1.

Definir los siguientes conceptos tomados del libro de Balazarini se aclara

que para la presente actividad el estudiante debe consultar el capítulo dos
variables aleatorias y probabilidades y el capítulo tres modelos
probabilísticos.
Espacio muestral:
Conjunto de datos, valores o resultados posibles que puede asumir en un estudio de tipo
aleatorio. El espacio muestral se denota con la letra omega (). (Balzarini, 2013)
Punto muestral:
Se denomina punto muestral a los distintos resultados posibles de un estudio aleatorio,
es decir a cada elemento del especio muestral. (Balzarini, 2013)
Evento muestral:
Este concepto se define como cualquier subconjunto de elementos provenientes del
especio muestral. (Balzarini, 2013)
Explique en sus propias palabras el experimento aleatorio del dado deben
descargar el CODIGODADO disponible en la siguiente columna. El estudiante
debe entender que, aunque no es un experimento agropecuario nos ayuda a
entender los conceptos planteados:
Este ejercicio consiste es determinar las probabilidades de obtener diferentes resultados
a lanzar dos dados. Al lanzar los dos dados existen 36 posibilidades de obtener
resultados ejemplo los dados pueden caer 1-1, 1-2, 2-2, 2-4 y así sucesivamente hasta
llegar a las 36 diferentes resultados, a esos 36 resultados posibles se les denomina
espacio muestral. Por otra parte al lanzar los dados existen otras posibilidades, las
cuales son de obtener dos números impares (3-5) o dos números pares (2-4) y por
ultimo tenemos la probabilidad de sacar dos números iguales (6-6), la cual es más
remota, este conjunto de resultados pueden ser denominados como subconjuntos o
eventos.
Para el caso de los números iguales se pueden obtener un total de seis combinaciones
diferentes (1-1, 2-2, 3-3, 4-4, 5-5, 6-6) esos 6 resultados los divididos en el total de los
resultados que son 36 y así obtenemos la probabilidad (6/36=0, 166), seguido al
multiplicarlo por 100 obtenemos 16,6% de probabilidades de obtener dos números
iguales al lanzar dos dados.
Variable aleatoria:
Esta variable representa la asignación de números reales a cada uno de los elementos del
espacio muestral, luego se asignaran a cada valor probabilidades de ocurrencia.
Dependiendo del tipo de espacio muestral así mismo será su variable aleatoria.
(Balzarini, 2013)

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

contable?:
De lo anterior podemos decir que significa que en relación con dos valores de la
variable, pueden realizarse un número infinito de otros valores, es decir no tendrán fin
alguno.

¿Que son variables aleatorias discretas proporcionales y que son variables

aleatorias discretas de conteo no acotado? De ejemplos este tipo de variables:
Las variables aleatorias discretas proporcionales son aquellas las cuales provienen de
conteos que nos pueden superar el número de elementos evaluados. Un ejemplo de una
variable discreta expresada como proporción es 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. (Balzarini,
2013)
Por su parte las variables aleatorias discretas de conteo no acotado son aquellas en las
cuales no se posee un denominador de origen natural, ejemplo de ello es la cantidad de
pústulas o manchas de roya encontradas en una determinada superficie de cultivo de
café.

Existe dos conceptos de probabilidad el clásico y 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, cuántos puntos muéstrales
tiene:
El concepto clásico de probabilidad se relaciona con la tendencia a infinito del espacio
muestral, basado así en la observación de los elementos del mismo. (Balzarini, 2013)
La definición frecuencial de probabilidad tiene que ver con una serie repetida de estudios
de carácter aleatorio. También está dada cuando el espacio muestran es infinito y de esta
forma no pueden enumerarse todos los resultados obtenidos producto del estudio.
(Balzarini, 2013)
Para ejemplificar lo anterior recurriremos al ejemplo de la germinación de semillas, para
este caso se tiene un lote de semillas, de la cual sacaremos la probabilidad de que la
semilla germine óptimamente. Cogemos una semilla y la plantamos esperando que
germine, pero este proceso lo repetiremos 500 veces, osea se usaran 500 semillas, este
número de repeticiones será N, tengamos en cuenta que para lograr obtener la
probabilidad debemos saber el número de veces que el evento ocurre en la cantidad de las
repeticiones y lo denotaremos 𝑛𝐴 . La probabilidad de germinación de una semilla en la
totalidad de las repeticiones la denominaremos P(A). Si de las 500 repeticiones (N) se
observó una germinación de 300 semillas (𝑛𝐴 ), diremos que la probabilidad de que una
semilla germine se representa por:

P(A) = P (observar una semilla germinada) =𝑛𝐴 =N = 300/500= 0,6 y esta es la

probabilidad de observar una semilla germinada en las 500 repeticiones. (Balzarini,
2013)
El experimento aleatorio es la semilla, el evento es la probabilidad de que la semilla
germine y la cantidad de puntos muéstrales es uno que depende de la cantidad de semillas
germinadas en la totalidad de repeticiones.

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

probabilidad?:
La frecuencia relativa se da cuando el número de repeticiones de un determinado
experimento no es grande o elevado, por su parte para considerar una función como
probabilidad, se debe asignar a cada evento del espacio muestral un número real entre 0
y 1. (Balzarini, 2013)
¿Que son eventos mutuamente excluyentes?, como 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)?:
Los eventos mutuamente excluyentes son aquellos en los cuales cada evento cuenta o
está formado por puntos muéstrales totalmente diferentes, lo que significa que no existe
ningún punto muestral en la intersección de los subconjuntos. (Balzarini, 2013)
La intersección de dos eventos mutuamente excluyentes conforma un nuevo conjunto, el
cual posee puntos muéstrales pertenecientes tanto al subconjunto A como al B, la
intersección entre dos conjuntos se denota A∩B, pero si A y B son excluyentes, la
intersección es vacía por lo tanto P(AB), es igual a cero. (Balzarini, 2013)
P(AB), es igual a la suma de las probabilidades de cada evento.
En el caso de distribuciones de variables aleatorias cuando una variable es
continua y simétrica que modelo se usa:
Para el caso de variables continuas simétricas es usual la implementación del modelo
normal.
¿Para una variable de conteo no acotado que modelo se utiliza?:
Para una variable de conteo no acotado se utiliza el modelo de Poisson.
Para variables de proporciones que modelo se utiliza?:
Para el caso de variables de proporción es común la utilización de modelos.
Que variables tienen función de probabilidad y que variables tienen función de
densidad:
Para el caso de variables con función de probabilidad encontramos las variables
discretas. Como variables con función de densidad podemos encontrar las variables
continuas.
¿Cuáles son los parámetros más usados en estadística para estudiar y utilizar funciones de
distribución de variables aleatorias?:
Los parámetros más usados en estadística para estudiar funciones de distribución de variables
aleatorias son el valor esperado, que a su vez formaliza el valor medio en un fenómeno
aleatorio.
Por otra parte tenemos el parámetro de varianza, el cual formaliza la incertidumbre y 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. (Balzarini, 2013)
¿Qué es la esperanza matemática de una variable aleatoria, como se denota?:
Es considerada como un promedio de los valores asumidos por la variable, allí cada valor es
ponderado por la probabilidad de su ocurrencia. Esta se denota con la letra griega µ.
Que es la varianza de una variable aleatoria, como se denota?:
La varianza de una variable es una medida de dispersión y es denotada con la letra
griega sigma (2  ).
¿Qué tipo de histograma se selecciona en un modelo probabilístico para una
variable aleatoria continúa cuando se tienen datos de esa variable?:
Se debe seleccionar un histograma de variables de tipo relativas, posteriormente se debe
hacer una observación de la forma del mismo. Se pueden aplicar modelos teóricos y
funciones matemáticas que permiten ajustar o aproximar el histograma. (Balzarini,
2013).
Formula de densidad para distribución normal:

¿Qué es la estandarización, cuál es su fórmula?:

Es una función que nos permite llevar una función de distribución carácter normal a una
distribución de carácter normal estándar. Esta función la representa la siguiente formula:
𝑦−µ
𝑍= √2
(Balzarini, 2013)

