Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad
FORMULARIO
07/Diciembre/2020
Tratamiento de Datos
Medidas descriptivas
a) Centralidad: son medidas con las mismas unidades de medición que los datos
originales y proveen información acerca de la magnitud de los datos
1) Media
2) Mediana
3) Moda
4) Rango medio
b) Dispersión: proporcionan información acerca de qué tan parecidos o diferentes sin
los datos entre si
1) Varianza
2) Desviación estándar
3) Aproximación de la desviación estándar a través del rango
1) Media
Es el promedio aritmético de un conjunto de datos
N
xi
Poblacional: μ=∑ ; N es el tamaño de la población
i=1 N
n
xi
Muestral: x=∑ ; n es el tamaño de la población
i=1 n
2) Mediana
Es un numero tal que la mitad de los datos son mayores y la otra mitad son menores
a) Ordenar de forma ascendente los datos
Poblacional ~
μ b) Si el número de datos es impar, entonces
4) Rango medio
Es el promedio del rango, es decir, el promedio de los datos extremos
Poblacional: R
X min + X max
2
Muestral: r
1) Varianza
Es el promedio aritmético de las desviaciones cuadradas
Poblacional:
∑ (x i−μ)2
σ 2= i =1
N
n n
Muestral:
∑ (x i−x)2 ;
∑ (xi −x)2
σ^ 2= i =1 s2= i=1
n n−1
2) Desviación estándar
Es la raíz cuadrada de la varianza
√
N
Poblacional: ∑ (x i−μ)2
i=1
σ=
N
√ √
n n
Muestral: ∑ (x i−x) 2
; ∑ ( xi −x)2
σ^ = i=1
s= i=1
n n−1
rango r
Muestral: =
4 4
Tabla de frecuencias
Una tabla de frecuencias debe cumplir con ciertas características:
1) Unicidad: cada dato pertenece únicamente a un intervalo de clase
2) Completes: todos los datos están incluidos en los intervalos, es decir, ningún dato
se queda a fuera
3) Numero de intervalos de clase: se puede calcular usando la regla de Starges
c=1+3.3 log 10 n
Donde c es el número de intervalos de clase y n es el número de datos
4) Amplitud de cada intervalo: está dada por
rango X max −X min
A= =
c 4
Uniformidad: todos los intervalos deben ser del mismo tamaño.
5) Varianza:
∑ fimi2−N x 2
σ 2= i =1
N
∑ fimi2−n x 2
s2= i=1
n−1
6) Desviación estándar: solo sacando la raíz cuadrada a la varianza.
7) Expansión de la desviación estándar: solo sacando el rango con las marcas de
clase.
Coeficiente de variación
Es un indicador de la dispersión presente en un conjunto de datos, con respecto
a la media y medido en porcentajes:
σ
Cv= ∗100 %
μ
Probabilidad
Definición 2.1
La probabilidad es la posibilidad de ocurrencia de un evento aleatorio, es decir,
eventos que tienen varios posibles resultados y no se tiene la certeza de cuál de
ellos ocurrirá
Definición 2.2
El espacio muestral es el conjunto formado por todos los posibles resultados de un
experimento
Teorema 2.1
Si A es un evento en un espacio muestral discreto S , entonces P( A) es igual a la
suma de las probabilidades de los resultados individuales que abarcan A
Definición 2.3
Es un proceso mediante el cual se pueden obtener datos. Pueden ser controlados
y no controlados
1) Evento simple: es un resultado individual de un experimento
2) Evento compuesto: está formado por varios posibles resultados de un
experimento y se puede descomponer en eventos simples
Teorema 2.2
Si un experimento puede resultar en cualquiera de N resultados diferentes
igualmente probable, y si n de estos resultados juntos constituyen el evento A ,
n
entonces la probabilidad el evento A es P ( A )=
N
Axiomas
1) La probabilidad de un evento es un número real no negativo; esto es
P ( A ) ≥0 para cualquier subconjunto de A de S
2) P { S }=1
3) Si A1 , A 2 , A3 , … es una secuencia finita o infinita de eventos mutuamente
excluyentes de S, entonces P ( A 1 ∪ A 2 ∪ A 3 ∪ … )=P ( A1 ) + P ( A2 ) + P ( A3 ) + …
Definición 2.4
Método puntos muéstrales para el cálculo de probabilidades
1) Definir el experimento
2) Establecer el espacio muestral S
3) Asignar convenientemente una probabilidad a cada punto muestral de P(E i)
que cumplan con los axiomas 1 ¿ y 2 ¿
4) Definir el evento de interés A y expresar en términos de los puntos
muestrales
5) Utilizar el axioma 3 ¿ para calcular P( A)
Teorema 2.3
Si A y A ' son eventos complementarios en un espacio muestral S, entonces
P ( A ' )=1−P( A)
Teorema 2.4
P ( ∅ )=0 Para cualquier espacio muestral S
Teorema 2.5
Si A y Bson eventos en un espacio muestral S y A ⊂ B ,entonces P( A)≤ P(B)
Teorema 2.6
0 ≤ P ( A ) ≤ 1 Para cualquier evento de A
Teorema 2.7
Si A y Bson eventos en un espacio muestral S, entonces
P ( A ∪ B )=P ( A ) + P ( B ) −P( A ∩ B)
Definición 2.5
Una permutación es un arreglo de objetos en el cual importa el orden en el que se
presentan
n n n!
Pr =P ( n , r ) ; Pr =
( n−r ) !
