ESTADÍSTICA

Variable aleatoria
Distribuciones discretas de Probabilidad

Lic. SEGUNDO A. GARCIA FLORES

CONTENIDOS TEMÁTICOS
• Variables aleatorias
• Distribuciones discretas
• Valor esperado
• Distribución Binomial
• Distribución Geométrica
• Distribución Binomial Negativa
• Distribución Hipergeométrica
• Distribución de Poisson
Variables aleatorias
Una variable aleatoria es una descripción numérica del
resultado de un experimento.
TIPOS:
• V.A. DISCRETA
• V.A. CONTINUA
• Las discretas son variable aleatorias con un rango finito ( o infinito
contable)
• Las continuas son variables que pueden asumir cualquier valor en un
intervalo o conjunto de intervalos
Ejemplos variable aleatoria discreta

Experimento Variable aleatoria Valores posibles V.A

Llamar a cinco clientes Cantidad de clientes 0, 1,2,3,4,5

Inspeccionar un embarque Cantidad de chips 0,1,2,….,40

de 40 chips defectuosos

Funcionamiento de un Cantidad de clientes 0,1,2,3,…,n.

restaurante durante un día

Vender un automóvil Sexo Cliente 0 si es hombre y 1 si es

mujer

4
Ejemplos variable aleatoria continua

Experimento Variable aleatoria Valores posibles V.A

Funcionamiento de un Tiempo en minuto, entre
banco llegadas de clientes X 0
Llenar una lata de bebida Cantidad de onzas
(máx =12.1 onzas) 0  X  12,10
Proyecto para construir un Porcentaje de terminado
biblioteca del proyecto
0  X  100
Ensayar un nuevo proceso Temperatura cuando se
químico lleva a cabo la reacción
deseada (min 150º F; máx 150  X  212
212ºF)

5
Variable aleatoria
Una variable aleatoria X es una función que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numérico real:
X :E 
w  X ( w)
Llamar variable a una función resulta algo confuso, por ello hay
que insistir en que es una función.

La variable aleatoria puede ser discreta o continua.

6
 Ejemplo de variable aleatoria discreta:
V.A. X = Número de caras al lanzar 3 monedas.

Elementos del
SSS SSC SCS CSS CCS CSC SCC CCC
espacio muestral

Ley de
correspondencia

Nº reales
0 1 2 3 caras

X(SSS)=0
X(SSC)=X(SCS)=X(CSS)=1
X(CCS)=X(CSC)=X(SCC)=2
X(CCC)=3
7
Variable aleatoria X (discreta):
• Cantidad de créditos aprobados por semana en la oficina de
una sucursal bancaria local.

Variable aleatoria X (continua):

• Tiempo de descarga para la página principal de un sitio web
• Distancia recorrida por un camión en un año.
• Costo de la electricidad durante el mes de agosto de 2016.
 Función de probabilidad
Una vez definida una variable aleatoria X, podemos definir
una función de probabilidad asociada a X, de la siguiente
forma:

p :   [0,1]
x  p( x)  P( X  x)
La función de probabilidad debe cumplir:

(i) p( x)  0 x   (Suma sobre todos los posibles valores

que puede tomar la variable aleatoria).
(ii )  p( x)  1
x

9
 Función de probabilidad discreta
X = Número de sellos al lanzar 2 monedas.

Valores Probabilidad
0 P(X=0) = 1/4 = 0,25
1 P(X=1) = 2/4 = 0,50
2 P(X=2) = 1/4 = 0,25
P 2/4

1/4 1/4

Función de probabilidad de la v.a. X 0 1 2 X

 Función de probabilidad discreta
Ejemplo:
Sea el experimento “lanzar dos dados”. Definamos el espacio
muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
Definamos la variable aleatoria discreta X como:
X : E  S 
con S = {2,3,...,12} la suma de puntos.
Una posible función de probabilidad es:
f :   [0,1]
f (2)  P X  2   P1,1  1/ 36
f (3)  P X  3  P(1,2)  (2 ,1)   2 / 36
f (4)  P X  4   P(1,3)  (3,1)  (2,2)   3 / 36
..................................................................
f (12)  P X  12   P6 ,6   1/ 36
 Función de probabilidad de la v.a. X
6/36
P
5/36 5/36

4/36 4/36

3/36 3/36

2/36 2/36

1/36 1/36

2 3 4 5 6 7 8 9 10 11 12 X

Observa que cumple las dos condiciones: es siempre positiva y está normalizada.

