Principales distribuciones

Estela Snchez Rodrguez

Departamento de Estadstica e Investigacin Operativa.
Universidad de Vigo
e-mail: esanchez@uvigo.es

Curso 2012/2013

Gua docente:

Variables aleatorias discretas y continuas. Media y varianza.

Principales distribuciones discretas y continuas. Modelo
binomial y multinomial. Otros modelos discretos:
hipergeomtrico, poisson,... Modelo normal, lognormal
exponencial, chi-cuadrado, t-student, F Fisher-Snedecor

Contenidos:
Variable aleatoria
Variables aleatorias discretas y continuas
Media y varianza
Modelo binomial
Modelo multinomial
Otros modelos discretos: hipergeomtrico y poisson
Modelo normal
Modelo lognormal
Modelo exponencial
Modelo chi-cuadrado, t-student y F Fisher-Snedecor

Motivacin: Realizar una transformacin sobre los elementos

del espacio muestral para convertirlos en nmeros reales y
aprovechar las propiedades de clculo de R.

Una variable aleatoria (v.a.) es una aplicacin X : R

definida adecuadamente.

Ejemplos: nmero de caras en 100 lanzamientos, suma de

puntos en el lanzamiento de dos dados, tiempo transcurrido en
una carrera de 100 metros,....

Una variable aleatoria X se dice que es de tipo Discreta si

toma a lo sumo un conjunto numerable de valores con
probabilidad positiva.

Ejemplos: nmero de parsitos en una tortuga, nmero de

bacterias en 1 mm3 de agua, etc
El conjunto de valores que toma se llama Soporte (Sop)
Sop(X ) = {x1 , . . . , xn , . . .}

Variable aleatoria discreta

Funcin de masa de probabilidad

pi = P(X = xi ) > 0
X

pi = 1

Funcin de distribucin Probabilidad acumulada (analoga

con frecuencias acumuladas del tema de descriptiva)
F (x) =

xi x

pi

Ejemplo v.a. discreta

Lanzamiento de dos monedas. X contabiliza el nmero de
caras.
Sop(X ) = {0, 1, 2}
p1 = P(X = 0) =

1
4

p2 = P(X = 1) =

1
2

1
4
Clculo de la funcin de distribucin y observacin de las
propiedades y los saltos ( pi son los saltos en la funcin de
distribucin)
p3 = P(X = 2) =

Masa probabilidad y funcin de distribucin

Binomial Distribution: Trials = 2, Probability of success = 0.5

0.8
0.4

0.6

Cumulative Probability

0.40
0.35
0.30
0.25

Probability Mass

0.45

1.0

0.50

Binomial Distribution: Trials = 2, Probability of success = 0.5

0.0

0.5

1.0
Number of Successes

1.5

2.0

0.0

0.5

1.0
Number of Successes

1.5

2.0

Variable aleatoria continua

Una v.a. X se dice Continua si el conjunto de valores que toma

con probabilidad no nula es infinito no numerable.
Ejemplo: altura de una persona, tiempo que tarda ...
Funcin de densidad (generalizacin del histograma)
f 0
Z

f (x)dx = 1

Funcin de distribucin

F (x) =

f (t)dt

Por el teorema fundamental del clculo:

dF (x)
= F 0 (x) = f (x)
dx
donde F es derivable y 0 en otro caso.
Sea X v.a. continua, P(X = x) = 0

Observaciones v.a. continuas

La funcin de densidad no indica probabilidad, la

probabilidad viene dada por el rea bajo la curva.
P(a < X b) =

f (x)dx = F (b) F (a)

Obtener un nmero al azar en el intervalo [0, 1]. Todos los

puntos tienen probabilidad 0 y sin embargo la probabilidad
de un subintervalo es la longitud correspondiente.

Ejemplo

Sea f (x) = kx 2 si 0 < x < 2

I

Calcula k ( 38 )

Representa la funcin de densidad y observa que f (2) =

Calcula P(0 < X < 1)

3
2

Media de una v.a.

X discreta: E[X ] =

X
i=1

xi pi siempre que

X
i=1

|xi |pi < (la

serie sea absolutamente convergente).

R
X continua: E[X ] = xf (x)dx siempre que
R
|x|f (x)dx <

Ejemplo discreta
Calcula la media de la v.a. discreta anterior (con soporte finito).

