Probabilidad: Es el estudio de azar y la incertidumbre en cualquier situacion en la cual varios posibles sucesos pueden ocurrir. Es un valor entre 0 (imposible) y 1 (seguro)

Ejemplo: la probabilidad de que llueva hoy es de 0.70 (70%).

Experimento: Cualquier acción cuyo resultado está sujeto a la incertidumbre.

Ejemplo: Lanzar una moneda al aire.

Experimento: Lanzar un dado

*Instalar libreria y llamar el paquete para el experimento de lanzar el dado y para poner resultados en fracción.

 #install.packages("dice")
  library(dice)  
## Loading required package: gtools
  #install.packages("MASS")
  library(MASS)  

¿Cuál es la probabilidad de obtener un 6 al lanzar un dado?

un_seis <- getEventProb(nrolls = 1, ndicePerRoll = 1, nsidesPerDie = 6, eventList = list(6))
  un_seis  
## [1] 0.1666667
  fractions(un_seis) 
## [1] 1/6

¿Cuál es la probabilidad de obtener un 5 al lanzar un dado?

un_cinco <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(5))
  un_cinco  
## [1] 0.1111111
  fractions(un_cinco) 
## [1] 1/9

¿Cuál es la probabilidad de obtener un 5 en dos lanzammientos de dados consecutivos?

dos_cincos <- getEventProb(nrolls = 2, ndicePerRoll = 1, nsidesPerDie = 6, eventList = list(5,5))
  dos_cincos 
## [1] 0.02777778
  fractions(dos_cincos) 
## [1] 1/36

¿Que número es más probable alcanzar al lanzar dos dados?

 sumar_dos <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(2))
  sumar_tres <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(3))
  sumar_cuatro <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(4))
  sumar_cinco <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(5))
  sumar_seis <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(6))
  sumar_siete <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(7))
  sumar_ocho <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(8))
  sumar_nueve <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(9))
  sumar_diez <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(10))
  sumar_once <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(11))
  sumar_doce <- getEventProb(nrolls = 1, ndicePerRoll = 2, nsidesPerDie = 6, eventList = list(12))
  suma <- c(2,3,4,5,6,7,8,9,10,11,12) 
  probabilidad <- c(sumar_dos, sumar_tres, sumar_cuatro, sumar_cinco, sumar_seis, sumar_siete, sumar_ocho, sumar_nueve, sumar_diez, sumar_once, sumar_doce)
  tabla <- cbind(suma,probabilidad)  
  barplot(probabilidad,names.arg = suma, main ="Probabilidad", xlab= "Suma de 2 Dados", col= "Tomato")

Experimento: Mano de Poker

Instalar libreria y llamar paquete para manejo de funciones y vectores

#install.packages("tidyverse")
  library(purrr) 

Crear baraja inglesa

T= 10

numero <- c(2,3,4,5,6,7,8,9,"T", "J", "Q", "K", "A")
  numeros <- rep(numero,4) 
  palo <- c("T", "C", "P", "D")
  palos <- rep(palo,13)
  baraja <- data.frame(numeros, palos) 

Crear el mazo de cartas

mazo <- apply(format(baraja), 1, paste,collapse="")
  mazo  
##    1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16 
## "2T" "3C" "4P" "5D" "6T" "7C" "8P" "9D" "TT" "JC" "QP" "KD" "AT" "2C" "3P" "4D" 
##   17   18   19   20   21   22   23   24   25   26   27   28   29   30   31   32 
## "5T" "6C" "7P" "8D" "9T" "TC" "JP" "QD" "KT" "AC" "2P" "3D" "4T" "5C" "6P" "7D" 
##   33   34   35   36   37   38   39   40   41   42   43   44   45   46   47   48 
## "8T" "9C" "TP" "JD" "QT" "KC" "AP" "2D" "3T" "4C" "5P" "6D" "7T" "8C" "9P" "TD" 
##   49   50   51   52 
## "JT" "QC" "KP" "AD"

Crear la mano de cartas

mano <- function(n) sample(mazo, n, rep=FALSE)
  mi_mano <- mano(5)  
  mi_mano 
##   30   39   36    5   29 
## "5C" "AP" "JD" "6T" "4T"
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