0.0625 + 0.4225

+ 0.0625 + 0.3025

Cálculo:

∑( 𝑥𝑖 − 𝑥̅ )2 = 0.725 + 0.725 = 1.445

1.445 + 0.2025 = 1.6475

1.6475 + 2.1025 = 3.75

3.75 + 0.0025 = 3.7525

3.7525 + 1.3225 = 5.075

5.075 + 0.0625 = 5.1375

5.1375 + 0.4225 = 5.56

5.56 + 0.025 = 5.6225

5.6225 + 0.3025 = 5.925

Sustituir los valores en la fórmula

5.925 5.925
𝑠=√ =√
𝑛−1 9

𝑠 = √0.6583 = 0.8114
 Media muestral Ẋ.25.35m

Desviación estándar (s): 0.8114

b) Formule la hipótesis nula (H0) y alternativa (H1) para este estudio.

Hipótesis nula. (𝑯𝒐).La altura promedio de los árboles no difiere significativamente de

la media esperada 𝜇 = 25

Hipótesis alternativa 𝑯𝟏. La altura promedio de los árboles difiere significativamente

de la media esperada. 𝜇 ≠ 25

c) Realice el cálculo necesario para obtener el valor del estadístico de prueba (t) utilizando.

Fórmula:

𝑥̅ − 𝜇
𝑡= 𝑠
√𝑛

Sustituyendo los valores

25.35 − 25
𝑡=
0.8114
√10

0.35
𝑡= = 1.3641
0.2567

d) Determine los grados de libertad (df) asociados a esta prueba de hipótesis.

𝑑𝑓 = 𝑛 − 1 = 10 − 1 = 9
e) Utilizando una tabla t de Student o software estadístico, encuentre el valor crítico de t

para un nivel de significancia α = 0.05 (2 colas).

𝛼
• Nivel de significancia 𝛼 0.05 𝑑𝑖𝑣𝑖𝑑𝑖𝑑𝑜𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑑𝑜𝑠 𝑐𝑜𝑙𝑎𝑠 = 0.025
2

• 𝐺𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑: 𝑑𝑓 = 9

• De la tabla obtuvimos: 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 = ±2.2622

f) Interprete los resultados y llegue a una conclusión sobre si la altura promedio de los

árboles en el área forestal es significativamente diferente o no de la media esperada de

25 metros.

El valor absoluto del estadístico t es:

𝑡 = 1.3641

Esto es menor del valor critico 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 = ±2.2622 por lo tanto no rechazamos la

hipótesis nula.

Conclusión

No hay evidencia suficiente para concluir que la altura promedio de los árboles en el

área forestal sea significativamente diferente de la media esperada de 25 metros al nivel

de significancia del 5%.

 Ejercicio 4

En un estudio se investiga el efecto de cuatro diferentes tratamientos de fertilización en el

crecimiento de árboles jóvenes de una especie nativa en un vivero. Se seleccionaron

aleatoriamente 10 unidades experimentales para cada tratamiento y se midió la altura final de los

árboles después de 6 meses. Los datos de altura final (en cm) obtenidos son los siguientes:

Pruebe la hipótesis nula de no diferencia en los efectos de los tratamientos y pruebe si existen

diferencias significativas entre todas las parejas de medias posibles.

Tabla 2. Altura de árboles según tratamiento medida en metros

Altura de árboles según tratamiento (cm)

A B C D

82 78 75 84

85 80 76 85

88 81 78 82

90 79 79 86

83 82 77 83

86 83 80 88

87 77 81 85

89 85 79 87

84 79 82 89

91 84 80 90
Nota: En la tabla se muestran las medidas en metros tomada de los árboles en cada tratamiento
de fertilización aplicado

a) Defina el planteamiento de las hipótesis y escríbalas de acuerdo con su notación de

hipótesis nula y alterna.

