Examen de Estadística Aplicada

Parte 2.
Ejercicios para realizar en R

1. Un desarrollador web está interesado en saber cuánto puede ganar por número de visitas en
una página web, puesto que un patrocinador le pagará por el número de estas visitas en su página.
El desarrollador espera un número estable de visitas igual a 20 por hora. En este caso el número
de visitas en la página web corresponde a una variable aleatoria de Poisson, donde λ es el número
de visitas esperadas en una hora.

a. Calcule la probabilidad de que nadie entre

> dpois(0,20)
[1] 2.061154e-09
la probabilidad de que nadie entre en la página es cero

b. Calcule la probabilidad de que se realicen 10 visitas a la página

> dpois(10,20)
[1] 0.005816307
La probabilidad de que se realicen 10 visitas a la página es 0.5816%

c. Realice un gráfico de la función de probabilidad donde se visualice gráficamente las

probabilidades de tener desde 0 visitas hasta 50 visitas a la página web.
> y=0:50
> x<-dpois(y,20)
> plot(y,x,type="l")
 Examen de Estadística Aplicada
Parte 2.
Ejercicios para realizar en R

2. Ahora el desarrollador está interesado en medir el tiempo entre las diferentes visitas a la página
web, en lugar de contabilizar el número de entradas a su página web. Si el proceso del número de
visitas a la página es de Poisson, entonces la variable aleatoria que mide el tiempo entre diferentes
entradas tiene una distribución exponencial de parámetro λ.

Grafique la función de densidad de la exponencial. (Fije un intervalo de tiempo: Por ejemplo de 0 a

5 segundos en intervalos de 0.01s

> a=seq(0,5,by=0.01)

> w=1/a*exp(-a/20)

> plot(a,w,type="l")

3. Ahora se desea saber el tiempo hasta que ocurran cierto número de visitas a la página web. En
lugar de esperar al primer evento, esperamos hasta el evento número r. De esta manera, tenemos
la distribución Γ de parámetros λ y r.

Grafique la función Función de distribución de la Gamma (20,10). (Fije un intervalo de tiempo: Por
ejemplo de 0 a 5 segundos en intervalos de 0.01s)

> b=seq(0,5,by=0.01)

> alpha=20

> beta=10
 Examen de Estadística Aplicada
Parte 2.
Ejercicios para realizar en R

> g=(1/(beta^alpha*factorial(alpha-1)))*(b^(alpha-1)*exp(-a/beta))

> plot(b,g,type="l")

4. En una ciudad el consumo diario de energía eléctrica, en millones de kilovatios por hora, sigue
una variable aleatoria de distribución Gamma de parámetros α = 3 y β = 0.5. La planta de energía
de esta ciudad tiene una capacidad, suficiente diaria de 10 millones de kW/hora, determinar la
probabilidad de que este abastecimiento sea:

a) Insuficiente en un día cualquiera.

X= v.a representa el consumo de energía eléctrica, en millones de kilovatios por hora

P(x>10)=1-p(x<=10)

> alpha=3

> beta=0.5

> v=10

> pgamma(v, alpha, rate = beta, lower.tail = F)

[1] 0.124652

La probabilidad de que la planta sea Insuficiente en un día cualquiera es 12.4652%.

 Examen de Estadística Aplicada
Parte 2.
Ejercicios para realizar en R

b) Se consuman entre 3 y 8 millones de kW/hora.

P(3<=x<=8)=p(x<=8)-p(x<=3)

> alpha=3

> beta=0.5

> pgamma(3, alpha, rate = beta, lower.tail = F)-pgamma(8, alpha, rate = beta, lower.tail = F)

[1] 0.5707435

La probabilidad de que consuman entre 3 y 8 kw hora es 57.07435%

c) Grafique la función de densidad de la distribución Gamma.

> alpha=3

> beta=0.5

> c=seq(0,5,by=0.01)

> g=(1/(beta^alpha*factorial(alpha-1)))*(c^(alpha-1)*exp(-c/beta))

> plot(c,g,type="l")