Ejemplo de clculo de media de v.a. discreta con soporte

infinito numerable
P(X = 2n1 ) =

1
2n

; n = 1, 2, . . .

Comprueba que es una distribucin de probabilidad y que no

tiene media.
E[X ] =

n1

X1
1
=
=
2n
2
i=1

Ejemplo continua, distribucin uniforme

f (x) =
E[X ] =

a+b
2

1
ba

sia < x < b,

en el resto.

Propiedades de la media

1. E[k ] = k siendo k R

2. E[X + k ] = E[X ] + k
3. E[kX ] = kE[X ]

4. h transformacin
(P continua
h(xi )pi
X discreta,
E[h(X )] = R
h(x)f (x)dx X continua.

Media y exmenes tipo test

Preguntas tipo test. Un examen tipo test con 4 respuestas por

pregunta dnde slo una de ellas es vlida (y no se penaliza el
no contestar ). Cunto debe restar cada pregunta mal
contestada para que el procedimiento sea justo (es decir, un
alumno que conteste al azar lleve en media 0 puntos)?
X : nota en la pregunta i
(
1
con probabilidad 14
X =
a con probabilidad 43
Entonces E[X ] =

1
4

a 34 = 0. Entonces a = 31 .

Si no restamos a por cada pregunta mal contestada, en

media el alumno llevara en un examen con 10 preguntas
2.5 sobre 10 (de media).

Con dos respuestas por pregunta la penalizacin debe de

ser -1, y con 3 respuestas por pregunta la penalizacin
debe de ser 12 . Comprueba que con n respuestas por
1
. Obviamente esto
pregunta la penalizacin es de n1
responde al hecho de que a ms respuestas por pregunta
ms difcil es acertar y la penalizacin por equivocarnos
debe de ser menor.

Varianza y desviacin tpica

X discreta: Var [X ] =

X
i=1

(xi )2 pi

X continua: Var [X ] = (x )2 f (x)dx

Desviacin tpica: = 2
I

P ROPIEDADES DE LA VARIANZA:
1. Var [k ] = 0
2. Var [X + k ] = Var (X )
3. Var [kX ] = k 2 Var (X )
4. Var [X ] = E[X 2 ] 2

Ejemplo

Ejemplo v.a. discreta: E[X ] = 0.5 + 0.5 = 1

Var [X ] = 0.5 + 1 12 = 0.5

Experimento o proceso de Bernoulli:

1. Dos categoras (defectuoso frente a no defectuoso)
2. La proporcin de elementos defectuosos es constante (los
elementos se reemplazan una vez observados).
Llamaremos p a la probabilidad de defectuoso y q = 1 p
a la de aceptable.
3. Las observaciones son independientes.

Distribucin Bernoulli Be(p)

Ejemplo: elegir un individuo y mirar si tiene una caracterstica

determinada
Sea p la probabilidad de que tenga la caracterstica
P(X = 0) = 1 p = q, P(X = 1) = p
Masa de probabilidad
P(X = x) = px q 1x
x = 0, 1

Media
p

Varianza
pq

Observaciones
Be(p) = Bi(1, p)

La mxima variabilidad se obtiene con p = 0.5

Comprueba que las frmulas de la media y varianza son
correctas para el proceso Bernoulli.

Modelo Binomial

X mide el nmero de defectuosos (xitos) en n pruebas o

experimentos de Bernoulli independientes.

La distribucin es simtrica si p = 0.5

Masa de probabilidad


P(X = x) = xn px q nx

Media
np

Varianza
npq

Ejercicio

Calcula la probabilidad de que en una familia de 7 hijos, 5 sean

varones y 2 hembras.

X : nmero de varones en familias de 7 hijos Bi(7, 0.5)

Nos piden P(X = 5) =

Nota:

n
x

n!
x!(nx)!

7
5

0.55 0.52 = 0.164

Clculo de esperanzas y distribucin Binomial

Se elige un nmero del 1 al 6, y se lanza un dado tres veces

seguidas:
I

Si el nmero elegido sale en las tres tiradas, el apostante

gana 3 euros.

Si el nmero sale en slo dos tiradas, 2 euros.

Si el nmero sale slo en una tirada, 1 euros.

Si en las tres tiradas salen nmeros distintos del elegido,

el jugador pierde 1 euro.

