Laboratorio 1: Variables Aleatorias Discretas

Erick A. Chacón Montalván

12/09/2019

En este laboratorio aprenderemos a manipular funciones con respecto a variables aleatorias

discretas. En particular aprenderemos a:
• Obtener una muestra de una población:
sample(x, size, replace = FALSE, prob = NULL)

• Simular realizaciones de una variable aleatoria discreta:

rbinom(n, size, prob)

• Visualizar las realizaciones de una variable aleatoria discreta:

barplot(height, ...)

• Calcular la función de probabilidad y la función de distribución acumulada:

dbinom(x, size, prob, log = FALSE)
pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE)

• Calcular los cuantiles.

qbinom(p, size, prob, lower.tail = TRUE, log.p = FALSE)

• Utilizar estos conceptos y funciones para resolver problemas.

Ejercicio 1:
Obtener una muestra sin reposición de tamaño 10 de las letras del alfabeto en inglés. Realizar
lo mismo para un muestreo con reposición.
letters

## [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q"
## [18] "r" "s" "t" "u" "v" "w" "x" "y" "z"
set.seed(1)
sample(letters, 10, replace = FALSE)

## [1] "y" "d" "g" "a" "b" "k" "n" "r" "w" "j"
sample(letters, 10, replace = FALSE, prob = rep(c(10, 1), each = 13))

## [1] "c" "q" "h" "a" "x" "f" "l" "d" "i" "b"

1
sample(letters, 10, replace = TRUE)

## [1] "n" "e" "e" "b" "j" "y" "l" "o" "a" "t"
letter_sample <- sample(letters, 40, replace = TRUE)
letter_sample <- factor(letter_sample, levels = letters)
table_sample <- table(letter_sample)
barplot(table_sample, density = 20, col = rgb(1, 0, 0.2, 0.7), border = "blue")
7
6
5
4
3
2
1
0

a c e g i j l n p r t v x z

Ahora es tu turno:
1. ¿Es posible obtener una muestra sin reposición mayor al tamaño poblacional?
2. Obtener una muestra con reposición de tamaño 100 donde la probabilidad de muestreo
de las letras pares (b, d, f, . . . ) es 5 veces la probabilidad de las letras impares (a, c, e,
. . . ). Realizar un gráfico de barras.

Ejercicio 2:
Simular realizaciones de una variable aleatoria binomial (con 20 ensayos y probabilidad 0.5)
y comparar la función de masa de probabilidad con la frecuencia relativa observada.
# probability density function
binom_den <- dbinom(x = 1:20, size = 20, prob = 0.5)

2
names(binom_den) <- 1:20
barplot(binom_den, density = 20, col = rgb(1, 0, 0.2, 0.7), border = "blue")
0.15
0.10
0.05
0.00

1 2 3 4 5 6 7 8 9 11 13 15 17 19

# relative frequency
binom_sample <- rbinom(n = 5000, size = 20, prob = 0.5)
binom_sample <- factor(binom_sample, levels = 1:20)
binom_table <- table(binom_sample)
binom_table <- binom_table / sum(binom_table)
barplot(binom_table)

3
 0.15
0.10
0.05
0.00

1 2 3 4 5 6 7 8 9 11 13 15 17 19

# plot
barplot(rbind(binom_den, binom_table), beside = T, density = 20, col = c(2, 3))
legend("topright", c("Density Function", "Relative Frequency"), cex = 0.8,
fill = c(2, 3), title = "Function")

4
 Function
0.15

Density Function
Relative Frequency
0.10
0.05
0.00

1 2 3 4 5 6 7 8 9 11 13 15 17 19

Calcular la mediana y moda de esta distribución:

# moda
(1:20)[which.max(binom_den)]

## [1] 10
# mediana
qbinom(0.5, size = 20, prob = 0.5)

## [1] 10
Visualice la función de distribución acumulada y la frecuencia relativa acumulada.
# cumulative distribution function
binom_adf <- pbinom(q = 1:20, size = 20, prob = 0.5)
names(binom_adf) <- 1:20

plot(binom_adf, col = 1, pch = 19)

segments(1:19, binom_adf[1:19], 2:20, binom_adf[1:19])
segments(-10, 0, 1, 0)
segments(20, 1, 30, 1)

5
 1.0
0.8
binom_adf

0.6
0.4
0.2
0.0

5 10 15 20

Index

# relative frequency
binom_sample <- rbinom(n = 1000, size = 20, prob = 0.5)
binom_sample <- factor(binom_sample, levels = 1:20)
binom_table <- table(binom_sample)
binom_table <- binom_table / sum(binom_table)
binom_table_acum <- cumsum(binom_table)

plot(binom_adf, col = 2, pch = 19, xaxt = "n")

segments(1:19, binom_adf[1:19], 2:20, binom_adf[1:19], col = 2)
segments(-10, 0, 1, 0, col = 2)
segments(20, 1, 30, 1, col = 2)
points(binom_table_acum, col = 3, pch = 19)
segments(1:19, binom_table_acum[1:19], 2:20, binom_table_acum[1:19], col = 3)
axis(1, 1:20, 1:20, cex.axis = 1)

6
 1.0
0.8
binom_adf

0.6
0.4
0.2
0.0

1 2 3 4 5 6 7 8 9 11 13 15 17 19

Index

Ahora es tu turno
1. Realizar lo mismo con para p = 0.15 y para p = 0.8. ¿Qué diferencias existen?
2. Realizar lo mismo para la distribución hiper-geométrica, geométrica, negativa binomial,
poisson.

Ejercicio 3:
• ¿Cuál es la probabilidad de observar 5 éxitos al realizar 10 ensayos Bernouli con
probabilidad de éxito p = 0.4?
dbinom(x = 5, size = 10, prob = 0.4)

## [1] 0.2006581
• ¿Cuál es la probabilidad de observar al menos 5 éxitos al realizar 10 ensayos Bernouli
con probabilidad de éxito p = 0.4?
1-pbinom(q = 4, size = 10, prob = 0.4)

## [1] 0.3668967
• ¿Cuál es la probabilidad de tener que realizar 10 ensayos para observar un éxito cuando
cada ensaño tiene probabilidad de éxito p = 0.1?

7
dgeom(x = 10, 0.1)

## [1] 0.03486784
• ¿Cuál es la probabilidad de tener que realizar a lo mas 10 ensayos para observar un
éxito cuando cada ensaño tiene probabilidad de éxito p = 0.1?
pgeom(q = 10, 0.1)

## [1] 0.6861894
• Si tomamos una muestra de tamaño n = 10, de una población de tamaño N = 50;
en donde el número M = 30 son mujeres. ¿Cuál es la probabilidad de que al menos
observemos 5 mujeres?
1 - phyper(q = 4, m = 30, n = 20, k = 10)

## [1] 0.8601119
phyper(q = 4, m = 30, n = 20, k = 10, lower.tail = FALSE)

## [1] 0.8601119

Ejercicio 4: Para informe de laboratorio

Escoja una de las distribuciones discreteas estudiadas en clase y:
• Presente la función de probabilidad, interprete y proporciones algunas características
de la misma.
• Presente la función de distribución, interprete y proporciones algunas características de
la misma.
• Obtenga una m realizaciones de la distribución y compare las frecuencias relativas con la
función de probabilidad; la función de distribución acumulada y las frecuencias relativas
acumuladas. Utilice tres valores distintos de m para explicar como las frecuencias
relativas convergen a la función de masa de probabilidad.
• Finalmente, proporcione un ejemplo de aplicación real y utilice lo aprendido en el
laboratorio para resolverlo.