Probabilidad I

Modelos de Probabilidad

Material Teorico y Practica

Licenciatura en Estadstica
micas y de Administracio
n
Facultad de Ciencias Econo
blica
Universidad de la Repu

Indice general

6. Modelos de probabilidad

6.1. Modelos Univariados Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Uniforme Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Binomial Negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Hipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.2. Modelos Univariados Absolutamente Continuos . . . . . . . . . . . . . . . . . . .

Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Doble Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Logstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Lognormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

F de Snedecor

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.3. Modelos Multivariados Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

Multihipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

6.4. Modelos Multivariados Absolutamente Continuos . . . . . . . . . . . . . . . . . .

11

Normal Multivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

Wishart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

6.5. Relaciones entre distribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

6.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

6.7. Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

Normal Estandar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

6.8. Notacion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

2 - Modelos de Probabilidad

Captulo 6. Modelos de probabilidad

Lo siguiente es una recopilacion de los modelos de probabilidad mas comunes. Un modelo de
probabilidad es la terna (R, B, PX ) que se obtiene al aplicar una variable o vector aleatorio sobre
el espacio de probabilidad original (, A, P ).
En lo que sigue, para todos los modelos se especifica: la funcion de cuanta o densidad, la esperanza,
la varianza, el modo y la mediana de la variable o vector aleatorio. La funcion generatriz de
momentos se incluye para aquellos modelos donde existe. La funcion de distribucion se especifica
solo en aquellos casos en que existe en forma cerrada.

6.1.

Modelos Univariados Discretos

6.1.1. Distribuci
on Uniforme discreta: X U(a, . . . , b)
fX (x) =

1
n

x Rec(X) = {a, a + 1, . . . , b 1, b}

FX (x) =

bxca+1
n

MX (t) =

eat e(b+1)t
n(1 et )

E(X) =

a+b
2

a Z, b Z a < b

n=ba+1

x<a
ax<b
xb

Var(X) =

n2 1
12

x0,5 =

a+b
2

6 xmo

Definici
on 6.1.1. Una prueba de Bernoulli, es un experimento aleatorio que da lugar a dos
sucesos excluyentes y exhaustivos denominados exito y fracaso.
Definici
on 6.1.2. Una sucesion de pruebas de Bernoulli es un un conjunto de pruebas de Bernoulli
independientes y repetidas en identicas condiciones. Esto implica que la probabilidad de observar
exito, p, se mantiene constante prueba a prueba.
6.1.2. Distribuci
on Bernoulli: X Bernoulli(p)
X = n
umero de exitos en una prueba de Bernoulli.
fX (x) = px (1 p)1x
MX (t) = et p + (1 p) t R;

x Rec(X) = {0, 1} (0 < p < 1)

E(X) = p
1

Var(X) = p(1 p)

xmo = [p]

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

6.1.3. Distribuci
on Binomial: X Binomial(n, p)
X = n
umero de exitos en una sucesion de n pruebas de Bernoulli.
 
n x
fX (x) =
p (1 p)nx
x
MX (t) = [et p + (1 p)]n

t R;

x Rec(X) = {0, 1, 2, . . . , n} (n N)

E(X) = np

Var(X) = np(1 p)

xmo = b(n + 1)pc

Observaci
on 6.1.1. Si (n + 1)p N, entonces la distribucion Binomial tiene dos modos: (n + 1)p
y (n + 1)p 1. Para la mediana no existe una formula sencilla, sin embargo se sabe que si np N,
la esperanza, el modo y la mediana coinciden. En otro caso se cumple que bnpc x0,5 dnpe.
Observaci
on 6.1.2. Binomial(1,p) Bernoulli(p).
6.1.4. Distribuci
on Geom
etrica: X Geometrica(p)
X = n
umero de fracasos en una sucesion de pruebas de Bernoulli antes de obtener el primer
exito.

fX (x) = p(1 p)

MX (t) =

p
1 (1 p)et


x Rec(X) = {0, 1, 2, . . .}

t < log(1 p);

FX (x) =

E(X) =

1p
p

0
x<0
1 (1 p)bx+1c x 0
Var(X) =

1p
p2

xmo = 0

6.1.5. Distribuci
on Binomial Negativa: X BN(r, p)
X = n
umero de fracasos en una sucesion de pruebas de Bernoulli antes de obtener el r-esimo
exito.


x+r1 r
fX (x) =
p (1 p)x x Rec(X) = {0, 1, 2, . . .}
r1

r
p
r(1 p)
r(1 p)
MX (t) =
t
<

log(1

p);
E(X)
=
Var(X)
=
1 (1 p)et
p
p2


(r 1)(1 p)
xmo =
p
Observaci
on 6.1.3. Geometrica(p) BN(1,p).
Observaci
on 6.1.4. En lugar de fracasos antes del r-esimo exito tambien se puede definir la
Binomial Negativa como: Y = n
umero de pruebas necesarias para obtener r exitos.
La cuanta, generatriz de momentos y momentos de Y se deducen utilizando la siguiente relacion:
Y = X + r.
2 - Modelos de Probabilidad

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

6.1.6. Distribuci
on Hipergeom
etrica: X Hipergeometrica(n, N, M )
Considere una poblacion con N elementos, de los cuales M (M < N ) tienen determinada cualidad
de interes a la que asociaremos con el suceso exito. Se extraen n elementos de los N SIN
reposicion.
X = n
umero de exitos en n pruebas.

fX (x) =

M
E(X) = n
N

M
x

N M
nx


N
n

x Rec(X) = {max(0, n N + M ), . . . , mn(n, M )}

M
Var(X) = n
N




M
N n
1
N
N 1

xmo

(n + 1)(M + 1)
=
N +2

Observaci
on 6.1.5. La funcion generatriz de momentos de una Hipergeometrica existe siempre,
pero su calculo y forma escapan a los alcances del curso:

MX (t) =

N M
n

2 F1 (n, M ; N


N
n

M n, et )

donde 2 F1 es la funcion generatriz exponencial con p = 2 y q = 1:

p Fq (a1 , . . . , ap ; b1 , . . . , bq ; z)

X
(a1 )n . . . (ap )n z n
n=0

(b1 )n . . . (bq )n n!

con (a)n = a(a + 1)(a + 2) (a + n 1) para n N y (a)0 = 1.

).
Observaci
on 6.1.6. Hipergeometrica(1, N, M ) Bernoulli( M
N
Observaci
on 6.1.7. Si X Hipergeometrica(n, N, M ) y n << N X Binomial(n, M
).
N
En la practica, la aproximacion es buena cuando n < 0,1N y N > 50.
Definici
on 6.1.3. Un proceso de Poisson de tasa , es un proceso aleatorio que genera ocurrencias
de sucesos sobre un espacio continuo de acuerdo a las siguientes caractersticas:
a - El n
umero de ocurrencias en dos intervalos que no se solapan son independientes.
b - La probabilidad de que se produzca exactamente un acontecimiento en un intervalo de
amplitud lo suficientemente peque
na, h, es h.
c - La probabilidad de que se produzcan dos o mas acontecimientos en un intervalo, de amplitud
lo suficientemente peque
na, es aproximadamente cero.
Probabilidad I - 3

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

6.1.7. Distribuci
on Poisson: X Poisson(t)
X = n
umero de sucesos generados por un proceso de Poisson de tasa en un intervalo de
longitud t.
et (t)x
x!

fX (x) =
u 1)

MX (u) = et(e

x Rec(X) = {0, 1, 2, . . .} ( > 0)

u R;

E(X) = t

Var(X) = t

xmo = bc

Observaci
on 6.1.8. En R2 , la variable aleatoria sera X=n
umero de sucesos generados por
un proceso de Poisson de tasa en un area de medida t. Vea observacion (??) para ajustar la
definicion de X a otras dimensiones. Note que sin importar sobre que espacio ocurren los sucesos
(R, R2 , R3 , etc.), como X cuenta n
umero de sucesos su cuanta es siempre la misma.
Observaci
on 6.1.9.
Sea X Binomial(n, p). Si n , p 0 y np > 0, entonces X Poisson() con = np.
En la practica, es recomendable la aproximacion si p < 0, 1; n > 50 y np < 5.

6.2.