Definición 2.6
Una combinación es un arreglo de objetos en el cual no importa el orden en el que
se presentan
n n n!
C r =C ( n , r ) ; C r =
r ! ( n−r ) !
Definición 2.5
Si A y Bson dos eventos cualesquiera en un espacio muestral S y P( A)≠ ∅ , la
P( A ∩ B)
probabilidad condicional de B dado A es P ( B| A )=
P (A )
Definición 2.6
Se dice que dos eventos A y B son independientes si y solo si
P ( A ∩B )=P( A)∙ P(B)
Leyes de probabilidad
1) Ley multiplicativa;
P ( A ∩B )=P ( A|B ) ∙ P ( B )=P( B∨ A)∙ P (A )
Observación
. Si A y B son independientes, entonces P ( A ∩B )=P( A)∙ P(B)
2) Ley aditiva:
P ( A ∪ B )=P ( A ) + P ( B ) −P( A ∩ B)
Observación
Si A y B son mutuamente excluyentes entonces P ( A ∪ B )=P ( A ) + P ( B )
3) Ley del complemento:
P ( A ' )=1−P ( A ) ó P ( A )=1−P (A ')
Observación
1=P ( S ) =P ( A ∪ A ' ) =P ( A ) + P ( A ' )
4) Ley de la relación:
Si A ⊂ B→ P( A)≤ P(B)
Teorema de Bayes
Supóngase que S=B1 ∪ B 2 ∪ B3 ∪ … ∪ B k donde P ( B i ) >0para toda i y además
Bi ∩ B j=0
P( A∨Bi) ∙ P (B i)
P ( B i| A )= k
∑ P( A∨B j )∙ P( B j)
j=1
dominio
Definición 3.3
Si X es una variable aleatoria discreta, la función dada por
F ( x )=P ( X ≤ x )=∑ f (t) para−∞< x <+ ∞
t≤x
Donde f (t) es el valor de la distribución de probabilidad de X en t, es llamada
función de distribución, o la distribución acumulativa, de X .
Teorema 3.2
Los valores de F (x) de la función de distribución de una variable aleatoria discreta
S satisface las siguientes condiciones
1) F (−∞ )=0 y F ( +∞ )=1;
2) Si a< b ,entonces F ( a ) ≤ F ( b ) para cualesquier números reales a y b
Teorema 3.3
Si el intervalo de la variable aleatoria X consta de los valores x 1 ¿ x 2 < x 3< …< x n ,
entonces f ( x 1 ) =F (x 1 ) y f ( x i ) =F ( x i )−F (x i−1) para i=2 , 3 , 4 , … , n
Definición 3.4
Una función con valores f ( x ) , definida sobre el conjunto de todos los números
reales, se llama una función de densidad de probabilidad de la variable aleatoria
continua X sí y sólo si
b
P ( a ≤ x ≤ b )=∫ f ( x ) dx
a
Teorema 3.5
Una función puede servir como una densidad de probabilidad de una variable
aleatoria continua X si sus valores, f (x) satisfacen las condiciones:
1) f ( x ) ≥ 0 para −∞ < x <+∞ ;
+∞
2) ∫ f ( x ) dx=1
−∞
Definición 3.5
Si X es una variable aleatoria continua y el valor de su densidad de probabilidad
en t es f ( t ) , entonces la función dada por:
x
F ( x )=P ( X ≤ x )=∫ f ( t ) dt para−∞ < x <+ ∞
−∞
Se llama función de distribución, o la distribución acumulativa, de X
Teorema 3.6
Si f (x) y F (x) son los valores de la densidad de probabilidad y la función de
distribución de X en x , entonces P ( a ≤ x ≤ b )=F ( b )−F (a)
Definición 3.6
Si X y Y son variables aleatorias discretas, la función dada para
f ( x , y )=P ( X=x , Y = y ) para cada par de valores (x , y ) se llama distribución de
probabilidad conjunta de X y Y
Teorema 3.7
Una función bi-variada puede servir como la distribución de probabilidad conjunta
de un par de variables aleatorias discretas X y Y si y sólo si sus valores f (x , y )
satisfacen las condiciones:
1) f ( x , y ) ≥ 0 para cada par de valores de (x , y ) dentro de su dominio
2) ∫ ∫ f ( x , y ) dxdy =1
−∞ −∞
Definición 3.9
Si X y Y son variables aleatorias continuas, la función dada por
y x
F ( x , y )=P ( X ≤ x ,Y ≤ y )= ∫ ∫ f ( s , t ) dsdt
−∞ −∞
g ( x )=∑ f ( x , y )
y
{
∑ g ( x)f (x) →discreta
E [ g ( x ) ]= ∀x
1. ❑
∫ xf ( x ) dx → continua
∀x
( )
n n
5. E ∑ ai x i =∑ ai E(x i)
i=1 i=1
(∑ ) ∑
n n
6. E c i gi (x ) = c i E (gi (x))
i=1 i=1
Teorema 4.1
Si x y y son variables aleatorias discretas y f (x , y ) es el valor de su distribución de
probabilidad conjunta en (x , y ), el valor esperado de la variable aleatoria g(x , y)
esta dado por
E [ g ( x , y ) ] =∑ ∑ g ( x , y ) f (x , y )→discreta
