Variable Aleatoria Discreta.

Principales Distribuciones
Definicin de v. a. discreta
Funcin de Probabilidad
Funcin de Distribucin
Caractersticas de las v.a. discretas
Principales Distribuciones discretas
Ejercicios

Definicin de variable aleatoria
El resultado de un experimento aleatorio puede ser descrito en ocasiones como
una cantidad numrica.

En estos casos aparece la nocin de variable aleatoria
Funcin que asigna a cada suceso un nmero.

Las variables aleatorias pueden ser discretas o continuas (como en el primer
tema del curso).

En las siguientes transparencias vamos a recordar conceptos de temas
anteriores, junto con su nueva designacin. Los nombres son nuevos. Los
conceptos no.
Definicin de v. a. discreta
Sea (O, (O), P) un espacio de probabilidad. Una funcin
X: O 9
e X(e) es una variable aleatoria.
Una variable aleatoria es una funcin que asocia un nmero real y slo uno, a cada
suceso elemental del espacio muestral (O) de un experimento aleatorio.
Ejemplo:
Experimento aleatorio: Lanzar una moneda al aire dos veces
Espacio muestral: O = {CC, CX, XC, XX}
Sucesos elementales: {CC}, {CX}, {XC}, {XX}
Se define la variable X: N de caras obtenidas
Asignacin de nmeros reales: (CC, 2); (CX, 1); (XC, 1); (XX, 0)
Por tanto, la variable X viene definida por los valores: 0, 1, 2
En el ejemplo anterior, X = {0, 1, 2}

Las variables aleatorias discretas son aquellas que slo pueden tomar un nmero
de valores finito o infinito numerable. X: O N
e X(e) = x
e
Se representan mediante letras maysculas y pueden tomar n posibles valores:
X = { x
1
, x
2
, ... , x
i
, ... , x
n
}
Funcin de Probabilidad: f(x)
Asigna a cada posible valor de una
variable discreta su probabilidad.
Recuerda los conceptos de
frecuencia relativa y
diagrama de barras.

Ejemplo
Nmero de caras al lanzar 3
monedas.
0%
5%
10%
15%
20%
25%
30%
35%
40%
0 1 2 3
Funcin de Probabilidad: f(x)
Sea (O, (O), P) un espacio de probabilidad, X una v. a. discreta y {x
i
} i = 1 ..
los valores que toma.

Se llama funcin de probabilidad, f(x), a la funcin que indica la probabilidad de
cada posible valor de la v. a. d. X, es decir:
f: N [0, 1]
x
i
f(x
i
) = P(X = x
i
) = p
i
=P[{e} t.q. X(e)=x
i
] i=1, ..,
y que verifica:
(i) 0 s f(x
i
) s 1
(ii) f(x
i
) = 1

Grficamente se representa
mediante barras. Con los
datos del ejemplo anterior
X 0 1 2
f(x
i
) 0,25 0,50 0,25
0 1 2
Funcin de Distribucin, F(x)
Sea (O, (O), P) un espacio de probabilidad, X v. a. discreta, {x
i
} i = 1 .. los
valores que toma y {p
i
} i = 1 .. c 9 la funcin de probabilidad de X.

Se llama funcin de distribucin (acumulativa) de la v.a.d. X, F(x), a la
probabilidad de que X sea menor o igual que x; es decir:
F: N [0, 1]
x
i
F(x
i
) = P(X x
i
) = P[{e} t.q. X(e) x
i
] =

Que cumple las siguientes propiedades:
(i) F(- ) = 0 (ii) F(x
min
) = f(x
1
)
(iii) F(x
max
) = 1 (iv) F() = 1
(v) F es montona no decreciente, es decir, si x
i
s x
j
entonces F(x
i
) s F(x
j
)
(vi) F es continua a derecha, tiene lmites a izquierda y es constante en [x
i-1
, x
i
),
donde toma el valor

(vii) P(X > x) = 1 - P(X s x) = 1 - F(x)
(viii) P(x
i
s X s x
j
) = F(x
j
) - F(x
i-1
)

s
i j
x x
j
x f ) (

si k
k
x f ) (
Funcin de Distribucin, F(x)
Grficamente resulta en la funcin escalera:










Continuando con el ejemplo anterior:
X 0 1 2
F(x
i
) 0,25 0,75 1,00
0 1 2
F
Caractersticas de las v.a. discretas
Se trata de resumir la informacin de una variable aleatoria en un conjunto de
medidas (nmeros).

