Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2023-2
Instalación R y Rstudio
Para iniciar el uso del software R usaremos esta esta guía que nos permitirá explorar las diversas opciones
básicas que el R ofrece.
Para la instalación se procede primero a instalar el software R y luego el software Rstudio, en caso requiera
ayuda, seguir lo indicado en el siguiente video:
https://www.youtube.com/watch?
v=Nmu4WPdJBRo&list=PLbDLkhJ5sFvCWFbP4tAFALHkNWNFo_FiL&index=2
(https://www.youtube.com/watch?
v=Nmu4WPdJBRo&list=PLbDLkhJ5sFvCWFbP4tAFALHkNWNFo_FiL&index=2)
2. Tanto en R como en Rstudio verá una ventana donde estara la consola y en otra ventana el editor
para escribir y digitar los códigos. Nota: Rstudio contiene la consola de R en uno de sus paneles.
3. Trabajaremos en el editor para digitar los códigos y veremos los resultados en la consola o en otras
ventanas que se generen, por ejemplo las ventanas de las gráficas
https://www.youtube.com/watch?v=skPzCkvr8Cw&list=PLbDLkhJ5sFvCWFbP4tAFALHkNWNFo_FiL&index=3
(https://www.youtube.com/watch?
v=skPzCkvr8Cw&list=PLbDLkhJ5sFvCWFbP4tAFALHkNWNFo_FiL&index=3)
Instalar paquetes en R
Podemos instalar paquetes usando la función install.packages(), dando como argumento el nombre del
paquete que deseamos instalar, entre comillas.
Una vez concluida la instalación de un paquete, podrás usar sus funciones con la función library(), sólo tienes
que colocar como argumento el nombre del paquete que quieres utilizar.
Ejemplo sobre la instalación del paquete “ggplot2” que sirve para organizar gráficos y su uso:
install.packages("ggplot2")
Otra manera de instalar paquetes en el Rstudio es mediante la opción “Install” que se encuentra dentro de
Packages en el Explorador de archivos y gráficos.
Ejemplos:
data1
## Lote Premezcla Mezcla Corte.y.Pesado Moldeado Envasado.al.vacio
## 1 1 9.83 20.52 29.38 29.63 13.62
## 2 2 8.25 19.25 27.86 29.55 13.59
## 3 3 12.37 18.84 29.20 29.86 12.20
## 4 4 10.46 17.30 28.61 30.67 13.07
## 5 5 11.86 15.80 26.65 29.55 11.03
## 6 6 13.51 21.94 30.58 29.91 11.85
## 7 7 9.31 20.67 28.37 30.90 13.30
## 8 8 11.28 19.81 27.32 30.06 12.07
## 9 9 12.50 20.30 29.59 29.78 13.37
## 10 10 11.61 20.58 30.62 30.08 12.57
## 11 11 9.73 20.24 29.37 30.21 10.19
## 12 12 13.88 18.68 26.98 29.94 12.04
## 13 13 9.83 20.98 29.31 30.56 10.47
## 14 14 9.08 14.47 26.81 30.03 12.86
## 15 15 8.94 18.39 30.73 29.52 12.07
## 16 16 11.33 23.61 28.34 29.94 9.33
## 17 17 11.38 21.08 32.82 30.48 11.74
## 18 18 12.13 17.05 30.82 29.58 12.36
## 19 19 8.80 21.39 28.01 30.82 12.90
## 20 20 10.92 22.01 30.46 29.73 10.94
## 21 21 13.85 19.74 28.29 29.84 12.27
## 22 22 11.91 21.19 33.25 30.99 11.27
## 23 23 11.38 19.44 30.52 29.25 10.33
## 24 24 9.70 20.41 30.22 30.85 12.21
## 25 25 5.05 18.08 31.66 30.56 12.10
## 26 26 7.98 22.66 32.46 31.27 10.88
## 27 27 8.62 20.76 30.62 30.49 10.63
## 28 28 12.21 21.13 31.23 30.27 10.12
## 29 29 13.05 18.79 28.58 29.37 11.70
## 30 30 7.96 20.18 31.79 30.34 12.22
## 31 31 7.21 19.51 34.36 29.94 13.51
## 32 32 6.63 18.41 34.67 30.64 11.50
## 33 33 9.51 18.03 30.08 28.81 11.34
## 34 34 9.44 18.80 29.69 29.47 12.65
## 