Sie sind auf Seite 1von 15

Fase 5.

Desarrollar la evaluación final prueba objetiva abierta (POA)

JHOLENNY TATIANA CUELLAR


C.C: 1001276002

FREDY ALEJANDRO PRIETO


C.C. 1119216495
Grupo: 300046_97

TUTOR
ISMAEL DUSSAN

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)


ESCUELA DE CIENCIAS AGRÍCOLAS, PECUARIAS Y DEL MEDIO
AMBIENTE ECAPMA.
CEAD FLORENCIA
DICIEMBRE
INTRODUCCION
El término “entorno” lo caracteriza como un sistema completamente
diseñado y coherente, antes que como una agregación incremental de
herramientas muy específicas e inflexibles, como ocurre frecuentemente
con otros programas de análisis de datos. R es en gran parte un
vehículo para el desarrollo de nuevos métodos de análisis interactivo de
datos. Como tal es muy dinámico y las diferentes versiones no siempre
son totalmente compatibles con las anteriores. Algunos usuarios
prefieren los cambios debido a los nuevos métodos y tecnología que los
acompañan, a otros sin embargo les molesta ya que algún código
anterior deja de funcionar. Aunque R puede entenderse como un
lenguaje de programación, los programas escritos en R deben
considerarse esencialmente efímeros.
OBJETIVOS
Conocer todo lo relacionado al lenguaje de programación R

OBJETIVOS ESPECIFICOS

 Reconocer todas las funciones que ofrece el lenguaje

 Indagar sobre el tema , para comprender su funcionamiento y


propósito

 Mediante la investigación adquirir conocimientos básicos sobre R


 VECTOR DE DATOS.

La estructura de datos que puede crecer y decrecer dinámicamente, en


todo momento, según las exigencias de ejecución se llama vector. La
estructura de datos vector representa un conjunto de objetos. El
conjunto de objetos es de tamaño variable. Se incorporan objetos hasta
colmar la capacidad total del vector. Cuando se requiera incorporar un
nuevo objeto en un vector lleno, el vector se expande automáticamente,
según la capacidad incremental definida.
 MATRIZ DE DATOS.

La matriz de datos, por su parte, registra la asignación de unos valores a


las variables dentro de las unidades de análisis, facilitándonos un modo
de ordenar la información fácilmente visible, a partir de la que se realiza
análisis. Conformada, por lo general, por unidades ubicadas en filas y
variables contenidas en columnas.
 VARIABLE CUANTITATIVA CONTINUA.

Pueden adoptar cualquier valor en el marco de un determinado intervalo.


De acuerdo a la precisión del instrumento que realiza la medición,
pueden existir otros valores en el medio de dos valores. La altura de una
persona, por ejemplo, es una variable cuantitativa continua (pueden ser
valores como 1,70 metros; 1,71 metros; 1,72 metros, etc.).

 VARIABLE CUANTITATIVA DISCRETA.

Adquieren valores que están separados entre sí en la escala. Dicho de


otro modo: no existen otros valores entre los valores específicos que la
variable adquiere. La cantidad de mascotas que tiene una persona es una
variable cuantitativa discreta: una mujer puede tener 2, 3 o 4 perros,
pero nunca 2,5 o 3,25 perros.

 VARIABLE CUALITATIVA NOMINAL.


Una variable cualitativa nominal presenta modalidades no numéricas que
no admiten un criterio de orden. Ejemplos: El estado civil, con las
siguientes modalidades: soltero, casado, separado, divorciado y viudo.

 VARIABLE CUALITATIVA CATEGÓRICA.

Las variables categóricas también se denominan variables cualitativas o


variables de atributos. Los valores de una variable categórica son
categorías o grupos mutuamente excluyentes. Los datos categóricos
pueden tener o no tener un orden lógico.

