En este informe, realizaremos una simulación de lanzamiento de dos dados utilizando R markdown, asi mismo, se realizara una retroalimentación y comentarios de los resultados obtenidos.
En principio, para la realization de la simulación propuesta, iniciamos creado una semilla, usando el comando set.seed(710), el numero 710 es un numero elegido por preferencia, esto se hace con la finalidad de garantizar que los resultados de la simulación sean reproducibles cada vez que se ejecute el código y buscando que se arrojen números aleatorios, diferentes a las otras posibles simulaciones.
Luego denotamos la funcion “cantidad_lanzamientos(n)” para llevar a cabo la simulación del lanzamiento de dos dados un número específico de veces, denotado por n.
Dentro de la función anteriormente creada, se inicializan dos vectores, Suma y Resta, con valores de cero en principio, que servirán para almacenar los resultados de la suma y la resta de los valores obtenidos en cada lanzamiento, respectivamente.
Posteriormente, se utiliza un bucle for que se repetirá n veces, donde n representa el número de lanzamientos especificado. En cada iteración del bucle, se generan aleatoriamente dos números correspondientes a los lanzamientos de los dos dados utilizando la función sample(1:6, 1) para cada dado.
Luego, se calcula la suma de los dos números obtenidos y se almacena en el vector Suma, mientras que el valor absoluto de la resta dada entre los dos números se almacena en el vector Resta.
Al final del bucle, se calculan las probabilidades de cada resultado de suma y resta dividiendo el número de ocurrencias de cada resultado por el número total de lanzamientos (n). Las probabilidades calculadas se almacenan en dos variables, probabilidad_suma y probabilidad_resta, y se devuelven como una lista al final de la función, haciendo uso del comando return.
En el proceso de simulación de lanzamientos de dos dados, la función cantidad_lanzamientos() se emplea para calcular las probabilidades de la suma y la resta de los resultados. Para cada cantidad de lanzamientos (10, 100, 1000, 10000 y 100000), se invoca esta función y se utilizan las tablas formateadas con knitr::kable() para presentar las probabilidades de manera clara y ordenada en el informe. El objetivo es observar cómo varían las probabilidades a medida que aumenta el número de lanzamientos, proporcionando así una comprensión más profunda de la distribución de los resultados de los dados.
Finalmente, asi se veria el código.
# Creacion de la semilla
set.seed(710)
#Creacion de la funcion para controlar la cantidad de tiros
cantidad_lanzamientos = function(n)
{
Suma = rep(0, n) #aca tiro el dado de 0 a n veces
Resta =rep(0, n)
#Creacion del bucle o iteraciones
for(i in 1:n) {
dado1 = sample(1:6, 1)
dado2 = sample(1:6, 1)
Suma[i] = dado1 + dado2
Resta[i] = abs(dado1 - dado2)
}
#Calculo de la probabilidad y guardando los resultados en una tabla
probabilidad_suma = table(Suma) / n
probabilidad_resta = table(Resta) / n
return(list(probabilidad_Suma = probabilidad_suma, probabilidad_Resta = probabilidad_resta))
}
resultados_10 = cantidad_lanzamientos(10)
knitr::kable(resultados_10$probabilidad_Suma, caption = "Probabilidades de la suma para 10 lanzamientos")
knitr::kable(resultados_10$probabilidad_Resta, caption = "Probabilidades de la resta para 10 lanzamientos")
# Para 100 lanzamientos
resultados_100 = cantidad_lanzamientos(100)
knitr::kable(resultados_100$probabilidad_Suma, caption = "Probabilidades de la suma para 100 lanzamientos")
knitr::kable(resultados_100$probabilidad_Resta, caption = "Probabilidades de la resta para 100 lanzamientos")
# Para 1000 lanzamientos
resultados_1000 = cantidad_lanzamientos(1000)
knitr::kable(resultados_1000$probabilidad_Suma, caption = "Probabilidades de la suma para 1000 lanzamientos")
knitr::kable(resultados_1000$probabilidad_Resta, caption = "Probabilidades de la resta para 1000 lanzamientos")
# Para 10000 lanzamientos
resultados_10000 = cantidad_lanzamientos(10000)
knitr::kable(resultados_10000$probabilidad_Suma, caption = "Probabilidades de la suma para 10000 lanzamientos")
knitr::kable(resultados_10000$probabilidad_Resta, caption = "Probabilidades de la resta para 10000 lanzamientos")
# Para 100000 lanzamientos
resultados_100000 = cantidad_lanzamientos(100000)
knitr::kable(resultados_100000$probabilidad_Suma, caption = "Probabilidades de la suma para 100000 lanzamientos")
knitr::kable(resultados_100000$probabilidad_Resta, caption = "Probabilidades de la resta para 100000 lanzamientos")En esta sección, analizamos los resultados de la simulación de lanzamientos de dos dados y exploramos las probabilidades de obtener diferentes valores de suma y resta.