Ejemplo binomial
Sea X el nmero de xitos en 3 tiradas. X Bi(3, 16 )


P(X = 0) = 30 ( 16 )0 ( 65 )3 = 0,5787


P(X = 1) = 31 ( 16 )1 ( 65 )2 = 0,3472


P(X = 2) = 32 ( 16 )2 ( 65 )1 = 0,0694


P(X = 3) = 33 ( 16 )3 ( 65 )0 = 0,00463

3
si X = 3

2
si X = 2
Y = ganancia =

1
si X = 1

1 si X = 0
E[Y ] = 3P(X = 3) + 2P(X = 2) + P(X = 1) P(X = 0)
17
= 3 = 0,0787
6

Ejercicio Excel

Programa una hoja de clculo en Excel con las

distribuciones binomiales Bi(10, p) con p variando de 0.1 a
0.9

Representa los diagramas de barras

Observa la simetra si p = 0.5 y el efecto espejo (por

ejemplo con p = 0.2 y p = 0.8)

Funcin Excel
=DISTR.BINOM(A2;n;p;0)

El primer argumento (A2) es el soporte de la variable

n y p son los parmetros del modelo.

Si en el ltimo argumento escribimos 0, obtenemos la

masa de probabilidad, si ponemos 1, obtenemos la funcin
de distribucin.

Multinomial

Representa una generalizacin de la binomial en la que en

lugar de dos posibles resultados en cada ensayo o prueba hay
k.

Supongamos la realizacin de n pruebas independientes de un

experimento aleatorio con k posibles resultados
(A1 , A2 , . . . , Ak ), siendo
P(A1 ) = p1 , P(A2 ) = p2 , . . . , P(Ak ) = pk
y con

k
X
i=1

pi = 1.

Multinomial

Consideremos la variable Xi que mida el nmero de veces que

ocurre el suceso Ai en las n pruebas, y el vector aleatorio
X = (X1 , X2 , . . . , Xk ). Diremos que X M(n; p1 , . . . , pk )
k

Y
n!
P(X = (x1 , . . . , xk )) =
pi x i
x1 !x2 ! . . . xk !
i=1

siendo 0 xi n para todo i y

k
X
i=1

Es fcil observar que Xi Bi(n, pi )

xi = n

Ejemplo multinomial

Despus de un vertido txico en un parque natural se clasifica

a las aves segn la gravedad de las lesiones sufridas: leve
(A1 ), media (A2 ) o grave (A3 ) y se conoce que las
probabilidades de los correspondientes sucesos son
p1 = P (A1 ) = 0.7, p2 = P (A2 ) = 0.2 y p3 = P (A3 ) = 0.1.
1. Calcula la probabilidad de que entre las pximas tres aves
elegidas haya exactamente una con un defecto grave.
2. En una muestra de 7 aves se obtienen 5 con lesiones
leves, cul es la probabilidad de que en dicha muestra
haya una ave con lesin grave?

Hipergeomtrica

Se utiliza cuando el muestreo se realiza SIN reemplazamiento.

I

N: nmero de elementos que pueden ser elegidos

(poblacin)

n: tamao de la muestra que elegimos

D: nmero de elementos en la poblacin que tienen la

caracterstica
D
X H(N, n, p = )
N
X : nmero de xitos (individuos con la caracterstica) entre n
individuos que se eligen (sin reemplazamiento) de una
poblacin de tamao N
I

Hipergeomtrica

Masa de probabilidad
(D)(ND)
P(X = x) = x Nnx
(n)
max{0, n N + D} x min{D, n}

Media

Varianza

np

npq Nn
N1

Aproximacin por la binomial: Bi(n, p) si n

1
10 N

y N 50

Ejemplo

Cinco ejemplares de una poblacin animal considerados en va

de extincin en cierta regin han sido atrapados, marcados y
puestos en libertad nuevamente. Despus de unos das se
atrapa una nueva muestra, sin reemplazamiento, de 7 de estos
animales.
1. Cul es la probabilidad de que haya ms de cuatro
animales marcados, si hay 25 animales de este tipo en la
regin?
2. Cul es la probabilidad de que haya a lo sumo un animal
marcado, si hay 100 animales de este tipo en la regin?