 TABLAS DE FRECUENCIAS PARA VARIABLES CUANTITATIVAS

Para una variable continua es necesario definir primero una cantidad de


clases o intervalos de clase. El número de clases puede determinarse
con la expresión: K=N° Clases» 1 + 3.3 log n . La amplitud de cada
intervalo de clase se determina como amplitud=(R+1)/K donde R es el
rango o diferencia entre el valor máximo y mínimo de la variable. Otras
veces el número de clases es fijado arbitrariamente, aunque siempre se
pide que no sean ni muy pocas ni demasiadas.
En el cuadro siguiente se encuentran las frecuencias para 707 datos de
una variable continua que mide los pesos de cada unidad de análisis.
A diferencia de una tabla de frecuencias para una variable cuantitativa
discreta, los valores registrados para la variable peso (que teóricamente
pueden ser muchos y todos distintos por ser continua) han sido
agrupados en intervalos de clase cuyos límites se indican con LI=límite
inferior y LS=límite superior. En cada intervalo de clase se han
contabilizado o agrupado, para el cálculo de frecuencias, aquellos datos
comprendidos entre los límites de dicho intervalo. La columna MC es la
marca de clase o valor de la variable en el punto medio del intervalo.

Tablas de frecuencias para variables cualitativas


En el caso de variable cualitativa no se pueden calcular las frecuencias
acumuladas pues no es posible establecer un orden en las clases dentro
de la modalidad. Colocamos en la tabla aquellos valores que son
independientes del lugar en que se pongan las modalidades. ("*Tablas de
frecuencias para datos cualitativos", 2017)
Ejemplo: Calculemos la tabla de frecuencias para una variable cualitativa.
Inactivos por tipos de inactividad declarada (miles de personas).

FUENTE: IEA. Explotación de la Encuesta de Población Activa del INE


(Metodología 2005)
 HISTOGRAMA
Es una gráfica de la distribución de un conjunto de datos. Es un tipo
especial de gráfica de barras, en la cual una barra va pegada a la otra, es
decir no hay espacio entre las barras. Cada barra representa un
subconjunto de los datos. Un histograma muestra la acumulación ó
tendencia, la variabilidad o dispersión y la forma de la distribución. Un
histograma es una gráfica adecuada para representar variables continuas,
aunque también se puede usar para variables discretas. Es decir,
mediante un histograma se puede mostrar gráficamente la distribución de
una variable cuantitativa o numérica.

 GRÁFICOS DE BARRAS

Un gráfico de barras es un gráfico con barras rectangulares. La longitud


de cada barra es proporcional al valor que representa. Utilice gráficos de
barras para comparar dos o tres variables usando un único valor. Los
gráficos de barras resultan útiles para comparar categorías: el eje X
representa la categoría y el eje Y representa el valor que se compara.

 LA MEDIA POBLACIONAL

Muchos estudios incluyen todos los valores que hay en una población. Por
ejemplo, una tienda Deportiva tiene 10 empleados, el monto promedio de
comisiones que ganaron en el mes fue de de 100$, Este es el valor
poblacional, puesto que considera a todos los empleados de la tienda
Deportiva.
Ejemplos de Media Poblacional. La media aritmética de niños que visitan a
un parque infantil. 10 trabajadores que pintaron en una semana un
edificio trabajaron durante un promedio de 8 horas extras.
La media poblacional es la Suma de todos los valores observados de una
población dividida entre el número de valores de la población.

 LA MEDIA MUESTRAL

La distribución muestral de la Media depende de varias circunstancias


como la distribución de la población de la que se extrae las muestras:
1) La población se distribuye según el modelo Normal. La distribución de
Medias muestrales sigue el modelo Normal, con parámetros mu y sigma
donde sigma al cuadrado y n son la Varianza de la distribución poblacional
y el tamaño de la muestra respectivamente.
2) La población no sigue la distribución Normal. En este caso la
distribución de Medias muestrales se acerca al modelo Normal (con los
mismos parámetros que hemos visto al apartado a) cuanto mayor sea el
tamaño de la muestra.

 VARIANZA

La varianza de un conjunto de valores es una medida de variación igual al


cuadrado de la desviación estándar. Varianza muestral: s2 el cuadrado de
la desviación estándar s. Varianza poblacional: s2 el cuadrado de la
desviación estándar poblacional s.