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

Se establecen dos tipos de conteos en la distribución binomial, estos representan el éxito
y fracaso.
Formula de densidad de distribución binomial.
𝑛
( ) 𝑝 𝑦 (1 − 𝑝)𝑛−𝑦
𝑓(𝑦; 𝑛, 𝑃) = { 𝑦 𝑠𝑖 𝑦 = 0, 1, … . , 𝑛
0
En la distribución binomial que es n y que es P:
En la distribución binomial n hace referencia al número de experimentos, y P hace
referencia a la probabilidad de ocurrencia o éxito.
A que es igual la esperanza y la varianza en esta distribución:
La esperanza en esta distribución es igual al número de repeticiones del experimento,
multiplicado por la probabilidad de ocurrencia o éxito, así: nxP. (Balzarini, 2013)
Por su parte la varianza es igual al número de repeticiones del experimento,
multiplicado dos veces por la probabilidad, así: nxPxP. (Balzarini, 2013)
¿Qué tipos de conteos se trabaja con la distribución de Poisson?
Con la distribución de Poisson se trabajan conteos que hacen referencia al número de
veces que un evento ocurre en una unidad de tiempo o espacio determinada. Como por
ejemplo: hora, metro cuadrado, metro cubico, planta, entre otros. (Balzarini, 2013)
Formula de densidad distribución de Poisson.

𝞴𝒚 𝒆−𝞴
𝑓(𝑦, 𝞴) = { 𝒚! 𝒔𝒊 𝒚 = 𝟎, 𝟏, 𝟐, …
𝟎
¿En agronomía se usa para que tipo de conteos?:
En agronomía es utilizado principalmente para determinar el número de insectos sobre
una planta, 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.
(Balzarini, 2013)
¿Cómo se denota el único parámetro de esta distribución?, ¿a que es igual la media
y la varianza?:
El parámetro de la distribución de Poisson se denota con . La varianza de poisson
aumenta a medida que aumentan los conteos y esta es función de la media.
Revisando el ejercicio de la tabla 3.1 del libro de Balzarini como se obtiene λ en
este caso a que es igual la media y la varianza.
En este ejercicio para obtener λ primero que todo se multiplica el número de granos de
arroz partidos que se encontraron en cada muestra, por el total de muestras en las que se
identificó esa cantidad de granos partidos, luego se suman las multiplicaciones y se
dividen en el total de muestras.
En este caso la varianza es igual a la cantidad de granos partidos que se pueden
encontrar en un kilogramo de arroz.

2. Aplicación de conceptos.
Estudie el ejercicio de velocidad del viento de la del texto y explicar por qué hay un
sitio mejor para el objeto del estudio, pueden tomar pantallazos del gráfico.
En el estudio de velocidad del viento se puede identificar claramente que teniendo en
cuenta las ubicación e instalación de los molinos de viento, así mismo serán los resultados
en cuanto a generación de electricidad para bobeo de agua subterránea. Se debe tener en
cuenta que para garantizar un óptimo funcionamiento y mayor generación de electricidad
se deben garantizar vientos promedio de al menos 26 km/h. si se tiene en cuenta el
ejercicio la zona sur muestra que la probabilidad de obtener vientos de 26km/h es baja,
pues solo en un 10% de las veces los vientos superan ese rango, por lo que no es
recomendable para generación eléctrica y extracción de agua subterránea, mientras que
en la zona norte el viento alcanza una velocidad de 46km/h casi el 50% de las veces, lo
que significa que la zona norte es la mejor opción para lograr la mayor generación de
energía y así lograr la extracción de agua subterránea.

Desarrolle el ejercicio 2.1 del texto de Balzarini y en el caso del punto e revise la
presentación de probabilidad en R. En este caso se requiere obtener la tabla de
frecuencias relativas f(y) y la tabla de frecuencias relativas acumuladas que es la
misma F(Y), este ejercicio se puede desarrollar en una tabla de Word.
Ejercicio 2.1: Supongamos que se toma una muestra aleatoria con reposición de tamaño
n=2 a partir del conjunto {1, 2, 3} y se produce el siguiente espacio muestral con 9 puntos
muéstrales:
Ω= {(1,1), (1,2), (1,3), (2,1), (2,2), (2,3), (3,1), (3,2), (3,3)}
Supongamos además que definimos la variable aleatoria Y=suma de los dos números, que
conforma un nuevo espacio probabilístico y que estamos interesados en los siguientes
eventos:
Ω (y) = {2, 3, 4, 5, 6}
El evento A conformado por los puntos muéstrales cuya suma sea un número par, es decir,
A= {(1,1), (1,3), (2,2), (3,1), (3,3)} y P (A)= 5/9 = 0,56
El evento B conformado por los puntos muéstrales cuya suma sea un número impar,
siendo B= {(1,2), (2,1), (2,3), (3,2)} y P (B)=4/9 = 0,44
El evento C conformado por los elementos cuya suma es 5.
C= {(2,3), (3,2)} y P (C)=2/9 = 0,22

Tabla de frecuencias relativas y frecuencias relativas acumuladas.

