Decoding Discrete Random Variables

A random variable is simply a numerical measure of a probability experiment's outcome, meaning its value is determined by chance. To make sense of these variables, we divide them into two categories:

  • Discrete Random Variables: These have a finite or countable number of possible values. You can plot these values on a number line with spaces between each point.
  • Continuous Random Variables: These have infinitely many possible values. They can be plotted on a line in an uninterrupted, continuous fashion.

When we calculate the mean of a discrete random variable, we are finding its expected value, denoted as $E(X)$. This represents what we expect to happen in the long run as an experiment is repeated many times.

  • The formula for the mean is $\mu_{x}=\sum[x\cdot P(x)]$.
  • The formula for the standard deviation is $\sigma_{x}=\sqrt{\sum[(x-\mu_{x})^{2}\cdot P(x)]}$.

Breaking Down Binomial Probability

A binomial probability distribution is a specific type of discrete distribution that describes experiments with exactly two mutually exclusive outcomes. These outcomes are typically labeled "success" and "failure".

For an experiment to qualify as a true binomial experiment, it must hit four strict criteria:

  • The experiment is performed a fixed number of times, with each repetition called a trial.
  • The trials are entirely independent, meaning the outcome of one trial does not impact the others.
  • There are only two mutually exclusive outcomes per trial: success or failure.
  • The probability of success, denoted as $p$, remains fixed for every single trial.

Once you know you are working with a binomial experiment, you can use specialized formulas to calculate your probabilities and expected outcomes:

  • Binomial Probability Function: To find the probability of $x$ successes in $n$ trials, use $P(x)=_{n}C_{x}p^{x}(1-p)^{n-x}$.
  • Mean of a Binomial Variable: Simply multiply the number of trials by the probability of success using $\mu_{X}=np$.
  • Standard Deviation: Use the formula $\sigma_{X}=\sqrt{np(1-p)}$.