UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN

FACULTAD DE CIENCIAS - ESCUELA DE ESTADÍSTICA

PROBABILIDAD

INSTRUCTIVO TRABAJO DE PROBABILIDAD Cada uno de los equipos enumerado de 1 a 11,

deberán presentar por escrito (IMPRESO) y en computador los resultados del programa en R, donde se
muestre claramente los histogramas y las funciones de densidad o de masa de probabilidad asociados, junto
con los comentarios asociados a las preguntas formuladas. En general se deben resolver 5 requerimientos.
Enunciadas al final. Todos los equipos van a considerar n-variables aleatorias generadas de la respectiva
distribución.

1. Equipo 1: Exp(λ), considere las diferentes combinaciones de n = 20, 40, 100 y valores de λ =
5, 10, 100. Es decir, en total serı́an 9 escenarios.

2. Equipo 2: χ2r , considere las diferentes combinaciones de n = 20, 40, 100 y valores de λ = 1, 10, 100.
Es decir, en total serı́an 9 escenarios.

3. Equipo 3: N (µ = 1, σ 2 = a), considere las diferentes combinaciones de n = 20, 40, 100 y valores de
a = 1, 25, 100. Es decir, en total serı́an 9 escenarios.

4. Equipo 5: b(m, p) considere las diferentes combinaciones de n = 20, 100 y valores de m = 10, 100 y
p = 0.001, 0.5. Es decir, en total serı́an 8 escenarios.

5. Equipo 6: BN (r, p) considere las diferentes combinaciones de n = 20, 100 y valores de r = 1, 10 y

p = 0.001, 0.5. Es decir, en total serı́an 8 escenarios.

6. Equipo 7: P oisson(λ) considere las diferentes combinaciones de n = 20, 40, 100 y valores de λ =
1, 5, 100. Es decir, en total serı́an 9 escenarios.

7. Equipo 8: Geometrica(r) considere las diferentes combinaciones de n = 20, 40, 100 y valores de
r = 1, 5, 10. Es decir, en total serı́an 9 escenarios.

8. Equipo 9: Exp(λ), considere las diferentes combinaciones de n = 20, 40, 100 y valores de λ =
0.5, 0.10, 1. Es decir, en total serı́an 9 escenarios.

9. Equipo 10 χ2r , considere las diferentes combinaciones de n = 20, 40, 100 y valores de λ = 0.1, 1.0, 10.
Es decir, en total serı́an 9 escenarios.

10. Equipo 11 N (µ, σ 2 = 25), considere las diferentes combinaciones de n = 20, 40, 100 y valores de
µ = 0, 10, 20. Es decir, en total serı́an 9 escenarios.

Para cada uno de los escenarios:

1. Hacer el problema 3.1.8 del TEXTO GUÍA

2. Halle X̄ = i=1
P
n
Xi , repı́talo M = 500 veces. Haga un histograma para las medias.

3. Grafique en el mismo histograma la densidad de una distribución N ormal(µ, σ 2 /n), donde µ es la

media de la distribución considerada y σ 2 la varianza de la distribución. ¿Qué se observa a medida
que n es grande?

1
 1
Pn
2
4. Halle S 2 = n−1 2 2
i=1 Xi − X̄ , repı́talo M=500 veces. Haga un histograma para (n − 1)S /σ ,
siendo σ 2 la varianza de la distribución considerada.

5. Grafique en el mismo histograma la densidad de una distribución χ2n−1 , ¿Qué se observa a medida
que n es grande?
LISTADO DE LOS EQUIPOS: ver Tabla de EXCEL