En principio, mostramos la tabla para 10 lanzamientos.
| Suma | Freq |
|---|---|
| 3 | 0.2 |
| 4 | 0.1 |
| 6 | 0.4 |
| 9 | 0.2 |
| 11 | 0.1 |
| Resta | Freq |
|---|---|
| 0 | 0.1 |
| 1 | 0.3 |
| 2 | 0.2 |
| 3 | 0.2 |
| 4 | 0.2 |
Tabla para 100 lanzamientos
| Suma | Freq |
|---|---|
| 2 | 0.04 |
| 3 | 0.08 |
| 4 | 0.09 |
| 5 | 0.06 |
| 6 | 0.21 |
| 7 | 0.13 |
| 8 | 0.10 |
| 9 | 0.10 |
| 10 | 0.10 |
| 11 | 0.05 |
| 12 | 0.04 |
| Resta | Freq |
|---|---|
| 0 | 0.18 |
| 1 | 0.27 |
| 2 | 0.24 |
| 3 | 0.14 |
| 4 | 0.16 |
| 5 | 0.01 |
Tabla para los 1000 lanzamientos
| Suma | Freq |
|---|---|
| 2 | 0.036 |
| 3 | 0.049 |
| 4 | 0.077 |
| 5 | 0.108 |
| 6 | 0.146 |
| 7 | 0.183 |
| 8 | 0.122 |
| 9 | 0.107 |
| 10 | 0.094 |
| 11 | 0.047 |
| 12 | 0.031 |
| Resta | Freq |
|---|---|
| 0 | 0.176 |
| 1 | 0.266 |
| 2 | 0.220 |
| 3 | 0.169 |
| 4 | 0.110 |
| 5 | 0.059 |
Tabla para los 10000 lanzamientos
| Suma | Freq |
|---|---|
| 2 | 0.0292 |
| 3 | 0.0583 |
| 4 | 0.0830 |
| 5 | 0.1109 |
| 6 | 0.1410 |
| 7 | 0.1693 |
| 8 | 0.1377 |
| 9 | 0.1085 |
| 10 | 0.0840 |
| 11 | 0.0525 |
| 12 | 0.0256 |
| Resta | Freq |
|---|---|
| 0 | 0.1658 |
| 1 | 0.2794 |
| 2 | 0.2225 |
| 3 | 0.1657 |
| 4 | 0.1122 |
| 5 | 0.0544 |
Tabla para los 100000 lanzamientos
| Suma | Freq |
|---|---|
| 2 | 0.02767 |
| 3 | 0.05440 |
| 4 | 0.08212 |
| 5 | 0.11000 |
| 6 | 0.13823 |
| 7 | 0.16800 |
| 8 | 0.13850 |
| 9 | 0.11263 |
| 10 | 0.08528 |
| 11 | 0.05509 |
| 12 | 0.02808 |
| Resta | Freq |
|---|---|
| 0 | 0.16666 |
| 1 | 0.27832 |
| 2 | 0.22322 |
| 3 | 0.16699 |
| 4 | 0.11000 |
| 5 | 0.05481 |
Comentando un poco los resultados obtenidos ordenados en tablas, tenemos que puede observar que A medida que aumenta el número de lanzamientos, se observa una tendencia hacia la estabilización de las probabilidades. Por ejemplo, en las tablas de probabilidades de suma para 100, 1000, 10000 y 100000 lanzamientos, se puede observar que los valores centrales como 7 tienden a tener una probabilidad más alta en comparación con los valores extremos como 2 o 12. Esta tendencia se hace más evidente a medida que el número de lanzamientos aumenta, lo que sugiere una distribución más uniforme de los resultados a largo plazo.
Es importante reconocer que Las probabilidades de obtener cada valor de suma y resta tienden a estabilizarse a medida que aumenta el número de lanzamientos. Esto sugiere que la simulación es consistente y se alinea con las expectativas teóricas de un juego de dados justos.
Si bien los resultados de la simulación muestran cierta estabilidad a medida que aumenta el número de lanzamientos, no es correcto decir que los resultados son predecibles. No podemos predecir completamente resultados en este contexto dado que se está entrando a tratar directamente con la aleatoriedad, y se supone que cada lanzamiento tiene una probabilidad igual de resultar en cualquier valor del 2 al 12 para la suma, y del 0 al 5 para la resta.
Podemos inferir que la probabilidad de dados los resultados es correcta debido a que la suma de cada una de estas probabilidades, a la final, da como resultado 1, ya sea para la suma como para la resta, debido a que la probabilidad se entiende como la cantidad de casos favorables (suma o resta) / la cantidad de lanzamientos.