12
 Función de distribución
Dada una variable aleatoria discreta X se llama función de
distribución a la función F definida como:

F :   [0,1]
x  F ( x)  P( X  x)
En el ejemplo de los dos dados:

F(5) = P(X  5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

13
 Función de distribución de la v.a. X
F
1,0

0,5

0,028

2 3 4 5 6 7 8 9 10 11 12 x
14
Ejemplo:
Dibuja la función de probabilidad f(x) y la función de distribución
F(x) de una variable discreta definida como:
X = Número en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada uno con
probabilidad 1/6
f(x) F(x)
1 1
6

0.5

0 1 6 x 0 1 6 x
Función de probabilidad f(x) Función de distribución F(x)
Importante:
Algunos problemas de probabilidad están relacionados con la
probabilidad P(a <X  b) de que X asuma algún valor en un
intervalo. Observa que:

P(a < X  b) = F(b) - F(a)

Los sucesos X  a y a< X  b son mutuamente excluyentes
Entonces:

F(b) = P(X  b) = P(X  a) + P(a < X  b)

= F(a) + P(a < X  b)
En el ejemplo de los dos dados, calcula la probabilidad de que los
dos dados sumen al menos 4 pero no más de 8.
P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36.
16
Algunas propiedades de la función de distribución

F ()  lim F ( x)  lim P( X  x)  P( E )  1

x   x  

F ()  lim F ( x)  lim P( X  x)  P()  0

x   x  

P( x1  X  x2 )  F ( x2 )  F ( x1 )
F es monótona creciente.

F es continua por la derecha: la probabilidad de que la

variable aleatoria discreta X tome un valor concreto es igual al
salto de la función de distribución en ese punto.

17
FUNCIÓN DE PROBABILIDAD UNIFORME DISCRETA:
Es la representación más sencilla de distribución de probabilidad,
se define como:

f ( x)  x / n
• Valor esperado de una variable aleatoria discreta es una medida
de localización central de una variable aleatoria. Es un promedio
ponderado de los valores que puede tener una variable en
donde los factores de ponderación son las probabilidades y se
expresa de acuerdo a:

n
E ( x)     xi f ( x )
i 1
• Varianza de una variable aleatoria discreta es una medida de
dispersión o variabilidad y corresponde a promedio ponderado
de las desviaciones de una variable aleatoria respecto a su
promedio, elevadas al cuadrado

n 2

Var ( x)      xi    f ( x)
2

i 1
 Ejemplo de aplicación
Un grupo de 10 amigos acostumbran a salir juntos frecuentemente.
Pero cada vez que salen, el número de ellos es aleatoriamente distinto.
• Sea X = nº de personas que salen juntas. Sabemos que 3 ≤ x ≤ 10.
• X es una variable DISCRETA, o sea toma enteros en [ 3 , 10 ].
• Imaginemos que anotamos el número de ello cada vez que salen
juntos, o sea repetimos la misma observación hasta un número muy
grande de veces.

Según la ley del azar, en todo

experimento aleatorio, las frecuencias
relativas tienden a su probabilidad
cuando el número de datos es
suficientemente grande.
Ejemplo de aplicación
Vemos que las frecuencias relativas se han convertido en las probabilidades.
La variable estadística x toma el nombre de variable aleatoria en la
distribución de probabilidades.
Tabulación de resultados observados
X 3 4 5 6 7 8 9 10 Total
f 1 0 1 3 0 0 3 2 10
f 5 10 18 27 19 11 7 3 100
f 18 19 36 32 26 30 26 15 200
… … … … … … … … … …

f 100 130 240 200 140 80 60 50 1000

hi 0,10 0,13 0,24 0,20 0,14 0,08 0,06 0,05 1
P(X) 0,10 0,13 0,24 0,20 0,14 0,08 0,06 0,05 1

La frecuencia relativa (hi): hi  f , que es la probabilidad P(x)

cuando Σ f es muy grande. f
 Ejemplo de aplicación
P(X=xi)

Se observa que las distintas probabilidades 0,24

presentan un valor positivo entre 0 y 1.
0,20
• La suma de las probabilidades de todos los
valores posibles de la variable es la unidad.

