Variable Aleatoria

VARIABLE ALEATORIA
DISCRETAS y
CONTINUAS
Estadística y probabilidades
S0300
REPASO DE PROBABILIDADES
1) Luciano va a dar examen final de estadistica sin haber estudiado y por ello
marcará al azar las 20 preguntas de 1 punto, teniendo así un conjunto de
notas que deben considerar equiprobables. Si obtiene 11 o mas el lo
aprueba y entonces lanzará una moneda y solo si obtiene Cara se va de
viaje al mundial de Qatar. En caso no apruebe, entonces lanzara un dado y
solo si sale 6 se irá de viaje.
a) ¿Cuál es la probabilidad de que apruebe su pc?
b) ¿cuál es la probabilidad de que vaya de viaje?
c) si no fue de viaje, ¿cuál es la probabilidad de que haya aprobado?
d) Haga una simulación con R sobre todo el proceso indicado, aplicándolo a
una nota al azar obtenida por el alumno.
DEL TEXTO: cualquier nota que se saque en su PC tendrá la misma probabilidad x.
Pero son 21 notas, desde 0 hasta 21: x+x+x+…+x=1 ➔ x=1/21 para cualquier nota.
Notas para aprobar: 11, 12, 13, 14, 15, 16, 17, 18, 19, 20 ➔ hay 10 notas favorables
para aprobar. De un total de 21 notas (0 a 20)
a) 𝑃 𝐴𝑝𝑟𝑜𝑏𝑎𝑟 = 10/21
b) 𝑃 𝑣𝑖𝑎𝑗𝑒 =? ?
2) Considere el siguiente experimento:
Se lanzan tres monedas justas, si todas son iguales se lanza un dado justo y se anota el
resultado, en caso contrario se lanzan tres dados justos, se suman y se anota el resultado.
Ejercicios fáciles:
a) ¿Es el espacio de resultados equiprobable?
b) ¿Cuál es la probabilidad de anotar un 1?
c) ¿Cuál es la probabilidad de anotar un 1, dado que todas las monedas son iguales?
d) ¿Cuál es la probabilidad de anotar un 1, dado que no todas las monedas son iguales?
e) ¿Cuál es la probabilidad de anotar un 18?
f) ¿Cuál es la probabilidad de anotar un 18, dado que todas las monedas son iguales?
g) ¿Cuál es la probabilidad de anotar un 18, dado que no todas las monedas son iguales?
h) ¿Cuál es la probabilidad de anotar un 6 dado que todas las monedas son iguales?
i) ¿Cuál es la probabilidad de anotar un 6 dado que no todas las monedas son iguales?
j) ¿Cuál es la probabilidad de anotar un 6?
Ejercicios difíciles:
k) ¿Cuál es la probabilidad de que las tres monedas sean iguales dado que anotamos un 2?
l) ¿Cuál es la probabilidad de que las tres monedas sean iguales dado que anotamos un 6?
Estadística y probabilidades Equipo de ciencias
Variables aleatorias
Una variable aleatoria es una función que asigna números reales a resultados en el espacio muestral de resultados de
un experimento aleatorio.
Al observar una variable aleatoria sobre un experimento aleatorio se induce espacio de probabilidad donde todos los
eventos son de tipo numérico, esto permite simplificar muchas situaciones ya que nos limitamos a ver si la variable
pertenece a conjuntos relativamente sencillos como son los intervalos de números reales, por ejemplo.
Las variables aleatorias son interesantes pues ofrecen una manera abstracta de lidiar con algunos problemas ya que al
identificar que un cierto experimento aleatorio se puede modelar con una variable aleatoria específica, se pueden
responder múltiples preguntas sobre el experimento de manera prácticamente inmediata.
Variables aleatorias
Entre las características importantes de una variable aleatoria podemos destacar:
● Tipo: discreta, continua , mixta.