Hipótesis nula (𝑯𝟎 ): No se tienen diferencias significativas entre las alturas promedio

de los árboles y los cuatro tratamientos de fertilización

𝐻0 : 𝜇1 + 𝜇2 + 𝜇3 = 𝜇4

Hipótesis alternativa (𝑯𝟏 ): Hay al menos una altura de los árboles que es diferente.

𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝜇𝑖 𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒

b) Establezca un valor de significancia y explíquelo. ¿Cuál es el factor de diseño?

Valor de significancia (𝜶): Normalmente se establece 0.05 (5%) como estándar,

indicando un 5% de probabilidad de rechazar la hipótesis nula cuando es cierta.

Factor de diseño: En este caso es el “tratamiento de fertilización” ya que tiene cuatro

niveles (A, B, C, D) y su efecto es la (altura de los árboles).

c) Antes del desarrollo de la prueba de hipótesis, que corresponden a una ANOVA de un

factor. Describa, con base en los supuestos de esta, porqué es el estadístico de prueba más

apropiado (revisar los supuestos o requerimiento de los datos que exige este tipo de

pruebas)

El análisis ANOVA es apropiado ya que:

• En cada grupo (tratamiento) siguen una distribución normal.

• La variable de los árboles es continua.

 • Las observaciones dentro de cada grupo son independientes entre sí.

d) Realice los cálculos correspondientes, es decir la tabla que relacione los cálculos

incluyendo: suma de cuadrados total (TSS), suma de cuadrados del factor (SST); Suma

de cuadraros residual/error (SSE), para luego realizar en análisis de varianza o de la suma

de cuadrados. Puede ser de manera manual, por medio de la herramienta de análisis de

datos de Excel, o si lo desean usando el programa estadístico R, los resultados no deben

variar por mucho, pero deben explicar el procedimiento detalladamente.

Tratamiento Totales N° Datos Media

A 865 10 86.5

B 808 10 80.8

C 787 10 78.7

D 859 10 85.9

Total 3319 40 82.975

• TSS: Suma de Cuadrados Totales: Suma de los cuadrados de las desviaciones

de cada dato con respecto a la media general.
∑{((82 − 82.975)2 + (85 − 82.975)2 + (88 − 82.975)2 + (90 − 82.975)2 + (83 − 82.975)2

+ (86 − 82.975)2 + (87 − 82.975)2 + (89 − 82.975)2 + (84 − 82.975)2 + (91 − 82.975)2 )

+ ((78 − 82.975)2 + (80 − 82.975)2 + (81 − 82.975)2 + (79 − 82.975)2 + (82 − 82.975)2

+ (83 − 82.975)2 + (77 − 82.975)2 + (85 − 82.975)2 + (79 − 82.975)2 + (84 − 82.975)2 )

+ ((75 − 82.975)2 + (76 − 82.975)2 + (78 − 82.975)2 + (79 − 82.975)2 + (77 − 82.975)2

+ (80 − 82.975)2 + (81 − 82.975)2 + (79 − 82.975)2 + (82 − 82.975)2 + (80 − 82.975)2 )

+ ((84 − 82.975)2 + (85 − 82.975)2 + (82 − 82.975)2 + (86 − 82.975)2 + (83 − 82.975)2

+ (88 − 82.975)2 + (85 − 82.975)2 + (87 − 82.975)2 + (89 − 82.975)2 + (90 − 82.975)2 )}

∑{(0.95 + 4.10 + 25.25 + 49.35 + 0.000625 + 9.15 + 16.20 + 36.30 + 1.050 + 64.40

+ 24.75 + 8.85 + 3.90 + 15.80 + 0.95 + 0.000625 + 35.70 + 4.10 + 15.80

+ 1.050 + 63.60 + 48.65 + 24.75 + 15.80 + 35.70 + 8.85 + 3.90 + 15.80

+ 0.95 + 8.85 + 1.050 + 4.10 + 0.95 + 9.15 + 0.000625 + 25.25 + 4.10

+ 16.20 + 36.30 + 49.35)}

∑ = 690.95 𝑇𝑆𝑆

• SST: Suma de Cuadrados del Factor: Suma de los cuadrados de las desviaciones
de la media de cada tratamiento con respecto a la media general.

