Cálculo de Probabilidades con R
Práctica de Laboratorio
Estadística I
Prof: Christian Galarza y Dalton Noboa
1. Introducción: Comandos Básicos en R
En R, para cualquier distribución de probabilidad, existen 4 funciones fundamentales. Si el
nombre base de la distribución es nombre, los prefijos son:
dnombre(x, ...): Función de densidad f (x) o probabilidad puntual P (X = x).
pnombre(q, ...): Probabilidad acumulada F (q) = P (X ≤ q). Para calcular P (X > q) se
puede usar la propiedad del complemento o el argumento [Link] = FALSE.
qnombre(p, ...): Función cuartil. Dado un valor p, encuentra k tal que P (X ≤ k) = p.
rnombre(n, ...): Generación de n números aleatorios.
Resumen de Parámetros
Tabla 1: Funciones de distribución y parámetros en R
Distribución Función R Parámetros Clave y Notas
Binomial binom size (n), prob (p)
Geométrica geom prob (p). R cuenta fallos (0, 1, . . . ).
Si X es intentos (1, 2, . . . ), usar x-1.
Bin. Negativa nbinom size (r éxitos), prob (p). R cuenta fallos.
Hipergeométrica hyper m (blancas), n (negras), k (extracciones).
Poisson pois lambda (λ).
Uniforme unif min, max.
Exponencial exp rate (λ). Si escala es β, usar rate = 1/beta.
Gamma gamma shape (α), scale (β).
Normal norm mean (µ), sd (σ).
Beta beta shape1 (α), shape2 (β).
1
2. Ejercicios Resueltos
Copie y pegue los códigos en su consola de R o RStudio para obtener los resultados numéricos.
También puede usar la siguiente opción online [Link]
2.1. 1. Distribución Binomial
Sea X una variable aleatoria binomial con parámetros n y p. Su función de probabilidad está
dada por: !
n x
P (X = x) = p (1 − p)n−x , x = 0, 1, . . . , n
x
Ejercicio 1. Un laboratorio afirma que una droga causa efectos secundarios en una propor-
ción de 3 de cada 100 pacientes (p = 0,03). Otro laboratorio elige al azar a 5 pacientes (n = 5).
Calcule:
a) La probabilidad de que ningún paciente tenga efectos secundarios.
b) La probabilidad de que al menos dos tengan efectos secundarios.
c) ¿Cuál es el número medio de pacientes que espera el laboratorio que sufran efectos secun-
darios si elige 100 pacientes al azar?
1 # Par metros
2 n <- 5
3 p <- 0.03
4
5 # a ) P ( X = 0)
6 prob _ a <- dbinom ( x = 0 , size = n , prob = p )
7 print ( paste ( " P ( Ninguno ) : " , prob _ a ) )
8
9 # b ) P ( X >= 2) .
10 # Primero usamos la propiedad del complemento : P ( X >= 2) = 1 - P ( X <= 1)
11 prob _ b _ comp <- 1 - pbinom ( q = 1 , size = n , prob = p )
12
13 # Alternativamente , R permite calcular la cola superior directamente :
14 prob _ b _ direct <- pbinom ( q = 1 , size = n , prob = p , lower . tail = FALSE )
15
16 print ( paste ( " P ( Al menos 2) - Complemento : " , prob _ b _ comp ) )
17 print ( paste ( " P ( Al menos 2) - Directo : " , prob _ b _ direct ) )
18
19 # c ) Valor Esperado E [ X ] = n * p para n =100
20 n _ nuevo <- 100
21 media <- n _ nuevo * p
22 print ( paste ( " Media esperada : " , media ) )
Listing 1: Solución Binomial
2.2. 2. Distribución Geométrica y Binomial Negativa
Geométrica: Sea X el número de intentos necesarios para obtener el primer éxito.
P (X = x) = p(1 − p)x−1 , x = 1, 2, . . .
Nota: R usa la variable Y = X − 1 (número de fallos antes del éxito).
Binomial Negativa: Sea X el número de intentos para obtener r éxitos.
!
x−1 r
P (X = x) = p (1 − p)x−r , x = r, r + 1, . . .
r−1
2
Nota: R usa Y = X − r (número de fallos extra).
