Vous êtes sur la page 1sur 13

Fase 3 – Elaborar documento de aplicación de conceptos de probabilidad

actualización 12 de abril con ajustes acorde a la web.

Estudiante:

MARIA DEL PILAR NIÑO SOCHA

Codigo: 1053584397

Grupo:

300046_93

Tutor:

JESSINA ALMEIDA BRAGA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

CEAD—SOGAMOSO

Abril de 2019
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.
 Antes de iniciar se debe ver la presentación PROBABILIDADENR
disponible en power pont con audio les explica como ubicar los archivos y
unos conceptos básicos.

 Espacio muestral y con qué letra se denota: es el conjunto de todos los


resultados posibles de un experimento aleatorio. Se suele designar con la letra E
 Punto muestral: Se llama punto muestral o evento elemental a cada uno de los
elementos del conjunto Ω y será denotado genéricamente como W.
 Evento muestral: (A). Es un conjunto de posibles resultados del
experimento. A es un subconjunto de Ω (A ⊂ Ω).
Dado un espacio muestral Ω se llama evento a cualquier subconjunto de Ω.
 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.
 Defina 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: (1, 1), (1, 2),
 ¿Qué significa que el espacio muestral de una variable aleatoria
continua es no contable?
Primero es importante repasar lo que es el espacio muestral. En todo
experimento de azar, lo primero que buscamos es conocer el posible
resultado: qué número caerá en el dado al lanzarlo, qué color de pelota
sacaré de un saco de pelotas de colores, o si la moneda mostrará una u
otra cara al ser lanzada. Así, todos los posibles resultados de un
experimento le llamamos “Espacio muestral”
Los espacios muestrales se han dividido en dos grandes categorías:
Espacio muestral discreto y Espacio muestral continuo. En el Espacio
muestral discreto, tenemos un número de opciones conocidas, como por
ejemplo: 6 caras en un dado. No podemos obtener más allá de 6
posibilidades. Están “limitados” dentro de x número de opciones.

En cambio, el Espacio muestral continuo, y es al que refieres en tu


pregunta, es cuando la variabilidad obtenida, que es continua,
simplemente no la podemos deducir. Por ejemplo: las medidas de
estatura de 100 personas. Puedes obtener: 1.3 m, 1.32
m…1.6m…1.28m… Desconoces la variabilidad que vas a tener, además,
no es muy exacta ¿Por qué? Porque depende también del instrumento
utilizado y el juicio del observador. Entonces tus datos siempre son
sujetos de error.

Con esto, podemos decir que la variable aleatoria continua es no


contable, repito, porque no podemos decir: hay 6 posibilidades (como
con el dado) o 2 (como con la moneda). No podemos dar un número
preciso de opciones.

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


aleatorias discretas de conteo no acotado? De ejemplos 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.
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 y 4
Es una variable que toma un numero finito de valores particulares que
suelen ser resultado de un conteo.

Las funciones de distribución escalonadas tienen discontinuidades que


son llamadas saltos.
Ejemplo: se observa que la variable aleatoria. Presenta saltos en los
puntos x=i i=0,….5 las magnitudes de dichos saltos son ½, 5/18, 2/9,
1/6, 1/9 y 1/18 respectivamente.

 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 muestrales tiene.

PROBABILIDAD CLASICA

Es la razón entre el número de casos (sucesos) favorables, y el número


total de casos (sucesos) posibles, siempre que nada obligue a creer que
algunos de estos sucesos debe tener preferencia a los demás, lo que
hace que sean igualmente posibles, es decir:

PROBABILICAD FRECUENCIAL
Conocida también como probabilidad empírica 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.
 ¿Qué diferencia existe entre el concepto de frecuencia relativa y el de
probabilidad?
LA FRECUENCIA RELATIVA SE ENTIENDE COMO PROBABILIDAD

Como sabes 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.

Cuando este número n es muy grande, la frecuencia relativa con que


aparece un suceso tiende a estabilizarse hacia un valor fijo.

Este resultado, conocido como ley de los grandes números, nos lleva a definir
la probabilidad de un suceso como ese número hacia el que tiende la
frecuencia relativa al repetir el experimento muchas veces

 ¿Que son eventos mutuamente excluyentes?,

Los eventos mutuamente excluyentes: son dos resultados de un evento


que no pueden ocurrir al mismo tiempo.

Se dice que dos eventos A y B de un espacio muestral Ω son


mutuamente excluyentes si no contienen elementos en común, o sea si
la intersección de A y B es el conjunto vacío (Aᴖ B=θ).

Sacar una carta de un mazo estándar y que salga un as y un rey son


eventos mutuamente excluyentes, ya que no pueden ocurrir los dos al
mismo tiempo.

Como es la intersección de dos eventos mutuamente excluyentes, si de


los dados se debe descargar CODIGODADOS y ejecutarlo desde R

Tema variables aleatorias y probabilidades

 Espacio muestral y con que letra se denota.


