UNIVERSIDAD NACIONAL DE SAN
AGUSTIN
INGENIERIA DE
PROCESOS
INGENIERIA QUIMICA
LABORATORIO DE ANÁLISIS ESTADISTICO
Lenguaje R - Probabilidades
ALUMNOS:
Zuñiga Manrique, Marjorie Valeshka
Bustinza Perea, Paulo Sidney
DOCENTE: Dr. Jhon Franky Bernedo Gonzales
TURNO: Jueves 11-13 horas
FECHA: 26 de julio del 2016
2016
PROBLEMAS
EJERCICIO N° 1
# Simulación del lanzamiento de dos dados
# Para calcular la probabilidad condicional en que la suma sea es < a 9
# Yel numero en el segundo dado es igual a 2
# P (B/A)=3/13
n_lanz=50
# DADO 1
x1= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# DADO 2
x2= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# juntando los dos dados
dat_x= cbind(x1,x2)
ind=ind1=numeric()
# identificando que resultados tienen la suma < a 9
for( i in 1:n_lanz){
ind[i] = sum(dat_x[i,])<9 & dat_x[i,2]==2
ind1[i]= sum(dat_x[i,])<9
}
# probabilidad P(A y B)
plot( cumsum(ind)/1:length(ind), col="red",type="l",lwd=2,las=1,
main="simulacion de dos dados-50 lanzamientos",ylab="probabilidad",
xlab="lanzamientos", ylim=c(0,1) )
# probabilidad P(A)
lines(cumsum(ind1)/1:length(ind1), col="blue")
# probabilidad P(A/B)
lines(cumsum(ind)/cumsum(ind1), col="gray45")
abline(h=1/6,lwd=2,col="black",lty=2)
abline(h=13/18,lwd=2,col="black",lty=2)
abline(h=3/13,lwd=2,col="black",lty=2)
n_lanz=200
# DADO 1
x1= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# DADO 2
x2= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# juntando los dos dados
dat_x= cbind(x1,x2)
ind=ind1=numeric()
# identificando que resultados tienen la suma < a 9
for( i in 1:n_lanz){
ind[i] = sum(dat_x[i,])<9 & dat_x[i,2]==2
ind1[i]= sum(dat_x[i,])<9
}
# probabilidad P(A y B)
plot( cumsum(ind)/1:length(ind), col="red",type="l",lwd=2,las=1,
main="simulacion de dos dados-200 lanzamientos",ylab="probabilidad",
xlab="lanzamientos", ylim=c(0,1) )
# probabilidad P(A)
lines(cumsum(ind1)/1:length(ind1), col="blue")
# probabilidad P(A/B)
lines(cumsum(ind)/cumsum(ind1), col="brown")
abline(h=1/6,lwd=2,col="black",lty=2)
abline(h=13/18,lwd=2,col="black",lty=2)
abline(h=3/13,lwd=2,col="black",lty=2)
n_lanz=500
# DADO 1
x1= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# DADO 2
x2= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# juntando los dos dados
dat_x= cbind(x1,x2)
ind=ind1=numeric()
# identificando que resultados tienen la suma < a 9
for( i in 1:n_lanz){
ind[i] = sum(dat_x[i,])<9 & dat_x[i,2]==2
ind1[i]= sum(dat_x[i,])<9
}
# probabilidad P(A y B)
plot( cumsum(ind)/1:length(ind), col="red",type="l",lwd=2,las=1,
main="simulacion de dos dados-500 lanzamientos",ylab="probabilidad",
xlab="lanzamientos", ylim=c(0,1) )
# probabilidad P(A)
lines(cumsum(ind1)/1:length(ind1), col="blue")
# probabilidad P(A/B)
lines(cumsum(ind)/cumsum(ind1), col="brown")
abline(h=1/6,lwd=2,col="black",lty=2)
abline(h=13/18,lwd=2,col="black",lty=2)
abline(h=3/13,lwd=2,col="black",lty=2)
n_lanz=10000
# DADO 1
x1= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# DADO 2
x2= sample( 1:6, n_lanz, replace=T, prob=rep(1/6,6) )
# juntando los dos dados
dat_x= cbind(x1,x2)
ind=ind1=numeric()
# identificando que resultados tienen la suma < a 9
for( i in 1:n_lanz){
ind[i] = sum(dat_x[i,])<9 & dat_x[i,2]==2
ind1[i]= sum(dat_x[i,])<9
}
# probabilidad P(A y B)
plot( cumsum(ind)/1:length(ind), col="red",type="l",lwd=2,las=1,
