Professional Documents
Culture Documents
Modelos de Probabilidad
Licenciatura en Estadstica
micas y de Administracio
n
Facultad de Ciencias Econo
blica
Universidad de la Repu
Indice general
6. Modelos de probabilidad
Uniforme Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Binomial Negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Hipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
Multihipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
11
Normal Multivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
Wishart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
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
6.1.
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;
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)
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, . . .}
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 )
X
(a1 )n . . . (ap )n z n
n=0
(b1 )n . . . (bq )n n!
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
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.
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)
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
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.
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
1
.
+2
b
[(x a)2 + b2 ]
xmo = a
x R,
< a < ,
b>0
x0,5 = a
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
Var(X) =
n
n2
si n > 2.
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
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 +
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
~ 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
~
~x Rec(X).
xi !
i=1
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).
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.
6.4.1. Distribuci
on Normal Multivariada:
k k simetrica y definida positiva:
1
12 12
2
21 2
2
= ..
y
= ..
..
.
.
.
k
k1 k2
1k
2k
. . . ..
.
k2
con
i > 0 i = 1, . . . , k
ij = ji i, j = 1, . . . , k
~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.
Observaci
on 6.4.2. Si p = 1 y V = 1, 2n .
6.5.
i=1
Probabilidad I - 13
estadstica i
micas y de administracio
n udelar
facultad de ciencias econo
i=1
i=1
i=1
X
X+Y
i=1
i=1
X1
X2
Cauchy(0, 1).
micas y de administracio
n udelar
facultad de ciencias econo
estadstica i
i=1
i=1
W/n
mW
=
Fn.m .
V /m
n V
iI
k
P
Yi , defina
i=1
Xi = Yi /V , i = 1, . . . , k. Entonces,
~ = (X1 , . . . , Xk ) =
X
Y1
Yk
,...,
V
V
Dirichlet(1 , . . . , k ).
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
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
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.
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