UNIDAD 2: FASE 3 - ELABORAR DOCUMENTO DE APLICACIÓN DE

CONCEPTOS DE PROBABILIDAD

PRESENTADO POR:
WILLIAM DAVID MARTINEZ ZAPATA

CODIGO:1040323803

GRUPO: 300046_20

TUTOR:
JAIME ORLANDO MOLINA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

MEDELLIN ANTIOQUIA
2020
A. PROBABILIDAD.

• Ejecutar el programa R y abrir “CODIGODADOS.txt”

(recuerde que en la casilla que dice “R Files” debe cambiar a “All
files” para poder visualizar el archivo y abrirlo).

Ejecución del codigodados en el programa R;

Se inicia el programa con la explicación de este en donde se puede

observar el espacio muestral de tirar dos dados, en él se ejecutan los
eventos muéstrales respectivos y sus puntos muéstrales.
En esta ocasión se suman el valor de las parejas respectivas de dados,
dando como valores mínimo y máximo 2 y 12 respectivamente
Se ejecuta la tabla para las frecuencias absolutas, absolutas acumuladas
y relativas.
Por último, en cuanto a las tablas se ejecuta la de frecuencias relativas
acumuladas, con las conclusiones que nos da el código.
• Adjuntar los tres gráficos generados por el código
(Frecuencias Absolutas, frecuencias relativas y frecuencias
relativas acumuladas) y hacer una explicación de cada uno de
ellos.

Se tiene el resultado del diagrama de barras de las frecuencias

absolutas.
El grafico de las frecuencias relativas.
Y por último el grafico de frecuencias relativas acumuladas.
• 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.

Este ejercicio consiste es determinar las probabilidades de obtener

diferentes resultados al lanzar dos dados. Al lanzar los dos dados
existen 36 posibilidades de obtener resultados ejemplo los dados
pueden caer 1-1, 1-2, 2-2, 2-4 y así sucesivamente hasta llegar a las 36
diferentes resultados, a esos 36 resultados posibles se les denomina
espacio muestral. Por otra parte, al lanzar los dados existen otras
posibilidades, las cuales son de obtener dos números impares (3-5) o
dos números pares (2-4) y por último tenemos la probabilidad de sacar
dos números iguales (6-6), la cual es más remota, este conjunto de
resultados puede ser denominados como subconjuntos o eventos.

Para el caso de 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), seguido al multiplicarlo por
100 obtenemos 16,6% de probabilidades de obtener dos números
iguales al lanzar dos dados.

Explique en sus propias palabras los siguientes términos:

a. Espacio muestral y con qué letra se denota.

Conjunto de todos los valores que potencialmente pueden asumir en un

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

Es el conjunto de todos los posibles resultados de un experimento. En la

definición anterior, el espacio muestra Ω consta de n elementos
(puntos muéstrales).
c. Evento muestral.

El evento por un conjunto de variables relacionadas entre sí. Por lo

tanto, un evento está representado con una o más variables vinculadas
entre ellas. Si las variables (una o varias de éstas) no son predecibles
con exactitud se dice que el evento es aleatorio.
 d. Variable aleatoria

Es una función que asigna un valor, usualmente numérico, al resultado

de un experimento aleatorio. Las variables aleatorias suelen tomar
valores reales, pero se pueden considerar valores aleatorios como
valores lógicos, funciones o cualquier tipo de elementos (de un espacio
medible).
e. ¿Qué significa que el espacio muestral de una variable
aleatoria continua es no contable?
Por ejemplo, si el experimento consiste en lanzar dos monedas, el
espacio muestra es el conjunto {(cara, cara), (cara, cruz), (cruz, cara) y
(cruz, cruz)}. Un evento o suceso es cualquier subconjunto del espacio
muestra con estructura de σ-álgebra,1 llamándose a los sucesos que
contengan un único elemento sucesos elementales. En el ejemplo, el
suceso "sacar cara en el primer lanzamiento", o {(cara, cara), (cara,
cruz)}, estaría formado por los sucesos elementales {(cara, cara)} y
{(cara, cruz)}.
Para algunos tipos de experimento puede haber dos o más espacios de
muestreo posibles. Por ejemplo, cuando se toma una carta de un mazo
normal de 52 cartas, una posibilidad del espacio de muestreo podría ser
el número (del as al rey).
f. ¿que son variables aleatorias discretas proporcionales y
que son variables aleatorias discretas de conteo no
acotado? De ejemplos este tipo de variables.

corresponde con el valor medio teórico de los posibles valores que

pueda tomar la variable aleatoria, o también con el centro de gravedad
de los valores de la variable supuesto que cada valor tuviera una masa
proporcional a la función de densidad en ellos.

La definición matemática de la esperanza en el caso de las variables

aleatorias discretas se corresponde directamente con las
interpretaciones proporcionadas en el párrafo anterior. Efectivamente,
supuesta una variable aleatoria discreta X con recorrido
{x1, x2, ..., xk, ...} y con función de densidad f(x), se define la esperanza
matemática de X como el valor
Una variable aleatoria es aquella que toma un conjunto de valores
numéricos asociados a los resultados de la realización de un proceso
aleatorio. Ejemplos: 1) si el experimento es lanzar cuatro 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.
g. Existe dos conceptos de probabilidad el clásico y concepto
frecuencia, defina cada uno.

Es cualquier acción o proceso que no se tiene certeza de su resultado

final, hasta tanto no se ejecute. Este tipo de experimento debe
satisfacer con los siguientes requerimientos: -Puede repetirse un
número ilimitado de veces bajo las mismas condiciones. - Es posible
conocer por adelantado todos los posibles resultados a que puede dar
origen. - No puede predecirse con exactitud un resultado en una
realización particular del experimento.