∀x ∀y
μ'r =E ( x r )=∫ x r f ( x ) dx
Por otro lado, el r-ésimo momento con respecto a la media de una variable
aleatoria x , denotada por μr , está dada por
∑ ( x −μ )r f ( x ) , si x es discreta
∀x
μr =E [ ( x−μ )r ]=¿
❑
∫ ( x−μ )r f ( x ) dx , si x es continua
∀x
Observación
'
μ=μ r=E ( x ) es la media de la variable aleatoria x
2
σ =μ2=E ¿
2
σ x =Var ( x )=V (x )
μ3=sesgo
Teorema 4.2
2 ' 2
σ =μ2−μ
σ 2=E ( x 2 )−[E ( x ) ]
2
Teorema 4.3
Si σ 2 es la varianza de la variable aleatoria X , entonces V ( ax +b )=a2 σ 2
Corolario
Propiedades de la varianza
1) V ( ax )=a2 V ( x )
2) V ( b ) =0
3) V [ Σ x i ] ≠ ΣV ( x i )
4) V [ Σ x i ]=Σ V (x ¿¿ i) ↔las v . a . X 1 , X 2 , … , X n sonindependientes ¿
Teorema de Chebyshev
Si μ y σ representan la media y la desviación estándar de la variable aleatoria X
entonces, para una constante positiva k , se tiene que
1
P (|x−μ|≤ kσ )> 1− 2
k
Funciones generatrices de momentos
La función generatriz de momentos de la variable aleatoria X , esta dada por
∑ ⅇtx f ( x ) , si x es discreta
∀x
∫ ⅇtx f ( x ) dx , si x es continua
∀x
Teorema 4.4
ⅆr M x ( t )
ⅆ tr |
t=0
'
=μ r →el r −esimo momentocentral
OBS
El r-ésimo momento de la variable aleatoria x esta dado por
ⅆr M x ( t )
ⅆ tr |
t=0
r
=E(x )
Donde
'
E ( 1 )=μ 0
'
E ( x )=μ1
E ( x 2 )=μ'2
E ( x r ) =μ'r
( t )=E [ e
( )]=e ( ) E ( e )=e ( ) M t
x+ a a t a
(b)
t t ( x) t
b b b b
3) M x +a x
b
Definición 4.2
El r-ésimo y s-ésimo momento producto con respecto al origen de las variables
'
aleatorias X y Y , representado por μr ,s, es el valor esperado de x r y s y se obtiene
mediante
r s
∑ ∑ (x) ( y) f (x , y),
∀x ∀y si x , y discretas
' r s
μr . s=E [( x ) ( y ) ]=
❑ ❑ r s
∫ ∫ ( x ) ( y ) f ( x , y ) dxdy ,
∀x ∀y si x , y continuas
Definición 4.4
La covarianza entre las variables aleatorias X y Y mide la relación o asociación
entre los valores de X y Y . También denotada por σ xy
cov (x , y)=E[(x−μ x )( y−μ y )]
Observación
Si X → crece y Y → crece → cov ( x , y ) >0
Si X → crece y Y → decrece → cov ( x , y ) < 0
Teorema 4.5
'
cov ( x , y ) =E ( xy )−E ( x ) E ( y ) =μ 1 ,1−μ x μ y
Teorema 4.6
Si X y Y son independientes, entonces E ( xy )−E ( x ) E ( y )=¿ y cov ( x , y ) =0
Observación
Si X y Y son independientes → cov ( x , y )=0 pero no necesariamente al revés.
Teorema 4.7
En general, si se tienen X 1 , X 2 , … , X nvariables aleatorias independientes, entonces
E ( x 1 , x 2 ,… , x n )=E ( x1 ) E(x 2 )… E ( x¿ ¿ n)¿. Este teorema puede verse como que el
esperado de un producto es el producto de esperados, únicamente en el caso de
variables aleatorias independientes.
Momentos de una combinación de variables aleatorias
Teorema 4.8
Si X 1 , X 2 , … , X n son variables aleatorias y la variable aleatoria Y esta definida
n
como Y =a1 X 1+ a2 X 2 +…+ an X n=∑ ai X i que es una combinación lineal de las x con
i=1
a i=cte entonces
n n
E ( Y )=∑ ai E(X ¿ ¿i) y V ( Y )=∑ a2i V (X ¿¿ i)+2 ∑ ∑ ai a j cov ( X i X j ) con i< j ¿¿
i=1 i=1 i j
Definición 4.5
Si X es una variable aleatoria y f ( x| y ) es el valor de la distribución o densidad
condicional de X , dada Y = y , entonces, la esperanza condicional de X dada Y = y
esta dada por
∑ xf ( x|y ) si x , y son di scretas
∀x
μ( x|y )=E( x∨ y)
∑ g ( x ) f ( x| y ) si x , y son discretas
∀x
E ( g ( x )| y )=¿
[ ]
σ (x∨ y) =E ((x−μ ( y|x )) | y ) =E ( x | y ) −[ E ( x| y ) ]
2 2 2 2
()
f ( x )= n θ ( 1−θ ) ; x=0 , 1 ,2 , 3 , … , n
x
x n−x
() x
x
n−x( )
b ( x ; n ,θ )= n θ ( 1−θ ) = n θ ( 1−θ ) =b(n−x , n ,1−θ)
n−x x n− x
Por otro lado, si se tiene una variable aleatoria x tal que X B(nθ , nθ ( 1−θ )) , y
x
definimos la operación y= , entonces y es también una variable aleatoria, a la
n
que se le conoce como proporción de éxitos, de n repeticiones o ensayos.