Esperanza:
Sea X una v. a. d. El valor esperado o esperanza matemtica de X, denotada por
E(X) o por , se define como:


E(X) es un valor fijo que depende de la distribucin de probabilidad de X. Est
medida en las mismas unidades que X.

Propiedades de la esperanza:
(i) Si C es una constante, entonces E(C) = C.
(ii) Linealidad: E(aX + b) = aE(X) + b, a, b e 9
(iii) Si g(X) es una funcin de X, entonces:

(iv) Si g(X), h(X) son funciones de X, entonces E[g(X)+h(X)]=E[g(X)]+E[h(X)]
(v) |E[g(X)]| s E[|g(X)|]

=
=
n
i
i i
x f x X E
1
) ( ) (
| |

=
=
n
i
i i
x f x g X g E
1
) ( ) ( ) (
Caractersticas de las v.a. discretas
Varianza:
Sea X una v. a. d. La varianza de X se denota con Var(X), V(X) o o
2
y se
define como


La raz cuadrada positiva de la varianza se llama desviacin tpica y se
denota con o. Tanto la varianza como la desviacin tpica miden la
dispersin de la v.a. respecto a su media.

Observaciones:
- La varianza y la desviacin tpica son cantidades positivas.
- La desviacin tpica est medida en las mismas unidades que la v.a.

Propiedades de la varianza:
(i) Si C es una constante, V(C)=0
(ii) V(X) = E(X
2
) - E
2
(X)
(iii) Si a y b son constantes: V(aX+b) = a
2
V(X)
La desviacin media se define como la esperanza de |X-|.
| | | | ( ) | | | | ( ) ) (
2
2
i
i
i
x f X E x X E X E X Var = =

Principales Distribuciones
En la prctica, la funcin de probabilidad de la mayora de las variables
discretas se ajusta a un modelo terico expresado mediante una frmula
concreta. Veremos los ms habituales.
V.A. DISCRETAS
Bernouilli Be(p)
Binomial B(n,p)
Poisson P()
Geomtrica G(p)
Binomial Negativa BN(n,p)
Hipergeomtrica H(N,D,n)
Multinomial
Multihipergeomtrica
Principales Distribuciones
Distribucin de Bernouilli Be(p)
Tenemos un experimento de Bernoulli si al realizar un experimentos slo
son posibles dos resultados:
X=1 (xito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)
Al haber nicamente dos soluciones se trata de sucesos complementarios,
verificndose que:
p + q = 1
Adems E(X) = p, Var(X) = p q

Ejemplos:
Lanzar una moneda y que salga cara.
p=1/2
Elegir una persona de la poblacin y que est enfermo.
p=1/1000 = prevalencia de la enfermedad
Como se aprecia, en experimentos donde el resultado es dicotmico, la
variable queda perfectamente determinada conociendo el parmetro p.
Principales Distribuciones
Distribucin Binomial B(n,p)
Funcin de probabilidad

Problemas de clculo si n es grande y/o p cercano a 0 o 1.

Media: = n p
Varianza:
2
= n p q

n k q p
k
n
k X P
k n k
s s
|
|
.
|

\
|
= =

0 , ] [

Si se repite un nmero fijo de
veces, n, un experimento de
Bernoulli con parmetro p, el
nmero de xitos sigue una
distribucin binomial de
parmetros (n,p).

Lanzar una moneda 10 veces y
contar las caras.
B(n=10,p=1/2)
Principales Distribuciones
Distribucin Binomial B(n,p)
Se aplica cuando se realizan un nmero n de veces el experimento de
Bernouilli, siendo cada ensayo independiente del anterior. Definimos la v.a.:
X=Nmero de xitos obtenidos en las n realizaciones
que puede tomar los valores k=0,1,,n con probabilidades:
E(X) =n.p Var(X) =n.p.(1-p) =n.p.q
Ejemplo:
Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
La frmula quedara:
Luego P (X = 6) = 0,205 20,5% de probabilidad de obtener 6 caras al
lanzar 10 veces una moneda.
n k q p
k
n
k X P
k n k
s s
|
|
.
|