Distribucin Poisson

X P()
X mide el nmero de sucesos (xitos) en un intervalo
(temporal o espacial) de longitud fija.

Si representa el nmero medio de sucesos en el intervalo

(0, 1), t representa el nmero medio de sucesos en el
intervalo (0, t).
Masa de probabilidad
x
P(X = x) = e x!
x = 0, 1, . . .

Media

Varianza

1. El proceso de Poisson es estable, es decir, produce a

largo plazo, un nmero medio de sucesos constante por
unidad de observacin (tiempo, espacio, rea, ...)
2. Los sucesos aparecen de forma independiente.
3. Este suceso es una generalizacin a un soporte continuo
del proceso de Bernoulli.

Ejemplo

Se supone que el nmero de bacterias por mm3 de agua en un

estanque es una variable aleatoria X con distribucin de
Poisson de parmetro = 0.5.
1. Cul es la probabilidad de que en un mm3 de agua del
estanque no haya ninguna bacteria?
2. En 40 tubos de ensayo se toman muestras de agua del
estanque (1 mm3 de agua en cada tubo). Qu
distribucin sigue la variable Y = nmero de tubos de
ensayo, entre los 40, que no contienen bacterias. Calcula,
aproximadamente, P(Y 20).

3. Si sabemos que en un tubo hay bacterias, Cul es la

probabilidad de que haya menos de tres?

Distribucin Normal

N(, )
I

Medidas fsicas (longitudes, pesos,...)

Errores aparatos de medida

Funcin de densidad
f (x) =

1 e
2 2

x R

(x)2

2 2

Media

Varianza

0.0

0.1

0.2

0.3

0.4

Densidades de N(0; 1);N(2; 1);N(4; 1)

-4

-2

2
x

0.0

0.1

0.2

0.3

0.4

Densidades de N(0; 1);N(2; 1.5);N(4; 2)

-4

-2

2
x

Normal y tipificacin

Propiedades: es simtrica respecto a dnde alcanza el

mximo y en + y tiene puntos de inflexin.

I
I

Y
N(0, 1)
b
b
) = FZ ( )

Sea Y N(, ), entonces Z =

P(a Y b) = P( a
Z

TABLAS

FZ ( a
)

Tabla normal
Distribucin de la Normal Estndar Z N(0, 1).

P(Z z ) =

x2
1
e 2 dx =
2

P( Z z )=

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

0,00
0,5000
0,4602
0,4207
0,3821
0,3446
0,3085
0,2743
0,2420
0,2119
0,1841
0,1587
0,1357
0,1151
0,0968
0,0808
0,0668
0,0548
0,0446
0,0359
0,0287
0,0228
0,0179
0,0139
0,0107
0,0082
0,0062

0,01
0,4960
0,4562
0,4168
0,3783
0,3409
0,3050
0,2709
0,2389
0,2090
0,1814
0,1562
0,1335
0,1131
0,0951
0,0793
0,0655
0,0537
0,0436
0,0351
0,0281
0,0222
0,0174
0,0136
0,0104
0,0080
0,0060

0,02
0,4920
0,4522
0,4129
0,3745
0,3372
0,3015
0,2676
0,2358
0,2061
0,1788
0,1539
0,1314
0,1112
0,0934
0,0778
0,0643
0,0526
0,0427
0,0344
0,0274
0,0217
0,0170
0,0132
0,0102
0,0078
0,0059

0,03
0,4880
0,4483
0,4090
0,3707
0,3336
0,2981
0,2643
0,2327
0,2033
0,1762
0,1515
0,1292
0,1093
0,0918
0,0764
0,0630
0,0516
0,0418
0,0336
0,0268
0,0212
0,0166
0,0129
0,0099
0,0075
0,0057

0,04
0,4840
0,4443
0,4052
0,3669
0,3300
0,2946
0,2611
0,2296
0,2005
0,1736
0,1492
0,1271
0,1075
0,0901
0,0749
0,0618
0,0505
0,0409
0,0329
0,0262
0,0207
0,0162
0,0125
0,0096
0,0073
0,0055

0,05
0,4801
0,4404
0,4013
0,3632
0,3264
0,2912
0,2578
0,2266
0,1977
0,1711
0,1469
0,1251
0,1056
0,0885
0,0735
0,0606
0,0495
0,0401
0,0322
0,0256
0,0202
0,0158
0,0122
0,0094
0,0071
0,0054

