Estadística descriptiva – fase 3

Presentado por:

Anyi Lorena Sanchez Sepulveda

Código: 1065909589

Presentado a:

Héctor Fabio López

Universidad Nacional Abierta y a Distancia (UNAD)

Escuela de Ciencias, Agraria y pecuaria del medio ambiente (ECAPMA)

Noviembre 2019
 Introducción

En el trabajo individual se logra conceptualizar e interpretar los fundamentos de los tipos de

variables estadísticas cuantitativas y cualitativas, su forma de procesamiento, al igual dar

respuesta al experimento de lanzar dos dados para el desarrollo del primer punto del documento

de preguntas orientadoras de la fase 3.

 Objetivos

 Descargar los códigos para el consolidado de la fase 3

 Identificar detalladamente el suceso del experimentó de lanzar dos dados.

 Identificar los tipos de variables en las ciencias agrarias.

 Reconocer los tipos de gráficos y explicarlos.

 Manejo del programa R.

Pantallazo Participación del Foro.
 Desarrollo de la actividad 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.

 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.

Primero nos dirigimos al archivo CODIGODADOS y Se tiene un experimento aleatorio de lanzar

dos dados, donde se realizan todas las posibles combinaciones, en las que se encuentran 36

posibles resultados o 36 puntos muéstrales.

(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)

(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)

Tenemos la suma de todos los puntos muéstrales que se pueden observar al lazar los dados, lo

que se denomina variable aleatoria, por lo que se puede decir que existen 36 posibles resultados,

a lo que se puede decir que estos serán el espacio muestral, esto quiere decir que la probabilidad

siempre tendrá como denominador a 36.

 Gráficos de Frecuencias

Frecuencia absoluta: En el gráfico de barras de frecuencias absolutas, donde se identifican que

para que la suma de 7 existen 6 posibles combinaciones o 6 puntos muéstrales donde la suma es

7.

Frecuencia relativa: En este grafico de barras de frecuencias relativas donde nos muestran que

al lanzar dos dados la suma con mayor probabilidad al repetirse es 7, de igual manera se muestra

el que menos se repite y tiende que la suma sea igual a la de 2 y 12.

Frecuencia Relativa Acumulada: En este caso se presentan el gráfico de barras las frecuencias

relativas acumuladas, nos muestra la curva que presenta el grafico donde se suma las frecuencias,

debido a esto el último resultado debe obtiene el mayor porcentaje.

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:

 Espacio muestral, con qué letra se denota.

Se llama espacio muestral al conjunto de todos los resultados posibles de un proceso

experimental u observacional. Será denotado con la letra griega omega (Ω).

 Punto muestral: Se llama punto muestral o evento elemental a cada uno de los elementos

del conjunto Ω y será denotado genéricamente como: ω. Siguiendo con el ejemplo, un punto

muestral es el resultado posible “tres semillas sanas” (representado por ω = (+ + +)), otro punto

muestral es “la primera semilla sana y las otras dos no” (ω = (+ - -)).

 Evento muestral: Dado un espacio muestral Ω, se llama evento a cualquier subconjunto

de Ω. Se utilizarán letras A, B, C,.... para denotar los eventos, salvo en el caso del mismo Ω

(llamado evento cierto) y del subconjunto que no contiene ningún resultado posible (conjunto

vacío), denotado por ∅. Un evento de Ω, puede ser “observar una semilla cualquiera sana y las

otras no”. Este evento está constituido por los siguientes puntos muéstrales: A = {+ - - , - + - , - -

+}.

 Defina variable aleatoria: Definiremos a una variable aleatoria como una función que

asocia a cada elemento del espacio muestral: un número real y luego a cada uno de estos valores

le asignaremos probabilidades de ocurrencia. El tipo de espacio muestral determina el tipo de

variable aleatoria.

