R version 4.0.

2 (2020-06-22) -- "Taking Off Again"

Copyright (C) 2020 The R Foundation for Statistical Computing

Platform: i386-w64-mingw32/i386 (32-bit)

R es un software libre y viene sin GARANTIA ALGUNA.

Usted puede redistribuirlo bajo ciertas circunstancias.

Escriba 'license()' o 'licence()' para detalles de distribucion.

R es un proyecto colaborativo con muchos contribuyentes.

Escriba 'contributors()' para obtener más información y

'citation()' para saber cómo citar R o paquetes de R en publicaciones.

Escriba 'demo()' para demostraciones, 'help()' para el sistema on-line de ayuda,

o 'help.start()' para abrir el sistema de ayuda HTML con su navegador.

Escriba 'q()' para salir de R.

[Previously saved workspace restored]

> # MODELOS DE DISTRIBUCIONES - PERIODO 954

>

> # DISTRIBUCION NORMAL

> # EJERCIO DE LAS VACAS DEL TAMBO, Libro Estadística y Biometría de Mónica Balzarini,
CAPITULO 3 - MODELOS PROBABILÍSTICOS - Distribución normal, página 91

> # La producción de leche diaria de las vacas de un tambo se distribuye como el modelo normal,
con esperanza X (que es la misma media) y varianza:

> MEDIA=20

> VARIANZA=12

> # A las vacas se les brinda una alimentación distinta que aumenta su producción, pero no cambia
la varianza, ya que son los mismos animales:

> MEDIA2=28
> SIGMA=sqrt(VARIANZA)

> x=seq(15,40,by=0.5) #secuencia de valores en un un rango de producción de leche de 15 a 40

litros

> dnorm(x,MEDIA,SIGMA)

[1] 4.063772e-02 4.953173e-02 5.912754e-02 6.912709e-02 7.915147e-02

[6] 8.876095e-02 9.748483e-02 1.048587e-01 1.104648e-01 1.139713e-01

[11] 1.151647e-01 1.139713e-01 1.104648e-01 1.048587e-01 9.748483e-02

[16] 8.876095e-02 7.915147e-02 6.912709e-02 5.912754e-02 4.953173e-02

[21] 4.063772e-02 3.265333e-02 2.569672e-02 1.980524e-02 1.494978e-02

[26] 1.105202e-02 8.002042e-03 5.674297e-03 3.940720e-03 2.680348e-03

[31] 1.785497e-03 1.164875e-03 7.443058e-04 4.657747e-04 2.854648e-04

[36] 1.713489e-04 1.007308e-04 5.799569e-05 3.270252e-05 1.806004e-05

[41] 9.768068e-06 5.174289e-06 2.684386e-06 1.363928e-06 6.787191e-07

[46] 3.307813e-07 1.578861e-07 7.380728e-08 3.379143e-08 1.515187e-08

[51] 6.653928e-09

>

> # Gráfico de distribución normal con la media de producción de leche antes del cambio en la
alimentación:

> # POR FAVOR NO LO CIERRE, ya que sobre este mismo aparecerá el siguiente gráfico (continúe
ejecutando el script)

> # Cuando aparezca el gráfico, seleccione nuevamente el script (Editor R) ubicando el cursor en el
MARCO AZUL

> # De esta forma, mantendrá el orden de ejecución dentro del script:

>

> curve(dnorm(x,MEDIA,SIGMA),xlim=c(10,40),col="blue",lwd=2,

+ xlab="Producción de leche (litros/día)",ylab="F(x)",main="PERIODO 954 - Distribución N

Producción de leche misma varianza")

>

> # Gráfico de distribución normal con la media de producción de leche después del cambio en la
alimentación:
> # Este gráfico (de color rojo) le debe aparecer junto con el anterior gráfico de color azul, en la
misma gráfica:

>

> curve(dnorm(x,MEDIA2,SIGMA),xlim=c(10,40), add=TRUE, col="red", lwd=2)

>

> # se puede observar que cambia la ubicación de la media (esperanza), pero la forma de ambas
gráficas es la misma porque no cambió la varianza

>

> # Ahora se realiza el mismo procedimiento pero en este caso no cambia la media (esperanza)
sino la varianza:

>

> MEDIA=22

> VARIANZA=12

> VARIANZA1=2

> SIGMA=sqrt(VARIANZA)

> SIGMA1=sqrt(VARIANZA1)

> x=seq(15,40,by=0.5)

> dnorm(x,MEDIA,SIGMA)

[1] 1.494978e-02 1.980524e-02 2.569672e-02 3.265333e-02

[5] 4.063772e-02 4.953173e-02 5.912754e-02 6.912709e-02

[9] 7.915147e-02 8.876095e-02 9.748483e-02 1.048587e-01

[13] 1.104648e-01 1.139713e-01 1.151647e-01 1.139713e-01

[17] 1.104648e-01 1.048587e-01 9.748483e-02 8.876095e-02

[21] 7.915147e-02 6.912709e-02 5.912754e-02 4.953173e-02

[25] 4.063772e-02 3.265333e-02 2.569672e-02 1.980524e-02

[29] 1.494978e-02 1.105202e-02 8.002042e-03 5.674297e-03

[33] 3.940720e-03 2.680348e-03 1.785497e-03 1.164875e-03

[37] 7.443058e-04 4.657747e-04 2.854648e-04 1.713489e-04

[41] 1.007308e-04 5.799569e-05 3.270252e-05 1.806004e-05

[45] 9.768068e-06 5.174289e-06 2.684386e-06 1.363928e-06

[49] 6.787191e-07 3.307813e-07 1.578861e-07

>

> # Gráfico de distribución normal con una varianza mayor:

> # POR FAVOR NO LO CIERRE, ya que sobre este mismo aparecerá el siguiente gráfico (continúe
ejecutando el código)

>

> curve(dnorm(x,MEDIA,SIGMA),xlim=c(10,40),ylim=c(0,0.4),col="blue",lwd=2,

+ xlab="Producción de leche (litros/día)",ylab="F(x)",main="PERIODO 954 - Producción de leche

Distribución N distinta varianza")

>

> # Gráfico de distribución normal con una varianza menor:

> # Este gráfico (de color rojo) le debe aparecer junto con el anterior gráfico de color azul, en la
misma gráfica:

>

> curve(dnorm(x,MEDIA,SIGMA1),xlim=c(10,40), add=TRUE, col="red", lwd=2)

>

> # En este caso ambas gráficas tienen la misma media (o esperanza) pero sus formas cambiaron
porque tienen distinta varianza

> # A mayor varianza, la gráfica tendrá mayor amplitud

>

> # EJERCICIO DE HIBRIDO MAIZ, Libro Estadística y Biometría de Mónica Balzarini, CAPITULO 3 -
MODELOS PROBABILÍSTICOS - Distribución normal, página 93

>

> # Si Y es el rendimiento de un híbrido de maíz que puede modelarse con una distribución
normal:

> media= 58

> varianza= 75

> sigma=sqrt(varianza)

> sigma

[1] 8.660254
> X=seq(35,85,by=0.5) # Secuencia de valores en un un rango de 35 a 85 quintales por hectárea
(qq/Ha)

> dnorm(X,media,sigma)