Modelos Univariados Absolutamente Continuos

6.2.1. Distribuci
on Uniforme: X U[a, b]

fX (x) =

1
si a x b a, b R, a < b
ba

en otro caso

MX (t) =

etb eta
t(b a)

t R;

E(X) =

0
si x < a

xa
si a x < b
FX (x) =
(b a)

1
si x b
a+b
2

Var(X) =

(b a)2
12

No existe el modo.
6.2.2. Distribuci
on Triangular: X Triang[a, b, c]
Para a, b, c R, a < c < b:

2(x a)

si a x c

(b a)(b c)

2(b x)
fX (x) =
si c x b

(b a)(b c)

0
en otro caso

MX (t) =

(x a)2

(b a)(b c)
FX (x) =

(b x)2

(b a)(b c)

2(b c)eat/2 (b a)ect/2 + (c a)ebt/2

t2 (b a)(c a)(b c)

4 - Modelos de Probabilidad

t R;

si x < a
si a x < c
si c x < b
si x b

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

a2 + b2 + c2 ab ac bc
a+c+b
Var(X) =
3
18

q
a + (ba)(ca) si c a+b
2
2
q
x0,5 =
xmo = c
b (ba)(ca) si c a+b

E(X) =

6.2.3. Distribuci
on Exponencial: X Exp()
x
si x 0 ( > 0)
e
fX (x) =

0
en otro caso

MX (t) =

t < ;

E(X) =

(
FX (x) =

0
si x < 0
x
1e
si x 0

Var(X) =

1
2

xmo = 0

Observaci
on 6.2.1. Alternativamente, la funcion de densidad de una variable aleatoria con distribucion exponencial se puede definir como

1 e si x 0 ( > 0)

fX (x) =

0
en otro caso
y se denota tambien X Exp(). Por lo cual, para evitar ambig
uedades, se suele acompa
nar del
valor de su esperanza, ya que esta marca como se tiene que escribir el parametro en la funcion de
densidad, momentos, etc.. Note que la relacion entre las dos expresiones esta dada por = 1 .
6.2.4. Distribuci
on Doble Exponencial: X DExp(, )

e|x| si x R ( > 0, R)
2
fX (x) =

0
en otro caso

MX (t) =

2 et
2 t2

|t| < ;

E(X) =

Var(X) =

2
2

xmo = x0,5 =

Definici
on 6.2.1. La funcion matematica gamma, , se define como
Z +
() =
x1 ex dx para > 0.
0

Algunas propiedades de esta funcion son:

Para > 0
Z
0

x1 ex dx =

()
.

( + 1) = ().
Si n N, entonces (n + 1) = n!.

( 12 ) = .
Probabilidad I - 5

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

6.2.5. Distribuci
on Gamma: X Gamma(, )
El parametro controla la forma de la distribucion y su escala.

x1 ex si x 0 ( > 0, > 0)
()
fX (x) =

0
en otro caso

MX (t) =


t < ;

E(X) =

Var(X) =

xmo

1
si > 1
=

6
si 1

Observaci
on 6.2.2. X Exp() Gamma(1, ), con E(X) = 1 .
Observaci
on 6.2.3. Si N a la distribucion Gamma se le llama distribucion Erlang. Otro caso
particular es la Gamma( n2 , 21 ), con n N, a la cual se le conoce con el nombre 2n (chi-cuadrado
con n grados de libertad).
6.2.6. Distribuci
on Logstica: X Logstica(, )


x
exp
1
fX (x) = h
x R,

i2

1 + exp x

FX (x) =

MX (t) = et (1 t)(1 + t)

1


1 + exp x

t : |t| <

1
;

R
>0

x R.

E(X) = ;

Var(X) =

()2
.
3

Definici
on 6.2.2. La funcion matematica Beta se define como
Z 1
()()
para > 0 y > 0.
B(, ) =
x1 (1 x)1 dx =
( + )
0
6.2.7. Distribuci
on Beta: X Beta(, )
Tanto el parametro como controlan la forma de la distribucion.

( + ) x1 (1 x)1 si 0 < x < 1 ( > 0, > 0)

()()
fX (x) =

0
en otro caso
E(X) =

Var(X) =

( + + 1)( + )2

Observaci
on 6.2.4. La forma y calculo de la funcion generatriz de momentos de una Beta tambien
esta mas alla de los contenidos del curso.
!

k1
X
Y +r
tk
MX (t) = 1 F1 (; + ; t) = 1 +
t R.
+ + r k!
r=0
k=1
6 - Modelos de Probabilidad

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

Observaci
on 6.2.5. La funcion de densidad de una Beta tendra diferente forma dependiendo de
los valores que tomen y :
1
.
+2

Si < 1 y < 1 la funcion de densidad tendra un u

nico mnimo en
Si > 1 y > 1 tendra un u
nico maximo (el modo, xmo ) en

1
.
+2

Si = es simetrica alrededor de 0,5 y por lo tanto E(X) = x0,5 = 0, 5. El modo tambien

sera 0,5 siempre y cuando > 1 y > 1.
Si < es asimetrica a la derecha y si > lo es a la izquierda.
Si < 1 y 1 o = 1 y > 1 es monotona decreciente y ademas:
Si = 1 y > 2 es estrictamente convexa.
Si = 1 y = 2 es una lnea recta.
Si = 1 y 1 < < 2 es estrictamente concava.
Si = 1 y < 1 o > 1 y 1 es monotona creciente y ademas:
Si > 2 y = 1 es estrictamente convexa.
Si = 2 y = 1 es una lnea recta.
Si 1 < < 2 y = 1 es estrictamente concava.
Observaci
on 6.2.6. X Uniforme(0, 1) Beta(1, 1).
6.2.8. Distribuci
on Cauchy: X Cauchy(a, b)
fX (x) =

b
[(x a)2 + b2 ]

xmo = a

x R,

< a < ,

b>0

x0,5 = a

Los momentos ordinarios, E(X k ), no existen para ning

un k, k = 1, 2, . . ..
6.2.9. Distribuci
on Normal: X N(, 2 )
1 x 2
1
fX (x) =
e 2 ( )
2

t2
MX (t) = exp t + 2
2


x R,

< < ,


si t R;

E(X) =

Var(X) = 2

>0

xmo = x0,5 =

Observaci
on 6.2.7. Si = 0 y = 1 se dice que la variable aleatoria X sigue una distribucion
normal estandar o tipificada. La letra griega se usa para representar su funcion de densidad
y la letra su funcion de distribucion. La distribucion normal estandar verifica, como todas las
distribuciones simetricas alrededor del cero, que (x) = 1 (x) x R.
Probabilidad I - 7

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

6.2.10. Distribuci
on LogNormal: X log-N(, 2 )
1 log(x) 2
1
fX (x) =
e 2 ( )
x > 0,
x 2

< < ,

>0



2
2
2
2
Var(X) = e2+ (e 1)
xmo = e
E(X) = exp +
2
Observaci
on 6.2.8. A pesar de que existen los momentos de cualquier orden, MX (t) no existe.
Esto se debe a que E(etX ) existe solo para t 0 y por lo tanto no es derivable en t = 0.
6.2.11. Distribuci
on t de Student: X tn


n+1
1
2

fX (x) =
n+1
n

2

2
n 1 + xn 2

xR

n {1, 2, . . .}

k+1
nk

2
2

si k es par

k
2
E(X ) =

0
si k es impar

k<n

MX (t) no existe, dado que si k n, E(X k ) no existe.

En particular,
E(X) = 0 si n > 1

Var(X) =

n
n2

si n > 2.

El modo y la mediana coinciden, xmo = x0,5 = 0.

Observaci
on 6.2.9. t1 Cauchy(0,1) y t N(0,1).
6.2.12. Distribuci
on F de Snedecor: X Fn,m
Al parametro n se le llama grados de libertad del numerador y a m grados de libertad
del denominador.

fX (x) =

n
2

n+m

2

m
2

 n  n2

x
1+

n2
n

n
x
m

n+m
2

x>0

n, m {1, 2, . . .}

en otro caso
k

E(X ) =

n+2k

2

n
2

m2k

2
m
2



m k
n

si k <

m
2

No existe MX (t), dado que si k m/2, E(X k ) no existe.

En particular,

2
m
m
m+n2
si m > 2
y
Var(X) = 2
E(X) =
m2
m2
n(m 4)
Observaci
on 6.2.10. Si X Fn.m , entonces
1
Y =
Fm.n .
X

2
Observaci
on 6.2.11. F1,m tm .
8 - Modelos de Probabilidad

si m > 4.

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

6.2.13. Distribuci
on Weibull: X Weibull(, )
El parametro controla la forma de la distribucion y la escala.
 
   
1
x

x
si x 0 ( > 0; > 0)
exp

fX (x) =

0
en otro caso

si x < 0
   
FX (x) =
x
1 exp
si x 0

1
E(X) = 1 +


n n 
X
t
n
MX (t) =
1+
;
n!

n=0

 



2
1
2
Var(X) = 1 +
1+


xmo =

 1
si > 1;

x0,5 = (log(2))1/

Observaci
on 6.2.12. La expresion de MX (t) se obtiene sin evaluar directamente E(etX ). Se hace
uso de que se conoce la forma general de E(X k ) k:


k
k
k
kN
E(X ) = 1 +

y se expresa MX (t) como una serie de potencias.

