ESTADÍSTICA DESCRIPTIVA (PARA AGRARIAS)
ELABORADO POR:
CRISTIAN DANILO DIAZ
1088799104
EDWIN OMAR RUANO
1087406216
OSCAR EDUARDO MARTINEZ
ANDERSON SANDOVAL
Grupo: 300046_55
PRESENTADO AL TUTOR:
HECTOR FABIO LOPEZ
DIRECTOR DE CURSO
LUIS ALBERTO CACERES
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)
OCTUBRE 2021
INTRODUCCION
OBJETIVO GENERAL
OBJETIVOS ESPECIFICOS
a. Espacio muestral, con qué letra se denota.
El espacio muestral en lo cual se denota con la letra griega omega Ω en lo cual está compuesto
por todos los sucesos elementales y compuestos de la muestra y que por lo tanto coincide con el
suceso seguro es decir aquel suceso que siempre va a ocurrir.
b. Punto muestral.
Los puntos muéstrales en lo cual son los resultados simples de un experimento. En términos más
simples. Los puntos muéstrales son los eventos de un espacio muestral. Diciendo así que es el
resultado de un experimento.
c. Evento muestral.
Un evento o suceso es cualquier subconjunto del espacio muestral. En lo cual corresponde a
varios de los posibles resultados en lo cual generalmente se lo distingue o conoce con letras
mayúsculas. Llamándose a los sucesos que contengan un único elemento sucesos elementales.
d. Variable aleatoria
Una variable aleatoria es la función matemática de un experimento aleatorio
e. ¿Qué significa que el espacio muestral de una variable aleatoria continua es no
contable?
Cuando se trabaja con variables aleatoria continua se dice que es no contables cuando en el
espacio muestral puede dar como resultado un numero infinito
f. ¿Qué son variables aleatorias discretas proporcionales y que son variables aleatorias
discretas de conteo no acotado? De ejemplos de este tipo de variables.
Cuando en el experimento no se puede superar el numero de elementos evaluados, hace
referencia a variables aleatorias discretas proporcionales. Cuando se trata de una variable que
solo toma un numero finito de valores en un intervalo dado se hace referencia a las variables
aleatorias discretas de conteo no acotado, como por ejemplo en una muestra de semen, el numero
de espermatozoides presentes.
g. Existen dos conceptos de probabilidad: el clásico y el concepto frecuencial; defina
cada uno.
Clásico: este tipo de probabilidad distribuye equitativamente en cada suceso la probabilidad que
compone el espacio muestral.
Frecuencial: es la que se da aplicando la fórmula de números de puntos muestrales favorables/
número total de puntos muestrales en el espacio muestral.
h. En el caso de la probabilidad frecuencial, explique el experimento de germinación
de una semilla, cuál es el experimento aleatorio, cuál es el evento y cuantos puntos
muestrales tiene.
El experimento aleatorio serían las 1000 semillas
El evento es que pueden germinar entre 1 a 1000 semillas
Los puntos muestrales son las 600 semillas geminadas que en porcentaje corresponde al 60%.
i. ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de probabilidad?
La frecuencia relativa se obtiene después de dividir la frecuencia absoluta por el número de veces, n,
que se repite el experimento aleatorio, cuando este número n es muy grande, la frecuencia relativa con
que aparece un suceso tiende a estabilizarse hacia un valor fijo, entonces es donde aparece la
probabilidad que es el número hacia el que tiende la frecuencia relativa al repetir el ejemplo muchas
veces.
j. ¿Qué son eventos mutuamente excluyentes?
Los eventos mutuamente excluyentes son en los cuales si uno sucede el otro no puede ocurrir.
¿Cómo es la intersección de dos eventos mutuamente excluyentes?
Según Artur Interian (2017) La fórmula es "Si A y B son eventos mutuamente excluyentes, entonces la
probabilidad de que A o B suceda es equivalente a la probabilidad del evento A más la probabilidad del
evento B".
¿Si son excluyentes, dado un evento A y uno B, a que es igual la P(A ꓴ B)?
P(A ꓴ B) = P(A) + P(B) -P(A∩B)
k. En el caso de distribuciones de variables aleatorias, si una variable es continua y simétrica,
¿qué modelo se usa?