● Rango: el conjunto de valores que puede tomar.
● Función de distribución: para cada número real, probabilidad de que la variable sea menor o igual a este.
● Esperanza: contraparte teórica del promedio muestral, podría no existir pues depende de una serie o integral.
● Varianza: contraparte teórica de la varianza muestral, podría no existir.
● Desviación estándar: la raíz cuadrada de la varianza, podría no existir.
Variable aleatoria discreta, es aquella que toma valores numéricos contables. Pueden ser decimales o enteros➔El # de
alumnos que asisten, el # de mujeres del curso, el # de desaprobados,
Variable aleatoria continua, es aquella que toma valores numéricos no contables. Se dan en intervalos. ➔ usualmente
provienen de mediciones: la estatura, el peso , el área, el volumen, el costo, el tiempo, etc.
Variables aleatorias discretas
Una variable aleatoria discreta puede tomar una cantidad contable de valores diferentes.
Es importante recordar que un conjunto es contable si se puede establecer una biyección entre este y algún subconjunto de los números
naturales; no es necesario que la variable tome solo valores enteros, pero una variable que toma únicamente valores enteros,
necesariamente será discreta. Todas las variables que toman una cantidad finita de valores diferentes son discretas.
Función de probabilidad: en el caso de las variables aleatorias discretas, se puede trabajar con la función de probabilidad, que es la
probabilidad de que la variable aleatoria tome un valor específico; la función de probabilidad y la función de distribución están
íntimamente relacionadas, por lo que cualquiera de las dos se puede usar para caracterizar la variable aleatoria.
La función de probabilidad, es la función que se utiliza para calcular las probabilidades de los distintos eventos. Requiere poder calcular la
probabilidad de eventos atómicos desde el punto de vista de la variable aleatoria. Una función de probabilidad es aquella función que
está calculando las probabilidades de los distintos valores que toma la variable ALEATORIA.
EJEMPLO:
Experimento aleatorio: Lanzar 3 monedas ➔ Ω={CCC,CCS,CSC,CSS,SSS,SSC,SCS,SCC}
Una variable aleatoria: x= # DE CARAS
Rango de X: {0,1,2,3}
Función de probabilidad:
X 0 1 2 3
෍ 𝑃(𝑋) = 1
P(x) 1/8 3/8 3/8 1/8 𝑟𝐴𝑁𝐺𝑂 𝐷𝐸 𝑋
Función de probabilidad
La función de probabilidad debe cumplir las siguientes propiedades.
● Debe estar entre cero y uno para todos los valores del rango.
● La sumatoria de los valores de la función de probabilidad sobre los elementos del rango
debe ser 1.
EJEMPLO:
Experimento aleatorio: lanzar dos dados ➔Ω={(1;1),(1;2)….;(6;6)}
Una variable aleatoria: x= suma de los resultados.
Rango de X: {2,3,…12}
Función de probabilidad:
X 2 3 4 5 6 7 8 9 10 11 12
P(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Esperanza, varianza y desviación estándar
La esperanza, varianza y desviación estándar corresponden a las versiones teóricas del promedio muestral, varianza muestral y
desviación estándar muestral. LA ESPERANZA O ESPERADO DE X, ES EL PROMEDIO O MEDIA DE LOS VALORES DE X.
La diferencia fundamental con respecto a estas cantidades es que para una muestra finita, siempre se pueden determinar las
versiones muestrales, hasta el caso en el que las versiones teóricas no existen.
La existencia de la esperanza depende de la convergencia de una serie y la existencia de la varianza depende de la existencia de
la esperanza y la convergencia de una serie.
En el caso de que la variable aleatoria discreta tome un conjunto finito de valores, tanto la esperanza como la varianza existen,
pero si la variable toma un conjunto contable infinito de valores, la serie correspondiente podría no converger.
Por ejemplo: si lanzamos una moneda justa el número de veces que sea necesario hasta obtener la primera cara.
La variable aleatoria que cuenta el número de lanzamientos es una variable aleatoria discreta que puede tomar un conjunto
infinito contable de valores.
La esperanza de esa variable aleatoria es dos, en promedio hacen falta cerca de dos lanzamientos para ver la primera cara.
R Studio:
ESPÉRANZA: 𝑬 𝑿 = σ𝑅𝑋 (𝑥. 𝑝 𝑥 )
Dado
VARIANZA: 𝑽 𝑿 = 𝑬 𝑿𝟐 − (𝑬 𝑿 )𝟐 , siendo: 𝑬 𝑿𝟐 = σ𝑅𝑋 (𝑥 2 . 𝑝 𝑥 ) X (rango de valores de X)