Observaci
on 6.2.13. Cuando = 2, a la distribucion Weibull se le llama distribucion Rayleigh.
6.2.14. Distribuci
on Pareto: X Pareto(, )

si x ( > 0; > 0)
x+1
fX (x) =

0
en otro caso
k
E(X ) =
k
k

si > k

(k N)
xmo =

si x <
 
FX (x) =

1
si x
x

2
Var(X) =
( 1)2 ( 2)

x0,5 = 2

si > 2

Observaci
on 6.2.14. MX (t) no existe en forma cerrada, pero al conocerse E(X k ) k se le podra
expresar como una serie de potencias.

Probabilidad I - 9

estadstica i

6.3.

micas y de administracio
n udelar
facultad de ciencias econo

Modelos Multivariados Discretos

~ Multinomial(n, p1 , p2 , . . . , pk )
6.3.1. Distribuci
on Multinomial: X
La distribucion Multinomial es la generalizacion multivariada de la distribucion Binomial. Se repite
independientemente n veces un experimento aleatorio en indenticas condiciones. Cada realizacion
k
del experimento
Pk da a lugar a k sucesos {Ai }i=1 excluyentes y exahustivos. Sea pi = P (Ai ), i =
1, . . . , k con i=1 pi = 1.
~ = (X1 , X2 , . . . , Xk ) donde Xi =n
Defina el vector X
umeros de veces que Ai ocurre en las n
repeticiones del experimento, i = 1, . . . , k. Entonces,

(
)
k

X

~ = ~x = (x1 , x2 , . . . , xk ) Rk xi {0, 1, . . . , n} i = 1, . . . , k;
Rec(X)
xi = n

i=1

y
n!

pX~ (~x) =

k
Q

px1 1 px2 2 . . . pxkk

~
~x Rec(X).

xi !

i=1

Para i = 1, . . . , k, Xi Binomial(n, pi ), de donde

E(Xi ) = npi

Var(Xi ) = npi (1 pi ).

Ademas, para i 6= j, i, j = 1, . . . , k
Cov(Xi , Xj ) = npi pj .
Sea ~t = (t1 , t2 , . . . , tk ), entonces
MX~ (~t ) = (p1 et1 + p2 et2 + . . . + pk etk )n

~t Rk .

~ MH(n, N, M1 , M2 , . . . , Mk )
6.3.2. Distribuci
on Multihipergeom
etrica: X
Considere una poblacion de tama
no N , en la cual Mi elementos tienen la caracterstica de interes
Ci , para i = 1, . . . , k. Cada
elemento
de la poblacion posee exactamente una de las caractersticas
Pk
Ci , i = 1, . . . , k, esto es i=1 Mi = N .
~ = (X1 , X2 , . . . , Xk ) donde Xi =n
Se extraen n elementos de los N sin reposicion. Defina X
umeros
de elementos extrados en los n con la caracterstica Ci , i = 1, . . . , k. Entonces,

(
)
k

X

~ = ~x = (x1 , x2 , . . . , xk ) Rk xi {0, 1, . . . , Mi } i = 1, . . . , k;
Rec(X)
xi = n

i=1

y
pX~ (~x) =

M1
x1

M2
k
... M
x2
xk


N
n

~
~x Rec(X).

Para i = 1, . . . , k, Xi Hipergeometrica(n, N, Mi ), de donde




Mi
Mi
Mi
N n
E(Xi ) = n
y
Var(Xi ) = n
1
.
N
N
N
N 1
10 - Modelos de Probabilidad

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

Ademas, para i 6= j, i, j = 1, . . . , k
nMi Mj
Cov(Xi , Xj ) =
N2

N n
N 1


.

Observaci
on 6.3.1. Tanto la distribucion Multinomial como la distribuci
Pk on Multihipergeometrik1
k
ca son distribuciones en R
y no en R . Note que la restriccion i=1 xi = n implica que, por
ejemplo, dado un valor (x1 , x2 , . . . , xk1 ) en particular de las primeras (k 1) componentes
del
Pk1
vector , la k-esima componente, Xk , tiene que necesariamente tomar el valor n i=1 xi .
Observaci
on 6.3.2. La misma relacion que existe entre la Binomial y la Hipergeometrica se
~ MH(n, N, M1 , M2 , . . . , Mk ) y n << N , tenemos que
cumple en el caso multivariado: Si X
~ Multinomial(n, p1 , p2 , . . . , pk ).
X
En la practica, la aproximacion es buena cuando n < 0,1N y N > 50.

6.4.

Modelos Multivariados Absolutamente Continuos

6.4.1. Distribuci
on Normal Multivariada:
k k simetrica y definida positiva:

1
12 12
2
21 2
2

= ..
y
= ..
..
.
.
.
k
k1 k2

~ Nk (, ). Sean Rk y una matriz de

X

1k
2k

. . . ..
.
k2

con

i > 0 i = 1, . . . , k
ij = ji i, j = 1, . . . , k

~ = (X1 , . . . , Xk )0 , se dice que X

~ sigue una distribucion normal multivariante no
Entonces dado X
singular de dimension k con vector de medias y matriz de covarianzas si


1
1
0 1
fX~ (~x) =
~x Rk .
(~x ) (~x )
k
1 exp
2
2
2
(2) ||
Sea ~t = (t1 , t2 , . . . , tk )0 , entonces


1~ 0 ~
0
~
~
MX~ (t ) = exp t + t t
2

~t Rk .

Cov(Xi , Xj )=ij , i 6= j, i, j = 1, . . . , k.
Si B es una matriz de p k de rango completo por las filas, esto es rango(B)=p, entonces
~ Np (B, BB0 ).
BX
De donde,
~a = (a1 , a2 , . . . , ak ) Rk , ~a 6= 0:
~ =
~aX

k
X

ai X i N

i=1

k
X

ai i ;

i=1

k
X
i=1

!
a2i i2 + 2

ai aj ij

i<j

~ = Xi N(i , i2 ), i = 1, . . . , k.
y en particular para ~a = (0, . . . , 0, 1,0, . . . , 0): ~aX
i1

ki

Probabilidad I - 11

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

~ sigue una
Cualquier subvector de m componentes de las k componentes originales de X
distribucion normal multivariante de dimension m.
~ 1 al
Sea I un subconjunto propio de {1, 2, . . . , k} de m elementos, m = 1, . . . , k 1. Defina X
~ tal que sus subndices I. Defina X
~ 2 al vector
vector compuesto por las componentes de X
~ tal que sus subndices 6 I. Redefina, y de tal
compuesto por las componentes de X
manera que:
 


1
11 12
=
y=
2
21 22
~ i ) = i , Var(X
~ i ) = ii , i = 1, 2 y Cov(X
~ 1, X
~ 2 ) = 12 = 021 . Entonces, para un
Donde E(X
~2
valor fijo ~x2 de X
~ 1 |X
~ 2 = ~x2 Nm (1 + 12 1 (~x2 2 ), 11 12 1 0 )
X
22
22
12
Para el caso particular de k = 2 y m = 1, con I = {1}, tenemos que


1
2
2
X1 |X2 = x2 N 1 + (x2 2 ), 1 (1 )
2
y para I = {2}


2
2
2
X2 |X1 = x1 N 2 + (x1 1 ), 2 (1 )
1
donde = 12 /(1 2 ).
~ Dirichlet(1 , ..., k ). La distribucion Dirichlet es, entre
6.4.2. Distribuci
on Dirichlet: X
otras, una generalizacion multivariada de la distribucion Beta.
~ = (X1 , X2 , . . . , Xk ) y ~x = (x1 , x2 , . . . , xk ):
Sea X
~ = {(x1 , x2 , . . . , xk )|xi > 0, i = 1, . . . , k;
Rec(X)

k
X

xi = 1}

i=1

k
k

P
(0 ) Y i 1

~
x

Rec(~
x
);

