ESTADISTICA DESCRIPTIVA (PARA AGRARIAS)

FASE 3
ELABORAR DOCUMENTO DE APLICACIÓN DE CONCEPTOS DE PROBABILIDAD
INDIVIDUAL

GRUPO
300046_127

TUTOR
ISMAEL DUSSAN

ESTUDIANTE
EDITH SANCHEZ CALVO
CC: 1.120.575.028

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA- UNAD

CEAD SAN JOSE DEL GUAVIARE
NOVIEMBRE-2019
 INTRODUCCIÓN

La estadística emplea métodos descriptivos y de inferencia estadística. Los

primeros se ocupan de la recolección, organización, tabulación, presentación y
reducción de la información.
El siguiente trabajo se lleva a cabo la aplicación de conocimientos referentes a los
tipos de variables estadísticas cuantitativas y cualitativas, su forma de
procesamiento y manejo de las variables estadísticas

OBJETIVOS

 Analizar datos agrupados para encontrar su relación

 Determinar la relación existente entre dos variables cuantitativas y

probabilidades a través del programa R

 PREGUNTAS ORIENTADORAS FASE 3

Elaborar documento de aplicación de conceptos de probabilidad.

ESTADÍSTICA DESCRIPTIVA (PARA AGRARIAS)

Luis Alberto Cáceres

Director de curso

Para la realización de la Fase tres, los estudiantes deberán acceder a la siguiente

carpeta:

https://drive.google.com/drive/folders/1RcG3-

JAA2saXxAwrKMcdhDUkv9jbV8jR?usp=sharing

En donde descargarán y verán la presentación “PROBABILIDADENR” disponible

en PowerPoint con audio que les explicará cómo ubicar los archivos para la

ejecución del Programa R y unos conceptos básicos de probabilidad.

Tendrán que descargar los archivos “CODIGODADOS.txt”,

“CODIGOPROBABILIDAD.txt”, “MODELOS.txt” y “PROBABILIDAD.CSV” y

guardarlos en una carpeta denominada “Estadistica Descriptiva”. Es importante que

guarden todos los archivos en la carpeta porque de lo contrario no podrán realizar

el ejercicio.
TRABAJO INDIVIDUAL
En el trabajo individual, cada estudiante deberá realizar los siguientes ejercicios:

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.

RTA/ se trata de obtener resultados diferentes al azar con dos dados. Existen 36

opciones de obtener, los dados pueden caer 1-1, 1-2, 2-2, 2-4 y así

sucesivamente hasta llegar a los 36 resultados diferentes, a esos 36 resultados

posibles se les llama espacio muestral. Existen otras posibilidades, se puede

obtener dos números pares (4-6) o dos números impares (1-5) y también

tenemos la probabilidad de sacar dos números iguales (6-6), este conjunto de

resultados pueden ser como subconjuntos o eventos.

Con 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), luego

multiplicamos por 100 obtenemos 16,6% de probabilidades de obtener dos

números iguales al lanzar dos dados.

 Adjuntar los tres gráficos generados por el código (de Frecuencias Absolutas,

frecuencias relativas y frecuencias relativas acumuladas) y hacer una buena

descripción de cada uno de ellos.

Frecuencia absoluta

Gráfico de barras SUMA DE CARAS

6
5
4
Frecuencias absolutas

3
2
1
0

2 3 4 5 6 7 8 9 10 11 12

Frecuencias relativas
 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

Frecuencia relativa acumulada

FRECUENCIAS RELATIVAS ACUMULADAS SUMA DE CARAS

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
 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:

a. Espacio muestral, con qué letra se denota. consiste en el conjunto de

todos los posibles resultados de un experimento aleatorio, junto con una

estructura sobre el mismo. Se denota con la letra omega ().

b. Punto muestral. Es un elemento del espacio muestral de cualquier

experimento dado.

c. Evento muestral. Es el conjunto de posibles resultados de un experimento.

d. Defina variable aleatoria. 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, etc. o un número

real

e. ¿Qué significa que el espacio muestral de una variable aleatoria

continua es no contable? Significa, que en relación con dos valores de la

variable, pueden realizarse un número infinito de otros valores, no tendrán fin

alguno.

f. ¿Qué son variables aleatorias discretas proporcionales y que son

variables aleatorias discretas de conteo no acotado? De ejemplos de

 este tipo de variables. Variables aleatorias discretas: es aquella que toma

un conjunto de valores numéricos asociados a los resultados de la realización

de un proceso aleatorio.

Por ejemplo: Si el experimento es lanzar 4 veces una moneda al aire y nos

interesa el número de caras, la variable aleatoria podrá tomar los valores: 0, 1, 2, 3

y4

Es una variable que toma un número finito de valores particulares que suelen ser

resultado de un conteo.

Las variables aleatorias discretas de conteo no acotado: Son aquellas en las cuales

no se posee un denominador de origen natural. Por ejemplo, la cantidad de chiza

encontrada en un cultivo de plátano.

g. Existen dos conceptos de probabilidad: el clásico y el 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 muestrales tiene. El

concepto clásico, es la que se fundamenta en los datos que se obtienen por

encuestas, preguntas, etc.

