FASE 3

ELABORAR DOCUMENTO DE APLICACIÓN DE CONCEPTOS DE

PROBABILIDAD

EDUARDO BELLO RIAÑO

CÓDIGO 74 389 964
EVER DAVID MENDOZA CARO
CODIGO 1049634051
JOSE CUSTODIO GUZMAN
CESAR RINCON
CÓDIGO: 1002587563
FRANKLIN ASDRUBAL HERRERA

LUISA FERNANDA CASAS

ASESORA

ESTADISTICA DESCRIPTIVA
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
CEAD SOCHA, TUNJA

2019
 Introducción
El siguiente trabajo pretende dar un acercamiento general hacia los temas de la fase 3 del curso académico y del

contenido temático de Estadística Descriptiva, como forma de aprehensión y comprensión de conceptos de

identificación de población, muestra y variable, hallazgo de las medidas de tendencia central, análisis de datos y

resultados presentes en gráficos, histogramas y polígonos de frecuencia, que permiten hallar respuesta a numerosas

investigaciones con el fin de obtener datos y analizar la información presentada para su fácil acceso y

manipulación, que conllevan a la correcta interpretación de estos resultados

OBJETIVO

 Definir conceptos de variables aleatorias y probabilidades

 Analizar distribuciones sobre probabilidad aplicada a ciencias agrarias
 Aprender a aplicar modelos probabilísticos

PREGUNTAS ORIENTADORAS

Espacio muestral y con qué letra se denota.

Tal conjunto de resultados posibles se denomina espacio muestral y es usualmente denotado con
la letra griega omega (Ω).

Punto muestral.

Se denomina punto muestral a cada uno de los posibles resultados de un estudio aleatorio, es
decir a cada elemento 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
El experimento de los dados
Se ejecuta la tabla para las frecuencias absolutas, absolutas acumuladas y relativas.
Por ultimo en cuanto a las tablas se ejecuta la de frecuencias relativas acumuladas, con las
conclusiones que nos da el código.
El grafico de las frecuencias relativas.
Y por último el grafico de frecuencias relativas acumuladas

Defina Variable aleatoria

Las variables aleatorias, pueden ser interprtadas como funciones usadas para describir los
resultados de un estudio aleatorio. Para el propósito del análisis de datos las clasificamos en
cuantitativas y cualitativas y a las primeras en discretas y continuas dependiendo de los posibles
valores que la variable pueda asumir (contable o no).
Para la definición formal de variable aleatoria, el tipo de variable es importante. El tipo de
variable depende del conjunto de todos los valores que potencialmente pueden asumir en un
estudio aleatorio.

¿Qué significa que el espacio muestral de una variable aleatoria continua es no contable?
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).

¿Qué son variables aleatorias discretas proporcionales y que son variables aleatorias discretas
de conteo no acotado?

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. En las variables discretas, es posible contar el número de veces que un
determinado valor ocurre en el espacio muestral.

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. 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. 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.

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, cuantos puntos muestrales tiene.
El concepto de probabilidad puede definirse de distintas formas y con distintos niveles de
abstracción. Las definiciones clásica, frecuencial y de Kolmogorov son las más conocidas.
Cuando Ω 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:
Si A es un subconjunto de puntos muestrales de , entonces la probabilidad de ocurrencia del
evento A, denotada por P(A) es:
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃(𝐴) =
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
Dado que el número de puntos favorables es un subconjunto del espacio muestral, se deduce que
la probabilidad de un evento siempre será un número positivo, entre 0 y 1.

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.

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

Si bien la analogía es fundamental, las frecuencias se entienden como probabilidades sólo cuando
N tiende a infinito. Si el número de veces que se repite un experimento no es grande, entonces
hablaremos de frecuencia relativa y diremos que ésta “aproxima” una probabilidad.
Otra idea importante para comprender la medida de probabilidad es la de eventos mutuamente
excluyentes.

¿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)?