Es una función de probabilidad discreta. 0,14

0,13
Calculemos la probabilidad de que se
junten 5, 6 ó 7 amigos: 0,10
P(5 ≤ X ≤ 7) = P(X=5) + P(X=6) + P(X=7) 0,08

= 0,24 + 0,20 + 0,14 0,06

0,05
= 0,58
= 58%
3 4 5 6 7 8 9 10 X

FUNCIÓN DE PROBABILIDAD
Ejemplo de aplicación

Esperanza matemática (μ) :

Los 10 amigos que se reúnen para salir en número aleatorio.
μ = Σ x i . Pi
μ = 3(0,10) + 4(0,13) + 5(0,24) + 6(0,20) + 7(0,14) +
8(0,08) + 9(0,06) +10(0,05) =
= 0,3 + 0,52 + 1,25 + 1,2 + 0,98 + 0,64 + 0,56 + 0,5
= 5,95  6
Lo que significa que el valor esperado en dicha observación es de 6
personas.

@ Angel Prieto Benito Matemáticas Aplicadas CS I

 Ejemplo de aplicación
Desviación estándar:
Los diez amigos que se reúnen para salir en número aleatorio.
Forma de hallar la desv. estándar: σ = √ Σ (xi – μ)2 . pi

σ² = (3 – 5,95)2. 0,10 + (4 – 5,95)2. 0,13 + (5 – 5,95)2. 0,25 + (6 – 5,95)2.

0,20 + (7 – 5,95)2. 0,14 + (8 – 5,95)2. 0,08 + (9 – 5,95)2. 0,06 + (10 –
5,95)2. 0,05 =
= ( 0,9 + 0,52 + 0,25 + 0 + 0,14 + 0,32 + 0,54 + 0,9 )
= √ 3,57 = 1,89
El 68% de las veces se reúnen entre 4 (5,95 – 1,89) y 8 (5,95 + 1,89)
amigos

@ Angel Prieto Benito Matemáticas Aplicadas CS I 24

 Distribución Binomial

Es una distribución discreta de probabilidad conocida por sus variadas

aplicaciones que se relaciona con un experimento de etapas múltiples.
Un experimento binomial tiene cuatro propiedades:
1. El experimento consiste en una sucesión de n intentos idénticos.
2. En cada intento son posibles 2 resultados: Éxito o Fracaso.
3. La probabilidad de éxito (p), no cambia de un intento a otro. En
consecuencia, la probabilidad de fracaso, (1-p), no cambia de un
intento a otro. Supuesto de estacionariedad.
4. Los intentos son independientes.
 Distribución Binomial

• Si existen sólo las propiedades 2,3,4 se habla de un proceso Bernoulli.

Ejemplo de distribución Binomial:
Determinar la probabilidad de que en n intentos al lanzar una moneda
salga cara (éxito) y no sello (fracaso).
• La fórmula de combinatoria de n objetos seleccionados en un grupo
proporciona la cantidad de resultados experimentales que resultan en x
éxitos.
 Distribución Binomial

Ejemplo:
Suponga que un vendedor de seguro visita a 10 familias
seleccionadas al azar. El resultado asociado con cada
visita se clasifica como un éxito si la familia compra una
póliza de seguro, y como un fracaso si la familia no lo
hace. De acuerdo con su experiencia, el vendedor sabe
que la probabilidad de que una familia seleccionada al
azar compre una póliza de seguro es de 0,10.
Al comprobar si se satisfacen las propiedades de un
experimento binomial vemos que:
 Distribución Binomial

1) El experimento consiste en 10 intentos idénticos y cada

experimento implica llegar a una familia.
2) En cada intento son posible dos resultados: la familia
compra una póliza (éxito) o la familia no la compra
(fracaso).
3) Se supone que las probabilidades de una compra y de una
no compra son iguales para cada llamada de ventas,
siendo,
p = 0,10 1- p = 0,90
4) Los intentos son independientes porque las familias se
seleccionan aleatoriamente.
Por tanto, este es un experimento binomial.
VA. X = cantidad de ventas obtenidas al visitar a 10 familias.
 Distribución Binomial
Cada experimento tiene uno de dos posibles resultados
excluyentes
EXITO FRACASO
Probabilidad de Éxito=P Probabilidad de Fracaso=
q=1-p

V.A.X=“Número de éxitos en n repeticiones independientes del suceso”

Posibles valores de la V.A.X: 0,1,2,...,n

Parámetros: n,p

Características
El experimento se realiza un número fijo de pruebas.
Las probabilidades tanto de éxito como de fracaso son
constantes.
La ocurrencia de los sucesos son independientes.

