C

alculo de probabilidades con R

Gua 2: Calculo de probabilidades a partir de las variables aleatorias discretas

usando el entorno y lenguaje con R
Introducci
on
Con este instructivo se pretende orientar al estudiante para que lleve a cabo los calculos y elabore los
gr
aficos del captulo cuatro del texto gua (Montgomery & Runger) usando el paquete estadstico R (www.rproject.org).
Se ense
na como calcular probabilidades puntuales y acumuladas a partir de las distribuciones binomial,
geometrica, binomial negativa, hipergeometrica y Poisson.
Objetivos:
1. Calcular probabilidades a partir de las distribuciones binomial, geometrica, binomial negativa, hipergeometrica y Poisson, usando el lenguaje y entorno estadstico R.

C
alculo de probabilidades con variables aleatorias discretas
Distribuci
on binomial.
Se ilustra como se resuelve el ejemplo 3.26, del texto gua, que tiene que ver con el calculo de combinaciones:
El valor de


10
3

15
10

100
4

Se obtiene mediate
choose(10,3)
choose(15,10)
choose(100,4)

C
alculo de probabilidades
C
alculo de probabilidades a partir de la distribucion binomial.
Ejemplo 3.27 : Si X es una variable aleatoria con distribucion binomial de parametros n = 18 y p = 0.1,
calcular P (X = 2)
dbinom(x=2,size=18,prob=0.1)
A continuaci
on se hace la gr
afica de la funcion de probabilidad binomial con: a) n = 20 y p = 0.5, b) n = 10
p = 0.1 y n = 10 p = 0.9 (figura 3.7)
par(mfrow=c(1,2))
y<-dbinom(0:20,20,0.5)
plot(0:20,y,type="p",pch=20)
legend("topleft",c("n=20", "p=0.5"))
text(x=19,y=0.15,"a)")
# n=10 p=0.1
y<-dbinom(0:10,10,0.1)
plot(0:10,y,type="p",pch=20)
# n=10 p=0.9
y<-dbinom(0:10,10,0.9)
points(0:10,y,pch=21)
legend("top",c("n = 10 p = 0.1" ,"n = 10 p = 0.9"),pch=c(20,21))
Si X es una v.a binomial con par
ametros n = 18 y p = 0.1, calcular P (X 4) = 1 P (X 3)
1-pbinom(3,size=18,p=0.1)

P
agina 1

Mario A. Morales R.

mmorales@sinu.unicordoba.edu.co

C
alculo de probabilidades con R

Esta probabilidad es equivalente a P (X > 3) la cual se calcula mediante

pbinom(3,18,0.1,lower.tail=FALSE)
tambien es equivalente a

18
P

P (X = x) que se calcula mediante

x=4

sum( dbinom(4:18,18,0.1) )
Calcular P (3 X < 7) = F (6) F (2)
pbinom(6,18,0.1)-pbinom(2,18,0.1)
eqivalente a
sum( dbinom(3:6,18,0.1) )

Distribuci
on geom
etrica.
Para ilustrar el c
alculo de probabilidad a partir de la distribucion geometrica se desarrolla el ejemplo 3.29: si
X es geometrica con p = 0.1 calcular P (X = 5). Hay que tener en cuenta que para R la variable aleatoria
cuenta el n
umero de fracasos antes del primer exito, llamemoslo Y , entonces se tiene que X = Y + 1 y por
tanto Y = X 1 es el valor que hay que entregar a la funcion. As que P (X = 5) se calcula mediate
dgeom(4,0.1)
round( dgeom(4,0.1), 3) # redondea a 3 cifras
Los c
alculos del ejemplo 3.30 se hacen de la siguiente forma: P (X = 125) cuando X es geometrica de
par
ametro p = 0.01
dgeom(124,0.01)
round(dgeom(124,0.01),4)
Si se desea la probabilidad acumulada hasta 125, P (X 125)
pgeom(124,0.01)
# equivalente a
sum(dgeom(0:124,0.01))
Distribuci
on binomial negativa
En este caso hay que tener en cuenta que para R la variable aleatoria X cuenta el n
umero de fracasos antes
de los r exitos por tanto para calcular la pobabilidad de que una v.a binomial negativa X sea igual a x es
equivalente a calcular la probabilidad de que Y = X r sea igual a x r es decir P (X = x) = P (Y = x r)
con Y = X r. es decir a R hay que entregarle x r para que calcule P (X = x).
Ejempo: si X tiene distribuci
on binomial negativa con p = 0.1 y r = 4 calcular P (X = 10)
dnbinom(10-4,4,0.1)
n
otese que es lo mismo que
choose(9,3)*0.1^4*0.9^6
de acuerdo con la formula. Si se quieren probabilidades acumuladas como en el ejemplo 3.34: P (X 5),
donde r = 3 y p = 0.0005
pnbinom(5-3,3,0.0005)
Para realizar el grafico 3.9, donde se ubican las funciones de probabilidad de varias variables aleatorias con
distribuci
on binomial negativa en un mismo plano, se usa el siguiente codigo.