main="simulacion de dos dados-10000 lanzamientos",ylab="probabilidad",
xlab="lanzamientos", ylim=c(0,1) )
# probabilidad P(A)
lines(cumsum(ind1)/1:length(ind1), col="blue")
# probabilidad P(A/B)
lines(cumsum(ind)/cumsum(ind1), col="brown")
abline(h=1/6,lwd=2,col="black",lty=2)
abline(h=13/18,lwd=2,col="black",lty=2)
abline(h=3/13,lwd=2,col="black",lty=2)
EJERCICIO N° 2
# Distribución binomial-lanzamiento de una moneda 10 veces
# x: número de caras
# x=0,1,2,...,5
# P(cara)=0.5 equiprobable
n_lanz=10
p_exito=0.5
x=0:n_lanz
aux=numeric()
for( i in 1:length(x)){
aux[i]=dbinom(x[i],n_lanz,p_exito)}
plot( x,aux, type="h", lwd=6, col="green4",las=1,
main="Distribucion de probabilidad binomial (10,0.5)",
ylab="probabilidad",xlab="x")
# Distribución binomial-lanzamiento de una moneda 10 veces
# x: número de caras
# x=0,1,2,...,5
# P(cara)=0.5 equiprobable
n_lanz=100
p_exito=0.5
x=0:n_lanz
aux=numeric()
for( i in 1:length(x)){
aux[i]=dbinom(x[i],n_lanz,p_exito)}
plot( x,aux, type="h", lwd=6, col="green4",las=1,
main="Distribucion de probabilidad binomial (10,0.5)",
ylab="probabilidad",xlab="x")
EJERCICIO N° 3
# Distribución poisson
poi_lim=80
x=1:poi_lim
aux=numeric()
for( i in 1:length (x)){
aux[i]=dpois(x[i],2.061154^lambda)}
plot( x,aux,type="h",lwd=6,col="555",las=1,
main="distribucion de probabilidad -poisson(lambda=1)",
ylab="probabilidad",xlab="X")
EJERCICIO 4
# Simulación de la probabilidad
# de ser un número impar
# P{x es impar}
lambda=3
aux=numeric()
for(j in 1:50){
x_impar=1:j
p_impar=dpois(x_impar,lambda)
ind=1:j%%2
ind_impar=which(ind==1)
aux[j]=sum(p_impar[ind_impar])}
plot(1:50, aux,type="l", lwd=6, col=1084, ylim=c(0,0.7),
main="distribucion de probabilidad-Poisson(lambda=3)",
ylab="probabilidad",xlab="X" )
abline(h=0.49,lwd=2,col="black",lty=2)
EJERCICIO N° 5
(a)
# Distribución normal
# Parámetros: Media y Varianza
# Media
mu = 3
# Varianza
sigma2 = 2
# Desviación estándar
sigma = sqrt(sigma2)
# Grafico de la Distribución normal
zx = sort(rnorm( 500, mu, sigma ) )
plot( zx, dnorm(zx, mu, sigma), type = "l", lwd = 2, las = 1,
ylab = "Densidad", xlab = "x", col = "PINK",
main = "Distribucion Normal - mu = 3, sigma2 = 2")
# Probabilidad acumulada P(X>x) = F(x)
pnorm (2.3, mu, sigma)
# Probabilidad de P(X>a)
# Considerando a=6
0.5-pnorm(6, mu, sigma)
(b)
# Distribución normal
# Parámetros: Media y Varianza
# Media
mu = 3
# Varianza
sigma2 = 2
# Desviación estándar
sigma = sqrt(sigma2)
# Grafico de la Distribución normal
zx = sort(rnorm( 500, mu, sigma ) )
plot( zx, dnorm(zx, mu, sigma), type = "l", lwd = 2, las = 1,
ylab = "Densidad", xlab = "x", col = "PINK4",
main = "Distribucion Normal - mu = 3, sigma2 = 2")
# Probabilidad acumulada P(X>x) = F(x)
pnorm (2.3, mu, sigma)
# Probabilidad de P(a<x<b)
#considerando a=-9 y b=1
pnorm(1, mu, sigma)-pnorm(-9, mu, sigma)
(c)
# Distribución normal
# Parámetros: Media y Varianza
#
# Media
mu = 3
# Varianza
sigma2 = 2
# Desviación estándar
sigma = sqrt(sigma2)
# Grafico de la Distribución normal
zx = sort(rnorm( 500, mu, sigma ) )
plot( zx, dnorm(zx, mu, sigma), type = "l", lwd = 2, las = 1,
ylab = "Densidad", xlab = "x", col = "PINK4",
main = "Distribucion Normal - mu = 3, sigma2 = 2")
# Probabilidad acumulada P(X>x) = F(x)
pnorm (2.3, mu, sigma)
# Probabilidad de P(X>a)
# Considerando a=1
pnorm(1, mu, sigma)