E ( Y )=E ( nx )= 1n E ( x )= 1n nθ=θ
V ( Y )=V ( xn )= n1 V ( x )= n1 nθ ( 1−θ ) = θ ( 1−θ
2 2
n
)
→Y ( θ,
θ ( 1−θ )
n )
Distribución normal binomial negativa
Cuando un ensayo Bernoulli se repite un determinado número de veces se define
la variable aleatoria x como el número de experimento en el cual ocurre el k-ésimo
éxito. Entonces, θ sigue siendo la probabilidad de éxito y 1−θ la probabilidad de
fracaso en cada ensayo y pertenecen constantes. Diremos que X es una variable
aleatoria Binomial Negativa, en donde la probabilidad de que el k-ésimo éxito se
dé en el x-ésimo ensayo está dado por:
f ( x )= ( xk −1 )
−1 k x−k
θ ( 1−θ ) ; x=k , k +1 ,…
Notación X BN ( k k ( 1−θ )
θ
,
θ
2 )
Distribución geométrica
Cuando una binomial negativa k −1, entonces X sería el número de intentos hasta
obtener el 1er éxito, dando lugar a una nueva variable aleatoria X . Diremos
entonces que X es una variable aleatoria Geométrica si representa el número de
ensayos hasta obtener el primer éxito y su probabilidad está dada por
n− x
f ( x )=θ (1−θ ) ; x=0 , 1 ,2 , 3 , …
Parámetro: θ → probabilidad de éxito
Teorema 5.6
Si x es una variable aleatoria con distribución de probabilidad Geométrica,
entonces
1 1−θ
E ( x )= y V ( x )= 2
θ θ
Notación. X ( 1θ , 1−θ
θ )
2
Distribución Hipergeométrica
Cuando se está seleccionando una muestra de tamaño n de una población de un
total de N , y los N elementos están divididos en dos grupos: éxitos y fracasos,
donde se sabe que de los N hay k éxitos y N−k fracasos, definimos a la variable
aleatoria X como el número de éxitos en los n ensayos, pero donde cada ensayo
no es independiente del anterior, esto es, la probabilidad de éxito en cada ensayo
no permanece constante. Diremos entonces que X es una variable aleatoria
Hipergeométrica y su probabilidad está dada por:
f ( x )=
( n )( n−x )
k N−k
; x=0 , … , min (n .k )
(n)
N
E ( x )=
nk
N
y V ( x )=
N−n
N −1 ( )( nkN )(1− kn )
Notación: X H ( nk ( N−n ) ( nk ) ( N −k )
n
,
( N−1 ) N 2 )
Distribución hipergeométrica multivariada
Cuando se está seleccionando una muestra de tamaño n, de una población de
tamaño total N , y los N elementos están divididos en c grupos, con k 1 , k 2 , … , k c
elementos cada uno, respectivamente, se definen simultáneamente c variables
aleatorias de tal manera que la variable x 1, mide el número de elementos del grupo
1 que hay en la muestra de tamaño n; la variable x 2 mide el número de elementos
del grupo 2 en la muestra; x 3 mide el número de elementos del grupo 3, y así
sucesivamente. Diremos que las variables aleatorias x 1 , x 2 ,… , x c tienen una
distribución de probabilidad conjunta Hipergeométrica Multivariada, y su
probabilidad está dada por:
f ( x 1 , x 2 , … , xc ) =
( )( ) ( ) ; x =0 ,… , min (n , k )
k 1 k2
x1 x2
k
… c
xc
i i
( )
N
n
Donde
c c
∑ k i=N y ∑ xi =n
i=1 i=1
⋮
k c →Número de elementos del grupo c en la población
Notación: X HM x 1 , x 2 , … , x c
Distribución multinomial
Cuando se realiza un ensayo Bernoulli se tienen únicamente dos posibles
resultados: éxito o fracaso. Ensayos repetidos de una Bernoulli, se convierten en
una Binomial. Pero si en un experimento, existen k posibles resultados, cada uno
con distintas probabilidades, esto es, θ1 es la probabilidad de que se dé el 1er
resultado, θ2 es la probabilidad de que se presente el 2º resultado,…, θ k representa
la probabilidad de que se dé el k-ésimo resultado. Se definen simultáneamente k
variables aleatorias de tal manera que la variable x 1 mide el número de veces que
salió el 1er resultado de las n veces que se reipitió el experimento que tiene k
opciones posibles de resultado; la variable x 2 mide el número de veces que salió el
2º resultado de las n repeticiones; x 3 mide el número de veces del 3er resultado, y
así sucesivamente. Diremos que las variables aleatorias x 1 , x 2 ,… , x c tienen una
distribución de probabilidad conjunta Multinomial, y su probabilidad está dada por:
( x , x n, … , x )θ θ θ …θ ; x =0 , … , n
f ( x 1 , x 2 , … , xc ) =
1 2 c
x1
1
x2
2
x3
3
xk
k i
Donde
k k
∑ x i=n y ∑ θ i=1
i=1 i=1
⋮
θ k → Probabilidad del k-ésimo resultado
Notación: x 1 , x 2 ,… , x c MN
Distribución Poisson
Si X es una variable aleatoria que mide el número de resultados de un proceso
Poisson, es decir, mide el número de eventos que ocurren en un determinado
periodo o intervalo, entonces diremos que X es una variable aleatoria Poisson y su
probabilidad está dada por:
x −λ
( ) λ ⅇ
f x= ; x=0 , 1, 2 , …
x!
Parámetro: λ → número promedio de eventos por unidad (de tiempo, de región,
etc.)