35 35 11.13 22.23 31.10 30.70 12.35
## 36 36 5.35 21.37 31.70 30.00 12.65
## 37 37 8.90 21.76 27.56 30.44 12.11
## 38 38 12.39 20.59 27.66 29.14 10.07
## 39 39 9.76 19.68 31.95 30.21 13.03
## 40 40 7.81 17.86 31.04 30.63 12.12
## 41 41 8.63 20.30 29.82 31.13 13.29
## 42 42 11.09 19.63 24.55 30.26 12.46
## 43 43 7.85 22.25 29.69 29.34 12.03
## 44 44 12.24 21.68 30.97 31.29 10.39
## 45 45 12.44 19.33 28.69 29.75 12.50
## 46 46 10.97 19.91 32.27 30.20 13.28
## 47 47 10.15 21.23 32.79 30.29 11.01
## 48 48 8.34 16.81 30.46 29.76 13.62
## 49 49 10.34 21.27 30.41 29.58 12.16
## 50 50 11.34 16.11 30.73 30.01 11.56
## 51 51 10.65 17.29 30.55 30.06 12.84
## 52 52 4.17 17.55 32.18 29.70 12.25
## 53 53 9.64 22.43 28.56 30.69 11.26
## 54 54 10.62 18.55 30.59 29.92 12.48
## 55 55 11.57 17.87 31.91 28.36 12.80
## 56 56 11.28 22.88 27.74 29.72 11.66
## 57 57 11.52 21.70 30.26 28.55 11.89
## 58 58 8.03 21.98 32.76 30.26 12.39
## 59 59 8.34 24.34 32.48 29.83 11.56
## 60 60 16.01 24.39 32.03 30.80 13.45
## 61 61 12.70 15.85 29.46 29.83 12.79
## 62 62 11.22 21.94 31.81 30.04 11.78
## 63 63 8.90 20.36 28.19 30.03 11.52
## 64 64 7.05 21.72 26.69 30.42 12.57
## 65 65 7.40 20.23 30.61 30.40 11.67
## 66 66 9.42 19.98 27.02 30.08 10.66
## 67 67 11.41 14.34 25.38 29.58 10.94
## 68 68 12.40 22.14 26.56 29.21 11.41
## 69 69 12.23 19.08 27.22 29.85 10.76
## 70 70 10.55 21.93 29.84 31.03 12.50
## 71 71 10.30 21.67 28.22 30.86 14.57
## 72 72 8.79 20.44 30.01 30.60 11.37
## 73 73 11.18 16.16 28.91 30.28 11.69
## 74 74 8.22 14.70 34.71 29.84 14.12
## 75 75 8.52 18.88 27.75 30.44 12.59
## 76 76 10.44 20.09 30.02 30.14 14.00
## 77 77 12.92 16.21 28.81 29.93 12.60
## 78 78 8.00 19.14 29.43 29.33 11.65
## 79 79 12.34 19.53 30.22 29.59 12.89
## 80 80 10.31 21.28 27.73 30.19 12.17
## 81 81 8.76 20.63 31.98 30.57 10.99
## 82 82 10.72 23.73 28.47 29.73 11.85
## 83 83 11.96 22.94 31.37 30.75 13.55
## 84 84 9.88 21.02 30.50 30.10 10.65
## 85 85 8.43 14.87 28.55 30.31 12.42
## 86 86 8.93 20.78 30.95 29.75 13.86
## 87 87 11.45 21.89 33.17 30.39 11.81
## 88 88 6.58 21.63 31.25 30.05 14.69
## 89 89 12.23 20.96 33.82 29.11 12.42
## 90 90 6.90 20.60 29.75 29.68 11.21
## 91 91 9.31 18.22 26.40 29.34 13.10
## 92 92 9.77 20.96 31.05 30.13 13.17
## 93 93 9.34 21.25 31.77 30.62 13.78
## 94 94 10.00 22.22 34.16 30.33 12.19
## 95 95 8.76 22.24 28.76 29.80 11.63
## 96 96 9.95 20.75 30.01 30.02 9.24
## 97 97 13.82 21.07 30.14 29.97 12.66
## 98 98 11.34 17.53 29.04 29.54 12.41
## 99 99 12.86 17.74 29.26 29.74 11.81
## 100 100 11.58 18.90 29.40 30.01 11.59
También pueden usarse data que el R contiene, por ejemplo el paquete MASS contiene el dataset “anorexia”
con todos los datos tomados para el estudio. Este estudio contempla la data de contiene los pesos previos y
posteriores al periodo de estudio de mujeres jóvenes con anorexia, son 72 pacientes que recibieron 3 tipos de
tratamiento: Cont (control), CBT (Tratamiento cognitivo conductual) y FT (Tratamiento familiar)
Objetos
El R es un lenguaje orientado a objetos: variables, matrices, funciones, etc. que son almacenados en la
memoria activa de la computadora en forma de objetos.