Ejercicio 2. Considerando el caso anterior (p = 0,03), se realizan pruebas uno a uno.
a) ¿Cuál es la probabilidad de que se obtenga al primer paciente con efectos secundarios en
el primer intento? (X = 1 → fallos = 0).
b) ¿Cuál es la probabilidad de que a lo mucho se tenga que estudiar 3 pacientes para observar
al primer paciente con efectos secundarios? (X ≤ 3 → fallos ≤ 2).
c) ¿Cuál es la probabilidad de tener que extraer más de 50 personas para recién observar al
primer paciente con efectos secundarios?
d) ¿Cuál es la probabilidad de que se obtenga al tercer paciente sin efectos secundarios en
el quinto intento?
1 p <- 0.03
2
3 # a ) Primer xito en el intento 1 (0 fallos antes )
4 prob _ a <- dgeom ( x = 0 , prob = p )
5 print ( paste ( " P ( X =1 intento ) : " , prob _ a ) )
6
7 # b ) A lo mucho 3 intentos (0 , 1 o 2 fallos )
8 prob _ b <- pgeom ( q = 2 , prob = p )
9 print ( paste ( " P ( X <= 3 intentos ) : " , prob _ b ) )
10
11 # c ) Mas de 50 intentos .
12 # Complemento : 1 - P ( X <= 50) -> 1 - pgeom (49 , ...)
13 # Directo : pgeom (49 , ... , lower . tail = FALSE )
14 prob _ c <- pgeom ( q = 49 , prob = p , lower . tail = FALSE )
15 print ( paste ( " P ( X > 50 intentos ) : " , prob _ c ) )
16
17 # d ) Binomial Negativa
18 # " xito " es NO tener efectos -> p _ new = 1 - 0.03 = 0.97
19 # Queremos r = 3 xitos . Total intentos = 5. Fallos = 5 - 3 = 2.
20 p _ sano <- 0.97
21 prob _ d <- dnbinom ( x = 2 , size = 3 , prob = p _ sano )
22 print ( paste ( " P (3 er sano en 5 to intento ) : " , prob _ d ) )
Listing 2: Solución Geométrica y Bin Negativa
2.3. 3. Distribución Hipergeométrica
Sea X el número de éxitos en una muestra de tamaño k extraída de una población de tamaño
N que contiene m éxitos y n fracasos (N = m + n).
m n
x k−x
P (X = x) = m+n
k
Ejercicio 3. Un supervisor tiene 4 hombres y 2 mujeres (Total N = 6). Selecciona 2 traba-
jadores al azar (k = 2). Sea Y el número de mujeres seleccionadas (m = 2, n = 4).
a) Calcule la distribución de probabilidad (P (Y = 0), P (Y = 1), P (Y = 2)).
b) Si se permitiera muestreo con reemplazo, calcule la distribución (Binomial).
c) (Aproximación) De 100 estudiantes (40 mujeres), se eligen 5. Calcule la probabilidad de
que 2 sean hombres usando la aproximación Binomial.
3
1 # a ) H i p e r g e o m t r i c a Exacta : m =2 ( mujeres ) , n =4 ( hombres ) , k =2 ( muestra )
2 y _ vals <- c (0 , 1 , 2)
3 probs _ hyper <- dhyper ( x = y _ vals , m = 2 , n = 4 , k = 2)
4 names ( probs _ hyper ) <- c ( " Y =0 " , " Y =1 " , " Y =2 " )
5 print ( probs _ hyper )
6
7 # b ) Con reemplazo -> Binomial : n =2 , p =2 / 6
8 probs _ binom <- dbinom ( x = y _ vals , size = 2 , prob = 2 / 6)
9 names ( probs _ binom ) <- c ( " Y =0 " , " Y =1 " , " Y =2 " )
10 print ( probs _ binom )
11
12 # c ) A p r o x i m a c i n Binomial
13 # " xito " = Hombre . Prob = 60 / 100 = 0.6. Muestra n =5. Buscamos k =2.