Teorema 5.8
Si x es una variable aleatoria con distribución de probabilidad Poisson, entonces
E ( x )=λ y V ( x )=λ
Notación: X P ( λ , λ )
f ( x )= e 2σ
√2 π σ
Parámetros μ → media
2
σ → Varianza
σ → Desviación estándar
Teorema 6.1
Si X es una variable aleatoria normal, con densidad de probabilidad
2
−( x−μ)
1 2
f ( x )= e 2σ
√2 π σ
2
→ E ( x ) =μ y V ( x )=σ
Notación: X N ( μ , σ 2 )
Parámetros μ=nθ
2
σ =n θ(1−θ)
Criterio: si n θ y n ( 1−θ ) ≥ 5 → aproximación normal
Distribución uniforme continua
Si X es una variable aleatoria, se dice que tiene distribución densidad uniforme, si
su probabilidad está dada por:
1
f ( x )= ; α ≤ x ≤ β ;α< β
β−α
Parámetros: α → limite inferior del intervalo, mínimo valor de la variable
β → Limite superior del intervalo, máximo valor de la variable
Teorema 6.3
Si X es una variable aleatoria con densidad de probabilidad uniforme continua,
entonces
2
α+ β ( β−α )
E ( x )= y V ( x )=
2 12
( )
2
α + β ( β−α )
Notación. X U ,
2 12
Distribución Gamma
Si X es una variable aleatoria continua con densidad de probabilidad gamma, su
función de densidad está dada por
−x
1
α
x α −1 x β
; x> 0 α , β> 0
β Γ (α )
f (x)
0 ,−¿
Parámetros: α , β
Teorema 6.4
Si X es una variable aleatoria con densidad de probabilidad gamma, entonces
2
E ( x )=αβ y V ( x )=α β
Notación: X G ( αβ , α β 2 )
Distribución exponencial
Si una variable aleatoria X tienen distribución gamma con parámetros α =1y β=0 ,
entonces diremos que 𝑋 se distribuye exponencial
−x
1
ⅇ θ
; x> 0
θ
f (x)
0 ,−¿
Parámetro: θ
Teorema 6.5
Si 𝑋 es una variable aleatoria con densidad de probabilidad exponencial, entonces
2
E ( x )=θ y V ( x ) =θ
Notación: X G(θ , θ2 )
Distribución Ji-Cuadrada
v
Cuando la variable aleatoria 𝑋 tienen distribución gamma con parámetros α = y
2
β=2, entonces diremos que 𝑋 tiene distribución ji-cuadrada
v−2 −v
1 2
v
x e 2 ; x >0
2
2 Γ ( v2 )
f ( x )=¿
0 ,−¿
Parámetro: v → grados de libertad
Teorema 6.6
Si 𝑋 es una variable aleatoria con densidad de probabilidad ji-cuadrada, entonces
E ( x )=v y V ( x )=2 v
Notación: X X 2 ( v ,2 v)
Distribución Beta
Si 𝑋 es una variable aleatoria continua que toma valores dentro del intervalo (0,1)
entonces diremos que 𝑋 tiene densidad Beta si su probabilidad está dada por:
Γ ( α + β ) α −1
x ( 1−x )β−1 ; 0< x <1 α , β> 0
Γ (α )Γ (β)
f ( x )=¿
0 ,−¿
Parámetros: α , β
Teorema 6.7
Si 𝑋 es una variable aleatoria con densidad de probabilidad Beta, entonces
α αβ
E ( x )= V ( x )=
α+ β 2
( α + β ) ( α + β+ 1 )
Notación X Beta ( α
,
αβ
α + β ( α + β ) ( α + β +1 )
2
)
Funciones de variables aleatorias
Técnica de la función acumulada
Por definición de función de probabilidad acumulada para la variable y, tendríamos
que
F ( y ) =P(Y ≤ y )
∑ −1
f (x )si f ( x ) es discreta
∀ x ≤ g ( y)
∫ −1
f ( x ) dx si f ( x ) es continua
∀ x ≤ g ( y)
f ( x ) Se evalúa en f ( u−1 ( y ) )
f Y , x ( y , x 2 )=f ( g ( y , x 2) , x 2 )
2
−1
| |
∂ x1
∂y
∀ y , x2
f x ,Y ( x1 , y )=f ( x 1 , g ( x 1 , y ) )
1
−1
| |
∂ x2
∂y
∀ y , x1
f Y Y ( y 1 , y 2 )=f ( w 1 ( y 1 , y 2 ) , w2 ( y 1 , y 2 ) )|J|
1 2
Distribuciones de muestra
Teorema 8.1
Limite central
Si x 1 , x 2 ,… , x n es una muestra aleatoria de tamaños n extraída de una población
con media μ y varianza σ², entonces
∑ xi
( )
2
σ
x= N μ,
n n
Teorema 8.2
Proporción muestral
^ x una variable definida como la proporción muestral de éxitos en un total
Sea θ=
n
de n ensayos, donde X B nθ , (
θ ( 1−θ )
n )
, entonces.