León Darío Bello P.

[email protected]
 Distribución Binomial
Media o esperanza matemática = n*p
Varianza = n*p*q
Desviación Típica = n*p* q

Ejemplo:
La probabilidad de tener un incidente en el lugar de trabajo
es de 0.15, si se seleccionan 10 operarios. Cuál es la
probabilidad de que:
a) Ninguno tenga un incidente,
b) sólo uno tenga el problema,
c) más de 2 tengan incidentes,
d) al menos uno haya tenido la dificultad. e) cuál es el valor
esperado y su desviación.
León Darío Bello P.
[email protected]
 Distribución Binomial
Sea x el número de éxitos obtenidos en n repeticiones de ensayos
(independientes entre si) de Bernouilli con p constante
Para que ocurran x éxitos en n ensayos, deben ocurrir también (n-x) fracasos
con probabilidad 1-p = q (también constante)
La probabilidad de obtener en un orden dado, x éxitos y (n-x) fracasos , por
aplicación de la regla de multiplicación de acontecimientos independientes,
es igual a
p. p. p.... p  q.q.q...q  pxqn-x
x veces n-x veces n
Un mismo resultado puede ser obtenido de diferentes formas Cx
n x nx
p)  C x p q
FUNCION DE PROBABILIDAD
p( x, n, BINOMIAL
 Distribución Binomial
Ejemplo
El gerente de una gran tienda necesita determinar cuál
es la probabilidad de que 2 de tres clientes que ingresan
a la tienda hagan una compra. Él sabe que la
probabilidad de que un cliente compre es de 0,3.
Solución:
V.A. X = numero de clientes que compran.
La probabilidad de que de 3 clientes que ingresan a la
tienda 2 compren.
f (2)  P( X  2)  C23  p 2 (1  p ) 3 2
 3(0,3) (0,7)  0,189
2
 Distribución Binomial
Ejemplo:
Si la prevalencia de una enfermedad de aves es p = 0,30. ¿Cuál
será la probabilidad de encontrar en 4 animales tomados al azar, 3
enfermos?
Solución:
n= 4 p(E)= 0,30 p(S) = q(E) = 0,70
Las diferentes formas de encontrar 3 enfermos
(E) serán:
EEES, EESE, ESEE, SEEE
4 4!
que es lo mismo C  4
3
3!1!

p(3;4;0,3)  C 4
3 0,3 0,7
3 43
 0,0756
 Distribución Binomial
Ejemplo:
En una fábrica de carritos sangucheros el 5% sale con algun
defecto. Determine la probabilidad de que en una muestra
de 12 se encuentren 2 carritos defectuosos.

Solución :
Se trata de una distribución binomial de
parámetros B(12, 0.05). Debemos calcular
la probabilidad de que x =2. Esto es P(X=2).

P( X  2)  C  0,05 0,95  0,0988

12 2 10
2
 Distribución Binomial
Ejemplo:
La probabilidad de que un egresado de una Universidad Nacional
obtenga el título profesional es de 0,7. Calcular las probabilidades de
que de un grupo de diez egresados a) los diez obtengan su titulo y b)
al menos dos obtengan titulo.
Solución: B(10,0.7)

P( X  10)  C10  0,7 0,3  0,0282

10 10 0

P( X  2)  1  P( X  2)  1  P( X  0)  P( X  1)

 1  C010  0,7  0,3  C110  0,7  0,3
0 10 1 9

 0,99985
 Distribución Binomial
Ejemplo:
Se supone que la probabilidad de nacer un niño es de 0,5. Calcular
la probabilidad de que en una familia de 6 hijos se cumpla:
a) Todos varones
b) Al menos dos varones
c) Tres varones
d) Calcular la media y la desviación típica
Solución:
Tenemos n=6, A=Varón y -A=mujer; p(A) = p =0,5
y p(-A) = q = 1-0,5 = 0,5. Luego es una binomial
B(6,0.5).
P( X  6)  C  0,5 0,5  0,5  0,015625
6 6 0 6
6