>
0
i
y

=
i
x
i
0
i

k
Q
i=1
i=1
(i )
fX~ (~x) =
i=1

0
en otro caso
Para j = 1, . . . , k, Xj Beta(i , 0 i ), de donde:
E(Xj ) =

j
0

Var(Xj ) =

Para i 6= j, i, j = 1, . . . , k:
Cov(Xi , Xj ) =

j (0 j )
.
02 (0 + 1)

i j
2
0 (0 +

.
1)
Si i > 1 i = 1, . . . , k, el modo de la distribucion es el vector ~x = (x1 , x2 , . . . , xk ) con
i 1
.
0 k
Observaci
on 6.4.1. Al igual que la distribucion Multinomial,
la distribucion Dirichlet
es una
Pk
Pk1
k1
k
distribucion en R
y no en R . Note que la restriccion i=1 Xi = 1 implica Xk = 1 i=1 Xi .
xi =

12 - Modelos de Probabilidad

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

6.4.3. Distribuci
on Wishart: Wishartp (V, n) La distribucion Wishart es una generalizacion de la distribucion Gamma y en el caso particular de n N es una generalizacion de la
distribucion 2 .
Rec() = {| matriz de p p simetrica y definida positiva}
Los parametros de esta distribucion son:
n grados de libertad (n p).
V una matriz de p p definida positiva, la cual controla la escala de la distribucion.
La funcion de densidad de es



np1

|W| 2
1

exp tr V W
si W Rec()
np
n
n
2 |V| 2
2
2
p
2
f (W) =

0
en otro caso
donde p () es la funcion gamma multivariada:
p () =

E() = nV;

p(p1)
4



p
Y
1j
+
2
j=1

> 0.

modo = (n p 1)V para n p + 1

Observaci
on 6.4.2. Si p = 1 y V = 1, 2n .

6.5.

Relaciones entre distribuciones

1 - Sean X1 , . . . , Xn variables aleatorias independientes, con Xi Bernoulli(p), i = 1, . . . , n.

Entonces,
n
X
Xi Binomial(n, p).
i=1

2 - Sean X1 , . . . , Xr variables aleatorias independientes, con Xi Binomial(ni , p), i = 1, . . . , r.

Entonces,
r
r
X
X
Xi Binomial(n, p), con n =
ni .
i=1

i=1

3 - Sean X1 , . . . , Xr variables aleatorias independientes, con Xi Geometrica(p), i = 1, . . . , r.

Entonces,
r
X
Xi BN(r, p).
i=1

Probabilidad I - 13

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

4 - Sean X1 , . . . , Xn variables aleatorias independientes, con Xi BN(ri , p), i = 1, . . . , n. Entonces,

n
n
X
X
Xi BN(r, p), con r =
ri .
i=1

i=1

5 - Sean X1 , X2 dos variables aleatorias independientes, con Xi Binomial(ni , p), i = 1, 2.

Entonces,
X1 |X1 + X2 = k Hipergeometrica(k, n1 + n2 , n1 ).
6 - Sean X1 , . . . , Xn variables aleatorias independientes, con Xi Poisson(i ), i = 1, . . . , n.
Entonces,
n
n
X
X
Xi Poisson(), con =
i .
i=1

i=1

7 - Sean X1 , X2 dos variables aleatorias independientes, con Xi Poisson(i ), i = 1, 2. Entonces,



1
X1 |X1 + X2 = n Binomial n,
1 + 2


1
log bX
8 - Si X Uniforme(a, b), entonces Y = ba
Gamma(1, b a).
ba
9 - Sean X1 , . . . , Xn variables aleatorias independientes, con Xi Gamma(1, i ), i = 1, . . . , n.
Entonces,
n
X
Y = mn(X1 , . . . , Xn ) Gamma(1, )
con =
i .
i=1

10 - Sean X1 , . . . , Xn variables aleatorias independientes, con Xi Gamma(i , ), i = 1, . . . , n.

Entonces,
n
n
X
X
Xi Gamma(, ), con =
i .
i=1

i=1

11 - Si X N(0, 1), entonces Y = X 2 Gamma( 21 , 21 ) = 21 (ver obs 6.2.3).

12 - Si X Poisson() y x N, entonces
P (X x) = 1 P (Y ),
donde Y 22(x+1) .
13 - Si X Uniforme(0, 1), entonces Y = X 2 Beta( 12 , 1).
14 - Si X Gamma(, ) y Y Gamma(, ). X y Y independientes. Entonces, Z =
Beta(, ).

X
X+Y

15 - Sean X1 , . . . , Xn variables aleatorias independientes, donde Xi N(i , i2 ), i = 1, . . . , n.

Entonces,
n
n
n
X
X
X
2
2
Xi N(, ), con =
i y =
i2 .
i=1

i=1

i=1

16 - Si X N(, 2 ), entonces Y = eX log-N(, 2 ).

17 - Si Xi N(0, 1) i = 1, 2. X1 y X2 independientes, entonces Y =
14 - Modelos de Probabilidad

X1
X2

Cauchy(0, 1).

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

18 - Sean X1 , . . . , Xn variables aleatorias independientes, donde Xi Cauchy(ai , bi ), i = 1, . . . , n.

Entonces,
n
n
n
X
X
X
Xi Cauchy(a, b), con a =
ai y b =
bi .
i=1

i=1

i=1

19 - Si X log-N(, 2 ), entonces Y = log(Y ) N(, 2 ).

20 - Si X log-N(, 2 ), entonces Y = X 1 log-N(, 2 ).
21 - Si X log-N(, 2 ), entonces, con a > 0, Y = aX log-N(log a + , 2 ).
22 - Si X N(0, 1) y W 2n . X y W independientes. Entonces:
X
Y =p
tn .
W/n
23 - Si W 2n y V 2m . W y V independientes. Entonces:
Y =

W/n
mW
=
Fn.m .
V /m
n V

24 - Si X Weibull(, ), entonces Y = ( X ) Exp(1).

1

25 - Si X Uniforme(0, 1), entonces Y = ( log(X)) Weibull(, ).

26 - Sean X Pareto(, ) y un n
umero 0 > . Entonces X|X > 0 Pareto(, 0 ).


27 - Si X Pareto(, ), entonces Y = log X Exp() con E(Y ) = 1 .
~ Multinomial(n, p1 , p2 , . . . , pk ) y sea I cualquier subconjunto propio de {1, . . . , k}.
28 - Dado X
Entonces
!
X
X
Xi Binomial n,
pi .
iI

iI

~ = (X1 , . . . , Xi , Xj , . . . , Xk ) Dirichlet(1 , . . . , i , j , . . . , k ), entonces

29 - Si X
Y~ = (X1 , . . . , Xi + Xj , . . . , Xk ) Dirichlet(1 , . . . , i + j , . . . , k ).
30 - Si Yi Gamma(i , ), i = 1, . . . , k. Y1 , . . . , Yk independientes. Para V =

k
P

Yi , defina

i=1

Xi = Yi /V , i = 1, . . . , k. Entonces,
~ = (X1 , . . . , Xk ) =
X

Y1
Yk
,...,
V
V


Dirichlet(1 , . . . , k ).

~ i un vector fila de p componentes tal que X

~ i Np (0, ), i = 1, . . . , m. Asuma que
31 - Sea X
~ 1, . . . , X
~ m son independientes. Sea X la matriz de m p cuyas filas son X
~ i . Entonces la
X
matriz, de p p, X0 X Wishart(m, ).
Probabilidad I - 15

estadstica i

6.6.

micas y de administracio
n udelar
facultad de ciencias econo

Ejercicios

Ejercicio 1.
Una maquina normalmente produce 5 % de piezas defectuosas. La produccion de un da se inspecciona al 100 % siempre que en la inspeccion de 12 piezas, tomadas de la produccion al azar, se
encuentren 3 o mas piezas defectuosas. Cual es la probabilidad de que la produccion de un da
se inspeccione al 100 %?
Ejercicio 2.
Un invento electrico consta de cinco piezas diferentes conectadas de tal forma que el invento
funciona si todas y cada una de las cinco piezas act
uan con exito. La probabilidad de que cada
pieza act
ue con exito es 0,9.
1 - Cual es la probabilidad de que el invento funcione?
2 - Calcular la probabilidad de que el invento funcione, suponiendo que funcionara siempre que
por lo menos cuatro de las cinco piezas act
uen con exito.
Ejercicio 3.
Al calcular probabilidades binomiales es conveniente calcular f (x + 1) a partir de f (x), a traves
de la formula f (x + 1) = f (x)K(x) donde



p
nx
.
K(x) =
x+1
1p
Demostrar que la formula anterior es correcta.
Ejercicio 4.
Demostrar el siguiente teorema:
Sea X Hipergeometrica(n, M, N ), si N es muy grande comparado con n (N >> n), la distribucion de X se aproxima a la de una Binomial(n, p) donde p = M/N .
Ayuda: expanda las combinaciones en la formula de la cuanta de X, agrupe terminos para demostrar que:

fX (x) =

M
x



N M
nx


N
n



=

n
x

M M 1
M x+1M x
N M n+x+1
...
...
.
N N 1
N x+1 N x
N n+1

Despues haga uso de que N >> n, esto es, si N >> n, entonces tambien se cumple que N >> z
para z = 0, 1, 2, . . . , n; por lo tanto
M z
M z

...
N z
N
N M z
N M

N xz
N
16 - Modelos de Probabilidad

para z = 0, 1, . . . , x 1
para z = 0, 1, . . . , n x 1

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

Ejercicio 5.
Demuestre el siguiente teorema:
Sean X1 y X2 dos variables aleatorias independientes, distribuidas Xi Poisson(i ), i = 1, 2.
Entonces, la distribucion de X1 condiciona a X1 + X2 = n es un Binomial(n, p) donde
p=

1
.
1 + 2

Ayuda: calcule P(X1 = x|X1 + X2 = n).