0,06
0,4761
0,4364
0,3974
0,3594
0,3228
0,2877
0,2546
0,2236
0,1949
0,1685
0,1446
0,1230
0,1038
0,0869
0,0721
0,0594
0,0485
0,0392
0,0314
0,0250
0,0197
0,0154
0,0119
0,0091
0,0069
0,0052

0,07
0,4721
0,4325
0,3936
0,3557
0,3192
0,2843
0,2514
0,2206
0,1922
0,1660
0,1423
0,1210
0,1020
0,0853
0,0708
0,0582
0,0475
0,0384
0,0307
0,0244
0,0192
0,0150
0,0116
0,0089
0,0068
0,0051

0,08
0,4681
0,4286
0,3897
0,3520
0,3156
0,2810
0,2483
0,2177
0,1894
0,1635
0,1401
0,1190
0,1003
0,0838
0,0694
0,0571
0,0465
0,0375
0,0301
0,0239
0,0188
0,0146
0,0113
0,0087
0,0066
0,0049

0,09
0,4641
0,4247
0,3859
0,3483
0,3121
0,2776
0,2451
0,2148
0,1867
0,1611
0,1379
0,1170
0,0985
0,0823
0,0681
0,0559
0,0455
0,0367
0,0294
0,0233
0,0183
0,0143
0,0110
0,0084
0,0064
0,0048

Manejo tablas Normal

Si Z N(0, 1), calcula:

I
I
I
I
I
I
I

P(Z 1.5)
P(Z 1.5)

P(Z 1.6);

P(1.3 < Z 0.2)

El valor a tal que: P(0 < Z < a) = 0.2881

El valor a tal que: P(Z a) = 0.7422
El valor a tal que: P(Z a) = 0.9

Aproximaciones binomial-normal y poisson-normal

I
I

Bi(n, p) N(np, npq) si n > 30

p
P() N(, () si > 10

Teorema Central del Lmite

Cuando los resultados de un experimento son debidos a un
conjunto muy grande de causas independientes que actan
sumando sus efectos siendo cada efecto individual de poca
importancia respecto al conjunto, es esperable que los
resultados sigan una distribucin normal.

Sean X1 , X2 , . . . , Xn v.a. (con cualquier distribucin)

independientes con media y varianza finitas, entonces
n
X
i=1

Xi

n
X

i=1
v
uX
n
u
t
i2
i=1

i
N(0, 1)

Teorema Central del Lmite

Si adems las variables Xi estn idnticamente distribuidas
entonces
n
X
i=1

Xi n

N(0, 1)

Dividiendo por n tenemos,

n
X

Xi

i=1
n

n N(0, 1)

x N(, )
n

El teorema central del lmite nos permite por tanto calcular

probabilidades aproximadas de sumas y medias de v.a. sin
necesidad de conocer la correspondiente distribucin,
suponiendo que el tamao muestral es suficientemente grande
(habitualmente consideramos n = 30).
Establece las diferencias oportunas entre los siguientes
ejercicios.
I

En un ascensor caben aproximadamente 30 personas. Se

sabe que el peso es una v.a. N(62, 18). Si el lmite de
seguridad del ascensor es de 2000 Kg., calcula la
probabilidad de que con 30 personas se supere el lmite.

Una empresa de refrescos embotella su producto en

envases que contienen un volumen medio de 33 cl. con
desviacin tpica de 5 cl. Si los envases se empaquetan en
cajas de 6 unidades, calcula la probabilidad de que con 10
cajas se superen los 2000 cl. de dicho refresco.

Modelo lognormal

Se denomina distribucin lognormal a la distribucin de una

variable cuyo logaritmo se distribuye normalmente.
I

Si X = lnY N(, ) entonces Y LN(, )

Es til para modelar distribuciones asimtricas, poblaciones,...

Modelo exponencial

X Exp()
Sirve para modelar el tiempo de vida de inviduos (debido a
causas impredecibles debidas al azar). La tasa de fallo es
constante.
Funcin de densidad
f (x) = ex
x 0

Media

Varianza

1
2

Los tiempos de vida se modelan con variables Weibull

Gamma, generalizaciones del modelo exponencial.