\
|
= =

0 , ] [
n k q p
k n k
n
k X P
k n k
s s

= =

0 ,
)! ( !
!
] [
Principales Distribuciones
No siempre es necesario aplicar la frmula para obtener la funcin de
probabilidad asociada a un valor de la variable. Existen tablas donde se
puede consultar el valor de f(x
i
). La tabla de la Binomial tiene la siguiente
estructura:
Dado X B (x; n; p), para buscar una f (x):
1 columna: valor de n
2 columna: posibles valores de X: 0, 1, , n
3 columna: valor de f(x) bajo diferentes valores de p
Nota: Cuando n >17, f(x
i
) puede aproximarse mediante el modelo normal

Ejemplo:
P(X = 1) = 0,02 bajo X B (x; 2; 0,01)
Principales Distribuciones
Distribucin de Poisson P()
Esta distribucin aparece en algunos procesos que tienen una dimensin
temporal o espacial. En este tipo de experimentos los xitos buscados son
expresados por unidad de rea, tiempo, pieza, etc,:
- n de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- n de bacterias por cm
2
de cultivo
- n de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- n de llegadas de embarcaciones a un puerto por da, mes, etc, etc.

X= Nmero de xitos obtenidos por unidad de tiempo o de espacio

Para determinar la probabilidad de que ocurran k xitos por unidad de
tiempo, rea, o producto, la frmula a utilizar sera:


E(X)=

Var(X)=
,... 2 , 1 , 0 ,
!
] [ = = =

k
k
e k X P
k

Principales Distribuciones
Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que
cada intervalo de tiempo es independiente de otro intervalo dado, as como
cada rea es independiente de otra rea dada y cada producto es
independiente de otro producto dado. En estas condiciones el proceso de
Poisson, que mide el nmero de xitos en un intervalo de tiempo t, en lugar
de por unidad de tiempo, vendra dado por
A se le llama tasa de emisin (por unidad de tiempo).
( )
( )
,... 2 , 1 , 0 ,
!
] [ = = =

k
k
t
e k X P
k
t

Principales Distribuciones
Ejemplo:
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba:
a) cuatro cheques sin fondo en un da dado,
b) 10 cheques sin fondos en cualquiera de dos das consecutivos?

a) X = N de cheques sin fondo que llegan al banco en un da cualquiera
X= 0, 1, 2, 3, ....., etc = 6 cheques sin fondo por da

13392 0
24
00248 0 1296
4
718 2 6
6 4
6 4
.
) . )( (
!
) . ( ) (
) , x ( p = = = = =

b) X= N de cheques sin fondo que llegan al banco en dos das consecutivos

X = 0, 1, 2, 3, ......, etc = 6 x 2 = 12 cheques sin fondo (dos das)



Nota: siempre debe de estar en funcin de X siempre o dicho de otra
forma, debe hablar de lo mismo que X.


104953 0
3628800
000006151 0 10 1917364 6
10
718 2 12
12 10
12 10
.
) . )( . (
!
) . ( ) (
) , x ( p =
E
= = = =

Principales Distribuciones
Ejemplo:
En la inspeccin de hojalata producida por un proceso electroltico continuo,
se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar
a) una imperfeccin en 3 minutos,
b) al menos dos imperfecciones en 5 minutos,
c) cuando ms una imperfeccin en 15 minutos.

a) X = N de imperfecciones en la hojalata por cada 3 minutos
X = 0, 1, 2, 3, ...., etc. = 0.2 x 3 = 0.6 imperfecciones (3 minutos)
329307 0
1
548845 0 6 0
1
718 2 6 0
6 0 1
6 0 1
.
) . )( . (
!
) . ( ) . (
) . , x ( p
.
= = = = =

b) X = N de imperfecciones en la hojalata por cada 5 minutos

X = 0, 1, 2, 3, ...., etc = 0.2 x 5 =1 imperfeccin (5 minutos)
=
|
|
.
|

\
|
+ = = = = = =

!
) . )( (
!
) . ( ) (
) , , x ( p ) .... etc , , , x ( p
1
718 2 1
0
718 2 1
1 1 1 0 1 1 4 3 2
1 1 0