Ejercicio 6.
La experiencia demuestra que el 10 % de las personas que reservan pasaje para viajar desde
Montevideo a Buenos Aires en una compa
na area no comparecen en el momento del vuelo. Si la
compa
na utiliza un avion con 40 asientos para atender la ruta MVD-EZE y admite reservas para
43, cual es la probabilidad de que pueda acomodar a todas las personas que comparecen?
Ejercicio 7.
Un vendedor de seguros sabe que la oportunidad de vender una poliza es mayor mientras mas
contactos realice con los clientes potenciales. Si la probabilidad de que una persona compre una
poliza de seguro despues de la visita es constante e igual a 0,25, y si el conjunto de visitas
constituye un conjunto independiente de experiencias, cuantos compradores potenciales debe
visitar el vendedor para que la probabilidad de vender por lo menos una poliza sea de 0,80?
Ejercicio 8.
Una caja contiene 20 bolillas de las culaes hay 8 blancas y las restantes son negras. Se extraen 10
bolillas con devolucion y se anota el n
umero de bolillas blancas extradas. No hemos pre-senciado
su extraccion, pero nos dicen que en total se han extrado 5 bolillas blancas, cual es la probabilidad
de que la primera bolilla exrada fuera blanca?
Ejercicio 9.
El albinismo de los ratones se debe a un gen recesivo a. Cruzando dos individuos Aa se pueden
obtener individuos AA, Aa y aa, con probabilidades 0,25, 0,5 y 0,25 respectivamente. Hallar la
probabilidad de que entre cuatro descendientes haya:

1 - 1 AA, 2 Aa y 1 aa.
2 - 2 machos Aa y 2 hembras aa.
Ejercicio 10.
Se seleccionaron aleatoriamente 60 personas y se les pregunto su preferencia con respecto a tres
marcas A, B y C. Los resultados fueron 27, 18 y 15 para cada una respectivamente. Si no existen
otras marcas en el mercado y la preferencia se comparte por igual entre las tres, cual es la
probabilidad del resultado obtenido en la encuesta?
Probabilidad I - 17

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

Ejercicio 11.
De un proceso de produccion se seleccionan, de manera aleatoria, 25 artculos. Este proceso de
produccion por lo general produce un 90 % de artculos listos para venderse y un 7 % reprocesables.
Calcular la probabilidad de que 22 de los 25 artculos esten listos para venderse y que dos sean
reprocesables.
Ejercicio 12.
En una fabrica, el n
umero de accidentes sigue un proceso de Poisson, a razon media de 2 accidentes
por semana.
Se pide:
1 - Probabilidad de que en una semana ocurra un alg
un accidente.
2 - Probabilidad de que ocurran 4 accidentes en dos semanas.
3 - Probabilidad de que ocurran 2 accidentes en una semana y otros 2 en la semana siguiente.
4 - Es lunes y no ha ocurrido un accidente. Probabilidad de que en esta semana no ocurran mas
de 3 accidentes.
Ejercicio 13.
La llegada de pacientes a la consulta de un medico siguen un proceso de Poisson, a razon media
de 6 por hora.
1 - Si la sala de espera tiene 10 asientos, en cuanto tiempo, por termino medio, se llenara?
2 - Cuantos pacientes llegaran, por termino medio, en los 10 primeros minutos de consulta?
3 - Calcular la probabilidad de que pase mas de un minuto sin llegar ning
un paciente.
4 - Si la consulta permanece abierta durante 3 horas. Cuantas sillas ha de tener la sala de
espera para que puedan sentar los pacientes, con probabilidad de al menos 0,9?
Ejercicio 14.
Demostrar que para calcular las probabilidades de la funcion de cuanta de una distribucion de
Poisson con parametro es valida la siguiente regla de recursion:
f (x + 1) =

f (x) x = 0, 1, 2, . . .
x+1

Ejercicio 15.
Sea X Geometrica(p). Demostrar que se verifica P (X k) = (1 p)k , k N.
Ejercicio 16.
Demostrar que la distribucion geometrica tiene la propiedad de falta de memoria,es decir, si
X G(p), se cumple
P (X k + x|X k) = P (X x) x = 0, 1, 2, . . . (k = 0, 1, 2, . . .)
18 - Modelos de Probabilidad

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

Ejercicio 17.
Demostrar la igualdad

r
P (Y = r),
r+x
donde X BN (r, p) e Y B(x + r, p) para cada x = 0, 1, 2, . . ..
P (X = x) =

Ejercicio 18.
Sean X1 B(n, p) y X2 B(m, p) independientes. Demostrar que la distribucion de X1 condicionada a X1 + X2 = k es H(k, n, n + m).
Ejercicio 19.
Sea X con distribucion de Poisson, de modo que P (X = k) = P (X = k + 1) donde k Z+ .
1 - Cual es la funcion de cuanta de X?
2 - Si k = 3, calcular P (X 2).
Ejercicio 20.
De las distribuciones binomial, Poisson, hipergeometrica, binomial negativa y geometrica, citar en
cada uno de los siguientes casos, cuales NO cumplen nunca las condiciones.
1 - La esperanza es igual a la varianza.
2 - La esperanza es mayor que la varianza.
3 - La esperanza es menor que la varianza.
4 - El fenomeno aleatorio constituye un conjunto de experiencias independientes.
5 - El muestreo se lleva a cabo con devolucion.
6 - El muestreo se lleva a cabo sin devolucion.
Ejercicio 21.
Demuestre el siguiente teorema:
Sea Xt el n
umero de acontecimientos ocurridos en un intervalo de longitud t (t > 0). Sea Ti el
tiempo transcurrido entre el acontecimiento i 1 y el i. Supongamos que para > 0, Ti Exp(),
i = 1, 2, . . ., y que son variables independientes.
Entonces Xt Poisson(t).
Ejercicio 22.
Demuestre el siguiente teorema:
Sea Zn el tiempo transcurrido hasta la ocurrencia de n acontecimientos (n = 1, 2, . . .). Si las
ocurrencias de los acontecimientos siguen un proceso de Poisson de parametro , entonces
Zn Gamma(n, ),

n = 1, 2, . . .
Probabilidad I - 19

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

Ejercicio 23.
El n
umero de clientes que visitan un shopping mall sigue un proceso de Poisson de parametro
= 4 (el tiempo se mide en minutos). Calcular:
1 - La probabilidad de que pase mas de un minuto hasta la llegada de dos clientes.
2 - Si 2 de cada 3 clientes son mujeres, hallar la probabilidad de que pase mas de un minuto
hasta que lleguen dos mujeres.
Ejercicio 24.
Demostrar que se cumple la siguiente relacion:
Si X Beta(, ) donde Z+ y Z+ , entonces para 0 < p < 1 se cumple
P (X p) = P (Y a)
donde Y B(p, a + b 1).
Ejercicio 25.
De una estacion parte un tren cada 20 minutos. Un viajero llega de improviso a la estacion. Hallar:
1 - Funcion de distribucion de la variable aleatoria tiempo de espera.
2 - Probabilidad de esperar al tren menos de 7 minutos.
3 - Esperanza y varianza del tiempo de espera.
Ejercicio 26.
Se eligen dos puntos al azar X e Y del segmento [0,1].
1 - Calcular la probabilidad de que el segmento entre X e Y tenga longitud mayor que 1/3.
2 - Calcular la probabilidad de que los segmentos colas que dejan X e Y tengan ambos
distancia mayor que 1/3.
3 - Hallar la probabilidad de que la union de las dos colas tenga distancia mayor que 2/3.
Ejercicio 27.
La duracion en horas de un valvula electronica sigue una distribucion exponencial con media 100
horas. Una compa
na que las produce desea garantizarlas durante un cierto tiempo. Cuantas
horas debe amparar la garanta para que la probabilidad de que funcione, durante ese perodo de
tiempo, sea por lo menos 0,95?
Ejercicio 28.
Los tiempos entre dos llamadas consecutivas a una central telefonica se distribuyen exponencialmente con media 20 minutos y son independientes.
1 - Calcular la probabilidad de que en 10 minutos no se reciba ninguna llamada.
20 - Modelos de Probabilidad

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

2 - Calcular la probabilidad de que en 15 minutos se reciban mas de 2 llamadas.