DESVIACIÓN: s= 𝑉(𝑋) P (función de probabilidad)
𝐸𝑥 < − 𝑋% ∗ %𝑃
𝐸𝑥2 < −𝑋^2 % ∗ % 𝑃
Esperanza, varianza y desviación estándar
ESPERANZA:
𝑬 𝑿 = ෍ 𝒙𝒊 . 𝒑(𝒙𝒊 )
𝑹𝑿
VARIANZA:
σ𝟐 = 𝑽 𝑿 = 𝑬 𝑿𝟐 − 𝑬(𝑿) 𝟐 Siendo: 𝑬 𝑿𝟐 = σ𝑹𝑿 𝑿𝟐 𝒊 . 𝒑(𝒙𝒊 )
DESVIACION:
𝝈 = 𝑽(𝒙)
Modelos
Uniforme discreta: todos los resultados tienen la misma probabilidad. Modelo para un dado justo, por ejemplo.
Bernoulli: se considera un experimento aleatorio con solamente dos resultados posibles, éxito o fracaso. La variable
cuenta el número de éxitos. La bernoulli es una de las variables más sencillas y se puede determinar en función de la
probabilidad de éxito.
Binomial: se considera un número fijo de experimentos bernoulli independiente con una probabilidad de éxito común.
La variable cuenta el número de éxitos. Generaliza la bernoulli. Modela el muestreo con reemplazo.
Geométrica: se considera el número de intentos necesarios para obtener el primer éxito en una secuencia de
experimentos bernoulli independientes con probabilidad de éxito común.
Binomial negativa: se considera el número de intentos necesarios para obtener el k-ésimo éxito en una secuencia de
experimentos bernoulli independientes con probabilidad de éxito común. Generaliza la geométrica.
Hipergeométrica: si se selecciona un conjunto de elementos de un conjunto con elementos de dos tipos, la variable
cuenta el número de elementos de uno de los tipos. Modela el muestreo sin reemplazo.
Poisson: esta variable aleatoria se define en términos de su función de probabilidad y se usa para contar eventos cuya
ocurrencia está claramente definida, pero su no ocurrencia no lo está. Por ejemplo, accidentes en una intersección.
MODELOS PROBABILISTICO DISCRETOS
UNIFORME DISCRETA:
La variable aleatoria toma un número finito de valores 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 y todos
tienen la misma probabilidad de ocurrencia:
1
𝑝 𝑋 = 𝑥𝑛 =
𝑛
𝟏
Esperado: 𝑬 𝑿 = 𝒏 . σ𝒏𝒊=𝟏 𝒙𝒊
Varianza: 𝑽 𝑿 = 𝑬 𝑿𝟐 − 𝑬(𝑿) 𝟐 , siendo 𝑬 𝑿𝟐 = σ𝑹𝑿 (𝑿𝟐 𝒊 . 𝒑(𝒙𝒊 ))
Ejemplo:
Lanzar un dado. X=# obtenido
Rango de X:
𝟏
Esperado: 𝑬 𝑿 = . σ𝒏𝒊=𝟏 𝒙𝒊
𝒏
Varianza: 𝑽 𝑿 = 𝑬 𝑿𝟐 − 𝑬(𝑿) 𝟐
Ejemplo:
Lanzar una moneda: X=# de caras
Rango de X:
𝟏
Esperado: 𝑬 𝑿 = . σ𝒏𝒊=𝟏 𝒙𝒊
𝒏
Varianza: 𝑽 𝑿 = 𝑬 𝑿𝟐 − 𝑬(𝑿) 𝟐
MODELOS PROBABILISTICOS DISCRETOS
BERNOULLI:
Proviene de un experimento aleatorio que posee solo dos posibilidades: éxito y fracaso.
𝑃 é𝑥𝑖𝑡𝑜 = 𝑝, 𝑃 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 = 𝑞
Variable aleatoria: 𝑿 = # 𝒅𝒆 é𝒙𝒊𝒕𝒐𝒔
Probabilidad: 𝒑 𝑿 = 𝒙 = 𝒑𝒙 𝒒𝟏−𝒙
Esperado: 𝑬 𝑿 =𝒑
Varianza: 𝑽 𝑿 = 𝒑. 𝒒
Ejemplo:
Lanzar un dado. 𝑿 = #
Rango de X:
Esperado: 𝑬 𝑿 =
Varianza: 𝑽 𝑿 =
Ejemplo:
Lanzar un dado. 𝑿 = #
Rango de X:
BINOMIAL:
Proviene de un experimento aleatorio que posee solo dos posibilidades: éxito y fracaso, pero
que se repetirá 𝑛 veces.
Variable aleatoria: 𝑿 = # 𝒅𝒆 é𝒙𝒊𝒕𝒐𝒔, 𝒆𝒏 𝒍𝒐𝒔 𝒏 𝒆𝒏𝒔𝒂𝒚𝒐𝒔.
Probabilidad: 𝒑 𝑿 = 𝒙 = 𝑪𝒏𝒙 𝒑𝒙 𝒒𝒏−𝒙
Esperado: 𝑬 𝑿 = 𝒏𝒑
Varianza: 𝑽 𝑿 = 𝒏. 𝒑. 𝒒
Con R: 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝑷(𝑿 = 𝒌) ➔ 𝒅𝒃𝒊𝒏𝒐𝒎(𝒌, 𝒏, 𝒑)
𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 𝑷(𝑿 ≤ 𝒌) ➔ 𝒑𝒃𝒊𝒏𝒐𝒎(𝒌, 𝒏, 𝒑)
𝒊𝒏𝒗𝒆𝒓𝒔𝒂 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 (k=??) 𝑷 𝑿 ≤ 𝒌 = 𝒑𝒐 ➔ 𝐪𝒃𝒊𝒏𝒐𝒎(𝒑𝒐, 𝒏, 𝒑)
Variable aleatoria: 𝑿 = #
Rango de X:
GEOMÉTRICA:
Proviene de experimentos de Bernoulli que se realizan hasta obtener por primera vez el éxito.
Variable aleatoria: 𝑿 = # 𝒅𝒆 𝒆𝒏𝒔𝒂𝒚𝒐𝒔 𝒉𝒂𝒔𝒕𝒂 𝒐𝒃𝒕𝒆𝒏𝒆𝒓 𝒆𝒍 é𝒙𝒊𝒕𝒐.
Probabilidad: 𝒑 𝑿 = 𝒙 = 𝒑𝒒𝒙−𝟏
𝟏
Esperado: 𝑬 𝑿 =𝒑
𝒒 𝑿=𝒀+𝟏
Varianza: 𝑽 𝑿 = 𝒑𝟐
Observación: 𝑅 utiliza una forma equivalente de variable geométrica.
Variable aleatoria: 𝒀 = # 𝒅𝒆 𝒇𝒓𝒂𝒄𝒂𝒔𝒐𝒔 𝒉𝒂𝒔𝒕𝒂 𝒐𝒃𝒕𝒆𝒏𝒆𝒓 𝒆𝒍 é𝒙𝒊𝒕𝒐.
Probabilidad: 𝒑 𝒀 = 𝒚 = 𝒑𝒒𝒚
Esperado: 𝑬 𝒀 =
𝒒 Con R: 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝑷(𝒀 = 𝒌) ➔ 𝒅𝒈𝒆𝒐𝒎(𝒌, 𝒑)
𝒑
𝒒 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 𝑷(𝒀 ≤ 𝒌) ➔ 𝒑𝒈𝒆𝒐𝒎(𝒌, 𝒑)
Varianza: 𝑽 𝒀 = 𝟐 𝒊𝒏𝒗𝒆𝒓𝒔𝒂 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 (k=??) 𝑷 𝒀 ≤ 𝒌 = 𝒑𝒐 ➔ 𝐪𝒈𝒆𝒐𝒎(𝒑𝒐, 𝒑)
𝒑
Del ejemplo anterior, el alumno que responde al azar, apenas lo hace, obtiene el resultado de esa pregunta y sabe si falló
o nó. ¿Cuál es la probabilidad de que la primera correcta lo obtenga en la cuarta pregunta respondida?
VARIABLE:
BINOMIAL NEGATIVA o Pascal:

Proviene de un experimento aleatorio de Bernoulli que posee solo dos posibilidades: éxito y
fracaso, pero que se repetirá varias veces hasta obtener 𝑘 éxitos.
Variable aleatoria: 𝑿 = # 𝒅𝒆 𝒆𝒏𝒔𝒂𝒚𝒐𝒔 𝒉𝒂𝒔𝒕𝒂 𝒕𝒆𝒏𝒆𝒓 𝒌 é𝒙𝒊𝒕𝒐𝒔.
Probabilidad: 𝒑 𝑿 = 𝒙 = 𝑪𝒙−𝟏 𝒌 𝒙−𝒌
𝒌−𝟏 𝒑 𝒒
𝒌
Esperado: 𝑬 𝑿 =𝒑 𝑿=𝒀+𝒌
𝒌𝒒
Varianza: 𝑽 𝑿 = 𝒑𝟐
Observación: Aquí también 𝑅 utiliza una forma equivalente de variable geométrica.
Variable aleatoria: 𝒀 = # 𝒅𝒆 𝒇𝒓𝒂𝒄𝒂𝒔𝒐𝒔 𝒉𝒂𝒔𝒕𝒂 𝒐𝒃𝒕𝒆𝒏𝒆𝒓 𝒌 é𝒙𝒊𝒕𝒐𝒔.
𝒌+𝒚−𝟏
Probabilidad: 𝒑 𝒀 = 𝒚 = 𝑪𝒌−𝟏 𝒑𝒌 𝒒𝒚
𝒌𝒒
Con R: 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝑷(𝑿 = 𝒙) ➔ 𝒅𝒏𝒃𝒊𝒏𝒐𝒎(𝒚, 𝒌, 𝒑)
Esperado: 𝑬 𝒀 = 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 𝑷(𝒀 ≤ 𝒌) ➔ 𝒑𝒏𝒃𝒊𝒏𝒐𝒎(𝒚, 𝒌, 𝒑)
𝒑
Varianza: 𝑽 𝒀 =
𝒌𝒒 𝒊𝒏𝒗𝒆𝒓𝒔𝒂 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 (k=??) 𝑷 𝒀 ≤ 𝒌 = 𝒑𝒐 ➔ 𝐪𝐧𝐛𝐢𝐧𝐨𝐦(𝒑𝒐, 𝒌, 𝒑)
𝒑𝟐
Se sabe que el alumno aprueba su evaluación si contesta al menos

