Anda di halaman 1dari 12

APLICACIÓN DE CONCEPTOS DE PROBABILIDAD_ESTADÍSTICA

DESCRIPTIVA_ TAREA 3

Entregado por:
ADRIANA MENDOZA

Presentado a:
HECTOR FABIO LOPEZ
Tutor.

Grupo: 300046_68

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

ESCUELA DE CIENCIAS AGRÍCOLAS Y PECUARIAS DEL MEDIO AMBIENTE


PROGRAMA DE INGENIERÍA AMBIENTAL

OCTUBRE/2019
INTRODUCION

La probabilidad es simplemente qué tan posible es que ocurra un evento


determinado.

Las Probabilidades pertenecen a la rama de la matemática que estudia ciertos


experimentos llamados aleatorios, o sea regidos por el azar, en que se conocen
todos los resultados posibles, pero no es posible tener certeza de cuál será en
particular el resultado del experimento.
La presente actividad es realizada con el fin de que cada estudiante tuviera la
posibilidad de crear y obtener resultados de acuerdo a su carrera.

Objetivos generales

Introducir los conceptos básicos de experimentos y sucesos, determinando el


número de elementos de un espacio muestral asociado a un experimento,
adicionalmente poder calcular la probabilidad de cualquier evento asociado a un
espacio muestral, como también conocer las diferentes tipos de variables
continuas y discretas, manejo de tablas, distribuciones multivariantes e identificar
la distribución de probabilidad de funciones de variables aleatorias por diferentes
métodos.
Objetivo especifico

 Definir y encontrar Evento


 Definir y encontrar cada uno de los elementos de un espacio muestral.
 Probar y aplicar las propiedades de la esperanza, varianza de una variable
aleatoria.
 Conocer las diferentes frecuencias Absolutas, frecuencias relativas y
frecuencias relativas acumuladas
1. Descargar el código “CODIGODADOS.txt” y ejecutarlo en el programa R.
 Explique en sus propias palabras el experimento aleatorio del dado.
El experimento aleatorio habla de las probabilidades que existen en un
ejercicio, donde se debe buscar la probabilidad que salgan números iguales
en ambos dados, también es la forma del paso a paso de como poder
solucionar y crear un ejercicio en el programa R; nos indican que en este
ejemplo hay 36 puntos muéstrales lo cual significa que cualquier
probabilidad que se desea conseguir debe ser dividido por estos puntos
muéstrales.
 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.

2. responder o definir los siguientes puntos:

 Espacio muestral y con qué letra se denota.


Es el conjunto de todos los posibles resultados de un experimento aleatorio
y se denota con la letra omega (Ω).
 Punto muestral.
Un punto muestral puesto que es uno de los posibles resultados que se
pueden obtener del estudio aleatorio, es decir de cada elemento del
espacio muestral.
 Evento muestral.
Es el subconjunto de elemento del espacio muestral. Es decir, un conjunto
de posible resultado que se puede dar en un experimento aleatorio.

 Defina Variable aleatoria


Una función que asocia un número real, a cada elemento del espacio
muestral.
 ¿Qué significa que el espacio muestral de una variable aleatoria
continua es no contable? que son variables aleatorias discretas?
proporcionales y que son variables aleatorias discretas de conteo no
acotado? De ejemplos este tipo de variables.

a) El espacio maestral 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.
b) El espacio maestral asociado a una variable de tipo discreta es siempre
contable, es decir puede ser teóricamente enumerado, aún si éste es
infinitamente grande o no está acotado. Por ejemplo, el número de
nematodos por hectárea registrado a partir de una muestra aleatoria de
hectáreas en producción de papas, podría no tener un valor límite. Entre
las 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.
c) 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. Ejemplo de variable
discreta obtenida por un conteo (no acotado) es el número de pústulas de
roya por m2 de cultivo.

 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.
 El concepto de probabilidad puede definirse de distintas formas y con
distintos niveles de abstracción. Las definiciones clásicas, frecuencial y
de Kolmogorov son los más conocidos.
Cuando  es finito (el número de puntos muestrales es contable) se puede dar
una definición de probabilidad que se basa en la observación de los elementos
del espacio muestral. Ésta se desarrolló originariamente estudiando los juegos
de azar y se conoce como el concepto o enfoque clásico de probabilidad.

 La definición frecuencial de probabilidad es distinta ya que se refiere a


una serie repetida de estudios aleatorios. Generalmente se usa cuando
el espacio muestral es infinito y por tanto no se pueden enumerar todos
los resultados posibles del estudio. Así, se repite el estudio un número
grande de veces y se registra la frecuencia relativa de ocurrencia de cada
resultado, la que es luego usada como un estimador de probabilidad. La
definición frecuencial de probabilidad establece que: Si A es un evento y
nA es el número de veces que A ocurre en N repeticiones independientes
del experimento, la probabilidad del evento A, denotada por P(A), se
define como el límite, cuando el número de repeticiones del experimento
es grande, de la frecuencia relativa asociada con el evento.
 Por ejemplo, consideremos que la germinación de una semilla es un
experimento aleatorio (puede germinar o no). Supongamos que con A se
representa el evento.
“encontrar la semilla germinada”. Si se observan 1000 semillas, es decir
se repite 1000 veces el ensayo de germinación (N=1000) en
condiciones tales que cada observación no afecte a las otras y 600
semillas germinan (nA=600), se dice que la probabilidad estimada de
observar una semilla germinada está dada por:

P(A) = P (observar una semilla germinada) = nA N = 600 / 1000 = 0,6


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

La frecuencia se entiende como probabilidad solo cuando N tiende a


infinito. Si el número de veces se repite en un experimento no es grande y,
entonces hablaremos de frecuencia relativa y que esta aproxima una
probabilidad.
Además, para comprender la medida de probabilidad es la de eventos
mutuamente excluyentes.
 ¿Que 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 (AᵁB)?
Eventos mutuamente excluyentes: son aquellos que si un evento sucede
significa que el otro no puede ocurrir.
Se dice que dos eventos mutuamente excluyentes si cada uno está
formado por punto muestrales distintos, es decir no existe ningún punto
maestral en la intersección de los subconjuntos que representa los eventos.
A y B son dos eventos del espacio muestral la unión de eventos conforma
un nuevo conjunto, que contiene a los puntos muestrales de A y de B. La
unión de A y B se denota por AB. Si A y B son dos eventos del espacio
muestral, la intersección de eventos conforma un nuevo conjunto, que
contiene a los puntos muestrales que simultáneamente pertenecen al
subconjunto A y al subconjunto B. Denotaremos la intersección de A y B
con A  B
Cuando dos eventos son excluyentes, la intersección es cero y por tanto la
probabilidad de la unión de esos eventos, P(AB), es la suma de las
probabilidades de cada evento. Por el contrario, si la intersección no es
vacía, la probabilidad de la unión de eventos es la suma de las
probabilidades de cada evento, menos la probabilidad de la intersección.
 En el caso de distribuciones de variables aleatorias cuando una
variable es continua y simétrica que modelo se usa.
 Para una variable continua y de distribución simétrica unimodal, es
común el uso del modelo Normal.
 Mientras que para proporciones se piensa en el modelo
probabilístico Binomial y para conteos no acotados en el modelo
Poisson. Una vez que se tiene un modelo teórico para la distribución
de valores de la variable de interés, es fácil calcular probabilidades
 ¿Para una variable de conteo no acotado que modelo se utiliza?
Son conteos no acotados o sin denominador natural, un ejemplo de variable
discreta obtenida por un conteo (no acotado) es el número de pústulas de
roya por m2 de cultivo. Para conteos no acotados se emplea el modelo
Poisson. 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?
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. 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. Las proporciones que provienen de conteos que no pueden
superar el número de elementos evaluados. Para proporciones se piensa
en el modelo probabilístico Binomial. Una vez que se tiene un modelo
teórico para la distribución de valores de la variable de interés, es fácil
calcular probabilidades
 Que variables tienen función de probabilidad y que variables tienen
función de densidad.
La función de distribución de probabilidad de una variable aleatoria discreta
y la función de densidad de una variable aleatoria continúa 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.
 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.
 ¿Qué 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.

 ¿Qué es 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 ( 2 ), 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.

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:


DISTRIBUCION NORMAL
 Qué 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.

La tabla de distribución normal presenta las áreas correspondientes a valores


posibles de una normal de media 0 y varianza 1. Esta densidad normal
particular, recibe el nombre de normal estándar. 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.
Formula
𝒀−µ
𝒁=
√σ𝟐

DISTRIBUCIÓN BINOMIAL

 Qué 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
P es la probabilidad del éxito por lo tanto pertenece al intervalo [0; 1] y n es
el número de ensayo de Bernoulli independiente
 A que es igual la esperanza y la varianza en esta distribución.

Si se tira 20 veces una moneda, y se quiere calcular la probabilidad de


obtener 12 caras, es decir, P (Y = 12), esta será:
20
𝑝 = (𝑌 = 12) = ( ) 𝟎, 𝟓𝟏𝟐 ( 𝟏 − 𝟎, 𝟓)𝟐𝟎−𝟏𝟐 = 𝟎, 𝟏𝟐𝟎𝟏
12
 La esperanza de la variable Y=número de lanzamientos que
resultan en cara es igual a 20x0,5 = 10

 la varianza de Y es 20x0,5x0,5 = 5.
DISTRIBUCION DE POISSON
 Que tipos de conteos se trabaja con la distribución de Poisson
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. Es 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 se usa para que tipo de conteos, les recuerdo los
ácaros por ejemplo se pueden trabajar con esta distribución.
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.

 Como se denota el único parámetro de esta distribución, a que es


igual la media y la varianza.

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


distribución Poisson es λ. Si una variable aleatoria Y se distribuye como
Poissson lo denotamos como: Y~ Poisson (λ), esta distribución tiene un
único parámetro que representa la esperanza y también la varianza, es
decir cuando Y˜ poisson (λ), se cumple
La propiedad de esperanza igual a varianza de la distribución poisson
implica que al aumentar el promedio de los conteos, aumenta también su
varianza la varianza de una poisson es función de la media.
BIBLIOGRAFÍA

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=
3221775&query=bioestadistica

Anda mungkin juga menyukai