Una variable continua, X, con función de densidad fx, es simétrica alrededor de un punto α ∈ R si y solo
si fx(α + x) = fx(α − x), ∀x ∈ R.
l. Para una variable de conteo no acotado, ¿qué modelo se utiliza?
m.Para variables de proporciones ¿qué modelo se utiliza?
n. ¿Qué variables tienen función de probabilidad y cuáles variables
tienen función de densidad?
o. ¿Cuáles son los parámetros más usados en estadística para
estudiar y utilizar funciones de distribución de variables
aleatorias?
p. ¿Qué es la esperanza matemática de una variable aleatoria?
¿cómo se denota?
2. Lea el Capítulo 3 – Modelos probabilísticos del libro Estadística y
Biometría de Mónica Balzarini y responda las siguientes preguntas:
a. Qué tipo de histograma se debe seleccionar en un modelo
probabilístico para una variable aleatoria continua cuando se
tienen datos de esa variable.
b. Qué es la estandarización, cuál es su fórmula.
c. Qué tipo de conteos se trabajan con la distribución Binomial.
d. En la distribución binomial qué es n y qué es P.
e. A qué es igual la esperanza y la varianza en la distribución
binomial.
f. Mencione ejemplos en su área de estudio donde se podría utilizar la distribución Binomial.
La distribución Binominal en lo cual puede usarcé para el cálculo de probabilidades de eventos
provenientes de conteos acotados, en lo cual se supone que se desarrolla cierto número (n) de
experimentos aleatorios y en cada experimento se registra uno de dos resultados posibles como, por
ejemplo, como en el caso de mi área de estudio como lo es ingeniería podría utilizar en la forma de
reciclar en el buen uso de los compuestos sólidos y residuos orgánicos, calcular la probabilidad de la
forma de reciclaje para estos compuestos.
g. Qué tipos de conteos se trabajan con la distribución de Poisson.
La distribución de poisson en lo cual también sirve como modelo probabilísticos para variables discretas
de tipo de conteo. A diferencia del Binomial, donde los conteos se realizan sobre (n) y experimentos
independientes, en el caso de la poisson, los conteos se refieren al número de veces que un evento
ocurre en una unidad de tiempo. Una variable en lo cual cumple una distribución de poisson en lo cual
cumple y realiza las siguientes condiciones.
Todos los eventos son independientes
En la definición de los datos son los conteos
Una poisson puede permanecer a los naturales entre 0 o infinito.
h. Cómo se denota el único parámetro de la distribución de Poisson.
El único parámetro se denota de la distribución de poisson es λ si una variable aleatoria y se distribuye
como poisson en lo cual lo denotamos como Y Poisson (λ). Esta distribución tiene un único parámetro
que representa la esperanza y también a la varianza, es decir que cuando Y Poisson (λ), se cumple
μ=E (Y )=λ
2
σ =V (Y )=λ
I ¿A qué es igual la media y la varianza en la distribución de Poisson?
L a propiedad de esperanza igual a varianza de la distribución poisson implica que al aumentar el
porcentaje de los conteos en lo cual también aumenta también su varianza. La varianza de una poisson
es fusión de la media. la distribución normal (λ, λ) podría utilizarse para aproximar la distribución de
Poisson.
j. Mencione ejemplos en su área de estudio donde se podría utilizar la distribución de Poisson.
En mi área de estudio como lo es la ingeniería Ambiental uno de los ejemplos donde podría utilizar la
distribución de Poisson como el número de la formama de Reciclaje en lo cual se determinan para un
municipio. También podría ser en las muestras de agua.
3. Abra “Script Fase 3 - DADOS.txt”, ejecútelo y responda las siguientes
preguntas:
a. Explique en sus propias palabras el experimento aleatorio del
dado. Este ejercicio nos ayudará a entender los conceptos de
probabilidad y distribución.
Al lanzar los dados tenemos varias opciones de resultado debido a que cada dado cuenta con 6
caras. Teniendo en cuenta eso podemos armar el espacio muestral agrupando los posibles
resultados así:
(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) ESPACIO MUESTRAL
(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)
Para poder obtener la probabilidad de obtener algún resultado debemos tener en cuenta que
contamos con 36 posibilidades. Por esto si quiero saber la probabilidad de obtener algún numero
mayor de 10 a sumar los números de ambos dados, nos quedaría de la siguiente forma
Posibles opciones:
(5-6)
(6-5) (6-6)
3/36 =0,083 que representa el 8,3%
b. Adjunte en el informe los tres gráficos generados por el script (Frecuencias Absolutas, frecuencias
relativas y frecuencias relativas acumuladas). No debe haber más de un gráfico por página.