 MEDIANA

La mediana es el valor que ocupa el lugar central de todos los datos


cuando éstos están ordenados de menor a mayor. La mediana se
representa por Me. La mediana se puede hallar solo para variables
cuantitativas.
 MODA

En estadística, la moda es el valor con mayor frecuencia en una


distribución de datos.Se hablará de una distribución bimodal de los datos
adquiridos en una columna cuando encontremos dos modas, es decir, dos
datos que tengan la misma frecuencia absoluta máxima. Una distribución
trimodal de los datos es en la que encontramos tres modas. En el caso de
la distribución uniforme discreta, cuando todos los datos tienen la misma
frecuencia, se puede definir las modas como indicadas, pero estos valores
no tienen utilidad. Por eso algunos matemáticos califican esta distribución
como «sin moda».
 ESPACIO MUESTRAL

O espacio de muestreo (denotado S) consiste en el conjunto de todos


los posibles resultados de un experimento aleatorio, Por ejemplo, si el
experimento consiste en lanzar dos monedas, el espacio muestral es el
conjunto de las 4 posibles opciones a darse, cara con cara o sello con
sello y las dos que se cruzan.
 PUNTO MUESTRAL.

Es un elemento del espacio muestral de cualquier experimento dado


 EVENTO MUESTRAL

O suceso, es cualquier subconjunto del espacio muestral llamándose a


los sucesos que contengan un único elemento sucesos elementales. En
el ejemplo, un evento es sacar cara cara en el primer lanzamiento.
 VARIABLE ALEATORIA

Una función que asocia un número real, perfectamente definido, a cada


punto muestral. A veces las variables aleatorias están ya implícitas en
los puntos muéstrales.

¿Qué significa que el espacio muestral de una variable aleatoria


continua es no contable?
Significa que, entre dos valores de la variable, pueden realizarse un
número infinito de otros valores. Además, si el espacio muestral es
continuo, la diferencia entre valores de la variable está definida
aritméticamente.
¿Que son variables aleatorias discretas proporcionales y que son
variables aleatorias discretas de conteo no acotado? De ejemplos
este tipo de variables.
Para empezar, se dice que una variable aleatoria es discreta si toma un
numero finito. Ahora, Proporcional son conteos que no pueden superar
el número de elementos evaluados, es decir hay un nombre o
información que identifica cada elemento. Por ejemplo, las 30 cabezas
de ganado de determinada raza. Por otra parte, variables aleatorias
discretas de conteo no acotado, no tiene un nombre o información que
identifica el elemento, un ejemplo de ello seria las manzanas de un
árbol, donde no se dice mayor información sobre esto.
Probabilidad clásica
Es el número de resultados favorables a la presentación de un evento
dividido entre el número total de resultados posibles.
La probabilidad frecuencial
O frecuentista hace referencia a la definición de probabilidad entendida
como el cociente entre el número de casos favorables y el número de
casos posibles, cuando el número de casos tiende a infinito.
Si consideramos que la observación de una semilla es un ensayo y el
evento A “encontrar la semilla germinada”. Si se observan 1000 semillas
(se repite 1000 veces el ensayo, N = 1000), en condiciones tales que
cada observación sea independiente una de otra y si 600 semillas
germinan (nA = 600), se dice que la probabilidad estimada de observar
una semilla germinada, está dada por: 600/1000= 0,6
¿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.
¿Que son eventos mutuamente excluyentes?
Los eventos mutuamente excluyentes son dos resultados de un evento
que no pueden ocurrir al mismo tiempo. Por ejemplo, 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.
La regla de la Adición expresa que: la probabilidad de ocurrencia de al
menos dos sucesos A y B es igual a: P(A o B) = P(A) U P(B) = P(A) +
P(B)
En el caso de distribuciones de variables aleatorias cuando una
variable es continua y simétrica que modelo se usa.
Todas las distribuciones que están definidas sobre una variable aleatoria
continua pertenecen a la misma familia, modelo o tipo, el exponencial.
¿Para una variable de conteo no acotado que modelo se utiliza?
El modelo de regresión común para datos de conteo es el de regresión
Poisson. Como cualquier modelo de regresión, el de regresión Poisson
requiere una correcta especificación de la media condicional, es decir,
que la distribución condicional para la variable de respuesta sea
correctamente especificada, así como el parámetro relacionado con su
valor esperado
¿Para variables de proporciones que modelo se utiliza?
Por mucho, la práctica más común para modelar proporciones continuas
ha sido la aplicación del método de estimación de regresión por mínimos
cuadrados ordinarios.
Que variables tienen función de probabilidad y que variables
tienen función de densidad.
La variable aleatoria continua tiene función de densidad y 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. Por otra parte, de manera análoga, la función de probabilidad
solo tiene sentido para variables aleatorias que toman un conjunto
discreto de valores.
Cuáles son los parámetros más usados en estadística para
estudiar y utilizar funciones de distribución de variables
aleatorias.
En cuanto a medidas de tendencia central: media, mediana y moda.
Para medidas de posición no central: cuartiles, deciles y perceptiles.
Además, para medidas de dispersión se tiene el rango, la varianza y la
desviación estándar.
¿Qué es la esperanza matemática de una variable aleatoria,
como se denota?
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. Se denota E(X)
¿Qué es la varianza de una variable aleatoria, como se denota?
la varianza que suele representarse como sigma^2 de una variable
aleatoria es una medida de dispersión definida como la esperanza del
cuadrado de la desviación de dicha variable respecto a su media.