Variables en R
Una variable es un objeto que puede cambiar de valor, R nos permite crear variables, asignándoles valores a
nombres.
En R usamos “<-” o “=” para hacer asignaciones. Por ejemplo, podemos asignar el valor 3 a la variable x
## [1] 3
El digito 1 entre corchetes indica que el contenido exhibido se inicia con el primer elemento de x.
## [1] 1.732051
Vectores en R
Un vector es la estructura de datos más sencilla en R . Un vector es una colección de uno o más datos del
mismo tipo.
Usando la función de concatenación “c()” para hacer una lista ordenada de números o cadena de texto, como
sigue
## [1] 1 3 5 7 9
## [1] 0.3 1.8 -5.4 0.0 2.9 -3.5 1.0 3.0 5.0 7.0 9.0
También podemos usar el operador dos puntos “:” para hacer una secuencia de enteros, como sigue:
## [1] -2 -1 0 1 2 3 4 5
## [1] 5 4 3 2 1 0 -1 -2
También podemos usar la función de secuencia “seq()”, damos un valor inicial y damos un valor final y un
valor de incremento, como sigue
## [1] -3.0 -2.8 -2.6 -2.4 -2.2 -2.0 -1.8 -1.6 -1.4 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2
## [16] 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8
## [31] 3.0
Note que R muestra el vector en varias filas, y que al inicio de cada fila da la posición en el vector del primer
elemento de la fila.
También podemos usar la función replica “rep()” para obtener un vector cuyos elementos son todos iguales,es
decir obtener 5 veces el valor 1
VECT8 <- rep(1,5)
VECT8
## [1] 1 1 1 1 1
## [1] 1 1 1 2 3 4 5 6 7 8 9 10
También podemos tomar una de las columnas de una tabla y hacerla un vector, por ejemplo usaremos la data
set iris acerca de las longitudes de sépalos que existe por default en R .
data("iris")
iris
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5.0 3.4 1.5 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 10 4.9 3.1 1.5 0.1 setosa
## 11 5.4 3.7 1.5 0.2 setosa
## 12 4.8 3.4 1.6 0.2 setosa
## 13 4.8 3.0 1.4 0.1 setosa
## 14 4.3 3.0 1.1 0.1 setosa
## 15 5.8 4.0 1.2 0.2 setosa
## 16 5.7 4.4 1.5 0.4 setosa
## 17 5.4 3.9 1.3 0.4 setosa
## 18 5.1 3.5 1.4 0.3 setosa
## 19 5.7 3.8 1.7 0.3 setosa
## 20 5.1 3.8 1.5 0.3 setosa
## 21 5.4 3.4 1.7 0.2 setosa
## 22 5.1 3.7 1.5 0.4 setosa
## 23 4.6 3.6 1.0 0.2 setosa
## 24 5.1 3.3 1.7 0.5 setosa
## 25 4.8 3.4 1.9 0.2 setosa
## 26 5.0 3.0 1.6 0.2 setosa
## 27 5.0 3.4 1.6 0.4 setosa
## 28 5.2 3.5 1.5 0.2 setosa
## 29 5.2 3.4 1.4 0.2 setosa
## 30 4.7 3.2 1.6 0.2 setosa
## 31 4.8 3.1 1.6 0.2 setosa
## 32 5.4 3.4 1.5 0.4 setosa
## 33 5.2 4.1 1.5 0.1 setosa
## 34 5.5 4.2 1.4 0.2 setosa
## 35 4.9 3.1 1.5 0.2 setosa
## 36 5.0 3.2 1.2 0.2 setosa
## 37 5.5 3.5 1.3 0.2 setosa
## 38 4.9 3.6 1.4 0.1 setosa
## 39 4.4 3.0 1.3 0.2 setosa
## 40 5.1 3.4 1.5 0.2 setosa
## 41 5.0 3.5 1.3 0.3 setosa
## 42 4.5 2.3 1.3 0.3 setosa
## 43 4.4 3.2 1.3 0.2 setosa
## 44 5.0 3.5 1.6 0.6 setosa
## 45 5.1 3.8 1.9 0.4 setosa
## 46 4.8 3.0 1.4 0.3 setosa
## 47 5.1 3.8 1.6 0.2 setosa
## 48 4.6 3.2 1.4 0.2 setosa
## 49 5.3 3.7 1.5 