Dado un espacio muestral Ω con una probabilidad asociada, una variable aleatoria X es una

función real definida en Ω tal que [X≤x] es un evento aleatorio ∀ x ∈ ℜ. O sea X: Ω→ B ⊆ ℜ es

una variable aleatoria si para cualquier x ∈ ℜ, [X≤x] es un evento aleatorio.

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

contable?

Es el espacio muestral de una variable de tipo continuo no contable que entre los valores de la

variable logran un número infinito de otros valores

 ¿Qué son variables aleatorias discretas proporcionales y que son variables aleatorias

discretas de conteo no acotado? De ejemplos de este tipo de variables.

Las variables aleatorias discretas proporcionales son aquellas las cuales provienen de conteo que

nos pueden superar el número de elementos evaluados.

Las variables aleatorias de coteo no acotado son aquellas en las cuales no se posee un

denominador de origen natural, ejemplo de ellos es la cantidad de postulas o manchas de royas

encontradas en una determinada superficie de cultivo de café probabilidad el clásico.

Espacio muestral y exactamente se conoce la probabilidad, como también es el definido del

asunto del dado y se pueda precisar la probabilidad. Así como cuando (Ω) es finito (el número de

puntos muéstrales es contable) se da una definición de probabilidad que se fundamenta en el

análisis de los elementos del espacio muestral.

 Existen dos conceptos de probabilidad: el clásico y el concepto de frecuencias; defina

cada uno, en el caso de la frecuencia explique el experimento de germinación de una semilla

cuál es el experimento aleatorio, cuál es el evento, cuántos puntos muéstrales tiene.

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

La frecuencia absoluta de un suceso es el número de veces que aparece cuando se repite un

experimento aleatorio, y la frecuencia relativa es la frecuencia

Absoluta dividida por el número de veces, n, que se repite el experimento aleatorio.

 ¿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)?

¿Que son eventos mutuamente excluyentes?

Es cuando dos eventos son mutuamente excluyentes, y cada uno se forma por puntos muéstrales

distintos cómo es la intersección de dos eventos mutuamente excluyentes.

Se conforma un conjunto nuevo, que sujeta a los puntos muéstrales que a la vez conciernen al

subconjunto A y al subconjunto B. Diremos la intersección de A y B con A Ո B. Cuando dos

sucesos son excluyentes, la intersección es cero sí son excluyentes, dado un evento A y uno B, a

que es igual la P(A ꓴ B)?

A y B son excluyentes, A Ո B es vacía y por tanto P(A Ո B) = 0.

 En el caso de distribuciones de variables aleatorias cuando una variable es continua

y simétrica, qué modelo se usa.

La distribución de variables aleatoria, continua y simétrica el modelo es Normal.

 Para una variable de conteo no acotado, ¿qué modelo se utiliza?

El Modelo De Poisson.

 Para variables de proporciones ¿qué modelo se utiliza?

Modelo Probabilístico Nominal.

 ¿Qué variables tienen función de probabilidad y cuáles variables tienen función de

densidad?

La función de probabilidad: variable aleatoria

La función de densidad de una variable aleatoria continúa.

 ¿Cuáles son los parámetros más usados en estadística para estudiar y utilizar

funciones de distribución de variables aleatorias?

Es importante interpretar que los parámetros que se derivan de poblaciones y los estadísticos

desde muestras. Como también el valor esperado, acierta la representación del valor medio de un

fenómeno aleatorio. Y La varianza precisa la idea de incertidumbre y su recíproco la idea con

claridad.

 Qué es la esperanza matemática de una variable aleatoria? ¿cómo se denota?

La esperanza matemática de una variable aleatoria, usualmente denotada por E(.) o la letra griega

Mu (μ) es, desde un punto de vista intuitivo, un promedio de los valores asumidos por la variable,

donde cada valor es ponderado por su probabilidad de ocurrencia.

 ¿Qué es la varianza de una variable aleatoria? ¿cómo se denota?