Y f(y) F(y)

2 f(2) = 1/9 F(2) = 1/9 = 0,11

3 f(3) = 2/9 F(3) = f(2)+f(3) = 1/9+2/9 = 3/9=

0,33

4 f(4) = 3/9 F(4) = f(2)+f(3)+f(4)= 1/9+2/9+3/9=

6/9= 0,67

5 f(5) = 2/9 F(5)=f(2)+f(3)+f(4)+f(5)=

1/9+2/9+3/9+2/9= 8/9 = 0,89

6 f(6) = 1/9 F(6)=f(2)+f(3)+f(4)+f(5)+f(6)=

1/9+2/9+3/9+2/9+1/9= 9/9 = 1
Preguntas:
a) ¿Qué tipo de concepto de probabilidad aplicaría para calcular probabilidades?
El concepto de probabilidad trabajado es de tipo clásica.
b) Los eventos A y B, ¿son independientes?
No, pues la intersección entre los eventos A y B tienen elementos en común pues a su
vez se están tomando puntos muéstrales del espacio muestral y se están sumando en los
eventos tanto A como B, bien sea para obtener números pares como impares
respectivamente.
c) ¿Cuál es la probabilidad de que ocurra A o B?
La probabilidad de que ocurra A o B es de 1. Osea que la probabilidad de que ocurra A
es igual a que ocurra B pues esta se denota como P=A U B, que es igual a la
probabilidad que ocurra A o B.
d) ¿Cuál es la probabilidad de que ocurra B o C?
La probabilidad de que ocurra B o C es de 0,66 o 66 %.
e) Representar tabularmente a F(Y).
y F(y)
0,11 0,11
0,33 0,33
0,67 0,67
O,89 O,89
1 1

Desarrolle el ejercicio 2.3 del texto de Balzarini, para el desarrollo de este punto
puede usar Excel y es una variable discreta, la cantidad de días es la frecuencia
absoluta, hay que sacar f(y) que es la frecuencia relativa , de las frecuencias relativas
salen las probabilidades de cada valor de la variable número de tractores vendidos,
en el caso de tres o más se suma la de tres y la de cuatro pues no hay más .
Ejercicio 2.3: Los siguientes datos corresponden a la venta de tractores que registra una
empresa de maquinarias agrícolas en los días laborables del último año:
Tractores vendidos. Cantidad de días.
0 110
1 80
2 35
3 25
4 10
Total. 260
 Cantidad de
No. Tractores % Fr.Absoluta
días. (Fr. Fr relativa
vendidos. probabilidad acumulada
Absoluta)
0 110 0,42307692 42,3076923 110
1 80 0,30769231 30,7692308 190
2 35 0,13461538 13,4615385 225
3 25 0,09615385 9,61538462 250
4 10 0,03846154 3,84615385 260
Total. 260 1 100

En la tabla de frecuencias de la variables discreta número de tractores, teniendo en

cuenta la cantidad de tractores vendidos en un número determinado de días. Se obtiene
la frecuencia relativa que significa la cantidad de tractores que se vendieron al cabo de
esos días, posteriormente se obtiene la probabilidad que es el resultado de multiplicar la
frecuencia relativa por el 100 por ciento.
Preguntas:
a) ¿Cuál es la variable en estudio?
Variable discreta.
b) ¿Cuántos resultados posibles tiene la variable? ¿Qué tipo de variable es?
La variable tiene 260 resultados posibles, Variable cuantitativa.
c) ¿Cuál es la probabilidad de que hoy no venda ningún tractor?
La probabilidad de que hoy no venda ningún tractor es de 0,42 o del 42 por ciento.
d) ¿Cuál es la probabilidad que un día, seleccionado al azar dentro de los días
laborables del año, venda 3 o más tractores?
La probabilidad de un día cualquiera vender 3 tractores es de 0,09 o del 9 por ciento.
e) ¿Cuál es la probabilidad que en los próximos dos días venda 3 tractores?
La probabilidad de vender 3 tractores en los próximos dos días es de 0,13 o 13
porciento.
El estudiante debe descargar en su carpeta de trabajo el archivo Excel
PROBABILIDAD.csv y el código CODIGOPROBABILIDAD, debe verificar
lectura de la carpeta y correr el respectivo código. En este caso el código explica
como seleccionar las variables y el programa las lee del archivo PROBABILIDAD
Cada estudiante debe correr el modelo para una variable discreta y una continua
dando conclusiones de lo encontrado acorde a su profesión. ¿Cuál es conteo de más
alta probabilidad? En el caso de la variable continua el 50% de los datos de su
variables serán menores o iguales a que a valor? Variable cuantitativa discreta.
En los anteriores pantallazos se observa la realización del procedimiento en el programa
R, además de eso se identifica claramente los conteos con mayor probabilidad de
ocurrencia.