FECHA DE ENTREGA: Viernes 25 de noviembre de 2016 IMPRESO, hojas por lado y lado, hasta las
2:00 p.m. ANEXO PROGRAMA R ILUSTRATIVO:
#PROGRAMA EN R PARA HALLAR PROBABILIDADES DE LAS DISTRIBUCIONES DISCRETAS
#BINOMIAL, BINOMIAL NEGATIVA, GEOMÉTRICA, HIPERGEOMETRICA, POISSON
#BINOMIAL B(10,0.20) se va a generar la distibución de probabilidades para la distribución
binomial
x<-0:10 #GENERA UNA SUCESIÓN DE ENTEROS DE 0 A 10 Y LOS GUARDA EN x
y<-dbinom(x,10,0.2) #PARA CADA VALOR DE x SE CALCULA LA RESPECTIVA PROBABILIDAD,
#DONDE EL SEGUNDO PARAMETRO ES N, Y EL
# TERCERO ES P

plot(x,y,type=’h’,col=’blue’,lwd=5,las=1,main=’Distribución Binomial con param

n=10,p=0.20’) # SE HACE EL GRÁFICO DE LA DISTRIBUCIÓN DE PROBABILIDADES
abline(h=0)
#Generación de números aleatorios:

y<-rbinom(30,10,0.2) # genera 30 números aleatorios de la dist. Binomial de parámetros 10 y p=0.2

#Distribución acumulada de la Binomial:

y1<-pbinom(x,10,0.2)
# CALCULA P[X<= x] de una binomial para cada uno de los valores que están en x

plot(x,y1,type=’s’,col=’blue’,las=1,main=’FDA de una Binomial con param n=10,p=0.20’)

# GRAFICA DE LA FDA
points(y1,cex=0.7,col=’dark red’)
# GRAFICA LOS CIRCULOS
abline(h=0)

#DISTRIBUCIÓN BINOMIAL NEGATIVA (r,p)

x<-0:100
y<-dnbinom(x,10,0.2)
# PROBABILIDADES DE LA BN(r,p)
plot(x,y,type=’h’,col=’blue’,lwd=1,las=1,main=’Distribución Binomial con param n=10,p=0.20’)
abline(h=0)

# CON LA SIGUIENTE INSTRUCCIÓN SE CREA UNA FUNCIÓN QUE PERMITA HACER EL GRÁFICO DE LA BINOMIAL
NEGATIVA PARA DIFERENTES VALORES DE LOS PARAMETROS

distri.binomial.negativa<-function(r,p)
{

2
 x<-0:150
y<-dnbinom(x,r,p)
plot(x,y,type=’h’,col=’blue’,lwd=1,las=1,main=’Distribución Binomial Neg BN(r, p)’)
abline(h=0)
}
win.graph()
par(mfrow=c(2,2))
distri.binomial.negativa(20,0.2)
distri.binomial.negativa(15,0.2)
distri.binomial.negativa(5,0.2)
distri.binomial.negativa(1,0.2)
####DISTRIBUCIÓN POISSON DE PARÁMETRO LAMBDA
x<-0:20
y1<-dpois(x,1)
plot(x,y1,type=’h’,col=’blue’,las=1,main=’Distribución Poisson con param Lambda’)
abline(h=0)

#####En forma análoga para distribuciones continuas en este caso:

x<-seq(0,50,0.01)
# construyo una lista de valores de x entre 0 y 50 con incrementos de 0.01 en 0.01
y<-dexp(x,0.5)
# Evalúa la fdp de una Exponencial de parámetro \lambda=0.5 en cada valor de x
plot(x,y, type=’l’,las=1)

####Generación de números 100 números aleatorios de una Exponencial de parámetro Lambda=0.5

w<-rexp(100,0.5)
media<-mean(w)
varianza<-var(w)
#############################################################
###FORMA matricial de hacer lo anterior 500 veces:
w<-rexp(100*500,0.5)
Mw<-matrix(w,nrow=500)
#Matriz de 10 filas y 100 columnas de números aleatorios de una Exponencial l=0.5
Medias<-apply(Mw,1,mean)
# A cada fila de la matriz Mw le calcula la media y la guarda en el vector Medias
Varianzas<-apply(Mw, 1, var)
#A cada fila de la matriz Mw le calcula la varianza muestral y la guarda en el vector de Varianzas