0.2 setosa
## 50 5.0 3.3 1.4 0.2 setosa
## 51 7.0 3.2 4.7 1.4 versicolor
## 52 6.4 3.2 4.5 1.5 versicolor
## 53 6.9 3.1 4.9 1.5 versicolor
## 54 5.5 2.3 4.0 1.3 versicolor
## 55 6.5 2.8 4.6 1.5 versicolor
## 56 5.7 2.8 4.5 1.3 versicolor
## 57 6.3 3.3 4.7 1.6 versicolor
## 58 4.9 2.4 3.3 1.0 versicolor
## 59 6.6 2.9 4.6 1.3 versicolor
## 60 5.2 2.7 3.9 1.4 versicolor
## 61 5.0 2.0 3.5 1.0 versicolor
## 62 5.9 3.0 4.2 1.5 versicolor
## 63 6.0 2.2 4.0 1.0 versicolor
## 64 6.1 2.9 4.7 1.4 versicolor
## 65 5.6 2.9 3.6 1.3 versicolor
## 66 6.7 3.1 4.4 1.4 versicolor
## 67 5.6 3.0 4.5 1.5 versicolor
## 68 5.8 2.7 4.1 1.0 versicolor
## 69 6.2 2.2 4.5 1.5 versicolor
## 70 5.6 2.5 3.9 1.1 versicolor
## 71 5.9 3.2 4.8 1.8 versicolor
## 72 6.1 2.8 4.0 1.3 versicolor
## 73 6.3 2.5 4.9 1.5 versicolor
## 74 6.1 2.8 4.7 1.2 versicolor
## 75 6.4 2.9 4.3 1.3 versicolor
## 76 6.6 3.0 4.4 1.4 versicolor
## 77 6.8 2.8 4.8 1.4 versicolor
## 78 6.7 3.0 5.0 1.7 versicolor
## 79 6.0 2.9 4.5 1.5 versicolor
## 80 5.7 2.6 3.5 1.0 versicolor
## 81 5.5 2.4 3.8 1.1 versicolor
## 82 5.5 2.4 3.7 1.0 versicolor
## 83 5.8 2.7 3.9 1.2 versicolor
## 84 6.0 2.7 5.1 1.6 versicolor
## 85 5.4 3.0 4.5 1.5 versicolor
## 86 6.0 3.4 4.5 1.6 versicolor
## 87 6.7 3.1 4.7 1.5 versicolor
## 88 6.3 2.3 4.4 1.3 versicolor
## 89 5.6 3.0 4.1 1.3 versicolor
## 90 5.5 2.5 4.0 1.3 versicolor
## 91 5.5 2.6 4.4 1.2 versicolor
## 92 6.1 3.0 4.6 1.4 versicolor
## 93 5.8 2.6 4.0 1.2 versicolor
## 94 5.0 2.3 3.3 1.0 versicolor
## 95 5.6 2.7 4.2 1.3 versicolor
## 96 5.7 3.0 4.2 1.2 versicolor
## 97 5.7 2.9 4.2 1.3 versicolor
## 98 6.2 2.9 4.3 1.3 versicolor
## 99 5.1 2.5 3.0 1.1 versicolor
## 100 5.7 2.8 4.1 1.3 versicolor
## 101 6.3 3.3 6.0 2.5 virginica
## 102 5.8 2.7 5.1 1.9 virginica
## 103 7.1 3.0 5.9 2.1 virginica
## 104 6.3 2.9 5.6 1.8 virginica
## 105 6.5 3.0 5.8 2.2 virginica
## 106 7.6 3.0 6.6 2.1 virginica
## 107 4.9 2.5 4.5 1.7 virginica
## 108 7.3 2.9 6.3 1.8 virginica
## 109 6.7 2.5 5.8 1.8 virginica
## 110 7.2 3.6 6.1 2.5 virginica
## 111 6.5 3.2 5.1 2.0 virginica
## 112 6.4 2.7 5.3 1.9 virginica
## 113 6.8 3.0 5.5 2.1 virginica
## 114 5.7 2.5 5.0 2.0 virginica
## 115 5.8 2.8 5.1 2.4 virginica
## 116 6.4 3.2 5.3 2.3 virginica
## 117 6.5 3.0 5.5 1.8 virginica
## 118 7.7 3.8 6.7 2.2 virginica
## 119 7.7 2.6 6.9 2.3 virginica
## 120 6.0 2.2 5.0 1.5 virginica
## 121 6.9 3.2 5.7 2.3 virginica
## 122 5.6 2.8 4.9 2.0 virginica
## 123 7.7 2.8 6.7 2.0 virginica
## 124 6.3 2.7 4.9 1.8 virginica
## 125 6.7 3.3 5.7 2.1 virginica
## 126 7.2 3.2 6.0 1.8 virginica
## 127 6.2 2.8 4.8 1.8 virginica
## 128 6.1 3.0 4.9 1.8 virginica
## 129 6.4 2.8 5.6 2.1 virginica
## 130 7.2 3.0 5.8 1.6 virginica
## 131 7.4 2.8 6.1 1.9 virginica
## 132 7.9 3.8 6.4 2.0 virginica
## 133 6.4 2.8 5.6 2.2 virginica
## 134 6.3 2.8 5.1 1.5 virginica
## 135 6.1 2.6 5.6 1.4 virginica
## 136 7.7 3.0 6.1 2.3 virginica
## 137 6.3 3.4 5.6 2.4 virginica
## 138 6.4 3.1 5.5 1.8 virginica
## 139 6.0 3.0 4.8 1.8 virginica
## 140 6.9 3.1 5.4 2.1 virginica
## 141 6.7 3.1 5.6 2.4 virginica
## 142 6.9 3.1 5.1 2.3 virginica
## 143 5.8 2.7 5.1 1.9 virginica
## 144 6.8 3.2 5.9 2.3 virginica
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginica
Si deseamos conocer cuantos elementos tiene el vector, entonces usamos la funciónn length.
length(VECT10)
## [1] 150
Si deseamos tener una referencia de un elemento en el vector, usamos los corchetes,por ejemplo el quinto
elemento del vector VECT
VECT10[3]
## [1] 4.7
Si deseamos tener una referencia de un subconjunto consecutivo del vector, por ejemplo del elemento 2 al
elemento 7
VECT10[2:7]
2
1 + (2 × 4) − (6 ÷ 3) + 2
## [1] 11
R también tiene funciones disponibles, tanto las funciones matemáticas simples, las funciones especiales,
como las funciones útiles en estadística, a continuación una lista de algunas de las funciones:
sum() suma
prod() producto
sqrt() raiz cuadrada
abs() valor absoluto (positivo)
sin() cos() tan() funciones trigonométricas
exp() log() exponencial y logaritmo natural
log10() logaritmo base-10
mean() promedio
var() o cov() varianza o matriz varianza- covarianza
cor() matriz de correlación
Matrices en R
Creamos matrices en R con la función matrix(). La función matrix() acepta dos argumentos, nrow y ncol. Con
ellos especificamos el número de filas y columnas que tendrá nuestra matriz.
M1<- matrix(1:8,2)
M2<- matrix (VECT5,2) # de un vector númerico ya definido
M1
M2
Otro procedimiento para crear matrices es la unión vectores con las siguientes funciones:
cbind() para unir vectores, usando cada uno como una columna.
rbind() para unir vectores, usando cada uno como una fila.
vector_1 <- 1:4
vector_2 <- 5:8
vector_3 <- 9:12
vector_4 <- 13:16
M3<-rbind(vector_1, vector_2, vector_3, vector_4)
M3
## [,1] [,2]
## [1,] 1 2
## [2,] 3 4
## [3,] 5 6
## [4,] 7 8
M1-M2
## [1] -2
## [,1] [,2]
## [1,] -2 1.5
## [2,] 1 -0.5
Graficas en R
En R , se usan muchas formas, la función barplot() es usada para gráfico de barras por ejemplo,
S1 <- c(21,17,15)
S2 <- c(11,29,27)
S3 <- c(13,20,26)
S4 <- c(26,18,22)
S5 <- c(18,20,17)
tabla<-matrix(c(S1,S2,S3,S4,S5),3,5)
View(tabla)
Medio <- c("Aplicativo","CentralTelefonica","Presencial")
Sucursal <- c("Sucursal 1","Sucursal 2","Sucursal 3","Sucursal 4","Sucursal 5")
dimnames(tabla) <-list(Medio = Medio,Sucursal = Sucursal)
# Tabla de contingencia de frecuencias relativas
frec<-prop.table(tabla)
dimnames(frec) <-list(Medio = Medio,Sucursal = Sucursal)
#Gráfico
barplot(frec*100,main="Frequencia relativa (%)",ylim=c(0,15),xlab ="Sucursal",ylab="Frecuenci
a",col=rainbow(3),beside=TRUE,legend.text = TRUE)
Distribuciones con R
ó
Distribuci n H ipergeom trica é
X ∼ H (N , M , n)
M N −M
( )( )
x n−x
f (x) = ; x = 0, 1, . . . , n;
N
( )
n
Ejemplo:
· N = 10. Número total de arquitectos. · n = 3. Muestra aleatoria de la población total de arquitectos (10
arquitectos). · r = 2. Conjunto de 2 arquitectos estén los 2 mejores.