N (nθ ,
n )
θ ( 1−θ )
Y
Teorema 8.3
Ji-cuadrada
Sea Ƶ una v.a. con densidad de probabilidad normal estándar entonces
2 2
Z X ( 1 ,2 ) con v=1
Teorema 8.4
Sea Ƶ1 , Ƶ 2 , … , Ƶ n variables aleatorias independientes que provienen de una
distribución normal estándar. Entonces
n
Teorema 8.5
2 2 2
Sean X 1 , X 2 , … , X n , v.a. ji-cuadradas cada una con v 1 , v 2 , … , v ngrados de libertad
respectivamente, entonces
n
Teorema 8.6
Distribución de la varianza muestral
Sea X 1 , X 2 , … , X n una m. a. de tamaño n de una población con media μ y varianza
2
σ , entonces
( n−1 ) s2 2
X con v=n−1
σ2
Teorema 8.7
Cociente de una normal y una Ji-cuadrada
Si Z N ( 0 , 1 )y Y = X 2 ( v ,2 v )son variables aleatorias independientes, entonces
Z
tv
√ Y
v
Teorema 8.8
Si x y s2 son la media y la varianza de una muestra aleatoria de tamaño n, tomada
de una población con media μ y varianza σ 2, entonces
x−μ
t n−1
5
√n
Definición 8.1
Se dice que una variable aleatoria X tiene distribución F de Fisher si es el cociente
de dos variables aleatorias ji-cuadrada, con grados de libertad v 1 y v 2,
respectivamente, y su densidad de probabilidad está dada por:
Γ ( 2 ) v
v +v
1 2
( ) ( v )
v1 v1 −v 1+ v 2
1 v 2
−1
1
f ( x )= x 1+ x2 2
x >0
Γ( )Γ ( )
v1 ν 2 2 2
2 2
Notación: X F v ,v
1 2
Teorema 8.9
Cociente de variables aleatorias Ji-cuadradas
Si U y V son variables aleatorias independientes que tienen distribuciones ji-
cuadrada con v 1 y v 2grados de libertad, respectivamente, entonces:
U
v1
Fv ,v
V 1 2
v2
Teorema 8.10
Si S21 y S22 son las varianzas de muestras aleatorias independientes de tamaños n1 y
n2 respectivamente, extraídas de poblaciones normales con varianzas σ 21 y σ 22,
entonces
2
s1
2
σ1
Fv ,v
s 22 1 2
2
σ2
TABLA 1: DISTRIBUCIÓN NORMAL
Áreas bajo la curva normal
Des
. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
nor 0 1 2 3 4 5 6 7 8 9
mal
x
0 0.5 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4
. 000 960 920 880 840 801 761 721 681 641
0
0 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4
. 602 562 522 483 443 404 364 325 286 247
1
0 0.4 0.4 0.4 0.4 0.4 0.4 0.3 0.3 0.3 0.3
. 207 168 129 090 052 013 974 936 897 859
2
0 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3
. 821 783 745 707 669 632 594 557 520 483
3
0 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3
. 446 409 372 336 300 264 228 192 156 121
4
0 0.3 0.3 0.3 0.2 0.2 0.2 0.2 0.2 0.2 0.2
. 085 050 015 981 946 912 877 843 810 776
5
0 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2
. 743 709 676 643 611 578 546 514 483 451
6
0 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2
. 420 389 358 327 296 266 236 206 177 148
7
0 0.2 0.2 0.2 0.2 0.2 0.1 0.1 0.1 0.1 0.1
. 119 090 061 033 005 977 949 922 894 867
8
0 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
. 841 814 788 762 736 711 685 660 635 611
9
1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
. 587 562 539 515 492 469 446 423 401 379
0
1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
. 357 335 314 292 271 251 230 210 190 170
1
1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.0
. 151 131 112 093 075 056 038 020 003 985
2
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 968 951 934 918 901 885 869 853 838 823
3
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 808 793 778 764 749 735 721 708 694 681
4
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 668 655 643 630 618 606 594 582 571 559
5
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 548 537 526 516 505 495 485 475 465 455
6
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 446 436 427 418 409 401 392 384 375 367
7
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 359 351 344 336 329 322 314 307 301 294
8
1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 287 281 274 268 262 256 250 244 239 233
9
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 228 222 217 212 207 202 197 192 188 183