El tiempo de vida, X (en das) de una bacteria tiene la funcin

de densidad
 1 x
k
;x > 0
10 e
f (x) =
0
; en otro caso
donde k es una constante positiva. Calcula:
1. El valor de k .
2. La esperanza de vida de dicha bacteria.

Modelo chi-cuadrado
Sean X1 , X2 , . . . , Xn v.a. independientes N(0, 1)
2n

n
X

Xi2

i=1

A n se le denomina grados de libertad.

I

E[2n ] = n

Var [2n ] = 2n

Denotaremos por 2n, a la abscisa que deja a la derecha

un rea igual a
TABLAS:

I
I
I

215,0,025 = 27,488
P(219 > a) = 0,025 (a = 32,852)
P(37,652 < 225 < a) = 0,04 (a = 44,314)

Aproximacin (ver tablas)

Tabla chi-cuadrado
!"#$!%&'!() *+ ,- '.!/'&-*$-*0 X 2n 1
P(2n 2n, ) =

n\

8
9
:
;
5
<
7
6
4
82
88
89
8:
8;
85
8<
87
86
84
92
98
99
9:
9;
95
9<
97
96
94
:2

23445
!

"
! $
! &#
!# &
!"$#
!%&%
!*(*
$!'""
$!&')
#!$)%
#!% '
'! &"
'!)%)
"! &)
"!% $
)!$"#
)!%*&
%!#%)
%!(""
&!"'"
(! '"
(!%"'
*!#%
*!((%
$ !)#
$$!$%
$$!( (
$#!"%$
$'!$#$
$'!&(&

2344

! #
! #
!$$)
!#*&
!))"
!(&#
$!#'*
$!%"%
#! ((
#!))(
'! )'
'!)&$
"!$ &
"!%%
)!##*
)!($#
%!" (
&! $)
&!%''
(!#%
(!(*&
*!)"#
$ !$*%
$ !()%
$$!)#"
$#!$*(
$#!(&*
$'!)%)
$"!#)%
$"!*)'

2346

! $
! "
!$()
!"#*
!&)#
$!$'"
$!)%"
#! '#
#!)'#
'! )*
'!% *
"!$&(
"!&%)
)!'%(
)!*()
%!%$"
&!#))
&!* %
(!)%&
*!#'&
*!*$)
$ !%
$$!#*'
$$!**#
$#!%*&
$'!" *
$"!$#)
$"!("&
$)!)&"
$%!' %

2347

! $
! )$
!#$%
!"("
!('$
$!#'&
$!%*
#!$(
#!&
'!#"&
'!($%
"!" "
)! *
)!%#*
%!#%#
%!* (
&!)%"
(!#'$
(!* &
*!)*$
$ !#('
$ !*(#
$$!%(*
$#!" $
$'!$#
$'!(""
$"!)&'
$)!' (
$%! "&
$%!&*$

2345

! "
!$ '
!')#
!&$$
$!$")
$!%')
#!$%&
#!&''
'!'#)
'!*"
"!)&)
)!##%
)!(*#
%!)&$
&!#%$
&!*%#
(!%&#
*!'*
$ !$$&
$ !()$
$$!)*$
$#!''(
$'! *$
$'!("(
$"!%$$
$)!'&*
$%!$)$
$%!*#(
$&!& (
$(!"*'

2342

! $%
!#$$
!)("
$! %"
$!%$
#!# "
#!(''
'!"*
"!$%(
"!(%)
)!)&(
%!' "
&! "#
&!&*
(!)"&
*!'$#
$ ! ()
$ !(%)
$$!%)$
$#!""'
$'!#"
$"! "$
$"!("(
$)!%)*
$%!"&'
$&!#*#
$(!$$"
$(!*'*
$*!&%(
# !)**

2382

#!& %
"!% )
%!#)$
&!&&*
*!#'%
$ !%")
$#! $&
$'!'%#
$"!%("
$)!*(&
$&!#&)
$(!)"*
$*!($#
#$! %"
##!' &
#'!)"#
#"!&%*
#)!*(*
#&!# "
#(!"$#
#*!%$)
' !($'
'#! &
''!$*%
'"!'(#
')!)%'
'%!&"$
'&!*$%
'*! (&
" !#)%