Se dice que dos eventos son mutuamente excluyentes si cada uno está formado por puntos
muestrales distintos, es decir no existe ningún punto muestral en la intersección de los
subconjuntos que representan los eventos y , por la teoría de conjuntos, se tiene:
Si A y B son dos eventos de , 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 de , 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(AUB), 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.
La definición de probabilidad de Kolmogorov (1937) establece que una función P(.) será
considerada una medida de probabilidad si a cada evento de un espacio muestral se le asigna un
número real entre 0 y 1 y, además, se cumplen tres axiomas:

a) la probabilidad asociada al evento espacio muestral es igual a 1. Este resultado sugiere que si
el evento de interés es todo el espacio muestral, la probabilidad de ocurrencia dado el
experimento aleatorio, es 1. Existe certeza de la existencia de un resultado en el espacio muestral.
b) la probabilidad de cualquier evento que sea un subconjunto del espacio muestra es mayor o
igual a cero. Si entendemos a la probabilidad como el límite de una frecuencia relativa (cantidad
de casos respecto de un total) es claro que las probabilidades nunca pueden ser negativas.
c) Si existen dos o más eventos mutuamente excluyentes, la probabilidad de que ocurra uno u
otro evento, es decir la probabilidad de la unión es igual a la suma de la probabilidad de cada uno
de estos eventos.
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.

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

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

Si bien la analogía es fundamental, las frecuencias se entienden como probabilidades sólo

cuando N tiende a infinito. Si el número de veces que se repite un experimento no es grande,
entonces hablaremos de frecuencia relativa y diremos que ésta “aproxima” una probabilidad.

 ¿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)?

Eventos mutuamente excluyentes

Se dice que dos eventos son mutuamente excluyentes si cada uno está formado por puntos
muéstrales distintos, es decir no existe ningún punto muestral en la intersección de los
subconjuntos que representan los eventos.

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.

 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.

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

Modelo de Poisson.

 ¿Para variables de proporciones que modelo se utiliza?

Modelo probabilístico Binomial

 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 y la varianza son los parámetros más
usados en estadística para estudiar y utilizar funciones de distribución de variables aleatorias.

¿Qué es la esperanza matemática de una variable aleatoria, como se denota? Denotada por E
() o la letra griega Mu (µ), desde el punto de vista intuitivo, un promedio de los valores asumidos
por la variable donde cada valor es ponderado por su probabilidad de ocurrencia. 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

Que es la varianza de una variable aleatoria, como se denota letra griega sigma al cuadrado
σ2 , es una medida de dispersión, denominada desvió estándar (σ) para expresar la dispersión en
términos diferencia de cada dato respectivo de la esperanza

Conceptos capítulo tres modelos probabilísticos

DISTRIBUCION NORMAL

Qué tipo de histograma se seleccionar un modelo probabilístico para una variable aleatoria
continua cuando se tienen datos de esa variable histograma de frecuencias relativas

Que es la estandarización, cuál es su fórmula. Permite llevar cualquier distribución normal

estándar

 Que es la estandarización, cuál es su fórmula.

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, conteos acotados

En la distribución binomial que es n y que es P. se supone que se realizan ciertos 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 , conocido como
ensayo Bernoulli
A que es igual la esperanza y la varianza en esta distribución.

 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.

Número (n) de experimentos aleatorios.

Probabilidad (P) de ocurrencia.

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

La E(Y) y la V(Y) cuando Y tiene distribución Binomial son:

DISTRIBUCION DE POISSON

Que tipos de conteos se trabaja con la distribución de Poisson. Variables discretas, los
conteos se refiere al número de veces que u evento ocurre en una unidad de tiempo o espacio,
dada ( hora, kilo, planta, 𝑚2 etc.