∑{10 ∗ (86.5 − 82.975)2 + 10 ∗ (80.8 − 82.975)2 + 10 ∗ (78.7 − 82.975)2 + 10

∗ (85.9 − 82.975)2 }

∑((10 ∗ 12.42) + (10 ∗ 4.73) + (10 ∗ 18.27) + (10 ∗ 8.55))

 ∑(124.2 + 47.3 + 182.7 + 85.5)

∑ = 439.87 𝑆𝑆𝑇

• SSE: Suma de Cuadrados Residual / error: Suma de los cuadrados de las

desviaciones de cada dato con respecto a la media de su respectivo tratamiento.

∑{((82 − 86.5)2 + (85 − 86.5)2 + (88 − 86.5)2 + (90 − 86.5)2 + (83 − 86.5)2 + (86 − 86.5)2

+ (87 − 86.5)2 + (89 − 86.5)2 + (84 − 86.5)2 + (91 − 86.5)2 )

+ ((78 − 80.8)2 + (80 − 80.8)2 + (81 − 80.8)2 + (79 − 80.8)2 + (82 − 80.8)2

+ (83 − 80.8)2 + (77 − 80.8)2 + (85 − 80.8)2 + (79 − 80.8)2 + (84 − 80.8)2 )

+ ((75 − 78.7)2 + (76 − 78.7)2 + (78 − 78.7)2 + (79 − 78.7)2 + (77 − 78.7)2

+ (80 − 78.7)2 + (81 − 78.7)2 + (79 − 78.7)2 + (82 − 78.7)2 + (80 − 78.7)2 )

+ ((84 − 85.9)2 + (85 − 85.9)2 + (82 − 85.9)2 + (86 − 85.9)2 + (83 − 85.9)2

+ (88 − 85.9)2 + (85 − 85.9)2 + (87 − 85.9)2 + (89 − 85.9)2 + (90 − 85.9)2 )}

∑{(20.25 + 2.25 + 2.25 + 12.25 + 12.25 + 0.25 + 0.25 + 6.25 + 6.25 + 20.25 + 7.84

+ 0.64 + 0.04 + 3.24 + 1.44 + 4.84 + 14.44 + 17.64 + 3.24 + 10.24 + 13.69

+ 7.29 + 0.49 + 72.25 + 0.09 + 2.89 + 1.69 + 5.29 + 0.09 + 10.89 + 1.69

+ 3.61 + 0.81 + 15.21 + 0.01 + 8.41 + 4.41 + 0.81 + 1.21 + 9.61 + 16.81)}

∑ = 251.1 𝑆𝑆𝐸

• Grados de libertad (gl): (N° de datos-1)

Suma de Cuadrados Totales

40 − 1 = 39

• Número de tratamientos: (N° de tratamientos-1)

 Suma de Cuadrados Totales:

𝑆𝑆𝑇𝑔𝑙 = 4 − 1 = 3

Suma de Cuadrados Residual/error:

𝑆𝑆𝐸𝑔𝑙 = 39 − 3 = 36

• Cuadrados medios:

𝑇𝑆𝑆
𝐶𝑀𝑇𝑆𝑆 =
𝑆𝑢𝑚𝑎 𝑑𝑒 𝐶𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑇𝑜𝑡𝑎𝑙𝑒𝑠