P( X  2)  1  P( X  2)  1  P( X  0)  P( X  1)

 1  C06  0,5 0,5  C16  0,5 0,5
0 6 1 5

 0,890625
P( X  3)  C36  0,5 0,5  0,3125
3 3

  np  6(0,5)  3;   npq  6(0,5)(0,5)  1,225

 Distribución Binomial
Ejercicio:
En pruebas realizadas a un amortiguador para
automóvil se encontró que el 20% presentaban
fuga de aceite. Si se instalan 20 de estos
amortiguadores, hallar la probabilidad de que,
a) 4 salgan defectuosos,
b) más de 5 tengan fuga de aceite.
c) de 3 a 6 amortiguadores salgan defectuosos.
d) Determine el promedio y la desviación
estándar de amortiguadores con
defectos.
Solución:

P( X  4)  C420  0,2 0,8  48450,0016(0,0281)  0,2181

4 16
 Distribución Binomial
P( X  6)  1  P( X  6) 
 1  P( X  0)  P( X  1)  P( X  2)  P( X  3)  P( X  4)  P ( X  5)
 1  0,0115  0,0576  0,1369  0,2053  0,2181  0,1745
 0,1961

P(3  X  6)  P( X  3)  P( X  4)  P ( X  5)  P( X  6)
 0,2053  0,2181  0,1745  0,1090
 0,7069
E ( X )  np  20(0,2)  4
  npq  20(0,2)(0,8)  1,78

http://www.vadenumeros.es/sociales/ejemplos-distribucion-binomial.htm
 Distribución Geométrica
• En una serie de intentos independientes, con una probabilidad
constante p de éxito, sea la variable X el número de ensayos
realizados hasta la obtención del primer éxito. Se dice que X
tiene una distribución geométrica con parámetro p cuando

fx( x; p )  (1  p ) x 1 p
x  cantidad de int entos
• La media y varianza para esta distribución son
E ( X )  1/ p
(1  p )
Var ( X ) 
p2

• Una característica de esta distribución es que carece de

memoria, es decir, se puede empezar a contar en cualquier
ensayo o intento hasta obtener el éxito.
Ejemplo
La probabilidad de que una muestra de aire contenga una molécula rara
es 0,01. Si se supone que las muestras son independientes respecto a la
presencia de la molécula. Determine cuál es la probabilidad de que sea
necesario analizar 125 muestras antes de detectar una molécula rara.

Solución:

fx(125;0,01)  (1  0,01)1251 0,01  0,0029

Tarea: Graficar distribución

 Distribución Binomial Negativa
• En una serie de intentos independientes con una probabilidad constante de éxito p,
sea la variable aleatoria X en número de ensayos efectuados hasta que se tienen r
éxitos. Se dice que X tiene una distribución Binomial negativa con parámetro p y r
cuando
 x  1 xr r
fx( x; p; r )    (1  p ) p
 r  1
• Una variable binomial negativa es un conteo del número de ensayos necesarios para
obtener r éxitos. Es decir, el número de éxitos está predeterminado y lo aleatorio es
el número de ensayos. Se puede decir que esta variable es el opuesto de una variable
binomial.
• Una variable binomial negativa es una suma de variables aleatorias geométricas.
• La media y varianza para esta distribución son
r r (1  p )
E( X )  Var ( X ) 
p p2
 Ejemplo
• Una aeronave tiene 3 computadoras idénticas. Sólo una de ellas se emplea
para controlar la nave, las otras 2 son de reservas por si falla la primera.
Durante una hora de operación la probabilidad de falla 0.0005.
• ¿Cuál es el tiempo promedio de falla de las tres computadoras?
• ¿Cuál es la probabilidad de que las 3 fallen durante un vuelo de 5 horas?