3 - Cuantas llamadas se reciben por termino medio en 8 horas?
Ejercicio 29.
La demanda de cierto producto cada semana se distribuye con funcion de densidad

f (x) =

ex x 0
0
en otro caso

El aprovisionamiento del producto para satisfacer la demanda se hace al principio de cada semana.
La venta de una cantidad X produce una ganancia aX y el sobrante Y que queda al final de cada
semana no es utilizable y produce un perdida bY .
Hallar la cantidad k conveniente de aprovisionamiento por semana para que la ganancia espe-rada
sea maxima.
Ejercicio 30.
Si X Beta(, ), hallar la distribucion de Y = 1 X.
Ejercicio 31.
Si la proporcion desconocida p de personas favorables a un pregunta de opinion le asociamos una
distribucion Beta(10;9), cual es la probabilidad de que dicha proporcion no diste de 0,5 mas de
0,1?
Ayuda: Use el ejercicio 24.
Ejercicio 32.
Si X sigue una distribucion normal con media 10 y desviacion tpica 2, se pide:
1 - P (X 12).
2 - P (|X| 3).
3 - P (|X 10| 1).
4 - Hallar el valor a para que P (|X 10| a) = 0, 95.
5 - El k-esimo percentil de una distribucion de probabilidad de una variable aleatoria absolutamente continua se define como el valor xp del recorrido de la variable tal que FX (xp ) = p.
Hallar el percentil X0,95 .
Ejercicio 33.
Una variable aleatoria normal verifica:
P (X 16) = 0, 82

P (X 3) = 0, 15.

Hallar su media y varianza, y calcular P (2, 5 X < 4).

Probabilidad I - 21

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

Ejercicio 34.
La altura de los hombres de una poblacion siguen una distribucion normal con 1 =170cm y
1 =7cm, y la de las mujeres otra distribucion normal con 2 =160cm y 2 =6cm. Se suponen que
son independientes.
1 - Se elige un hombre y una mujer al azar. Calcular la probabilidad de que el hombre sea mas
alto que la mujer.
2 - Se escogen 20 hombres al azar. Calcular la probabilidad de que por lo menos uno supere los
191cm de altura.
3 - En una habitacion se miden, de una en una, las alturas de las mujeres que van entrando.
Calcular la probabilidad de que la cuarta mujer con altura superior a 160cm sea la decima
que ha entrado.
Ejercicio 35.
Suponemos que para un cierto examen, los estudiantes del curso A alcanzan puntuaciones que se
distribuyen N (625, 100), y los del curso B, puntuaciones que se distribuyen N (600, 150).
Si dos estudiantes del curso A y tres del curso B realizan este examen, cual es la probabilidad de
que la media de los dos estudiantes del curso A sea mayor que la media de los tres del curso B?
Ejercicio 36.
Las variables Y1 e Y2 son independientes, con distribucion N (0, 1). Dadas las variables X =
3 + 2Y1 Y2 e Y = 5 + Y1 + Y2 .
1 - Hallar la distribucion de densidad bivariante de (X, Y ).
2 - Como se distribuye la variable Z = 3X + 4Y 1?
Ejercicio 37.
Sea X N (, 2 ). Hallar la distribucion de Y = eX y calcule su media y varianza.
Nota: A la distribucion de Y se la conoce con el nombre de distribucion lognormal.
Ejercicio 38.
Sea X U (a, b). Halle la distribucion de
1
log
Y =
ba

bX
ba


.

Ejercicio 39.
Sea X1 , . . . , Xn variables aleatorias independientes, cada una con una distribucion N (0, 1). Demuestre que


n
X
n 1
2
X=
Xi Gamma
,
.
2
2
i=1
Nota: Este caso particular de la distribucion Gamma se le conoce con el nombre chi cuadrado con
n grados de libertad y se la representa de la siguiente forma: X 2n .
Ayuda: use las generatrices de momentos.
22 - Modelos de Probabilidad

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

Ejercicio 40.
Sean U 2m y V 2n variables aleatorias independientes. Defina
X=

U/m
nU
=
.
V /n
mV

Demuestre que
fX (x) =

n
2

m+n

2

 m m/2

m
2


m (m+n)/2
xm/21 1 + x
n

x 0.

Nota: A esta distribucion se la conoce con el nombre de F de Snedecor con m grados de libertad
en el numerador y n grados de libertad en el denominador. Se la representa de la siguiente forma:
X Fn,m

X F (n, m).

Ejercicio 41.
Sean U N (0, 1) y V 2n variables aleatorias independientes. Defina
U
X=p
.
V /n
Demuestre que
fX (x) =

n
2

n+1

2

1


1
n
2

x2
1+
n

(n+1)/2
x R.

Nota: A esta distribucion se la conoce con el nombre de t de Student con n grados de libertad. Se
la representa
X tn .

Probabilidad I - 23

estadstica i

6.7.

micas y de administracio
n udelar
facultad de ciencias econo

Tablas
n de distribucio
n de una normal esta
ndar
tabla de la funcio
Z

(z) =

z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0

0,00
0,50000
0,53983
0,57926
0,61791
0,65542
0,69146
0,72575
0,75804
0,78814
0,81594
0,84134
0,86433
0,88493
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,99997

0,01
0,50399
0,54380
0,58317
0,62172
0,65910
0,69497
0,72907
0,76115
0,79103
0,81859
0,84375
0,86650
0,88686
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,99997

0,02
0,50798
0,54776
0,58706
0,62552
0,66276
0,69847
0,73237
0,76424
0,79389
0,82121
0,84614
0,86864
0,88877
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,99997

24 - Modelos de Probabilidad

0,03
0,51197
0,55172
0,59095
0,62930
0,66640
0,70194
0,73565
0,76730
0,79673
0,82381
0,84849
0,87076
0,89065
0,90824
0,92364
0,93699
0,94845
0,95818
0,96638
0,97320
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,99997

x2
1
e 2 dx
2

0,04
0,51595
0,55567
0,59483
0,63307
0,67003
0,70540
0,73891
0,77035
0,79955
0,82639
0,85083
0,87286
0,89251
0,90988
0,92507
0,93822
0,94950
0,95907
0,96712
0,97381
0,97932
0,98382
0,98745
0,99036
0,99266
0,99446
0,99585
0,99693
0,99774
0,99836
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99991
0,99994
0,99996
0,99997

0,05
0,51994
0,55962
0,59871
0,63683
0,67364
0,70884
0,74215
0,77337
0,80234
0,82894
0,85314
0,87493
0,89435
0,91149
0,92647
0,93943
0,95053
0,95994
0,96784
0,97441
0,97982
0,98422
0,98778
0,99061
0,99286
0,99461
0,99598
0,99702
0,99781
0,99841
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99991
0,99994
0,99996
0,99997

0,06
0,52392
0,56356
0,60257
0,64058
0,67724
0,71226
0,74537
0,77637
0,80511
0,83147
0,85543
0,87698
0,89617
0,91309
0,92785
0,94062
0,95154
0,96080
0,96856
0,97500
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,99998

0,07
0,52790
0,56749
0,60642
0,64431
0,68082
0,71566
0,74857
0,77935
0,80785
0,83398
0,85769
0,87900
0,89796
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,99998

0,08
0,53188
0,57142
0,61026
0,64803
0,68439
0,71904
0,75175
0,78230
0,81057
0,83646
0,85993
0,88100
0,89973
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,99896
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,99998

0,09
0,53586
0,57535
0,61409
0,65173
0,68793
0,72240
0,75490
0,78524
0,81327
0,83891
0,86214
0,88298
0,90147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
0,99998

 micas y de administracio
n udelar
facultad de ciencias econo

estadstica i

n 2 por probabilidad
tabla de los valores del recorrido de una distribucio
n grados de libertad
acumulada segu

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
45
50
55
60
65
70
75
80
85
90
95
100