Se le llama probabilidad frecuencial al cálculo de la probabilidad de un evento y la

frecuencia relativa del mismo.

Para determinar la probabilidad frecuencial, se repite un número determinado de

veces, posteriormente se registran los datos y se divide el número de veces que se

obtiene del resultado que nos interesa entre el número de veces que se realizó el

experimento.

Un ejemplo de ello es el de la germinación de semillas, para este caso se tiene un

cultivo 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, es decir 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.

 h. ¿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)

i. ¿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)? 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)

j. En el caso de distribuciones de variables aleatorias cuando una variable

es continua y simétrica, qué modelo se usa. Para estos casos se usa el

modelo normal.
 k. Para una variable de conteo no acotado, ¿qué modelo se utiliza? Se

utiliza el modelo de Poisson.

l. Para variables de proporciones ¿qué modelo se utiliza? En este caso es

común la utilización de modelos.

m. ¿Qué variables tienen función de probabilidad y cuáles variables tienen

función de densidad? Para una variable aleatoria discreta la función de

distribución de probabilidades, es aquella que designa una probabilidad de

ocurrencia a cada valor de la variable. A diferencia de la función de

probabilidad, se tiene la distribución acumulada, que designa una

probabilidad de ocurrencia para valores menores o iguales a un valor de la

variable.

La función de densidad de una variable aleatoria continua que contiene

exhaustivamente toda la información sobre la variable.

n. ¿Cuáles son los parámetros más usados en estadística para estudiar y

utilizar funciones de distribución de variables aleatorias? Los

parámetros se derivan de poblaciones y los estadísticos desde muestras.

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.

o. ¿Qué es la esperanza matemática de una variable aleatoria? ¿cómo se

denota? Considerada como un promedio de los valores asumidos por la

variable, cada valor es ponderado por la probabilidad de su ocurrencia. Se

denota con la letra griega µ.

p. ¿Qué es la varianza de una variable aleatoria? ¿cómo se denota? Es una

medida de dispersión y es denotada con la letra griega sigma (2  ).

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).

* Adjuntar las gráficas generadas por el programa R para cada una de las tres

distribuciones descritas (Normal, Binomial y Poisson) y hacer una buena descripción

y explicación de la información presentada en cada una de ellas.

Graficas distribución normal.

Grafica 1

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

Grafica1. En la gráfica podemos observar que el rango se encuentra entre 15 y 35,

la media o la esperanza están en 25.

Grafica 2.
0.12
0.10
dnorm(x, MEDIA2, SIGMA)

0.08
0.06
0.04
0.02
0.00

10 15 20 25 30 35 40

Grafica2. Esta grafica es una distribución normal con una media igual a 30.
Grafica 3.

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

Grafica3. En esta grafica la varianza está en 9, por eso que la curva se vuelve más

ancha.
Grafica 4.
0.25
0.20
dnorm(x, MEDIA, SIGMA1)

0.15
0.10
0.05
0.00

10 15 20 25 30 35 40

Grafica4. En este grafico la varianza está ejecutada en 2, observamos encuentra

más estrecha.

Ejercicio del híbrido de maíz

Grafica 5.
 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

Grafica 5. En esta grafica observamos los resultados para el híbrido de maíz, donde

observamos que la varianza es corta, y por ende obtendremos un buen rendimiento

ya que el rendimiento se encuentra en 60 y la varianza está en 49.

DISTRIBUCIÓN BINOMIAL.

Ejercicio de la semilla de panicum

Grafica 6.

DISTRIBUCION DE POISSON

Ejercicio de la picadura de gorgojo

Grafica 7.
Responder las siguientes preguntas:

DISTRIBUCION NORMAL

q. Qué tipo de histograma se debe seleccionar en un modelo probabilístico

para una variable aleatoria continua 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:

r. Qué es la estandarización, cuál es su formula.

Respuesta: 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= (Balzarini, 2013)
√2

DISTRIBUCIÓN BINOMIAL
s. Qué tipo de conteos se trabajan con la distribución Binomial. La

distribución binomial se entiende como una serie de pruebas o ensayos en la que

solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra variable

aleatoria.

t. En la distribución binomial que es 𝒏 y que es 𝑷. 𝑛 representa el número

de ensayos o experimentos y 𝑃 la probabilidad de éxito.

u. A qué 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)

DISTRIBUCION DE POISSON

v. Qué tipos de conteos se trabaja con la distribución de Poisson. En 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
w. En agronomía se usa para qué tipo de conteos (los ácaros por ejemplo,

se pueden trabajar con esta distribución).

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)

x. 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.
 CONCLUSIÓN

La estadística es una excelente herramienta para interpretar información obtenida

de instrumentos de recolección de datos; la regresión y correlación lineal son
métodos muy eficientes para observar la relación de dos o más variables. La
ecuación resultante de una regresión lineal permite predecir el futuro de las
variables que se están estudiando.

Referencias bibliográficas

Conexionesan (05 de octubre de 2016) que es la estadística descriptiva.

Recuperado de:
https://www.esan.edu.pe/apuntes-empresariales/2016/10/que-es-la-estadistica-
descriptiva/