5 buenas. Si el alumno quiere contestar lo mínimo para aprobar,
¿cuál es la probabilidad de que apruebe contestando 7 preguntas?
Rango de X:
Hipergeométrica:
Proviene de un experimento aleatorio donde se extrae una muestra de k elementos sin
reposición, de una población que contiene solo dos tipos de elementos, denominándose
Éxito y Fracaso.
Variable aleatoria: 𝑿 = # 𝒅𝒆 é𝒙𝒊𝒕𝒐𝒔 𝒆𝒏 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂.
𝑵−𝑴
𝑪𝑴
𝒙 𝑪𝒌−𝒙
Probabilidad: 𝒑 𝑿=𝒙 =
𝑪𝑵
𝒌
𝑴
Esperado: 𝑬 𝑿 = 𝒌. 𝑵
𝑴 𝑴
Varianza: 𝑽 𝑿 = 𝒌. 𝑵 . (𝟏 − 𝑵 )
Con R: 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝑷(𝒀 = 𝒌) ➔ 𝒅𝒉𝒚𝒑𝒆𝒓(𝒙, 𝑴, 𝒌, 𝑵)

𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 𝑷(𝒀 ≤ 𝒌) ➔ 𝒑𝒉𝒚𝒑𝒆𝒓(𝒙, 𝑴, 𝒌, 𝑵)
𝒊𝒏𝒗𝒆𝒓𝒔𝒂 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 (k=??) 𝑷 𝒀 ≤ 𝒌 = 𝒑𝒐 ➔ 𝐪𝒉𝒚𝒑𝒆𝒓(𝒑𝒐, 𝑴, 𝒌, 𝑵)
En una urna hay 5 bolitas, de las cuales 2 son negras y el resto

blancas. Se extrae 4 bolitas sin reposición ¿cuál es la probabilidad
de tener a lo mas 2 bolitas blancas?
Rango de X:
Comandos
Para cada modelo de variable aleatoria discreta hay cuatro versiones de funciones en R, si el modelo se denota por ***:
● d***: función de probabilidad para cada valor.