Gráfico de barras CONT EO

14
12
Frecuencias absolutas

10
8
6
4
2
0

0 1 2 3 4 5 6 7 8 9 10
En el gráfico de barras podemos identificar claramente que para la variable ACAROS10
el conteo de más alta probabilidad es el de 2 y 3 respectivamente, con una frecuencia de
15 %.

FRECUENCIAS RELATIVAS CONTEO

0.20
0.15
Frecuencias relativas

0.10
0.05
0.00

0 1 2 3 4 5 6 7 8 9 10

En el gráfico de frecuencias relativas nos confirma que los conteos 2 y 3 presentan

mayor probabilidad con un 15 % como se observa en la imagen.

FRECUENCIAS RELAT IVAS ACUMULADAS CONT EO

1.0
0.8
Frecuencias relativas

0.6
0.4
0.2
0.0

0 1 2 3 4 5 6 7 8 9 10
 Variable cuantitativa continúa. pH2.

En los anteriores pantallazos se identifica en desarrollo de la actividad pH2 en el

programa R, en el cual se identifica claramente que las mayoría de los pH están en un
rango igual o menor a la mediana que es de 5. Lo anterior se identifica en las gráficas
obtenidas.
 40
30
Frequency

20
10
0

3.96 4.22 4.48 4.75 5.01 5.27 5.54 5.80 6.06

Class limits

En el histograma de frecuencias absolutas de pH2 se pude identificar que los mayores

resultados se presentan en un rango igual o menor a 5.
0.4
0.3
Frequency

0.2
0.1
0.0

3.96 4.22 4.48 4.75 5.01 5.27 5.54 5.80 6.06

Class limits

Así mismo se observan los mismos resultados en la gráfica de frecuencias relativas,

resultados iguales o menores a 5.
 Polígono de frecuencias absolutas.

40
30
Frequency

20
10
0

3.96 4.22 4.48 4.75 5.01 5.27 5.54 5.80 6.06

Class limits

Se observa la mayoría de los resultados en un rango igual o menor a 5.

Polígono de frecuencias relativas acumuladas.
100
80
60
Frequency

40
20
0

3.96 4.22 4.48 4.75 5.01 5.27 5.54 5.80 6.06

Class limits
 Distribución empirica

1.0
0.8
Distribución empirica

0.6
0.4
0.2
0.0

2000 2500 3000 3500

pH2

En conclusión tenemos que para la variable pH2 los valores están igual o menor a al
valor de la mediana (5), en un 50% o más de probabilidad.
En este punto se pretende que el estudiante aprenda a aplicar modelos
probabilísticos debe revisar en el capítulo tres modelos probabilísticos, en este los
ejercicios de aplicación de los modelos normal, binomial y Poisson, para lo cual el
estudiante debe descargar el código MODELOS y ubicarlo en la carpeta
estadística descriptiva, para correrlo desde el programa R.
MODELO NORMAL
Deben revisar en el texto el ejercicio de las vacas del tambo en el texto, en el código
de MODELOS, deben correr el código para este ejercicio que esta con los datos del
texto, adicionalmente deben hacer la gráfica de la función de densidad con una
media de 28 y 23 ambas con una varianza de 10 misma varianza en ambos casos, y
hacer el ejercicio con un media de 32 y dos varianzas una de 10 y otra de 8, es el
caso de la misma media y dos varianzas, que pasa cuando se cambia le media y hay
la misma varianza, hacia donde se desplaza la figura y que pasa cuando se cambia
la varianza en que se afecta la figura.
 En los anteriores pantallazos podemos observar el desarrollo del ejercicio de las vacas
del tambo, en la cual primero se trabajó con dos medias diferentes (23-28) y una
varianza igual (10). Luego se realizó el trabajo con dos varianzas diferentes (10-8) y una
media igual (32). Se obtuvieron los siguientes resultados.