14 prob _ aprox <- dbinom ( x = 2 , size = 5 , prob = 0.6)
15 print ( paste ( " Aprox Binomial (2 hombres ) : " , prob _ aprox ) )
Listing 3: Solución Hipergeométrica
2.4. 4. Distribución Poisson
Sea X el número de eventos en un intervalo, con tasa promedio λ.
e−λ λx
P (X = x) = , x = 0, 1, 2, . . .
x!
Ejercicio 4. Falla de energía: media de 3 apagones por mes.
a) Calcule la probabilidad de que no se tenga a lo mucho una falla en un período de una
semana.
b) Motores eléctricos: p = 0,01, n = 300. Probabilidad de exactamente 5 defectuosos usando
aproximación Poisson.
1 # a ) Ajuste de Lambda : 3 al mes -> 3 / 4 por semana
2 lambda _ sem <- 0.75
3 # " A lo mucho 1 falla " -> P ( X <= 1)
4 prob _ a <- ppois ( q = 1 , lambda = lambda _ sem )
5 print ( paste ( " P ( <= 1 falla semanal ) : " , prob _ a ) )
6
7 # b ) A p r o x i m a c i n Poisson a Binomial : lambda = n * p = 300 * 0.01 = 3
8 prob _ exacta <- dbinom ( x = 5 , size = 300 , prob = 0.01)
9 prob _ aprox <- dpois ( x = 5 , lambda = 3)
10
11 print ( paste ( " Exacta ( Binomial ) : " , prob _ exacta ) )
12 print ( paste ( " Aprox ( Poisson ) : " , prob _ aprox ) )
Listing 4: Solución Poisson
2.5. 5. Distribución Uniforme Continua
Sea X una variable uniforme en el intervalo (a, b).
1
f (x) = , a≤x≤b
b−a
Ejercicio 5. El tiempo de espera sigue una distribución uniforme entre 0 y 20 minutos.
a) Calcule la probabilidad de que la espera dure entre 5 y 12 minutos.
b) Genere 10 tiempos aleatorios con esta distribución.
4
1 min _ val <- 0; max _ val <- 20
2
3 # a ) P (5 < X < 12) = F (12) - F (5)
4 prob _ uni <- punif (12 , min _ val , max _ val ) - punif (5 , min _ val , max _ val )
5 print ( paste ( " P (5 < X < 12) : " , prob _ uni ) )
6
7 # b ) G e n e r a c i n aleatoria
8 random _ times <- runif (10 , min _ val , max _ val )
9 print ( head ( random _ times ) )
Listing 5: Solución Uniforme
2.6. 6. Distribución Normal
Sea X ∼ N (µ, σ 2 ). Su función de densidad es:
1 1 x−µ 2
f (x) = √ e− 2 ( σ )
σ 2π
Ejercicio 6. Dada una v.a. X ∼ N (µ = 30, σ = 4). Determine:
a) P (30 < X < 35)
b) P (X > 21)
c) P (X < 40)
d) El percentil 95.
1 mu <- 30; sigma <- 4
2
3 # a ) P (30 < X < 35) = F (35) - F (30)
4 p _ a <- pnorm (35 , mu , sigma ) - pnorm (30 , mu , sigma )
5
6 # b ) P ( X > 21) . Primero complemento , luego directo .
7 # 1 - pnorm (21 , ...) o pnorm (21 , ... , lower . tail = FALSE )
8 p _ b <- pnorm (21 , mu , sigma , lower . tail = FALSE )
9
10 # c ) P ( X < 40)
11 p _ c <- pnorm (40 , mu , sigma )
12
13 # d ) Percentil 95
14 percentil <- qnorm (0.95 , mu , sigma )
15
16 print ( paste ( " a ) " , p _a , " b ) " , p _b , " c ) " , p _c , " d ) " , percentil ) )
Listing 6: Solución Normal
2.7. 7. Distribución Exponencial
Sea X una variable exponencial con parámetro de escala β (media).
1 −x/β
f (x) = e , x>0
β
Nota: R requiere la tasa λ = 1/β.
Ejercicio 7. Demanda de agua exponencial con media β = 100.
a) Encuentre la probabilidad de que la demanda exceda los 200.
b) ¿Qué capacidad debe tener la estación para que la probabilidad de excederla sea 0.01?