PERIODO 954 - Gráfico de barras SUMA DE CARAS
6
5
Frecuencias absolutas
4
3
2
1
0
2 3 4 5 6 7 8 9 10 11 12
Este grafico muestra la cantidad de veces que aparece la suma de caras al lanzar dos dados.
PERIODO 954 - FRECUENCIAS RELATIVAS SUMA DE CARAS
0.20
0.15
Frecuencias relativas
0.10
0.05
0.00
2 3 4 5 6 7 8 9 10 11 12
Este grafico nos muestra el cociente entre la frecuencia absoluta y el número total de
sumas posibles, dándonos valores entre 0 y 1.
PERIODO 954 - FRECUENCIAS RELATIVAS ACUMULADAS SUMA DE
1.0
0.8
Frecuencias relativas
0.6
0.4
0.2
0.0
2 3 4 5 6 7 8 9 10 11 12
Este grafico nos muestras las frecuencias acumuladas es decir sumando todas las
frecuencias anteriores dada el punto.
4. Abra en el programa R “Script Fase 3 – MODELOS.txt” y ejecútelo.
Este script dará respuesta a los ejercicios del libro “Estadística y Biometría
de Mónica Balzarini” en el Capítulo 3 – Modelos probabilísticos; describa los
ejercicios y responda las siguientes preguntas:
a. Distribución normal - Ejercicio de las vacas del tambo (página 91).
i. Presente y describa el gráfico "Producción de leche - Función de
Distribución N (misma varianza, distinta media)". Este gráfico muestra
dos distribuciones dentro de la misma gráfica -una azul y otra roja-. Para
obtenerlo, cuando aparezca la gráfica de distribución de color azul, NO LA
CIERRE, continúe ejecutando el script (para volver al script, ubique el cursor
en el marco azul, donde aparece el nombre del script, para que no pierda la
secuencia de ejecución).
ii. Presente y describa el gráfico "Producción de leche - Función de
Distribución N (misma media, distinta varianza". Al igual que el
anterior, muestra dos distribuciones en la misma gráfica, cada una con
distinta varianza, cuando le aparezca el primer gráfico (color azul) no lo
cierre y continúe ejecutando el script hasta que le aparezca la segunda línea
de distribución (color rojo).
b. Probabilidad en distribución normal - Ejercicio del híbrido de maíz (página
93).
i. Presente y describa el gráfico “Rendimiento de maíz - Función de
Distribución N (media.sigma)”
ii. Indique los valores de media (µ) y sigma (σ).
iii. Indique la probabilidad de que el rendimiento sea igual o menor que 55
qq/Ha.
iv. Indique la probabilidad de que el rendimiento sea mayor que 55 qq/Ha.
v. Indique la probabilidad de que el rendimiento se encuentre entre 50 y 65
qq/Ha.
vi. Presente y describa el gráfico “Rendimiento de maíz Distribución
Normal con área bajo la curva”
c. Distribución binomial - Ejercicio de la semilla de Panicum sp.
(página 102).
i. Indique la probabilidad de que germinen 8 de las 10 semillas.
ii. Indique la probabilidad de que germinen al menos 4 de las 10 semillas.
iii. Indique la probabilidad de que germinen 4 o más semillas.
iv. Indique la probabilidad de que germinen a lo sumo 6 semillas.
v. Indique la esperanza (E) de esta variable aleatoria.
vi. Indique la varianza (V) de esta variable aleatoria.
vii. Presente y describa el gráfico “Distribución Binomial - Germinación
de semillas\n(n=10,p=0.25)”
d. Distribución Poisson - Ejercicio de las picaduras de gorgojo (página 105).
i. Indique la probabilidad de que en 100 semillas dos tengan 1
picadura.
> dpois(x1,lamda) # La probabilidad de que en 100 semillas dos tengan 1
picadura
[1] 0.01637462
ii. Indique la probabilidad de que en 100 semillas dos o más tengan
picaduras.
> 1-(dpois(x0,lamda)+dpois(x2,lamda)) # Esta es la probabilidad de
que en 100 semillas dos o más tengan picaduras.
[1] 0.0175231
iii. Indique la probabilidad de que en 100 semillas una tenga
picaduras.
> dpois(x2,lamda) # Probabilidad de que en 100 semillas una tenga picaduras
[1] 0.1637462
CONCLUSIONES
BIBLIOGRAFIA
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=322177
5&query=bioestadística