Solución:
a) E ( x)  3/ 0.0005  6000h

P( x  5)  P( X  3)  P( X  4)  P( X  5)
b)
 3  4
0.0005    0.0005 (0.9995)    0.00053 (0.9995)  1.249 x109
3 3

 2  2
Distribución Hipergeométrica
• Está estrechamente relacionada con la distribución de probabilidad
binomial. La diferencia entre ambas está en la independencia de los
intentos y en que la probabilidad de éxito cambia de uno a otro
• Se usa para calcular la probabilidad de que una muestra aleatoria de n
artículos seleccionados sin reemplazo, obtengamos x elementos
identificados como éxitos, y n-x como fracasos. Para que suceda esto
debemos obtener x éxitos de los r de la población, y n-x fracasos de
los N-r de la población

 r  N  r 
 x  n  x 
f ( x)    ; 0  x  r
N
n
 
 Ejemplo
• Se debe seleccionar 2 miembros de un comité, entre 5, para que
asistan a una convención en Santiago. Suponga que el comité está
formado por 3 mujeres y 2 hombres. Determine la probabilidad de
seleccionar 2 mujeres al azar.
Solución:
• Tenemos N=5, n=2, r=3 y x=2
• Luego el cálculo de la probabilidad es:

 3  2 
 2  0 
f (2)     
3
 0.3
5 10
 2
 
Distribución Poisson
• Es una distribución de probabilidad que muestra la
probabilidad de x ocurrencias de un evento en un
intervalo especificado de tiempo o e espacio
• Las propiedades de un experimento de Poisson
son:
• La probabilidad de una ocurrencia es igual en dos
intervalos cualesquiera de igual longitud
• La ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en
cualquier otro intervalo
Distribución Poisson
• La distribución de Poisson se expresa como:
(x = cantidad de ocurrencia)
 xe 
f ( x) 
x!

• Se puede usar este distribución de probabilidad como una

aproximación de la distribución binomial cuando p, la
probabilidad éxito es pequeña y n, la cantidad de intentos, es
grande.Tan sólo se iguala m=n·p
 Ejemplo
• Se necesita estimar la cantidad de llegadas a la ventanilla de servicio en
automóviles de un banco, durante un período de 15 minutos en las
mañanas de los días hábiles. Los datos históricos indican que en este
período la cantidad de automóviles en promedio es 10. A la gerencia le
interesa saber cual es la probabilidad exacta de que lleguen 5
automóviles en 15 minutos

Solución:

105 e10
f (5)   0.0378
5!
Ejemplo
Si la probabilidad de fabricar un televisor defectuoso es p = 0.01, ¿cuál
es la probabilidad de que en un lote de 100 televisores contenga más
de 2 televisores defectuosos?
La distribución binomial nos daría el resultado exacto:

100  99  100  99   1  100  99   1 

100 99 98 2

P( A )   
c
            
 0  100   1  100   100   2  100   100 
 0.9206  n  x n x
p( x)    p q ( x  0,1,....n)
 x
El suceso complementario Ac: No más de 2 televisores defectuosos
puede aproximarse con una distribución de
Poisson con  = np = 1, sumando p(0) + p(1) + p(2).
1 μ x μ
P( A )  e (1  1  )  0.9197
c 1
2 p ( x)  e ( x  0,1,....)
x!
48
Ejercicios
Se comprobó que un nuevo detergente para ropa quita bien la mugre
y las manchas del 88% de las prendas lavadas. Suponga que se van a
lavar 10 prendas con el nuevo detergente
• ¿Cuál es la probabilidad de obtener buenos resultados en las 10
prendas?
• ¿Cuál es la probabilidad de encontrar mal lavadas al menos 2
prendas?
• ¿Qué tipo de distribución empleó?
Ejercicios
Un director regional tiene la responsabilidad del desarrollo de una empresa, y
le preocupa la cantidad de quiebras de empresas pequeñas. Si la cantidad
promedio de quiebras de empresas pequeñas por mes es de 10, ¿cuál es la
probabilidad de que quiebren exactamente 4 empresas pequeñas durante un
mes?, Suponga que la probabilidad de una quiebra es igual en dos meses
cualesquiera, y que la ocurrencia o no ocurrencia de una quiebra en cualquier
mes es independiente de las quiebras en los demás meses.
La mayoría de las personas conoce el póker con manos de 5 cartas. Con 52
cartas que incluyen 4 ases, cuál es la probabilidad de que la mano de cinco
cartas contenga:
• Un par de ases
• Exactamente un as
• Ningún as
• Cuando menos 1
GRACIAS