2325

'!("$
)!**$
&!($)
*!"((
$$! &
$#!)*#
$"! %&
$)!) &
$%!*$*
$(!' &
$*!%&)
#$! #%
##!'%#
#'!%()
#"!**%
#%!#*%
#&!)(&
#(!(%*
' !$""
'$!"$
'#!%&$
''!*#"
')!$&#
'%!"$)
'&!%)#
'(!(()
" !$$'
"$!''&
"#!))&
"'!&&'

23295

)! #"
&!'&(
*!'"(
$$!$"'
$#!(''
$"!""*
$%! $'
$&!)')
$*! #'
# !"('
#$!*#
#'!''&
#"!&'%
#%!$$*
#&!"((
#(!(")
' !$*$
'$!)#%
'#!()#
'"!$&
')!"&*
'%!&($
'(! &%
'*!'%"
" !%"%
"$!*#'
"'!$*)
""!"%$
")!&##
"%!*&*

2329

)!"$#
&!(#"
*!('&
$$!%%(
$'!'((
$)! ''
$%!%##
$(!$%(
$*!%&*
#$!$%$
##!%$(
#"! )"
#)!"&#
#%!(&'
#(!#)*
#*!%''
' !**)
'#!'"%
''!%(&
')! #
'%!'"'
'&!%)*
'(!*%(
" !#&
"$!)%%
"#!()%
""!$"
")!"$*
"%!%*'
"&!*%#

2328

%!%')
*!#$
$$!'")
$'!#&&
$)! (%
$%!($#
$(!"&)
# ! *
#$!%%%
#'!# *
#"!&#)
#%!#$&
#&!%((
#*!$"$
' !)&(
'#!
''!" *
'"!( )
'%!$*$
'&!)%%
'(!*'#
" !#(*
"$!%'(
"#!*(
""!'$"
")!%"#
"%!*%'
"(!#&(
"*!)((
) !(*#

Distribucin T de Student

Sean X , X1 , X2 , . . . , Xn v.a. independientes N(0, 1)

X
Tn = q

2n
n

A n se le denomina grados de libertad.

I
I
I
I

E[Tn ] = 0(n > 1), Var [Tn ] =

q
n
n > 30, Tn N(0, n2
)

n
n2 (n

> 2)

Tiene ms dispersin que la normal y menos curtosis

Denotaremos por tn, al valor de la abscisa que deja a la
derecha un rea igual a

Tabla T de Student

t14,0,025 = 2,145

P(T7 < 2,365) = 0,975

P(T24 > 1,318) = 0,10

P(1,356 < T12 < 2,179) = 0,875

P(T17 > 2,567) = 0,99

I
I

P(a < T24 < a) = 0,90, a = 1,711

P(a < T23 < 2,807) = 0,095, a = 1,319

Tabla T de Student
!"#$!%&'!() *+ ,- # *+ .#&*+)# X tn /
P(tn tn, ) =

n\

5
4
3
2
6
7
8
9
:
50
55
54
53
52
56
57
58
59
5:
40
45
44
43
42
46
47
48
49
4:
30
20
60
70
90
500

0120 0130 0140 0150 0106 01046

!"#$
!#(*
!#%%
!#%&
!#'%
!#'$
!#'"
!#'#
!#'&
!#'
!#'
!#$*
!#$*
!#$(
!#$(
!#$(
!#$%
!#$%
!#$%
!#$%
!#$%
!#$'
!#$'
!#$'
!#$'
!#$'
!#$'
!#$'
!#$'
!#$'
!#$$
!#$$
!#$)
!#$)
!#$)

!%#%
!'&%
!$()
!$'*
!$$*
!$$"
!$)*
!$)'
!$)"
!$)#
!$)
!$"*
!$"(
!$"%
!$"'
!$"$
!$")
!$")
!$""
!$""
!$"#
!$"#
!$"#
!$"&
!$"&
!$"&
!$"&
!$"
!$"
!$"
!$#*
!$#(
!$#%
!$#'
!$#'

&!"%'
&! '&
!*%(
!*)&
!*#
!* '
!(*'
!((*
!(("
!(%*
!(%'
!(%"
!(%
!('(
!(''
!('$
!('"
!('#
!('&
!('
!($*
!($(
!($(
!($%
!($'
!($'
!($$
!($$
!($)
!($)
!($&
!()*
!()(
!()'
!()$