Para resolver este apartado, necesitamos resolver: P( X = 2), por lo tanto, sólo necesitamos el valor que toma
X en el punto 2 de la función de densidad:
dhyper(2,3,10-3,2)
## [1] 0.06666667
ó
Distribuci n Binomial
X ∼ B(n, p)
n x (n−x)
f (x) = ( )p (1 − p) ; x = 0, 1, . . . , n;
x
Ejemplo:
Tenemos 100 preguntas de un examen de admisión, cada pregunta tiene 5 posibles respuestas y únicamente
una de ellas es correcta. Asumamos que el postulante necesita tener 70 preguntas correctas para ingresar a
la Universidad. Encontrar la probabilidad de tener 70 o más preguntas correctas si el estudiante resolverá el
examen de forma aleatoria.
total_preguntas<-100
x<- 70
p<-0.2 # esto dado que de las 5 opciones solo una es correcta (1/5)
dbinom(x, size=total_preguntas, prob = p)
## [1] 4.292772e-27
Para saber la probabilidad de tener 70 o más respuestas correctas, calculamos primero la probabilidad
acumulada hasta x=70, luego hacemos p(x>70)=1−p(x<70)=1−F(70). Esto se calcula de la siguiente forma:
total_preguntas<-100
x<- 70
p<-0.2 # esto dado que de las 5 opciones solo una es correcta (1/5)
1-pbinom(x, size=total_preguntas, prob = p)
## [1] 0
ó
Distribusi n P oisson
X ∼ P (λ)
(−λ) x
e λ
f (x) = ; x = 0, 1, . . .
x!
Ejemplo:
En una bodega, se cree que en promedio se tiene 30 perdidas de productos por semana, asumiendo una
distribución poisson y que el intervalo de referencia es de una semana,¿QUé probabilidad hay de que en a la
siguiente semana se pierdan exactamente 20 productos en la bodega?
## [1] 0.01341115
¿QUé probabilidad hay de que en la siguiente semana se pierdan menos de 20 productos en la bodega?
## [1] 0.02187347
¿QUé probabilidad hay de que en la siguiente semana se pierdan más de 20 productos en la bodega?
## [1] 0.9647154
ó
Distribuci n N ormal
2
X ∼ N (μ, σ )
2
(x−μ)
1 −
f (x) = e 2σ 2 ; x = 0, 1, . . .
−−−
√2πσ
Ejemplo:
mu <- 20
sigma <- 0.1
## [1] 0.9772499
#Gráfico
lb <- min(x) # Límite inferior
ub <- 20.2 # Límite superior
plot(x, f, type = "l", lwd = 2, col = "blue", ylab = "", xlab = "Altura")
abline(v = ub)
ó
Distribuci n chi2
2
X ∼ χ (n)
−(n/2)
2 (n/2−1) −(x/2)
f (x) = x e ; x >= 0,
(n/2)
Γ
caso contrario 0 para x < 0
ó
Distribuci n t − student
X ∼ t(ν )
2
Γ[(ν + 1)/2] x −(ν+1)/2
f (x) = (1 + )
− −−−
Γ(ν /2)√ r(π) r
dt(x, df, ncp, log = FALSE):Función de densidad de probabilidad
pt(q, df, ncp, lower.tail = TRUE, log.p = FALSE):Función de distribución acumulada
qt(p, df, ncp, lower.tail = TRUE, log.p = FALSE): Función cuantil de la distribución
rt(n, df. ncp): Generación de números pseudoaleatorios
ó
Distribuci n F isher
F ∼ F (r1, r2)
Γ(ν1 + ν2 /2) ν1 ν1 x
ν 1 /2 ν 1 /2−1 −(ν 1 +ν 2 )/2
f (x) = ( ) x (1 + )
Γ(ν1 /2)Γ(ν2 /2) ν2 ν2
Fin ***