DISTRIBUCION NORMAL
Qué tipo de histograma se seleccionar un modelo probabilístico
para una variable aleatoria continua cuando se tienen datos de
esa variable
En estadística, un histograma es una representación gráfica de una
variable en forma de barras, donde la superficie de cada barra es
proporcional a la frecuencia de los valores representados
Que es la estandarización, cuál es su fórmula.
Significa ajustar los valores medidos en diferentes escalas respecto a
una escala común, a menudo previo a un proceso de realizar promedios

DISTRIBUCIÓN BINOMIAL
Qué tipo de conteos se trabajan con la distribución Binomial
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.
En la distribución binomial que es n y que es P.
P es la probabilidad de ocurrencia y n el número de ensayos de bernoille
A que es igual la esperanza y la varianza en esta distribución.
La media es el producto entre la probabilidad y el número de ensayos
mientras que la varianza es el producto de la media por la resta de 1
menos la probabilidad.

DISTRIBUCION DE POISSON
Que tipos de conteos se trabaja con la distribución de Poisson.
es una de las más importantes distribuciones de variable discreta de tipo
conteo. Los conteos se refieren al número de veces que suceden un
evento en un tiempo estimado.
En agronomía se usa para que tipo de conteos, les recuerdo los
ácaros por ejemplo se pueden trabajar con esta distribución.
Puede modelarse para el estudio de insectos sobre una planta, o en un
golpe de red, el número de manchas, o en un metro cuadrado el número
de colémbolos, entre otros.
Como se denota el único parámetro de esta distribución, a que es
igual la media y la varianza.
El único parámetro es landa y se denota, la propiedad de la esperanza
es igual a la varianza, implica que al aumentar el promedio de conteo
aumenta también su varianza y esta es función de la media.

CONCLUSIONES

Como primera conclusión destaca la utilidad de las diferentes


herramientas estadísticas, en este caso el programa R, el cual me era
difícil manejar, pero con perseverancia y disciplina se logra evidenciar
muchos de los aportes que facilita este tipo de programas.
Se concluye, además, que saber aprovechar lo que representa los
diferentes parámetros permitiría a quien las estudia tomar decisiones
con un alto grado de confianza.

BIBLIOGRAFIA

Estadística, s.f. Recuperado de:


http://www.ieszaframagon.com/matematicas/estadistica/estadistica_uni
dimensional/esta2.htm
DEPARTAMENTO DE ECUACIONES DIFERENCIALES Y ANÁLISIS
NUMÉRICO, Universidad de Sevilla, área de análisis matemático
recuperado de https://www.google.com/url?
q=http://departamento.us.es/edan/php/asig/GRAFAR/GFMA/Tema1.pdf
&sa=D&source=hangouts&ust=1550246150702000&usg=AFQjCNFdQNo
d426EJV1uqosJBPApBzEJ-g
Marca de clase, s.f. Recuperado de:
https://www.ditutor.com/estadistica/marca_clase.html
Media aritmética, s.f. Recuperado de:
https://www.vitutor.com/estadistica/descriptiva/a_10.html
Riquelme, 2018. Varianza en estadística. Recuperado de:
https://www.webyempresas.com/varianza/

Das könnte Ihnen auch gefallen