5
1 beta _ scale <- 100
2 tasa <- 1 / beta _ scale # R usa rate = 1 / scale
3
4 # a ) P ( X > 200)
5 prob _ a <- pexp (200 , rate = tasa , lower . tail = FALSE )
6 print ( paste ( " P ( Demanda > 200) : " , prob _ a ) )
7
8 # b ) P ( X > k ) = 0.01 -> P ( X <= k ) = 0.99
9 capacidad <- qexp (0.99 , rate = tasa )
10 print ( paste ( " Capacidad necesaria : " , capacidad ) )
Listing 7: Solución Exponencial
2.8. 8. Distribución Beta
Sea X ∼ Beta(α, β). Su densidad es:
1
f (x) = xα−1 (1 − x)β−1 , 0<x<1
B(α, β)
Ejercicio 8. Proporción de tanques vendidos: Beta con α = 4, β = 2.
a) Encuentre la probabilidad de que se venda al menos el 90 % del inventario.
b) Probabilidad de que se venda más de lo esperado (Media teórica).
1 alpha <- 4; beta _ param <- 2
2
3 # a ) P ( X >= 0.9)
4 prob _ a <- pbeta (0.9 , shape1 = alpha , shape2 = beta _ param , lower . tail = FALSE )
5 print ( paste ( " P ( Venta >= 90 %) : " , prob _ a ) )
6
7 # b ) Media t e r i c a E [ X ] = alpha / ( alpha + beta )
8 media _ teorica <- alpha / ( alpha + beta _ param )
9 prob _ b <- pbeta ( media _ teorica , alpha , beta _ param , lower . tail = FALSE )
10 print ( paste ( " P ( X > Media ) : " , prob _ b ) )
Listing 8: Solución Beta
6
3. Ejercicios de práctica
Resuelva los siguientes ejercicios planteando el problema y seleccionando la función adecuada
en R.
Ejercicio A: Resistencias Eléctricas
El tiempo de duración, X, en meses, de una resistencia eléctrica sigue una ley exponencial
con media igual a 2 (β = 2).
1. ¿Cuál es la probabilidad de que una resistencia dure más de 4 meses?
2. Si se prueban 10 resistencias eléctricas, ¿cuál es la probabilidad de que ninguna dure más
de 4 meses?
3. ¿Cuál es la probabilidad de que a lo mucho la quinta resistencia medida sea la tercera en
durar menos de 90 días (3 meses)?
4. Se seleccionan n resistencias. ¿Cuántas deben seleccionarse para que con probabilidad 0.9
se tenga al menos una resistencia que dure más de 4 meses?
Ejercicio B: Empaque de Camarones
El peso de paquetes de camarones sigue una distribución N (1,95, 0,0015).
1. Si la compañía exporta diariamente 5550 paquetes, ¿cuántos de ellos se espera que tengan
más del peso establecido (asuma peso establecido = 1.95)?
2. ¿Cuál es el percentil 95 de la distribución del peso?
3. ¿Cuál es la probabilidad de que un quinto o sexto paquete pesado resulte ser el segundo
en tener peso en exceso (> 1,95)?
Ejercicio C: Tiempos hasta Fallo
Se ha determinado que el tiempo hasta el fallo, en miles de horas, de un componente elec-
trónico específico en un sistema de navegación sigue una distribución Γ(2, 10). Determine:
1. La probabilidad de que un componente falle antes de alcanzar 25,000 horas de funciona-
miento.
2. La media y la varianza del tiempo de vida útil de estos componentes electrónicos.
3. Si se toma una muestra aleatoria de 49 de estos componentes electrónicos, ¿cuál es la
probabilidad de que el tiempo medio de vida útil de los componentes supere las 25,000
horas?
Ejercicio D: Tiro al blanco
La probabilidad de acertar en un blanco es 0.75. Calcule aproximadamente (usando aproxi-
mación Normal a la Binomial), la probabilidad de que en 400 disparos se obtengan:
1. No menos de 250 aciertos.
2. No más de 280 aciertos.
3. Entre 260 y 315 aciertos.
4. Exactamente 300 aciertos.
Nota: Recuerde aplicar la corrección por continuidad para la aproximación normal.