0,001
0,00
0,00
0,02
0,09
0,21
0,38
0,60
0,86
1,15
1,48
1,83
2,21
2,62
3,04
3,48
3,94
4,42
4,91
5,41
5,92
6,45
6,98
7,53
8,09
8,65
9,22
9,80
10,39
10,99
11,59
17,92
21,25
24,67
28,17
31,74
35,36
39,04
42,76
46,52
50,32
54,16
58,02
61,92

0,005
0,00
0,01
0,07
0,21
0,41
0,68
0,99
1,34
1,74
2,16
2,60
3,07
3,57
4,08
4,60
5,14
5,70
6,27
6,84
7,43
8,03
8,64
9,26
9,89
10,52
11,16
11,81
12,46
13,12
13,79
20,71
24,31
27,99
31,74
35,53
39,38
43,28
47,21
51,17
55,17
59,20
63,25
67,33

0,01
0,00
0,02
0,12
0,30
0,55
0,87
1,24
1,65
2,09
2,56
3,05
3,57
4,11
4,66
5,23
5,81
6,41
7,02
7,63
8,26
8,90
9,54
10,20
10,86
11,52
12,20
12,88
13,57
14,26
14,95
22,16
25,90
29,71
33,57
37,49
41,44
45,44
49,48
53,54
57,63
61,75
65,90
70,07

Probabilidad acumulada
0,025
0,05
0,1
0,15
0,2
0,00
0,00
0,02
0,04
0,06
0,05
0,10
0,21
0,33
0,45
0,22
0,35
0,58
0,80
1,01
0,48
0,71
1,06
1,37
1,65
0,83
1,15
1,61
1,99
2,34
1,24
1,64
2,20
2,66
3,07
1,69
2,17
2,83
3,36
3,82
2,18
2,73
3,49
4,08
4,59
2,70
3,33
4,17
4,82
5,38
3,25
3,94
4,87
5,57
6,18
3,82
4,58
5,58
6,34
6,99
4,40
5,23
6,30
7,11
7,81
5,01
5,89
7,04
7,90
8,63
5,63
6,57
7,79
8,70
9,47
6,26
7,26
8,55
9,50 10,31
6,91
7,96
9,31 10,31 11,15
7,56
8,67 10,09 11,13 12,00
8,23
9,39 10,87 11,95 12,86
8,91 10,12 11,65 12,77 13,72
9,59 10,85 12,44 13,60 14,58
10,28 11,59 13,24 14,44 15,45
10,98 12,34 14,04 15,28 16,31
11,69 13,09 14,85 16,12 17,19
12,40 13,85 15,66 16,97 18,06
13,12 14,61 16,47 17,82 18,94
13,84 15,38 17,29 18,67 19,82
14,57 16,15 18,11 19,53 20,70
15,31 16,93 18,94 20,39 21,59
16,05 17,71 19,77 21,25 22,48
16,79 18,49 20,60 22,11 23,36
24,43 26,51 29,05 30,86 32,35
28,37 30,61 33,35 35,29 36,88
32,36 34,76 37,69 39,75 41,45
36,40 38,96 42,06 44,25 46,04
40,48 43,19 46,46 48,76 50,64
44,60 47,45 50,88 53,29 55,26
48,76 51,74 55,33 57,84 59,90
52,94 56,05 59,80 62,41 64,55
57,15 60,39 64,28 66,99 69,21
61,39 64,75 68,78 71,59 73,88
65,65 69,13 73,29 76,20 78,56
69,93 73,52 77,82 80,81 83,25
74,22 77,93 82,36 85,44 87,95

0,25
0,10
0,58
1,21
1,92
2,68
3,46
4,26
5,07
5,90
6,74
7,58
8,44
9,30
10,17
11,04
11,91
12,79
13,68
14,56
15,45
16,34
17,24
18,14
19,04
19,94
20,84
21,75
22,66
23,57
24,48
33,66
38,29
42,94
47,61
52,29
56,99
61,70
66,42
71,15
75,88
80,63
85,38
90,13

0,3
0,15
0,71
1,42
2,20
3,00
3,83
4,67
5,53
6,39
7,27
8,15
9,03
9,93
10,82
11,72
12,62
13,53
14,44
15,35
16,27
17,18
18,10
19,02
19,94
20,87
21,79
22,72
23,65
24,58
25,51
34,87
39,59
44,31
49,06
53,81
58,57
63,35
68,13
72,92
77,71
82,51
87,32
92,13

0,4
0,28
1,02
1,87
2,75
3,66
4,57
5,49
6,42
7,36
8,30
9,24
10,18
11,13
12,08
13,03
13,98
14,94
15,89
16,85
17,81
18,77
19,73
20,69
21,65
22,62
23,58
24,54
25,51
26,48
27,44
37,13
42,00
46,86
51,74
56,62
61,51
66,40
71,29
76,19
81,09
85,99
90,90
95,81

Probabilidad I - 25

estadstica i

micas y de administracio
n udelar
facultad de ciencias econo

n 2 por probabilidad
tabla de los valores del recorrido de una distribucio
n grados de libertad (continuacio
n)
acumulada segu

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
45
50
55
60
65
70
75
80
85
90
95
100

0,5
0,46
1,39
2,37
3,36
4,35
5,35
6,35
7,34
8,34
9,34
10,34
11,34
12,34
13,34
14,34
15,34
16,34
17,34
18,34
19,34
20,34
21,34
22,34
23,34
24,34
25,34
26,34
27,34
28,34
29,34
39,34
44,34
49,34
54,34
59,34
64,34
69,33
74,33
79,33
84,33
89,33
94,33
99,33

0,6
0,71
1,83
2,95
4,05
5,13
6,21
7,28
8,35
9,41
10,47
11,53
12,58
13,64
14,69
15,73
16,78
17,82
18,87
19,91
20,95
21,99
23,03
24,07
25,11
26,14
27,18
28,21
29,25
30,28
31,32
41,62
46,76
51,89
57,02
62,14
67,25
72,36
77,46
82,57
87,67
92,76
97,86
102,95

0,7
1,07
2,41
3,67
4,88
6,06
7,23
8,38
9,52
10,66
11,78
12,90
14,01
15,12
16,22
17,32
18,42
19,51
20,60
21,69
22,78
23,86
24,94
26,02
27,10
28,17
29,25
30,32
31,39
32,46
33,53
44,17
49,45
54,72
59,98
65,23
70,46
75,69
80,91
86,12
91,33
96,52
101,72
106,91

0,75
1,32
2,77
4,11
5,39
6,63
7,84
9,04
10,22
11,39
12,55
13,70
14,85
15,98
17,12
18,25
19,37
20,49
21,61
22,72
23,83
24,94
26,04
27,14
28,24
29,34
30,44
31,53
32,62
33,71
34,80
45,62
50,99
56,33
61,67
66,98
72,29
77,58
82,86
88,13
93,39
98,65
103,90
109,14

26 - Modelos de Probabilidad

Probabilidad acumulada
0,8
0,85
0,9
1,64
2,07
2,71
3,22
3,79
4,61
4,64
5,32
6,25
5,99
6,75
7,78
7,29
8,12
9,24
8,56
9,45
10,65
9,80
10,75
12,02
11,03
12,03
13,36
12,24
13,29
14,68
13,44
14,53
15,99
14,63
15,77
17,28
15,81
16,99
18,55
16,99
18,20
19,81
18,15
19,41
21,06
19,31
20,60
22,31
20,47
21,79
23,54
21,62
22,98
24,77
22,76
24,16
25,99
23,90
25,33
27,20
25,04
26,50
28,41
26,17
27,66
29,62
27,30
28,82
30,81
28,43
29,98
32,01
29,55
31,13
33,20
30,68
32,28
34,38
31,80
33,43
35,56
32,91
34,57
36,74
34,03
35,72
37,92
35,14
36,85
39,09
36,25
37,99
40,26
47,27
49,24
51,81
52,73
54,81
57,51
58,16
60,35
63,17
63,58
65,86
68,80
68,97
71,34
74,40
74,35
76,81
79,97
79,72
82,26
85,53
85,07
87,69
91,06
90,41
93,11
96,58
95,73
98,51 102,08
101,05 103,90 107,57
106,36 109,29 113,04
111,67 114,66 118,50

0,95
3,84
5,99
7,82
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,69
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
61,66
67,51
73,31
79,08
84,82
90,53
96,22
101,88
107,52
113,15
118,75
124,34

0,975
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,54
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,20
44,46
45,72
46,98
59,34
65,41
71,42
77,38
83,30
89,18
95,02
100,84
106,63
112,39
118,14
123,86
129,56

0,99
6,64
9,21
11,35
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
69,96
76,15
82,29
88,38
94,42
100,43
106,39
112,33
118,24
124,12
129,97
135,81