= 1 - (0.367918 + 0.367918) = 0.26416
Principales Distribuciones
c) X = N de imperfecciones en la hojalata por cada 15 minutos
X = 0, 1, 2, 3, ....., etc. = 0.2 x 15 = 3 imperfecciones (15 minutos)
= + = = = + = = = = =

!
) . ( ) (
!
) . ( ) (
) , x ( p ) , x ( p ) , , x ( p
1
718 2 3
0
718 2 3
3 1 3 0 3 1 0
3 1 3 0

= 0.0498026 + 0.149408 = 0.1992106

Tambin se puede considerar esta distribucin como una aproximacin de la
binomial cuando n y p, pero el producto n.p permanece constante.

Al igual que ocurra con la binomial, los valores acumulados de la
distribucin de Poisson se encuentran tabulados para que resulte ms fcil
su manejo.

Principales Distribuciones
Ejemplo:
En una concurrida interseccin de trfico, la probabilidad de que un
automvil tenga un accidente de trfico es muy escasa, digamos de 0,0001.
Sin embargo, durante cierta parte del da (entre las 4:00 pm y las 6:00 pm)
un gran nmero de automviles pasa por esa interseccin, digamos unos
1000. En dichas condiciones, cual es la probabilidad de que dos o ms
accidentes ocurran durante ese perodo?

X= n accidentes en 1000 coches X~B(1000, 0.0001)

Como la probabilidad p es menor que 0,1, y el producto n.p es menor que 10,
entonces aplicamos el modelo de distribucin de Poisson y podramos
aproximar por X ~ P(0.1)

P(X > 2) = 1 P(X < 2) = 1 P(X s 1) = 1 0.9953 = 0.0047
Principales Distribuciones
Distribucin Geomtrica G(p)
Realizamos el experimento de forma independiente hasta que obtenemos el
primer xito, y definimos la v.a.:
X=Nmero de experimentos hasta obtener el primer xito
que toma los valores k=1,2,3, con probabilidades:
donde se tiene que E(X)=1/p y Var(X)=(1-p)/p
2
.
Ejemplo:
Una va de una ciudad tiene seis cruces regulados por semforos. La
probabilidad de que al pasar un vehculo un semforo est verde es de 0.60.
Cul es la probabilidad de atravesar dicha va en verde, encontrndose
rojo solamente el ltimo semforo? Se supone que la regulacin de los
semforos es tal que estos son independientes entre s.
X = n de semforos que debemos atravesar hasta encontrar el primero
rojo X~ G(0.4)
P(X=6) = 0.6
5 *
0.4 = 0.0311
( ) 1 , 1 ] [
1
> = =

k p p k X P
k
Principales Distribuciones
Distribucin Binomial Negativa BN (n,p)
Realizamos el experimento de forma independiente hasta obtener n xitos
y definimos la v.a.:
X = Nmero de fracasos antes del n-simo xito
que puede tomar los valores k=0,1,2,
Adems E(X)=n(1-p)/p y Var(X)=n(1-p)/p
2
.
Ejemplo:
En los play-off de la NBA americana, el vencedor de cada eliminatoria
final es el equipo que logre primero la 4 victoria en un total de 7
confrontaciones. Cul es la probabilidad de que un equipo dispute como
mucho 6 partidos, si su porcentaje de partidos ganados es del 60%?
P = probabilidad de xito = 0.6
X= n fracasos hasta obtener la 4 victoria X ~ BN(4,0.6)
P(X s 2)=P(X=0) + P(X=1) + P(X=2) = 0.1296 + 0.20736 + 0.20736 =
0.54432
0 ,
1
] [ >
|
|
.
|

\
|
+
= = k q p
k
k n
k X P
k n
Principales Distribuciones
Distribucin Hipergeomtrica H(N,D,n)
La distribucin hipergeomtrica es el modelo que se aplica en experimentos
donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo
dos posibles resultados: xito o fracaso. Pero se diferencia de la distribucin
binomial en que los distintos ensayos son dependientes entre s (no hay
reemplazamiento).
Supongamos que tenemos un lote de N piezas de las cuales D son del tipo
considerada xito (D N). Extraigo una muestra de n piezas (sin
reemplazamiento) y defino la v. a.:
X = Nmero de xitos en n intentos
que puede tomar los valores k =max{0,n+D-N},1,,min{D,n}
Adems E(X)= nD/N y Var(X)=np(1-p)[(N-n)/(N-1)] con p=D/N=proporcin
de xitos.
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|