Es el conjunto de todos los resultados posibles de un experimento
aleatorio. Se suele designar con la letra E

 son excluyentes, dado un evento A y uno B, a que es igual la P(AꓴB)?


Los eventos mutuamente excluyentes son aquellos en los que si un evento sucede
significa que el otro no puede ocurrir. Si bien suelen usarse en teorías científicas,
también son parte de las leyes y los negocios. Como resultado, entender los
eventos mutuamente excluyentes puede ser importante para una variedad de
disciplinas.
Fórmula
La fórmula matemática para determinar la probabilidad de los eventos mutuamente
excluyentes es P(A U B) = P(A) + P(B). Dicho en voz alta, la fórmula es "Si A y B
son evento 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".

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


es continua y simétrica que modelo se usa.

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.
El espacio muestral asociado a una variable aleatoria de tipo continua es
no contable, queriendo significar que entre dos valores de la variable,
pueden realizarse un número infinito de otros valores.
si el espacio muestral es continuo, la diferencia entre valores de la
variable está definida aritméticamente
Ejemplo de variables aleatorias con espacios muestrales con estas
características son los rendimientos, las ganancias de peso, las
precipitaciones, entre otras.

 Para una variable de conteo no acotado que modelo se utiliza?


Variables discretas es importante distinguir al menos dos subtipos muy
comunes en estudios biológicos: las proporciones que provienen de
conteos que no pueden superar el número de elementos evaluados y los
conteos no acotados o sin denominador natural.

 Para variables de proporciones que modelo se utiliza?


Para el caso de proporciones es importante dejar expresado que si bien
el valor puede ser continuo en el rango 0-1, el espacio generatriz es
discreto, porque la base de la variable es el conteo
Si el espacio muestral de una variable es discreto pero representado por
nombres o códigos que representan categorías excluyentes y
exhaustivas de la variable, entonces la variable aleatoria es una variable
cualitativa de tipo categorizada (nominal u ordinal).

 Que variables tienen función de probabilidad y que variables tienen


función de densidad.
La función de distribución de probabilidad de una variable aleatoria
discreta
Para una variable aleatoria discreta la función de distribución de
probabilidades f(.), 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 F(.), 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 denotada
como f(.) contienen exhaustivamente toda la información sobre la
variable.

 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.

 Que es la esperanza matemática de una variable aleatoria, como 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.
La esperanza de una variable aleatoria sólo proporciona información
parcial acerca de la función de probabilidad (o densidad) ya que explica
dónde está posicionada la distribución de valores sobre la recta real. La
esperanza es una medida de la tendencia central de la distribución. Pero
dos distribuciones con igual esperanza pueden tener distinta dispersión,
y por tanto la esperanza puede no ser suficiente para caracterizar
completamente de la distribución.
Que es la La varianza de una variable aleatoria, como se denota?
La varianza de una variable aleatoria, denotada por Var(.) o la letra
griega Sigma al cuadrado ( ), es una medida de dispersión. Su raíz
cuadrada, denominada desvío estándar () es usada para expresar la
dispersión en término de diferencias (o desvíos) de cada dato respecto a
la esperanza
 La varianza es un parámetro que tiene un valor pequeño cuando la
mayoría de los valores de la variable se encuentran cerca de la esperanza
y crece a medida que éstos se desvían del centro de la distribución. Por
ejemplo, la varianza es cero si todos los datos son exactamente iguales.
 Las propiedades de la Esperanza y de la Varianza de la distribución de
una variable aleatoria premiten establecer cuáles serán los parámetros de
las distribuciones de “nuevas” variables obtenidas por transformaciones
de variables originales con Esperanza y Varianza conocida. Así por
ejemplo, si disponemos de la caracterización de la variable rendimiento
en qq/ha, podremos saber cuál es la Esperanza y la Varianza de la
distribución de los mismos rendimientos expresados en kg/ha ya que
entre una y otra variable solo existe la multiplicación por una constante.
Conceptos capítulo tres modelos probabilísticos
DISTRIBUCION NORMAL
Que tipo de histograma se seleccionar un modelo probabilístico para una
variable aleatoria continua cuando se tienen datos de esa variable
Para seleccionar un modelo probabilístico para una variable aleatoria
continua cuando se tienen datos de esa variable, resulta recomendable
graficar un histograma de frecuencias relativas y observar la forma del
mismo

 Que 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:

Donde Y es el valor de la variable aleatoria que define el evento de


interés, y son la media y la varianza de la distribución de Y. La nueva
variable aleatoria Z, obtenida mediante estandarización de Y, se
distribuye normal con media cero y varianza uno, es decir, normal
estándar.

DISTRIBUCIÓN BINOMIAL

Que tipo de conteos se trabajan con la distribución Binomial


La distribución Binomial puede usarse para el cálculo de probabilidades
de eventos provenientes de conteos acotados.
En la distribución binomial que es n y que es P. A que es igual la
esperanza y la varianza en esta distribución.