[1] 0.0013544643 0.0015762880 0.0018283356 0.0021136283

[5] 0.0024353067 0.0027966046 0.0032008168 0.0036512614

[9] 0.0041512356 0.0047039662 0.0053125539 0.0059799130

[13] 0.0067087056 0.0075012726 0.0083595619 0.0092850541

[17] 0.0102786887 0.0113407907 0.0124710009 0.0136682099

[21] 0.0149304988 0.0162550889 0.0176383003 0.0190755235

[25] 0.0205612045 0.0220888441 0.0236510148 0.0252393939

[29] 0.0268448149 0.0284573371 0.0300663324 0.0316605900

[33] 0.0332284362 0.0347578700 0.0362367098 0.0376527511

[37] 0.0389939311 0.0402484981 0.0414051812 0.0424533583

[41] 0.0433832182 0.0441859128 0.0448536973 0.0453800549

[45] 0.0457598021 0.0459891741 0.0460658866 0.0459891741

[49] 0.0457598021 0.0453800549 0.0448536973 0.0441859128

[53] 0.0433832182 0.0424533583 0.0414051812 0.0402484981

[57] 0.0389939311 0.0376527511 0.0362367098 0.0347578700

[61] 0.0332284362 0.0316605900 0.0300663324 0.0284573371

[65] 0.0268448149 0.0252393939 0.0236510148 0.0220888441

[69] 0.0205612045 0.0190755235 0.0176383003 0.0162550889

[73] 0.0149304988 0.0136682099 0.0124710009 0.0113407907

[77] 0.0102786887 0.0092850541 0.0083595619 0.0075012726

[81] 0.0067087056 0.0059799130 0.0053125539 0.0047039662

[85] 0.0041512356 0.0036512614 0.0032008168 0.0027966046

[89] 0.0024353067 0.0021136283 0.0018283356 0.0015762880

[93] 0.0013544643 0.0011599838 0.0009901218 0.0008423211

[97] 0.0007141988 0.0006035494 0.0005083455 0.0004267342

[101] 0.0003570329
>

> # Gráfico de distribución normal para Y= rendimiento de maíz:

>

> curve(dnorm(x,media,sigma),xlim=c(20,100),col="blue",lwd=2,

+ xlab="Rendimiento (qq/Ha)",ylab="F(x)",main="PERIODO 954 - Rendimiento de maíz -

Función de Distribución N(media.sigma)")

>

> # Especificamos el valor del que queremos saber su probabilidad:

> valor=55

> pnorm(valor,media,sigma) # Esta es la probabilidad de que el rendimiento sea igual o menor al

valor indicado

[1] 0.3645172

>

> #PROBABILIDAD DE UN VALOR MAYOR

> valor=55

>

> # Para hallar la probabilidad de un valor mayor, se resta 1 menos la probabilidad de hallar un
valor igual o menor:

> 1-pnorm(valor,media,sigma)

[1] 0.6354828

>

> # PROBABILIDAD EN UN RANGO DE VALORES

>

> # Probabilidad que un dato de rendimiento tomado al azar esté comprendido en el intervalo de
50 a 65 qq/Ha:

> # Reemplaze por el rango de valores, valor 2 es el mayor y valor 1 es el menor:

> valor1=50

> valor2=65

> VALOR1=pnorm(valor1,media,sigma)

> VALOR1 # esta es la probabilidad de hallar un valor menor o igual al especificado en: "valor1"
[1] 0.1778055

> VALOR2=pnorm(valor2,media,sigma)

> VALOR2 # esta es la probabilidad de hallar un valor menor o igual al especificado en: "valor2"

[1] 0.7905383

>

> # PROBABILIDAD que el rendimiento se encuentre en el intervalo de 50 a 65 qq/Ha:

> VALOR2-VALOR1

[1] 0.6127327

>

> # GRAFICA DE ÁREA BAJO LA CURVA ENTRE 50 Y 65 qq/Ha:

>

> regionX=seq(valor1,valor2,0.01) # Intervalo a sombrear

> xP <- c(valor1,regionX,valor2) # Base de los polígonos que crean el efecto "sombra"

> yP <- c(0,dnorm(regionX,media,sigma),0) # Altura de los polígonos sombreados

>

> # Cuando le abra la gráfica no la cierre y vuelva al Editor R, seleccionando el marco azul del
cuadro, donde aparece el nombre del código

> curve(dnorm(x,media,sigma),xlim=c(20,100),col="blue",lwd=2,

+ xlab="Rendimiento (qq/Ha)",ylab="F(x)",main="PERIODO 954 - Rendimiento de maíz

Distribución Normal con área bajo la curva")

> polygon(xP,yP,col="orange1") # Área bajo la curva entre 50 y 65 qq/Ha

> box() # Crea un marco rodeando el área bajo la curva

>

>

> # DISTRIBUCION BINOMIAL

> # Ejercicio de la semilla de Panicum, Libro Estadística y Biometría de Mónica Balzarini, CAPITULO
3 - MODELOS PROBABILÍSTICOS - Distribución binomial, página 101:

>

> # Supóngase que se toman 10 semillas de Panicum sp y se registra el evento "Germinó"o "No
germinó", después de 5 días de sembradas:
>

> n= 10 # Número total de ensayos realizados, en este caso son 10, que fueron el número de
semillas evaluadas

> p= 0.25 # La probabilidad de germinación de las semillas fue del 25 por ciento

>

> # Queremos saber la probabilidad que germinen 8 de las 10 semillas:

> k= 8

>

> # Probabilidad de que germinen 8 de las 10 semillas:

>

> dbinom(k,n,p)

[1] 0.0003862381

>

> # Probabilidad que germinen al menos 4 de las 10 semillas:

> # En este caso, se interpreta como la probabilidad de que germinen 4 o más semillas

> # Es equivalente a la probabilidad que germinen 4 semillas, más la probabilidad que germinen 5,
más la prob. que germinen 6; y así sucesivamente hasta 10.