● p***: función de probabilidad acumulada hasta cada valor.
● q***: inversa de la función de probabilidad acumulada para cada probabilidad. Cuantiles teóricos.
● r***: generación de observaciones independientes de esa variable aleatoria.
Los *** en el nombre se seleccionan de acuerdo al modelo deseado; en el conjunto base de R pueden encontrar:
● binom: binomial. Con los parámetros size y prob se especifica el número de bernoullis y su probabilidad de
éxito respectivamente. Las cuatro funciones de interés son dbinom, pbinom, qbinom y rbinom.
● geom: geométrica, cuenta el número de fracasos en vez del número de intentos; esta es distinta en UTEC.
● nbinom : binomial negativa, cuenta el número de fracasos en vez del número de intentos; distinta en UTEC.
● hyper: hipergeométrica, cuenta el número de blancas al sacar varias bolas de una urna con blancas y negras.
● pois: poisson.
Para más información pueden hacer ? "distributions" en R.
Lean e interactúen con las viñetas y actividades de probabilidad, conteo y variables aleatorias discretas.
Ejercicios
Ejercicios sencillos:
1. Lea las ayudas para las funciones, determine similaridades y diferencias con las variables dadas en clase:
○ dbinom, pbinom, qbinom.
○ dgeom, pgeom, qgeom.
○ dnbinom, pnbinom, qnbinom.
○ dhyper, phyper, qhyper.
○ dpois, ppois, qpois.
2. Construya una tabla para las distintas variables aleatorias dadas en clase, sus parámetros, rango, función de
probabilidad, función de probabilidad acumulada, esperanza y desviación.
3. ¿Qué hace y cómo se usa el parámetro lower.tail?
4. ¿Cómo puede usar la función sum para calcular esperanzas?
Ejercicio intermedio:
1. Considere el experimento donde se lanzan tres dados justos y se anota el máximo de sus resultados.
○ Use expand.grid para obtener todos los resultados posibles del lanzamiento de 3 dados.
○ Determine el valor de la variable aleatoria para cada resultado posible usando la función pmax.
○ Use group_by y summarise de la librería dplyr para obtener explícitamente la función de probabilidad.
○ Encuentre la esperanza, varianza y desviación estándar de la variable usando la función sum.
2. Simule muchas réplicas del experimento y compare con los valores teóricos obtenidos.
Ejercicios de probabilidad
Utilice las funciones mencionadas en la lámina anterior para determinar el espacio muestral en cada experimento.
1. Lanzamiento de tres dados justos de seis caras.
2. Extracción una carta al azar de un mazo de baraja francesa bien mezclado.
3. Extracción de tres cartas al azar de un mazo de baraja francesa bien mezclado.
4. Selección de tres bolas al azar de una bolsa con tres bolas rojas, dos bolas verdes y una bola azul.
5. Generación aleatoria de una clave de seguridad con cuatro dígitos sin dígitos repetidos.
6. Generación aleatoria de una clave de seguridad con cuatro dígitos y exactamente un dígito repetido.
7. Todos los resultados posibles de una carrera de 8 corredores donde se premian los 3 primeros lugares.
8. Todos los resultados posibles del valor absoluto de la diferencia de dos dados justos.
Para cada experimento determine si es equiprobable y calcule la probabilidad que se pide:

1. Probabilidad de que la suma sea exactamente 11.
2. Probabilidad de que la carta tenga una letra o sea de corazones.
3. Probabilidad de que las tres cartas tengan solo dos rangos diferentes.
4. Probabilidad de que las tres bolas sean de colores diferentes.
5. Probabilidad de que ninguno de los dígitos par.
6. Probabilidad de que los dígitos repetidos sean al primero y el último.
7. Probabilidad de que los corredores premiados lleguen en orden creciente de camiseta.
8. Probabilidad de que el valor absoluto de la diferencia sea menor a 3.
Los números en cada lista corresponden al mismo experimento.

Variable Aleatoria

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Variable Aleatoria

Cargado por

Copyright:

Formatos disponibles

VARIABLE ALEATORIA

● Tipo: discreta, continua , mixta.

La función de probabilidad debe cumplir las siguientes propiedades.

Varianza: 𝑽 𝑿 = 𝑬 𝑿𝟐 − 𝑬(𝑿) 𝟐 , siendo 𝑬 𝑿𝟐 = σ𝑹𝑿 (𝑿𝟐 𝒊 . 𝒑(𝒙𝒊 ))

BINOMIAL NEGATIVA o Pascal:

Se sabe que el alumno aprueba su evaluación si contesta al menos

Con R: 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝑷(𝒀 = 𝒌) ➔ 𝒅𝒉𝒚𝒑𝒆𝒓(𝒙, 𝑴, 𝒌, 𝑵)

En una urna hay 5 bolitas, de las cuales 2 son negras y el resto

● d***: función de probabilidad para cada valor.

Para más información pueden hacer ? "distributions" en R.

Para cada experimento determine si es equiprobable y calcule la probabilidad que se pide:

Los números en cada lista corresponden al mismo experimento.

También podría gustarte