Eventos es un subconjunto del espacio muestral. Ejemplo: Al lanzar un

dado una vez. E= en la cara superior aparece un número par. E= 2, 4, 6
h. En el caso de la frecuencia explique el experimento de
germinación de una semilla cuál es el experimento
aleatorio, cuál es el evento, cuantos puntos muéstrales
tiene.

i. ¿Qué diferencia existe entre el concepto de frecuencia

relativa y el de probabilidad?

La diferencia moderna de probabilidad basada en la axiomática de

Kolmogorov (presentada anteriormente) es relativamente reciente.
Históricamente hubo otros intentos previos de definir el escurridizo
concepto de probabilidad, descartados por diferentes razones. Sin
embargo, conviene destacar aquí algunas ideas que aparecen en la
antigua definición basada en la frecuencia relativa, ya que permiten
intuir algunas profundas propiedades de la probabilidad.

Recordemos antes que si en un experimento que se ha repetido n veces

un determinado suceso A se ha observado en k de estas repeticiones, la
frecuencia relativa fr del suceso A es:

 fr = k/n
El interés por la frecuencia relativa y su relación con el concepto de
probabilidad aparece a lo largo comportamiento de numerosas
repeticiones de experimentos reales.

A título de ejemplo de un experimento de este tipo, supongamos que se

dispone de una moneda ideal perfectamente equilibrada. Aplicando
directamente la regla de Laplace resulta claro que el suceso A = obtener
cara tiene probabilidad:

 p(A) = 1/2 = 0,5

En el cuadro siguiente se simula por ordenador el comportamiento de la

frecuencia relativa del suceso A = obtener cara. El cuadro inicia la
simulación con el lanzamiento consecutivo de la moneda veinte veces,
calculando la frecuencia relativa de cara y comparándolo con la p(A) =
0.5. Aunque no es imposible que coincidan, la mayoría de veces f r será
diferente.

El lector puede manipular el cuadro para observar qué ocurre con rachas
entre n = 1 y n = 1000 lanzamientos. También puede empezarse una
nueva racha de lanzamientos con el botón Reiniciar.

j. ¿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(A ꓴ B)?

En el ámbito de la lógica y de la teoría de la probabilidad dos

proposiciones (o eventos) son mutuamente excluyentes o disjuntos si
ambos no pueden ser verdaderos (o suceder simultáneamente). Un
ejemplo de ello es el resultado de revolear una vez una moneda, el cual
solo puede ser "cara" o "cruz", pero no ambos. Por ejemplo, es
imposible tener una carta que sea roja y a la vez tréboles dado que los
tréboles siempre son negros. Si se saca una carta de un mazo, se
obtendrá o bien una carta roja (corazones o diamantes) o una carta
negra (tréboles o picas). Cuando A y B son mutuamente excluyentes,
P(A ∪ B) = P(A) + P(B).3 Por ejemplo para obtener la probabilidad de
sacar una carta roja o un trébol, se suman las probabilidades de sacar
una carta roja y la probabilidad de sacar un trébol. En un mazo estándar
de 52 cartas, hay veintiséis cartas rojas y trece tréboles: 26/52 + 13/52
= 39/52 o 3/4.
 k. En el caso de distribuciones de variables aleatorias cuando
una variable es continua y simétrica que modelo se usa.
variable la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada
uno de los sucesos es el rango de valores de la variable aleatoria.
También puede decirse que tiene una relación estrecha con
las distribuciones de frecuencia. De hecho, una distribución de
probabilidades puede comprenderse como una frecuencia teórica, ya
que describe cómo se espera que varíen los resultados.

L. ¿Para una variable de conteo no acotado que modelo se

utiliza?
Modelo de Poisson.
m.¿Para variables de proporciones que modelo se utiliza?
Modelo probabilístico Binomial.

n. Que variables tienen función de probabilidad y que

variables tienen función de densidad.
La teoría de la probabilidad, la función de densidad de
probabilidad, función de densidad, o, simplemente, densidad de
una variable aleatoria continua describe la probabilidad relativa según la
cual dicha variable aleatoria tomará determinado valor.
La probabilidad de que la variable aleatoria caiga en una región
específica del espacio de posibilidades estará dada por la integral de la
densidad de esta variable entre uno y otro límite de dicha región.
La función de densidad de probabilidad (FDP o PDF en inglés) es positiva
a lo largo de todo su dominio y su integral sobre todo el espacio es de
valor unitario.
o. Cuáles son los parámetros más usados en estadística para
estudiar y utilizar funciones de distribución de variables
aleatorias.
sus probabilidades demandan conocer la función de distribución de la
variable aleatoria objeto de estudio. Esta función está caracterizada
por parámetros que en la práctica son desconocidos.
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.

p. ¿Qué es la esperanza matemática de una variable aleatoria,

como se denota?

La esperanza matemática de una variable aleatoria X es el número que

expresa el valor medio del fenómeno que representa dicha variable. La
esperanza matemática, también llamada valor esperado, es igual al
sumatorio de las probabilidades de que exista un suceso aleatorio,
multiplicado por el valor del suceso aleatorio.

q. ¿Qué es la varianza de una variable aleatoria, como se

denota?

Decimos que es un parámetro de dispersión. La definición es la

siguiente: Un parámetro de dispersión derivado de la varianza y que
tiene las mismas unidades de la variable aleatoria es la desviación
típica, que se define como la raíz cuadrada de la varianza.
 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&query=bioestadistica 

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

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

Arribas, M. J. M., Almazán, L. A., & Mañas, R. B. (Eds.). (2012). Historia

de la probabilidad y de la estadística vi. Recuperado de
http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?
ppg=86&docID=3207420&tm=1519662405330