Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones PDF
Distribuciones PDF
CÓDIGO:
x <- 0:10
plot(x, dunif(x, min=1, max=2) ,
xlab="N. de sucesos",
ylab="F. de Probabilidad",col=" royalblue4",
main="U(a=1, b=2)", type="h")
points(x, dunif(x, min=1, max=2) , pch=16)
abline(h=0, col=" black ")
x1 <- 0:10
plot(x, dunif(x1, min=1, max=5) ,
xlab="N. de sucesos",
ylab="F. de Probabilidad",col=" skyblue3",
main="U(a=1, b=5)", type="h")
points(x1, dunif(x1, min=1, max=5) , pch=16)
abline(h=0, col=" black ")
x2 <- 0:10
plot(x, dunif(x2, min=1, max=10) ,
xlab="N. de sucesos",
ylab="F. de Probabilidad",col=" royalblue1",
main="U(a=1, b=10)", type="h")
points(x2, dunif(x2, min=1, max=10) , pch=16)
abline(h=0, col=" black ")
A la distribución dunif entran los parámetros min=a, máx=b, y la probabilidad es 1/(b-a).
Por lo tanto, la probabilidad es inversa a la diferencia entre b y a.
Esta distribución siempre es constante en todos los puntos del intervalo [a, b]
BERNOUILLI
CÓDIGO:
x <- 0:1.5
plot(x, dbinom(x, size, prob=0.01),
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="slateblue4",
main="Ber( P=0.01)", type="h")
points(x, dbinom(x, size, prob=0.01), pch=16)
abline(h=0, col="blue")
x1 <- 0:1.5
plot(x1, dbinom(x1, size, prob=0.3),
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="purple",
main="Ber( P=0.3)", type="h")
points(x1, dbinom(x1, size, prob=0.3), pch=16)
abline(h=0, col="blue")
x2 <- 0:1.5
plot(x2, dbinom(x2, size, prob=0.8),
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="slateblue1",
main="Ber( P=0.8)", type="h")
points(x2, dbinom(x2, size, prob=0.8), pch=16)
abline(h=0, col="blue")
Para la función dbinom entra el parámetro de la probabilidad de que sea exitoso el caso, es
decir cuando x=1. Y cuando x=0 la probabilidad es de 1-p.
CÓDIGO:
x <- 0:4
plot(x, dbinom(x, size=4, prob=0.07),
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="turquoise4",
main="B(n=4, P=0.07)", type="h")
points(x, dbinom(x, size=4, prob=0.07), pch=16)
abline(h=0, col="blue")
x1 <- 0:10
plot(x1, dbinom(x1, size=40, prob=0.07),
xlab="N. de sucesos", col="darkgreen",
ylab="F. de Probabilidad",
main="B(n=40, P=0.07)", type="h")
points(x1, dbinom(x1, size=40, prob=0.07), pch=16)
abline(h=0, col="blue")
x2 <- 0:45
plot(x2, dbinom(x2, size=400, prob=0.07),
xlab="N. de sucesos", col="springgreen3",
ylab="F. de Probabilidad",
main="B(n=400, P=0.07)", type="h")
points(x2, dbinom(x2, size=400, prob=0.07), pch=16)
abline(h=0, col="blue")
x3 <- 200:350
plot(x3, dbinom(x3, size=4000, prob=0.07),
xlab="N. de sucesos",
ylab="F. de Probabilidad", col="yellowgreen",
main="B(n=4000, P=0.07)", type="h")
points(x3, dbinom(x3, size=4000, prob=0.07), pch=16)
abline(h=0, col="blue")
El número n de pruebas que se repiten y la probabilidad p de que suceda un éxito en cada
una de ellas.
Al analizar las gráficas se puede concluir que a medida que aumenta la cantidad n de
experimentos la gráfica se corre más hacia la derecha y es más simétrica como se observa
cuando n=4000 porque tiende a ser como la distribución de poisson.