"! %(
&!(('
&!'"(
&!$""
&!)%'
&!))
&!)&$
&!"*%
&!"("
&!"%#
&!"'"
&!"$'
&!"$
&!")$
&!")&
&!""%
&!"""
&!""
&!"#(
&!"#$
&!"#"
&!"#&
&!"&*
&!"&(
&!"&'
&!"&$
&!"&)
&!"&"
&!"&&
&!"&
&!" "
&!#**
&!#*'
&!#*#
&!#*

'!"&)
#!*#
#!"$"
#!&"#
#! &$
&!*)"
&!(*$
&!('
&!(""
&!(&#
&!%*'
&!%(#
&!%%&
&!%'&
&!%$"
&!%)'
&!%)
&!%")
&!%#*
&!%#$
&!%#&
&!%&%
&!%&)
&!%&&
&!% (
&!% '
&!% "
&!% &
&!'**
&!'*%
&!'()
&!'%'
&!'%&
&!'')
&!''

&#!% '
)!" "
"!&(#
#!%%'
#!$%&
#!))%
#!"'$
#!" '
#!#'#
#!##(
#!# &
#!&%*
#!&'
#!&)$
#!&"&
#!&#
#!&&
#!& &
#! *"
#! ('
#! (
#! %)
#! '*
#! ')
#! '
#! $'
#! $#
#! )(
#! )$
#! )#
#! #&
#! *
#!
&!**
&!*()

0105

"&!(#&
'!*'$
)!$)&
"!%)%
"!"'$
"!&)"
#!**(
#!(*'
#!(#&
#!%')
#!%&(
#!'(&
#!'$
#!'#)
#!' #
#!$("
#!$'%
#!$$#
#!$"*
#!$#(
#!$&(
#!$ (
#!$
#!)*#
#!)($
#!)%*
#!)%"
#!)'%
#!)'#
#!)$%
#!)#"
#!) "
#!"*
#!"%)
#!"')

01006

'"!'$%
*!*#$
$!()&
)!' )
)! "#
"!% %
"!)**
"!"$$
"!#$
"!&'*
"!& '
"! $$
"! &#
#!*%%
#!*)%
#!*#&
#!(*(
#!(%(
#!('&
#!()$
#!("&
#!(&*
#!( %
#!%*%
#!%(%
#!%%*
#!%%&
#!%'"
#!%$'
#!%$
#!% )
#!'%(
#!''
#!'"*
#!'#'

01005

"&(!" *
##!"#%
& !#&$
%!&%"
$!(*"
$!# (
)!%($
)!$ &
)!#*%
)!&))
)! #$
"!*"
"!($#
"!%(%
"!%""
"!'('
"!')'
"!'&
"!$%*
"!$$#
"!$#%
"!$ $
"!)($
"!)'%
"!)$
"!)"$
"!)#&
"!) (
"!"*'
"!"($
"!" %
"!#'&
"!#"#
"!&*$
"!&%)

010006

'"'!'&*
"&!$**
&#!*#)
(!'&
'!('*
$!*$*
$!) (
$! )&
)!%(&
)!$(%
)!)"%
)!"&(
)!##&
)!&)
)! %"
)! &$
"!*'$
"!*##
"!(("
"!($
"!(&*
"!%*#
"!%'(
"!%)$
"!%#$
"!% %
"!'*
"!'%)
"!'$*
"!')'
"!$$&
"!)*'
"!)'
"!)&'
"!"*

Distribucin F de Fisher-Snedecor

X 2n e Y 2m independientes,
Fn,m =

2n
n
2m
m

Las distribuciones 2 , T y F se utilizan, fundamentalmente, en

los temas de inferencia.

Clculo de probabilidades con Excel

Si X es discreta:
P(X = a) = DISTR.VARIABLE(a; parametros; 0)
I

I
I

P(a < X b) = F (b) F (a) =

DISTR.VARIABLE(b; parametros; 1)
DISTR.VARIABLE(a; parametros; 1)
P(a X b) = P(a < X b) + P(X = a)
Idem con el resto

Si X es continua:
P(a < X b) = P(a X b) = P(a < X < b) = P(a
X < b) = DISTR.VARIABLE(b; parametros; 1)
DISTR.VARIABLE(a; parametros; 1)

VARIABLE y parametros deben ser sustituidos por los valores

correspondientes