La esperanza de una variable aleatoria sólo proporciona información parcial acerca de su

distribución, ya que explicita dónde está posicionada, pero, como se observa en la Figura 2.6, dos

o más distribuciones pueden tener la misma medida de posición y sin embargo ser distintas.

Existe la necesidad de una medida que indique cuan disímiles son los valores de la variable

aleatoria. Antes de presentar la definición de varianza, considérese el siguiente ejemplo. Ejemplo

2.15 Los dos conjuntos de datos, A1, A2, corresponden a todos los valores posibles e igualmente

probables de dos variables aleatorias discretas X1 y X2 respectivamente. Ambas distribuciones

tienen igual esperanza pero nótese la diferencia en su variación: A1 ={ 8; 8; 9; 10; 11; 12; 12} y

A2 ={1; 2; 5; 10; 15; 18; 19}.

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.

Responder las siguientes preguntas:

Distribución Normal

 Qué tipo de histograma se debe seleccionar en un modelo probabilístico para una

variable aleatoria continua cuando se tienen datos de esa variable

Se utiliza el tipo de histograma frecuencias relativas donde se analiza la forma de este.

 Qué es la estandarización, cuál es su fórmula.

Para usar las tablas, debemos expresar nuestra variable como una normal estándar. Para ello

usamos una transformación llamada estandarización que nos permite llevar cualquier distribución

normal a la distribución normal estándar. La transformación, estandarización, tiene la siguiente

forma:

Distribución Binomial

 Qué tipo de conteos se trabajan con la distribución Binomial

Es una distribución de probabilidad discreta que cuenta el número de éxitos en una secuencia de

n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del

éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es,

solo dos resultados son posibles. A uno de estos se denomina «éxito» y tiene una probabilidad de

ocurrencia p y al otro «fracaso», con una probabilidad2 q = 1 - p. En la distribución binomial el

anterior experimento se repite n veces, de forma independiente, y se trata de calcular la

probabilidad de un determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho,

en una distribución de Bernoulli.

 En la distribución binomial que es n y que es P.

n= la cantidad de pruebas

p= la probabilidad

 A qué es igual la esperanza y la varianza en esta distribución.

La esperanza y la varianza es que, con esperanza igual a la esperanza de la población original y

varianza igual a la varianza de la población original.

 Distribución de Poisson

 Qué tipos de conteos se trabaja con la distribución de Poisson.

Número de veces que un evento ocurre en una unidad de tiempo o espacio dada (hora, kilo, m2,

m3, planta, etc.) y por tanto los valores de la variable no están acotados.

 En agronomía se usa para qué tipo de conteos (los ácaros, por ejemplo, se pueden

trabajar con esta distribución).

Usarse para modelar el número de insectos sobre una planta, o 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 cordiformes en 1 ml de agua, entre

otros conteos de interés.

 Cómo se denota el único parámetro de esta distribución, a que es igual la media y la

varianza.

Se denota como λ.
 Conclusión

Al consolidado de la fase 3, nos presenta con gran ayuda el entender las pasibilidades de poder

tener datos al lazar dados, tener claridad de sus variables continúan al ser ejecutado el

experimento, de igual manera las demostraciones graficas de frecuencias absoluta, relativas y

relativa acumulada, y entender cuál fue la posibilidad entre ellas que se repitiera más.

El conocimiento de nuevas herramientas para el manejo de estas actividades para ciencias

agrarias. Manejo de programas tecnológicos para facilitar el porcentaje de falencias que se pueda

tener en cualquier ámbito profesional.

 Citas Bibliografía

Arribas, M.J.M., Almazán, L.A., & Mañas, R. B. (Eds.). (2012). historia de la probabilidad y de
la estadistica vi. . Recuperado de
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?ppg=86&docID=32074
20&tm=1519662405330
Balzarini,M:. (2013). EStadisticas y biometria: ilustraciones del uso infostat en problemas de
agronomia . Recuperado de
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?docID=3221775&quer
y=bioestadistica