= =
n
N
k
D
k n
D N
k X P ] [
Principales Distribuciones
Ejemplo:
En una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la
probabilidad de que 3 sean blancas?
Entonces:
N = 12; N-D = 5; D = 7; k = 3; n = 4
Si aplicamos el modelo:
Por lo tanto, P (X = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas
blancas es del 35,3%.
Principales Distribuciones
Distribucin Multinomial
La distribucin multinomial es similar a la distribucin binomial, con la
diferencia de que en lugar de dos posibles resultados en cada ensayo, puede
haber mltiples resultados:
con n = x
1
+ x
2
+ x
3
+

Ejemplo:
En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses, el
40% italianos y el 10% portugueses. En un pequeo grupo se han reunido 4
invitados: cual es la probabilidad de que 2 sean espaoles y 2 italianos?
Aplicamos el modelo:
Luego P = 0,0384 3.84% de probabilidad
...
!... ! !
!
...] , , [
3 2 1
3 2 1
3 2 1
3 3 2 2 1 1
x x x
p p p
x x x
n
x X x X x X P = = = =
Principales Distribuciones
Distribucion Multihipergeomtrica
La distribucin multihipergeomtrica es similar a la distribucin
hipergeomtrica, con la diferencia de que en lugar de dos posibles
resultados en cada ensayo, puede haber mltiples resultados (en la urna, en
lugar de haber nicamente bolas de dos colores, hay bolas de diferentes
colores).
Ejemplo:
En una caja de lpices hay 10 de color amarillo, 3 de color azul y 4 de color
rojo. Se extraen 7 lpices, cual es la probabilidad de que 5 sean amarillos
y 2 rojos?
Luego P = 0,0777 7,77% de prob.
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
= = = =
n
N
n
N
n
N
n
N
x X x X x X P
...
...] , , [
3
3
2
2
1
1
3 3 2 2 1 1
Ejercicios
Ejercicio 3.1
En una determinada especie animal, en cada parto hay igual probabilidad de
macho que de hembra (un slo descendiente por parto). Cuando de una
pareja nace una hembra, esta no tiene ms descendencia. El mayor
nmero de partos posibles es 4 y el menor es 1. Se quiere estudiar la
variable aleatoria X = N de descendientes varones de la pareja.

a) Construir el espacio muestral correspondiente y determinar las
probabilidades de los sucesos elementales.
b) Obtener y dibujar la funcin de probabilidad de la v. a. X.
c) Idem con la funcin de distribucin.
d) Calcular E[X], V(X) y o(X).
e) Calcular P(X>0), P(0 < X < 3) y P(X >1).
f) Sea la v.a. Y = N de descendientes. Calcular f(Y), E[Y] y V(Y).
Ejercicios
Ejercicio 3.2
Un embarque de 7 televisores contiene 2 aparatos defectuosos. Un hotel
realiza una compra aleatoria de 3 de ellos. Si X es el n de unidades
defectuosas que se compran:
a) Encuentre la distribucin de probabilidad de X.
b) Representarla grficamente.
c) Encuentre la distribucin acumulada de X.
d) Representarla grficamente.
e) Utilizando F(x) encuentre P(X=1) y P(0 < X s 2).
f) Calcule Varianza y Media de X.
Ejercicio 3.3
Determinar el valor de k para que la funcin P(x) = k/x, x = 1,2,3,4, sea la
funcin de probabilidad de X . Determinar P(1s X s 3).
Ejercicios
Ejercicio 3.4
La probabilidad de que un paciente se recupere de una extraa enfermedad
de la sangre es 0.4. Si se sabe que 15 personas han contrado esa
enfermedad, Cul es la probabilidad de que:
a) al menos 10 sobrevivan.
b) sobrevivan entre 3 y 8 personas.
c) sobrevivan exactamente 5 personas?.
Ejercicios
Ejercicio 3.5
Considrese un fabricante de automviles que compra los motores a una
compaa donde se fabrican bajo estrictas especificaciones. El fabricante
recibe un lote de 40 motores. Su plan para aceptar el lote consiste en
seleccionar 8, de manera aleatoria, y someterlos a prueba. Si encuentra
que ninguno de los motores presenta serios defectos, el fabricante acepta
el lote; de otra forma lo rechaza. Si el lote contiene 2 motores con serios
defectos, Cal es la probabilidad de que sea aceptado?.
Ejercicio 3.6
Un lepidopterista desea capturar un ejemplar de una clase de mariposas
que se encuentra con un porcentaje del 15%. Hallar la probabilidad de
que tenga que cazar 10 mariposas de la clase no deseada antes de
encontrar:
a) Un ejemplar de la clase deseada.
b) Tres ejemplares de la clase deseada
Ejercicios
Ejercicio 3.7
Una empresa ha medido el nmero de errores que cometen las secretarias
recin contratadas a lo largo de los ltimos tres aos (X), encontrando que
stas cometen hasta cinco errores en una pgina de 20 lneas y que esta
variable aleatoria representa la siguiente funcin de probabilidad:




Calcule:
a) La representacin grfica de la funcin de probabilidad y la
funcin de distribucin
b) El valor esperado de X
c) La varianza de X
d) La media y la varianza en el caso de que cada error se pondere
por 1/5
Ejercicios
Ejercicio 3.8
La variable X = nmero de plizas vendidas por un agente de una
empresa de seguros tiene la siguiente distribucin de probabilidad:



Calcule:
a) Calcule el valor esperado de X
b) Calcule la varianza de X
c) Cul es la probabilidad de que el agente venda ms de una
pliza?
d) y la de que venda menos de 3?
e) y entre 1 y 4 plizas (ambas inclusive)?

En el supuesto de que el director de la empresa premie con 100 puntos cada
producto vendido;
f) Qu representa Y? Cul es su distribucin de probabilidad?
g) Calcule el valor esperado y varianza de Y
Ejercicios
Ejercicio 3.9
Sea X una variable aleatoria discreta tal que:
P (X = a) = 1/10; con a = 2, 3, ... , 11
a) Calcule la funcin de distribucin de X
b) P (X > 7)
c) P (X 5)
d) P (3 X 8)

Ejercicio 3.10
Un psiclogo cognitivo realiza un experimento en el que presenta a cinco
sujetos un par de estmulos luminosos. La tarea consiste en que cada sujeto
debe indicar si ambos estmulos son iguales o no en intensidad. Obtener la
funcin de probabilidad asociada al nmero de aciertos de los sujetos,
suponiendo que stos han respondido al azar. Representar grficamente el
resultado de dicha distribucin.
Ejercicios
Ejercicio 3.11
De una poblacin de 300 pacientes con depresin, de los cuales el 30 por
100 sufre alteraciones somticas, un psiclogo clnico extrae una muestra
aleatoria simple de 16 sujetos. Segn esto: Cul es la probabilidad de que
haya como mnimo 10 sujetos que sufran alteraciones somticas en esta
muestra?

Ejercicio 3.12
Suponiendo que segn los ltimos datos del I.N.E. (Instituto Nacional de
Estadstica) la probabilidad de nacimiento de nias en la poblacin
espaola es 0,51, averiguar la probabilidad de que una familia de seis hijos
tenga:
a) como mnimo una nia;
b) como mnimo un nio.
Ejercicios
Ejercicio 3.13
En un sondeo sobre la actitud hacia la donacin de rganos se encuentra
que en una determinada poblacin hay un 80% de sujetos que estn a
favor. Si se extrae una muestra aleatoria de 10 sujetos obtenga lo siguiente:
a) Probabilidad de que 4 personas estn a favor
b) Probabilidad de que ms de 4 personas estn a favor
c) Probabilidad de que menos de 4 personas estn a favor
d) Probabilidad de que como mximo 4 personas estn a favor
e) Probabilidad de que como mnimo haya 7 personas a favor
f) Probabilidad de que estn a favor al menos el valor esperado de
sujetos que estn a favor
g) Qu puntuacin le corresponde al percentil 89?
h) Probabilidad de que estn en contra 4 o ms personas