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, m^2, m^3, planta, etc.) y por tanto los
valores de la variable no están acotados.
En agronomía se usa para que tipo de conteos, les recuerdo los ácaros por ejemplo se
pueden trabajar con esta distribución. La distribución de Poisson

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 cm^3 de suelo o el
número de coliformes en 1 ml de agua, entre otros conteos de interés

Como se denota el único parámetro ( λ)

Esta distribución tiene un único parámetro, que representa la esperanza y también a la varianza,
es decir que cuando Y~ Poisson(), se cumple:

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 caso es adecuado para no confundirse leer el texto indicado

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 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.
Figura 2.3: Gráfico de la distribución empírica de la velocidad del viento (km/h)
en dos zonas de un establecimiento agrícola, denominadas zona sur (izquierda) y
zona norte (derecha). Balzarini, M. (2013), Estadística y biometría. Pag 77.

De acuerdo con el texto, y teniendo en cuenta que un molino de viento para

generar electricidad comienza a funcionar cuando el viento alcanza una
velocidad de unos 19 km/h, logra su máximo rendimiento con vientos entre 40
y 48 km/h y deja de funcionar cuando los vientos alcanzan los 100 km/h. y si lo
que se busca es extracción de agua subterránea, se espera una velocidad del
viento promedio de 26 km/h.

En función de la velocidad del viento, la zona norte como aquella con mejores
aptitudes para usar la energía eólica puesto que la velocidad del viento es
aproximadamente de 46 km/h, esto es equivalente a decir que el 50% de las
veces, el viento alcanzó una velocidad promedio de 46 km/h o menor. El 10% de
las veces, la velocidad del viento superó 48 km/h. El rango de velocidades en la
zona norte varió entre 37 km/h hasta 54 km/h, mientras que, en la zona sur se
registraron velocidades del viento que oscilaron entre los 18 y 29 km/h. Sólo el
10% de las veces la velocidad del viento superó los 26 km/h.
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:

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

El evento B conformado por los puntos muéstrales cuya suma sea número impar,
siendo:

B= {(1,2), (2,1), (2,3), (3,2)} y P(B)=4/9

El evento C conformad por los elementos cuya

suma es 5. Preguntas:
a) ¿Qué tipo de concepto de probabilidad aplicaría para
calcular probabilidades?

Para este caso aplica el concepto clásico ya que es cuando Ω es finito la

definición de probabilidad se basa en la observación de los elementos del
espacio muestral.

b) Los eventos A y B, ¿son independientes?

 No son independientes pues A y B son subconjuntos.
 c) ¿Cuál es la probabilidad de que ocurra A o B?

1, porque:
5
𝑃(𝐴) =
9
4
𝑃(𝐵) =
9
5 4
(𝐴𝑜𝐵) = + =1
9 9

d) ¿Cuál es la probabilidad de que ocurra B o C?

4/9

e) Representar tabularmente a F(Y)

Y F(Y)
2 1/9
3 3/9
4 6/9
5 8/9
6 1

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

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 y es de tipo discreta

c) ¿Cuál es la probabilidad que hoy no venda ningún tractor?

110
𝑃(𝐴) =

260

d) ¿Cuál es la probabilidad que un día, seleccionado al azar dentro de

los días laborables del año, venda 3 o más tractores?

25 10 35
(𝐴) = (𝑥 = 3) + (𝑥 = 4 𝑜 𝑚á𝑠) = = 0,1346
+ =
260

260 260
 e) ¿Cuál es la probabilidad que en los próximos dos días venda 3 tractores?

(𝐴 = 𝑣𝑒𝑛𝑑𝑒𝑟 3 𝑡𝑟𝑎𝑐𝑡𝑜𝑟𝑒𝑠 𝑚𝑎ñ𝑎𝑛𝑎 𝑦 𝑣𝑒𝑛𝑑𝑒𝑟 3 𝑡𝑟𝑎𝑐𝑡𝑜𝑟𝑒𝑠 𝑝𝑎𝑠𝑎𝑑𝑜 𝑚𝑎ñ𝑎𝑛𝑎)

25 24
= × = 0,0088
260 260
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?
 Bibliografías

 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&q
uery=bioestadistica

 Deaza D. (2018). OVI Distribuciones de probabilidad en el programa R. Recuperado

de: http://hdl.handle.net/10596/23235