Se supone que se realizan cierto número (n) de experimentos aleatorios


y en cada experimento se registra uno de dos resultados posibles, éxito
o fracaso donde el éxito tiene una cierta probabilidad (P) de ocurrencia
(este ensayo con resultado binario se conoce como ensayo Bernoulli). Se
supone además que estos experimentos son independientes (es decir el
resultado de un experimento no afecta al resultado de otro) y que la
probabilidad de éxito (o fracaso) se mantiene constante a través del
conjunto de experimentos. Interesa la variable aleatoria cantidad de
éxitos en los n ensayos.

DISTRIBUCION DE POISSON

Que tipos de conteos se trabaja con la distribución de Poisson.


En agronomía se usa para que tipo de conteos, les recuerdo los ácaros
por ejemplo se pueden trabajar con esta distribución.
 Como se denota el único parámetro de esta distribución, a que es igual la media
y la varianza.
 La distribución de Poisson también sirve como modelo probabilístico para
variables discretas de tipo conteo. A diferencia de la Binomial, donde el conteo
se realizaba sobre n 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 o espacio dada (hora, kilo, m2, m3, planta, etc.) y por tanto los valores
de la variable no están acotados
 decir, mientras los valores de Y en una Binomial podían pertenecer a los
naturales entre 0 y n inclusive, en el caso de una Poisson pueden pertenecer a
los naturales entre 0 e infinito.
 En Agronomía, la distribución Poisson suele 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
coliformes en 1 ml de agua, entre otros conteos de interés.
 La función de probabilidad de una variable aleatoria Y que se distribuye como
una variable Poisson puede expresarse como:

Como puede observarse desde la función, el único parámetro de la distribución


Poisson es . Si una variable aleatoria Y se distribuye como Poissson lo
denotamos como: Y~ Poisson( ). Esta distribución tiene un único parámetro,
que representa la esperanza y también a la varianza, es decir que cuando Y~
Poisson(λ), se cumple:

 Revisando el ejercico de la table 3.1 del libro de Balzarini como se obtiene λ en


este caso a que es igual la media y la varianza.

2. Aplicación de conceptos

EN EL CAPITULO 2 EN EL EJERCICIO APLICACIÓN Y PAGINAS SIGUIENTES

 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.
 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 muestrales:
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:
El evento A conformado por los puntos muestrales cuya suma sea un número
par, es decir, A={(1,1),(1,3),(2,2),(3,1),(3,3)} y P(A)= 5/9.
El evento B conformado por los puntos muestrales cuya suma sea un número
impar, siendo B={(1,2),(2,1),(2,3),(3,2)} y P(B)=4/9.
El evento C conformado por los elementos cuya suma es 5.
Preguntas:
a) ¿Qué tipo de concepto de probabilidad aplicaría para calcular
probabilidades?
Clásico
b) Los eventos A y B, ¿son independientes?
no
c) ¿Cuál es la probabilidad de que ocurra A o B?
1
d) ¿Cuál es la probabilidad de que ocurra B o C?
4/9
e) Representar tabularmente a F(Y).

a) La variable aleatoria X asume los valores 2,3,4,5,6, es decir,


R x={2,3,4,5,6}. Se calcula ladistribución ƒ de X:(i)

Un punto (1,1) tiene suma 2; donde ƒ(2)=1/9.


Dos puntos (1,2) y (2,1) tienen suma 3; de donde ƒ(3)=3/9.
Tres puntos (1,3),(2,2) y (1,3) tienen suma 4; de donde ƒ(4)=6/9.
Dos puntos, (2,3),(3,2) tienen suma 5; de donde ƒ(5)=8/9.
Un punto (3,3) tiene suma 6; de donde ƒ(6)=1.

Por lo tanto la distribución ƒ de X es la siguiente:

X 2 3 4 5 6

ƒ(y) 1/9 3/9 6/9 8/9 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 Cantidad de días
vendidos
0 110
1 80
2 35
3 25
4 10
Total 260

Preguntas:
a. ¿Cuál es la variable en estudio?
X=Cantidad de tractores vendidos por día
b. ¿Cuántos resultados posibles tiene la variable? ¿Qué tipo de variable
es?
La variable tiene 5 posibles resultados. La variable es de tipo discreta
c. ¿Cuál es la probabilidad de que hoy no venda ningún tractor?
P(A)=110/260
d. ¿Cuál es la probabilidad que un día, seleccionado al azar dentro de
los días laborables del año, venda 3 o más tractores?
P(A)=P(x=3)+P(x=4 o más)=25/260+10/260=35/260= 0,1346

e. ¿Cuál es la probabilidad que en los próximos dos días venda 3


tractores?
P(A=vender 3 tractores mañana y vender 3 tractores pasado
mañana)=(25/260)×(24/260)

TRABAJO CON VARIABLES DE CIENCIAS AGRARIAS

3. El estudiante debe revisar la presentación PROBABILIDAD EN R


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 ó
iguales a que a valor?

4. 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 cuál 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 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.

MODELO BINOMIAL
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.
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.