0
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 179 174 170 166 162 158 154 150 146 143
1
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 139 136 132 129 125 122 119 116 113 110
2
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 107 104 102 099 096 094 091 089 087 084
3
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 082 080 078 075 073 071 069 068 066 064
4
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 062 060 059 057 055 054 052 051 049 048
5
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 047 045 044 043 041 040 039 038 037 036
6
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 035 034 033 032 031 030 029 028 027 026
7
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 026 025 024 023 023 022 021 021 020 019
8
2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 019 018 018 017 016 016 015 015 014 014
9
3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
. 013 013 013 012 012 011 011 011 010 010
0
6 0.676 0.872 1.237 1.635 2.20 3.45 5.35 7.84 10.64 12.59 14.45 16.81 18.55 6
7 0.989 1.239 1.690 2.17 2.83 4.25 6.35 9.04 12.02 14.07 16.01 18.48 20.3 7
8 1.344 1.647 2.18 2.73 3.49 5.07 7.34 10.22 13.36 15.51 17.53 20.1 22.0 8
9 1.735 2.09 2.70 3.33 4.17 5.90 8.34 11.39 14.68 16.92 19.02 21.7 23.6 9
1 2.16 2.56 3.25 3.94 4.87 6.74 9.34 12.55 15.99 18.31 20.5 23.2 25.2 1
0 0
1 2.60 3.05 3.82 4.57 5.58 7.58 10.34 13.70 17.28 19.68 21.9 24.7 26.8 1
1 1
1 3.07 3.57 4.40 5.23 6.30 8.44 11.34 14.85 18.55 21.0 23.3 26.2 28.3 1
2 2
1 3.57 4.11 5.01 5.89 7.04 9.30 12.34 15.98 19.81 22.4 24.7 27.7 29.8 1
3 3
1 4.07 4.66 5.63 6.57 7.79 10.17 13.34 17.12 21.1 23.7 26.1 29.1 31.3 1
4 4
1 4.60 5.23 6.26 7.26 8.55 11.04 14.34 18.25 22.3 25.0 27.5 30.6 32.8 1
5 5
1 5.14 5.81 6.91 7.96 9.31 11.91 15.34 19.37 23.5 26.3 28.8 32.0 34.3 1
6 6
1 5.70 6.41 7.56 8.67 10.09 12.79 16.34 20.5 24.8 27.6 30.2 33.4 35.7 1
7 7
1 6.26 7.01 8.23 9.39 10.86 13.68 17.34 21.6 26.0 28.9 31.5 34.8 37.2 1
8 8
1 6.84 7.63 8.91 10.12 11.65 14.56 18.34 22.7 27.2 30.1 32.9 36.2 38.6 1
9 9
2 7.43 8.26 9.59 10.85 12.44 15.45 19.34 23.8 28.4 31.4 34.2 37.6 40.0 2
0 0
2 8.03 8.90 10.28 11.59 13.24 16.34 20.3 24.9 29.6 32.7 35.5 38.9 41.4 2
1 1
2 8.64 9.54 10.98 12.34 14.04 17.24 21.3 26.0 30.8 33.9 36.8 40.3 42.8 2
2 2
2 9.26 10.20 11.69 13.09 14.85 18.14 22.3 27.1 32.0 35.2 38.1 41.6 44.2 2
3 3
2 9.89 10.86 12.40 13.85 15.66 19.04 23.3 28.2 33.2 36.4 39.4 43.0 45.6 2
4 4
2 10.52 11.52 13.12 14.61 16.47 19.94 24.3 29.3 34.4 37.7 40.6 44.3 46.9 2
5 5
2 11.16 12.20 13.84 15.38 17.29 20.8 25.3 30.4 35.6 38.9 41.9 45.6 48.3 2
6 6
2 11.81 12.88 14.57 16.15 18.11 21.7 26.3 31.5 36.7 40.1 43.2 47.0 49.6 2
7 7
2 12.46 13.56 15.31 16.93 18.94 22.7 27.3 32.6 37.9 41.3 44.5 48.3 51.0 2
8 8
2 13.12 14.26 16.05 17.71 19.77 23.6 28.3 33.7 39.1 42.6 45.7 49.6 52.3 2
9 9
3 13.79 14.95 16.79 18.49 20.6 24.5 29.3 34.8 40.3 43.8 47.0 50.9 53.7 3
0 0
4 20.7 22.2 24.4 26.5 29.1 33.7 39.3 45.6 51.8 55.8 59.3 63.7 66.8 4
0 0
5 28.0 29.7 32.4 34.8 37.7 42.9 49.3 56.3 63.2 67.5 71.4 76.2 79.5 5
0 0
6 35.5 37.5 40.5 43.2 46.5 52.3 59.3 67.0 74.4 79.1 83.3 88.4 92.0 6
0 0
7 43.3 45.4 48.8 51.7 55.3 61.7 69.3 77.6 85.5 90.5 95.0 100.4 104.2 7
0 0
8 51.2 53.5 57.2 60.4 64.3 71.1 79.3 88.1 96.6 101.9 106.6 112.3 116.3 8
0 0
9 59.2 61.8 65.6 69.1 73.3 80.6 89.3 98.6 107.6 113.1 118.1 124.1 128.3 9
0 0
1 67.3 70.1 74.2 77.9 82.4 90.1 99.3 109.1 118.5 124.3 129.6 135.8 140.2 1
0 0
0 0
Z -2.58 -2.33 -1.96 -1.64 -1.28 - 0.000 0.674 1.282 1.645 1.96 2.33 2.58 Z
0.67
4
1 0 0.9500 0.9000 0.8500 0.8000 0.7500 0.7000 0.6500 0.6000 0.5500 0.5000
1 1 0.0500 0.1000 0.1500 0.2000 0.2500 0.3000 0.3500 0.4000 0.4500 0.5000
2 0 0.9025 0.8100 0.7225 0.6400 0.5625 0.4900 0.4225 0.3600 0.3025 0.2500
2 1 0.0950 0.1800 0.2550 0.3200 0.3750 0.4200 0.4550 0.4800 0.4950 0.5000