HIPERGEOMETRICA
x <- 0:10
plot(x,dhyper(x, m=10, n=(20-10), k=5) ,
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="steelblue",
main=" H(20,10,5)", type="h")
points(x, dhyper(x, m=10, n=10, k=5) , pch=16)
abline(h=0, col="blue")
x <- 0:10
plot(x,dhyper(x, m=5, n=(20-5), k=4) ,
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="turquoise3",
main=" H(20,5,4)", type="h")
points(x, dhyper(x, m=5, n=(20-5), k=4), pch=16)
abline(h=0, col="blue")
dhyper(x, m, n, k)
m: Selección aleatoria particular.
n: El número total de la población menos la selección aleatoria particular. n = N - m.
K: la cantidad que se busca
CÓDIGO:
x <- 0:20
plot(x, dpois(x, lambda=0.5) ,
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="violet",
main="P(0.5)", type="h")
points(x, dpois(x, lambda=0.5), pch=16)
abline(h=0, col="blue")
x1 <- 0:20
plot(x1, dpois(x1, lambda=1),
xlab="N. de sucesos", col="violetred",
ylab="F. de Probabilidad",
main="P(1)", type="h")
points(x1, dpois(x1, lambda=1), pch=16)
abline(h=0, col="blue")
x2 <- 0:20
plot(x2, dpois(x2, lambda=5),
xlab="N. de sucesos", col="violetred4",
ylab="F. de Probabilidad",
main="P(5)", type="h")
points(x2, dpois(x2, lambda=5), pch=16)
abline(h=0, col="blue")
x3 <- 0:20
plot(x3, dpois(x3, lambda=10),
xlab="N. de sucesos", col="orchid",
ylab="F. de Probabilidad",
main="P(10)", type="h")
points(x3, dpois(x3, lambda=10), pch=16)
abline(h=0, col="blue")
El parámetro que ingresa es λ, el promedio de ocurrencias del suceso en cada unidad
temporal. Para λ mayores, la gráfica tiende a ser más simétrica a mediada que se desplaza
hacia la derecha.
CÓDIGO:
x <- 0:90
plot(x, dnbinom(x, size=10, prob=0.5),
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="orangered4",
main="BN(10, 0.5)", type="h")
points(x, dnbinom (x, size=10, prob=0.5), pch=16)
abline(h=0, col="blue")
x1 <- 0:90
plot(x1, dnbinom (x1, size=25, prob=0.5),
xlab="N. de sucesos", col="red2",
ylab="F. de Probabilidad",
main="BN(25, 0.5)", type="h")
points(x1, dnbinom (x1, size=25, prob=0.5), pch=16)
abline(h=0, col="blue")
x3 <- 0:90
plot(x3, dnbinom (x3, size=50, prob=0.5),
xlab="N. de sucesos",
ylab="F. de Probabilidad", col="tomato2",
main="BN(40, 0.5)", type="h")
points(x3, dnbinom (x3, size=50, prob=0.5), pch=16)
abline(h=0, col="blue")
Ahora X es el número de fracasos que deben ocurrir antes que se observe el r-ésimo éxito.
Tiene 2 parámetros, p y r.
Por esto se observa que cuando la probabilidad de éxito es baja se necesita realizar muchos
más ensayos que en el caso donde la probabilidad de tener éxito es alta.
CÓDIGO:
x <- 0:5
plot(x, dgeom(x, prob=0.9) ,
xlab="N. de sucesos",
ylab="F. de Probabilidad",col="sienna2",
main="G(0.9)", type="h")
points(x, dgeom (x, prob=0.9), pch=16)
abline(h=0, col="blue")
x1 <- 0:20
plot(x1, dgeom (x1, prob=0.5),
xlab="N. de sucesos", col="salmon1",
ylab="F. de Probabilidad",
main="G(0.5)", type="h")
points(x1, dgeom (x1, prob=0.5), pch=16)
abline(h=0, col="blue")
x2 <- 0:60
plot(x2, dgeom (x2, prob=0.1),
xlab="N. de sucesos", col="orange",
ylab="F. de Probabilidad",
main="G(0.1)", type="h")
points(x2, dgeom (x2, prob=0.1), pch=16)
abline(h=0, col="blue")
Para esta distribución hay ensayos repetidos independientes entre sí, con 2 resultados
posibles. La probabilidad de éxito es la misma (p) en todos los ensayos. Pero siempre se
mantiene la forma de la gráfica.