0,995
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,96
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,65
50,99
52,34
53,67
66,77
73,17
79,49
85,75
91,95
98,11
104,22
110,29
116,32
122,33
128,30
134,25
140,17

estadstica i
micas y de administracio
n udelar
facultad de ciencias econo

n t por probabilidad
tabla de los valores del recorrido de una distribucio
n grados de libertad
acumulada segu

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
1000

0,55
0,1584
0,1421
0,1366
0,1338
0,1322
0,1311
0,1303
0,1297
0,1293
0,1289
0,1286
0,1283
0,1281
0,1280
0,1278
0,1277
0,1276
0,1274
0,1274
0,1273
0,1272
0,1271
0,1271
0,1270
0,1269
0,1269
0,1268
0,1268
0,1268
0,1267
0,1265
0,1263
0,1262
0,1261
0,1261
0,1260
0,1260
0,1257
0,1257

0,6
0,3249
0,2887
0,2767
0,2707
0,2672
0,2648
0,2632
0,2619
0,2610
0,2602
0,2596
0,2590
0,2586
0,2582
0,2579
0,2576
0,2573
0,2571
0,2569
0,2567
0,2566
0,2564
0,2563
0,2562
0,2561
0,2560
0,2559
0,2558
0,2557
0,2556
0,2550
0,2547
0,2545
0,2543
0,2542
0,2541
0,2540
0,2534
0,2533

0,7
0,7265
0,6172
0,5844
0,5686
0,5594
0,5534
0,5491
0,5459
0,5435
0,5415
0,5399
0,5386
0,5375
0,5366
0,5357
0,5350
0,5344
0,5338
0,5333
0,5329
0,5325
0,5321
0,5317
0,5314
0,5312
0,5309
0,5306
0,5304
0,5302
0,5300
0,5286
0,5278
0,5272
0,5268
0,5265
0,5263
0,5261
0,5246
0,5244

0,75
1,0000
0,8165
0,7649
0,7407
0,7267
0,7176
0,7111
0,7064
0,7027
0,6998
0,6974
0,6955
0,6938
0,6924
0,6912
0,6901
0,6892
0,6884
0,6876
0,6870
0,6864
0,6858
0,6853
0,6848
0,6844
0,6840
0,6837
0,6834
0,6830
0,6828
0,6807
0,6794
0,6786
0,6780
0,6776
0,6772
0,6770
0,6747
0,6745

0,8
1,3764
1,0607
0,9785
0,9410
0,9195
0,9057
0,8960
0,8889
0,8834
0,8791
0,8755
0,8726
0,8702
0,8681
0,8662
0,8647
0,8633
0,8620
0,8610
0,8600
0,8591
0,8583
0,8575
0,8569
0,8562
0,8557
0,8551
0,8546
0,8542
0,8538
0,8507
0,8489
0,8477
0,8468
0,8461
0,8456
0,8452
0,8420
0,8416

0,85
1,9626
1,3862
1,2498
1,1896
1,1558
1,1342
1,1192
1,1081
1,0997
1,0931
1,0877
1,0832
1,0795
1,0763
1,0735
1,0711
1,0690
1,0672
1,0655
1,0640
1,0627
1,0614
1,0603
1,0593
1,0584
1,0575
1,0567
1,0560
1,0553
1,0547
1,0500
1,0473
1,0455
1,0442
1,0432
1,0424
1,0418
1,0370
1,0364

Probabilidad acumulada
0,9
0,95
0,975
3,0777 6,3138 12,7062
1,8856 2,9200
4,3027
1,6377 2,3534
3,1824
1,5332 2,1318
2,7764
1,4759 2,0150
2,5706
1,4398 1,9432
2,4469
1,4149 1,8946
2,3646
1,3968 1,8595
2,3060
1,3830 1,8331
2,2622
1,3722 1,8125
2,2281
1,3634 1,7959
2,2010
1,3562 1,7823
2,1788
1,3502 1,7709
2,1604
1,3450 1,7613
2,1448
1,3406 1,7531
2,1314
1,3368 1,7459
2,1199
1,3334 1,7396
2,1098
1,3304 1,7341
2,1009
1,3277 1,7291
2,0930
1,3253 1,7247
2,0860
1,3232 1,7207
2,0796
1,3212 1,7171
2,0739
1,3195 1,7139
2,0687
1,3178 1,7109
2,0639
1,3163 1,7081
2,0595
1,3150 1,7056
2,0555
1,3137 1,7033
2,0518
1,3125 1,7011
2,0484
1,3114 1,6991
2,0452
1,3104 1,6973
2,0423
1,3031 1,6839
2,0211
1,2987 1,6759
2,0086
1,2958 1,6706
2,0003
1,2938 1,6669
1,9944
1,2922 1,6641
1,9901
1,2910 1,6620
1,9867
1,2901 1,6602
1,9840
1,2824 1,6464
1,9623
1,2816 1,6449
1,9600

0,98
15,8945
4,8487
3,4819
2,9985
2,7565
2,6122
2,5168
2,4490
2,3984
2,3593
2,3281
2,3027
2,2816
2,2638
2,2485
2,2354
2,2238
2,2137
2,2047
2,1967
2,1894
2,1829
2,1770
2,1715
2,1666
2,1620
2,1578
2,1539
2,1503
2,1470
2,1229
2,1087
2,0994
2,0927
2,0878
2,0839
2,0809
2,0564
2,0538

0,99
31,8205
6,9646
4,5407
3,7469
3,3649
3,1427
2,9980
2,8965
2,8214
2,7638
2,7181
2,6810
2,6503
2,6245
2,6025
2,5835
2,5669
2,5524
2,5395
2,5280
2,5176
2,5083
2,4999
2,4922
2,4851
2,4786
2,4727
2,4671
2,4620
2,4573
2,4233
2,4033
2,3901
2,3808
2,3739
2,3685
2,3642
2,3301
2,3264

0,995
63,6567
9,9248
5,8409
4,6041
4,0321
3,7074
3,4995
3,3554
3,2498
3,1693
3,1058
3,0545
3,0123
2,9768
2,9467
2,9208
2,8982
2,8784
2,8609
2,8453
2,8314
2,8188
2,8073
2,7969
2,7874
2,7787
2,7707
2,7633
2,7564
2,7500
2,7045
2,6778
2,6603
2,6479
2,6387
2,6316
2,6259
2,5808
2,5758

0,9975
127,3213
14,0890
7,4533
5,5976
4,7733
4,3168
4,0293
3,8325
3,6897
3,5814
3,4966
3,4284
3,3725
3,3257
3,2860
3,2520
3,2224
3,1966
3,1737
3,1534
3,1352
3,1188
3,1040
3,0905
3,0782
3,0669
3,0565
3,0469
3,0380
3,0298
2,9712
2,9370
2,9146
2,8987
2,8870
2,8779
2,8707
2,8133
2,8070

0,999
318,3088
22,3271
10,2145
7,1732
5,8934
5,2076
4,7853
4,5008
4,2968
4,1437
4,0247
3,9296
3,8520
3,7874
3,7328
3,6862
3,6458
3,6105
3,5794
3,5518
3,5272
3,5050
3,4850
3,4668
3,4502
3,4350
3,4210
3,4082
3,3962
3,3852
3,3069
3,2614
3,2317
3,2108
3,1953
3,1833
3,1737
3,0984
3,0902

Probabilidad I - 27

estadstica i

6.8.
X
~
X
Rec(X)
fX (x)
MX (t)
E(X)
Var(X)
x0,5
xmo

[a]
bac
<<
N
R
Rn
log
exp(a)
tr(A)
|A|
A1


n
x

n!

micas y de administracio
n udelar
facultad de ciencias econo

Notaci
on:
la variable aleatoria X
el vector aleatorio X
el recorrido de X
la funcion de cuanta o densidad de X
la funcion generatriz de momentos de X
el valor esperado o esperanza de X
la varianza de X
la mediana de X
el modo de X
se distribuye
se distribuye aproximadamente
equivalente
n
umero entero mas cercano a a. Ejemplo: [1,3]=1 y [1,6]=2.
parte entera por defecto de a.
Ejemplo: b1,3c = 1 y b1,6c = 1.
mucho mas chico que
los n
umeros naturales
los n
umeros reales
el espacio n-dimensional con coordenadas reales
logaritmo neperiano, logaritmo en base e
ea
traza de la matriz A
determinante de la matriz A
inversa de la matriz A
combinaciones de n elementos tomados de a x
factorial de n

28 - Modelos de Probabilidad