P
agina 2

Mario A. Morales R.

mmorales@sinu.unicordoba.edu.co

C
alculo de probabilidades con R

y<-dnbinom(5:125-5,5,0.4)
plot(5:125-5,y,pch=19)
y<-dnbinom(5:125-5,5,0.1)
points(5:125-5,y,pch=20)
y<-dnbinom(10:135-10,10,0.4)
points(10:135-10,y,pch=21)
legend("topright",c("r = 5 p = 0.1" ,"r = 5 p = 0.4","r =10 p = 0.4"),pch=19:21)
Distribuci
on hipergeom
etrica
En el caso de la distribuci
on hipergeometrica hay que tener en cuenta que para R m es el n
umero de objeto
que representan exitos, n es el numero de objetos que representan fracasos (N = m + n) y k es el tama
no de
la muestra. Ejemplo 3.35
El valor de
P (X = 0)
P (X = 1)
P (X = 2)

Se obtiene mediate
dhyper(x=0,m=50,n=800,k=2)
dhyper(x=1,m=50,n=800,k=2)
dhyper(x=2,m=50,n=800,k=2)

Ejemplo 3.36: P (X = 4)
dhyper(x=4,m=100,n=200,k=4)
Las probabilidades acumuladas: P (X 2) = 1 P (X < 2) = 1 P (X 1)
1-phyper(1,m=100,n=200,k=4)
Equivalente a
sum( dhyper(2:4,m=100,n=200,k=4))
tambien equivalente a
phyper(1,m=100,n=200,k=4,lower.tail=FALSE)
P (X 1) = 1 P (X < 1) = 1 P (X 0) ( error en el texto)
1-phyper(0,m=100,n=200,k=4)
equivalente a
phyper(0,m=100,n=200,k=4,lower.tail=FALSE)
Ejemplo 3.38: usando la distribuci
on hipergeometrica:
1-phyper(44,700,300,50)
y usando la distribuci
on binomial
1-pbinom(45,50,700/1000)
Construcci
on de la fugura 3.12
yh<-dhyper(0:5,5,5,5)
yb<-dbinom(0:5,5,0.5)
plot(0:5,yh,pch=20)
points(0:5,yb,pch=21)
legend("topright",c("Hiper N=10 K=5 n=5" ,"Bin n=5 p = 0.5"),pch=20:21)

P
agina 3

Mario A. Morales R.

mmorales@sinu.unicordoba.edu.co

C
alculo de probabilidades con R

Distribuci
on de Poisson
Ejemplo 3.41: P (X = 2) si X es una variable aleatoria con distribucion de Poisson con media 2.3
dpois(x=2,lambda=2.3)
Calcular P (X = 10) si X es una variable aleatoria con distribucion de Poisson con media E(X) = 11.5
dpois(x=10,lambda=11.5)
P (X 1)1 P (X < 1) = 1 P (X 0) si X es una variable aleatoria con distribucion de Poisson con media
E(X) = 4.6
1-ppois(0,4.6)
Construcci
on del gr
afico 3.13
y<-dpois(0:12,0.1)
plot(0:12,y,pch=19)
y1<-dpois(0:12,2)
points(0:12,y1,pch=20)
y2<-dpois(0:12,5)
points(0:12,y2,pch=21)
legend("topright",legend=c(0.1,2,5),pch=20:21,title="lambda")

Ejercicios
Se deben resolver los siguientes ejercicios, justificando la solucion y haciendo los calulos necesarios con R. En
el trabajo se debe mostrar tanto el razonamiento para la solucion, como el codigo de R con que se obtuvo la
respuesta y, por supuesto, la respuesta.
1. Una empresa manufacturera recibe un lote de 100 partes electronicas de las cuales 5 son defectuosas.
Suponga que la empresa acepta el lote si, y unicamente si, no encuentra defectuosos en una muestra de
10 partes tomadas al azar para inspeccion. Determine la probabilidad de que el lote sea aceptado.
2. Un complejo sistema electr
onico est
a construido con cierto n
umero de componentes de apoyo en sus
subsistemas. Un subsistema contiene 12 componentes identicos cada uno con una probabilidad de 0.2
de fallar en menos de 1000 horas. El subsistema funciona si como mnimo 4 componentes cualesquiera
de los 12 trabajan en forma adecuada. Se supone que los componentes operan independientemente.
a) Encuentre la probabilidad de que exactamente cuatro de los doce componentes resistan m
as de
1000 horas.
b) Encuentre la probabilidad de que el subsistema funcione por mas de 1000 horas.
3. Un experimento se repite en un laboratorio de ingeniera civil. Los resultados del experimento se consideran independientes y la probabilidad de un experimento salir exitoso es 0.7
a) Cu
al es la probabilidad de que no sean necesarios mas de seis ensayos para consegir 3 experimentos
exitosos?
b) Cu
al es el n
umero promedio de fallas antes de que ocurran tres experimentos exitosos?
4. Un examen de opci
on m
ultiple est
a compuesto de 15 preguntas, con cinco respuestas posibles cada
una, de las cu
ales solamente una es correcta. Supongase que uno de los estudiantes que responde el
examen contesta las preguntas al azar. Cual es la probabilidad que conteste correctamente al menos
10 preguntas?
5. Un envo de 10 cajas de carnes frias contiene 2 cajas que estan contaminadas. Un inspector de calidad
inspecciona 4 cajas aleatoriamente.
P
agina 4

Mario A. Morales R.

mmorales@sinu.unicordoba.edu.co

C
alculo de probabilidades con R

a) Cu
al es la probabilidad que almenos una de las cuatro cajas este contaminada?
b) Cu
antas cajas deben seleccionerse para que la probabilidad de tener almenos una contaminada
sea mayor que 0.75?
6. Un gran cargamento de partes electronicas se muestrea para probarlas secuencialmente hasta que se
encuentra la primera parte defectuosa. Si se prueban 10 o mas partes antes de encontrar la primera
defectuosa, se considera que cargamento cumple las especificaciones y se acepta.
a) Determine la probabilidad de que el cargamento sea aceptado si este contiene 10 % de partes
defectuosas.
b) Cuantas partes se necesita probar si se desea rechazar un cargamento con el 25 % de partes defectuosas con una probabilidad de al menos 0.75.

P
agina 5

Mario A. Morales R.

mmorales@sinu.unicordoba.edu.co