690.95
𝐶𝑀𝑇𝑆𝑆 =
39

𝐶𝑀𝑇𝑆𝑆 = 17.71

𝑆𝑆𝑇
𝐶𝑀𝑆𝑆𝑇 =
𝑆𝑆𝑇𝑔𝑙

439.87
𝐶𝑀𝑆𝑆𝑇 =
3

𝐶𝑀𝑆𝑆𝑇 = 146.62

𝑆𝑆𝐸
𝐶𝑀𝑆𝑆𝐸 =
𝑆𝑆𝐸𝑔𝑙

251.1
𝐶𝑀𝑆𝑆𝐸 =
36

𝐶𝑀𝑆𝑆𝐸 = 6.975

𝐶𝑀𝑆𝑆𝑇
𝐹 − 𝑟𝑎𝑡𝑖𝑜 =
𝐶𝑀𝑆𝑆𝐸
 146.62
𝐹 − 𝑟𝑎𝑡𝑖𝑜 =
6.975

𝐹 − 𝑟𝑎𝑡𝑖𝑜 = 21.02

Fuente de Suma de Grados de Cuadrados

F-ratio
Variación Cuadrados SST Libertad (gl) Medios (CM)
Total 690.95 39 17.71
Tratamiento 17.71 3 146.62 21.02
Residual 1.969 36 6.975

e) Subraye el valor de probabilidad (P) obtenido y tome una decisión con base en este.

Discuta y concluya de acuerdo con la prueba de hipótesis realizada (recuerden cómo se

escribe cuando se concluye con base en los datos estadísticos, no es igual que con las

hipótesis de investigación).

Como el valor de significancia es de (𝛼 = 0.05), se rechaza la hipótesis nula. Así que

existe evidencia estadística suficiente para concluir que al menos uno de los tratamientos

de fertilización tiene un efecto diferente en el crecimiento de los árboles.

El valor de P asociado al 𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 21.02 es bastante grande, así que es probable que

el p-valor sea extremadamente pequeño.

Así que el valor 𝑝 = 4.83 ∗ 10−18 , mucho menor que el nivel de significancia

establecido, por lo tanto, se rechaza la hipótesis nula (𝐻0 ), indicando que existen

diferencias significativas en las alturas promedio de los árboles entre los diferentes

tratamientos.
 Conclusiones

En este trabajo se destaca la importancia de los conceptos y modelos estadísticos como

herramientas indispensables para la investigación científica. A través del análisis de un artículo

científico, se evidencia cómo técnicas como la distribución de Poisson y el cálculo de

probabilidades permiten modelar fenómenos biológicos de manera precisa. Además, el cálculo

de medidas descriptivas, como la media y la desviación estándar, aporta claridad y contexto a la

interpretación de datos.

Por otro lado, el ANOVA resultó ser una herramienta eficaz para evaluar diferencias

significativas entre grupos, validando su utilidad en el diseño experimental. En conclusión, la

correcta aplicación de estas técnicas bioestadísticas no solo mejora la calidad de la investigación,

sino que también facilita la obtención de resultados más confiables y reproducibles.

 Referencias Bibliográficas

Artículo:

Fernández, L., Lara, A. M., Pereyra, A. M., Guerra, W., & Calzadilla, de. (2024). Estadística

Aplicada a la Ingeniería Agrícola y a las Ciencias Agropecuarias. Su contribución en la

docencia, investigación y transferencia de conocimiento. Revista Ciencias Técnicas

Agropecuarias, 22(2), 84–88. [Link]

00542013000200014&script=sci_arttext&tlng=en

Otras referencias:

Microsoft OneDrive. (2024). [Link].

[Link]

121%211908&cid=57ACC56615534121

de, D. (2017, January 18). Distribución de Poisson 1. TABLAS EN LINK SELECCIONANDO

MOSTRAR MÁS. YouTube. [Link]

Matemática, E. (2020, May 25). Ejemplo Distribución de Poisson (Probabilidad, Esperanza

Matemática y Varianza). YouTube. [Link]

POISSON, D. (2020, November 17). DISTRIBUCIÓN POISSON - EJEMPLO. YouTube.

[Link]