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

x
 Al cambiar los valores de la media en el ejercicio se observó en el grafico que aumento
la producción de leche diaria en las vacas pero su densidad se mantuvo gracias a que la
varianza sigue siendo la misma.

Función de Distribución N(VARIANZA.VARIANZA1 EN ROJO,M ISM A M EDIA)

0.4
0.3
F(x)

0.2
0.1
0.0

10 15 20 25 30 35 40

Por su parte al realizar cambios en la varianza se observó una disminución de la densidad

pero la producción de leche diaria se mantuvo igual como se observa en la gráfica
anterior.

En el texto revisar el ejercicio de los híbridos de maíz y en el código MODELOS

correr el código para los datos registrados en este código que son los mismos del
libro, adicionalmente determinar la probabilidad de un valor entre 62 y 51 para el
rendimiento, también la probabilidad de un valor menor de 59 y un valor mayor a
53.
En los anteriores pantallazos del ejercicio de híbridos de maíz, se identifica la
realización del mismo en el programa R, en el cual se trabajó con un valor entre 62 y 51,
en este caso 60 para lo cual se obtuvo que la probabilidad de que el rendimiento sea
menor a 60 es de 0,5 o 5%.
En la probabilidad de un rango se valores se trabajó con 45 menor que 59 y con 59
mayor que 53, para lo cual se obtuvo que la probabilidad de este rango de valores es de
0,4271392.

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

En la imagen se observa la probabilidad de ocurrencia de un valor menor a 60.

 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

En el grafico anterior se observa la probabilidad de ocurrencia en el rango de valores

entre 45 y 59.
En el texto deben revisar en tema de modelo binomial el ejercicio de la
germinación de semillas de panicum correrlo con los datos del código MODELOS
que son los mismos del libro, adicionalmente CON AYUDA DEL CÓDIGO
determinar la probabilidad de germinar 5 semillas, por lo menos cuatro y a lo
sumo 4.
En el pantallazo anterior se observa la realización del ejercicio de germinación de
semillas en el cual se calculó la probabilidad de germinación de 5 semillas, al menos 4 y
a lo sumo 4 semillas.
- Probabilidad de germinación de 5 semillas = 0.0583992
- Probabilidad de germinación de al menos 4 semillas = 0,9218731
- Probabilidad de germinación a lo sumo 4 semillas = 0,07812691
Por su parte se obtiene la varianza de esta variable que es de 2,5 y la varianza que es de
1,875.
MODELO POISSON
El estudiante debe revisar del texto el ejercicio de las picaduras del Gorgojo,
correr el código MODELOS que está con los datos del texto, y adicionalmente
determinar cuantas de 100 semillas tendrán 3 picaduras y cuantas 6 o más, en este
caso saque las probabilidades de 0,1,2,3,4,5 las suma y se las resta a uno.
En el anterior pantallazo se calculan las probabilidades de que una semilla escogida al
azar tenga desde cero picaduras hasta cinco picaduras.
- La probabilidad de no tener picaduras es de 0,819.
- La probabilidad de que tenga una picadura es de 0,017.
- La probabilidad de que tenga dos picaduras es de 0,164.
- La probabilidad de que tenga tres picaduras es de 0,180.
- La probabilidad de que tenga cuatro picaduras es de 0,181.
- La probabilidad de que tenga cinco picaduras es de 0,181.
Ahora bien se suman las probabilidades y se las restamos a 1.
El resultado de la suma es 1,542.
1-1,542 = -0,542.
Si la probabilidad de que una semilla tomada al azar tenga 3 picaduras es de 0,180, se
espera que de 100 semillas tan solo 18 semillas cumplan esta condición.
Por su parte se espera que aproximadamente 2 de 100 semillas tengan 6 picaduras o
más.

Bibliografía
Balzarini, M. (2013). Estadística y Biometría. Ilustraciones del uso de infostat en problemas de
agronomia. Brujas. Obtenido de
http://www.agro.unc.edu.ar/~mcia/archivos/Estadistica%20y%20Biometria.pdf