> # Otra forma de calcularlo es a la inversa, calculando la probabilidad que germinen menos de 4 y
restándole a la probabilidad total:

>

> k1=3 # Hay que calcular la probabilidad de un valor que sea una unidad menor que el que
queremos hallar

>

> pbinom(k1,n,p) # probabilidad de que germinen 3 semillas o menos

[1] 0.7758751

>

> #Para conocer la probabilidad que germinen 4 o más semillas se resta 1 menos el anterior
resultado:

> 1-pbinom(k1,n,p)

[1] 0.2241249

>
> # Probabilidad de que germinen a lo sumo 6 semillas:

> # A lo sumo se interpreta que germinen máximo 6 semillas:

> k2=6

> pbinom(k2,n,p) # probabilidad de que germinen máximo 6 semillas

[1] 0.9964943

>

> # La esperanza de esta variable aleatoria:

> E=n*p

>E

[1] 2.5

>

> # La varianza de esta variable aleatoria:

> V=n*p*(1-p)

>V

[1] 1.875

>

> # Gráfico de distribución Binomial para el ejercicio de germinación de semillas:

>

> x <- 0:n

> prob <- dbinom(x,n,p)

> barplot(prob,col = "red",names.arg=x,

+ xlab="Evento (germinación de x semillas)",ylab="Probabilidad del

evento",main="PERIODO 954 - Distribución Binomial - Germinación de semillas\n(n=10,p=0.25)")

>

> # Este gráfico muestra la probabilidad de ocurrencia de cada uno de los 11 eventos posibles, es
decir que germinen 0 semillas, 1.., hasta 10.

> # En este caso, cuando p es menor que 0.5, la distribución se encuentra sesgada positivamente
hacia la izquierda

>

>
> # DISTRIBUCION DE POISSON

>

> # La distribución de Poisson se usa para distribuciones de variables discretas (conteos).

> # A diferencia de la distribución binomial, acá no hay un número establecido o conocido de

experimentos realizados

>

> # EJERCICIO DE LAS PICADURAS DE GORGOJO, Libro Estadística y Biometría de Mónica Balzarini,
CAPITULO 3 - MODELOS PROBABILÍSTICOS - Distribución Poisson, página 105:

>

> # Supongamos que el número promedio de picaduras de gorgojo por semilla es 0.2 (es decir, que
cada 100 semillas 20 tienen picaduras).

> # PROBABILIDAD DE UN VALOR EXACTO

> x1= 2 # Número de semillas de las que se quiere calcular la probabilidad de tener picaduras de
gorgojo

> lamda=0.2 # En la distribución de Poisson, lamda equivale a la media o a la varianza, son el

mismo valor

> dpois(x1,lamda) # La probabilidad de que en 100 semillas dos tengan 1 picadura

[1] 0.01637462

>

> # probabilidad de que en 100 semillas dos o más tengan picaduras:

> # Hay que hallar primero las probabilidades de que 0 y 1 semillas tengan picaduras:

> x0=0 # El valor de conteo que se quiere calcular la probabilidad, en este caso que ninguna
semilla tenga picaduras

> x2=1

> lamda=0.2 # en la distribución Poisson, la media es la misma varianza

> dpois(x0,lamda) # Esta es la probabilidad de que ninguna semilla tenga picaduras

[1] 0.8187308

> dpois(x2,lamda) # Probabilidad de que en 100 semillas una tenga picaduras

[1] 0.1637462

>
> 1-(dpois(x0,lamda)+dpois(x2,lamda)) # Esta es la probabilidad de que en 100 semillas dos o
más tengan picaduras.

[1] 0.0175231

>

>

> #Preparado por: Luis Alberto Cáceres - director de curso