*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*

1. Distribución binomial Bin(n,p)

Parámetros

dbinom(k,n,p)

k = Número de éxitos.
n = Número de experimentos.
p = probabilidad de éxito.

1. El 30% de un determinado pueblo ve un concurso que hay en televisión.

Desde el concurso se llama por teléfono a 10 personas del pueblo elegidas al
azar. Calcular la probabilidad de que, entre las 10 personas, estuvieran
viendo el programa:

a. ¿Cuál es la probabilidad de exactamente dos personas lo estuvieran

viendo?

# Calculando la probabilidad
dbinom(2,10,0.4)
[1] 0.2335

# Utilizando la función cat

cat("la probabilidad de que exactamente dos personas
vean el programa, es:", dbinom(2,10,0.3)*100,"%\n ")
la probabilidad de que exactamente dos personas vean el programa, es:
23.34744 %
b. ¿Cuál es la probabilidad de que más de 8 personas vean el programa?

sum(dbinom(9:10,10,0.3))
[1] 0.0001436859

# Utilizabdo la función cat

cat("la probabilidad de que más de 8 personas vean el
programa es:", round((1-
sum(dbinom(0:8,10,0.3)))*100,4),"%\n ")
la probabilidad de que más de 8 personas vean el programa es: 0.0144%
 c. ¿Cuál es la probabilidad de que al menos una persona vea el programa?

Forma 1
1-dbinom(0,10,0.3)
[1] 0.9717525

Forma 2
sum(dbinom(1:10,10,0.3))
[1] 0.9717525

*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*
2. Distribución de Poisson Pois(λ)

Parámetros

dpois(k, λ)

k = Número de éxitos.
λ = Número de experimentos promedio.

1. Supongamos que el número de plantas individuales de una especie dada que

esperamos encontrar en un cuadrado de un metro cuadrado sigue la
distribución de Poisson con una media de λ=10. Encuentra la probabilidad de
encontrar exactamente 12 dólares por persona.

# Calculando la probabilidad
dpois(12,10)
[1] 0.09478033

# Utilizado la función cat

cat("la probabilidad de que exactamente 12 dólares por
persona es:", dpois(17,12)*100,"%\n ")
la probabilidad de que exactamente 12 dólares por persona es: 3.832471
%

2. El número promedio de accidentes de tránsito en cierto crucero de carretera es

dos por semana. Suponga que el número de accidentes sigue una distribución
de Poisson con 𝝁 = 2. Encuentre la probabilidad de que a lo sumo haya tres
accidentes en esta sección de carretera durante un periodo de 2 semanas.
# Calculando la probabilidad
sum(dpois(0:3,4))
0.4334701

# Utilizado la función cat

cat("la probabilidad de que a lo sumo haya tres
accidentes durante dos es:", sum(dpois(0:3,4))*100,"%\n
")
la probabilidad de que a lo sumo haya tres accidentes durante dos es:
43.34701 %

*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*
3. Distribución Hipergeométrica

Ejemplo:

Un producto industrial particular se envía en lotes de 20. Hacer pruebas para determinar
si un artículo es defectuoso o costoso; por tanto, el fabricante muestrea la producción en
lugar de usar un plan de inspección del 100%. Un plan de muestreo construido para
reducir al mínimo el número de piezas defectuosas, enviadas a los clientes, exige
muestrear cinco artículos de entre cada lote y rechazar el lote si se observa más de una
pieza defectuosa.
(Si el lote es rechazado, cada artículo del lote se prueba entonces.) Si un lote contiene
cuatro defectuosos, ¿cuál es la probabilidad de que sea aceptado?

N = 20
X = "número de piezas defectuosas"
X = {0,1}
M = # de éxitos (no defectuosos para no rechazar el lote) = 4.
n = N-M = 20-4 = 16
k = 5
##

dhyper(x=0, m=4, n=16, k=5)

[1] 0.2817337

dhyper(x=1, m=4, n=16, k=5)

[1] 0.4695562

Hallando P(x ≤1) = p(0) + p(1)

dhyper(x=0, m=4, n=16, k=5) + dhyper(x=1, m=4, n=16, k=5)
[1] 0.75129
O también
sum(dhyper(x=0:1, m=4, n=16, k=5))
[1] 0.75129

*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*
4. Distribución Exponencial en R

La distribución exponencial es la distribución de probabilidad que describe el tiempo

entre eventos en un proceso de Poisson, es decir, un proceso en el que los eventos
ocurren continua e independientemente a una tasa promedio constante.

Formato en R
pexp(x,rate=1/ μ,lower.tail = TRUE) para x ≤ x 0

pexp(x,rate=1/ μ,lower.tail = FALSE) para x ≥ x 0

Ejemplo:

Suponga que x representa el tiempo de carga para un camión en el muelle Schips y sigue
dicha distribución. Si la media, o promedio, del tiempo de carga es 15 minutos (μ = 15),
determine la probabilidad de que el tiempo de carga de un camión sea entre 6 y 18
minutos.
para p(x ≤6)
pexp(6,rate=1/15,lower.tail = TRUE)
[1] 0.32968
para p(x ≤18)
pexp(18,rate=1/15,lower.tail = TRUE)
[1] 0.6988058

para p(6 ≤ x ≤ 18)

pexp(18,rate=1/15,lower.tail = TRUE)-pexp(6,rate=1/15,lower.tail = TRUE)
[1] 0.3691258
la probabilidad de que el tiempo de carga de un camión sea entre 6 y 18 minutos, es de
36.91%