2 2 0.0025 0.0100 0.0225 0.0400 0.0625 0.0900 0.1225 0.1600 0.2025 0.2500
3 0 0.8574 0.7290 0.6141 0.5120 0.4219 0.3430 0.2746 0.2160 0.1664 0.1250
3 1 0.1354 0.2430 0.3251 0.3840 0.4219 0.4410 0.4436 0.4320 0.4084 0.3750
3 2 0.0071 0.0270 0.0574 0.0960 0.1406 0.1890 0.2389 0.2880 0.3341 0.3750
3 3 0.0001 0.0010 0.0034 0.0080 0.0156 0.0270 0.0429 0.0640 0.0911 0.1250
4 0 0.8145 0.6561 0.5220 0.4096 0.3164 0.2401 0.1785 0.1296 0.0915 0.0625
4 1 0.1715 0.2916 0.3685 0.4096 0.4219 0.4116 0.3845 0.3456 0.2995 0.2500
4 2 0.0135 0.0486 0.0975 0.1536 0.2109 0.2646 0.3105 0.3456 0.3675 0.3750
4 3 0.0005 0.0036 0.0115 0.0256 0.0469 0.0756 0.1115 0.1536 0.2005 0.2500
4 4 0.0000 0.0001 0.0005 0.0016 0.0039 0.0081 0.0150 0.0256 0.0410 0.0625
5 0 0.7738 0.5905 0.4437 0.3277 0.2373 0.1681 0.1160 0.0778 0.0503 0.0313
5 1 0.2036 0.3281 0.3915 0.4096 0.3955 0.3602 0.3124 0.2592 0.2059 0.1563
5 2 0.0214 0.0729 0.1382 0.2048 0.2637 0.3087 0.3364 0.3456 0.3369 0.3125
5 3 0.0011 0.0081 0.0244 0.0512 0.0879 0.1323 0.1811 0.2304 0.2757 0.3125
5 4 0.0000 0.0005 0.0022 0.0064 0.0146 0.0284 0.0488 0.0768 0.1128 0.1563
5 5 0.0000 0.0000 0.0001 0.0003 0.0010 0.0024 0.0053 0.0102 0.0185 0.0313
6 0 0.7351 0.5314 0.3771 0.2621 0.1780 0.1176 0.0754 0.0467 0.0277 0.0156
6 1 0.2321 0.3543 0.3993 0.3932 0.3560 0.3025 0.2437 0.1866 0.1359 0.0938
6 2 0.0305 0.0984 0.1762 0.2458 0.2966 0.3241 0.3280 0.3110 0.2780 0.2344
6 3 0.0021 0.0146 0.0415 0.0819 0.1318 0.1852 0.2355 0.2765 0.3032 0.3125
6 4 0.0001 0.0012 0.0055 0.0154 0.0330 0.0595 0.0951 0.1382 0.1861 0.2344
6 5 0.0000 0.0001 0.0004 0.0015 0.0044 0.0102 0.0205 0.0369 0.0609 0.0938
6 6 0.0000 0.0000 0.0000 0.0001 0.0002 0.0007 0.0018 0.0041 0.0083 0.0156
7 0 0.6983 0.4783 0.3206 0.2097 0.1335 0.0824 0.0490 0.0280 0.0152 0.0078
7 1 0.2573 0.3720 0.3960 0.3670 0.3115 0.2471 0.1848 0.1306 0.0872 0.0547
7 2 0.0406 0.1240 0.2097 0.2753 0.3115 0.3177 0.2985 0.2613 0.2140 0.1641
7 3 0.0036 0.0230 0.0617 0.1147 0.1730 0.2269 0.2679 0.2903 0.2918 0.2734
7 4 0.0002 0.0026 0.0109 0.0287 0.0577 0.0972 0.1442 0.1935 0.2388 0.2734
7 5 0.0000 0.0002 0.0012 0.0043 0.0115 0.0250 0.0466 0.0774 0.1172 0.1641
7 6 0.0000 0.0000 0.0001 0.0004 0.0013 0.0036 0.0084 0.0172 0.0320 0.0547
7 7 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0006 0.0016 0.0037 0.0078
8 0 0.6634 0.4305 0.2725 0.1678 0.1001 0.0576 0.0319 0.0168 0.0084 0.0039
8 1 0.2793 0.3826 0.3847 0.3355 0.2670 0.1977 0.1373 0.0896 0.0548 0.0313
8 2 0.0515 0.1488 0.2376 0.2936 0.3115 0.2965 0.2587 0.2090 0.1569 0.1094
8 3 0.0054 0.0331 0.0839 0.1468 0.2076 0.2541 0.2786 0.2787 0.2568 0.2188
8 4 0.0004 0.0046 0.0185 0.0459 0.0865 0.1361 0.1875 0.2322 0.2627 0.2734
8 5 0.0000 0.0004 0.0026 0.0092 0.0231 0.0467 0.0808 0.1239 0.1719 0.2188
8 6 0.0000 0.0000 0.0002 0.0011 0.0038 0.0100 0.0217 0.0413 0.0703 0.1094
8 7 0.0000 0.0000 0.0000 0.0001 0.0004 0.0012 0.0033 0.0079 0.0164 0.0313
8 8 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0007 0.0017 0.0039
p
n k 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
9 0 0.6302 0.3874 0.2316 0.1342 0.0751 0.0404 0.0207 0.0101 0.0046 0.0020
9 1 0.2985 0.3874 0.3679 0.3020 0.2253 0.1556 0.1004 0.0605 0.0339 0.0176
9 2 0.0629 0.1722 0.2597 0.3020 0.3003 0.2668 0.2162 0.1612 0.1110 0.0703
9 3 0.0077 0.0446 0.1069 0.1762 0.2336 0.2668 0.2716 0.2508 0.2119 0.1641
9 4 0.0006 0.0074 0.0283 0.0661 0.1168 0.1715 0.2194 0.2508 0.2600 0.2461
9 5 0.0000 0.0008 0.0050 0.0165 0.0389 0.0735 0.1181 0.1672 0.2128 0.2461
9 6 0.0000 0.0001 0.0006 0.0028 0.0087 0.0210 0.0424 0.0743 0.1160 0.1641
9 7 0.0000 0.0000 0.0000 0.0003 0.0012 0.0039 0.0098 0.0212 0.0407 0.0703
9 8 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0013 0.0035 0.0083 0.0176
9 9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0008 0.0020
1 0 0.5987 0.3487 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
0
1 1 0.3151 0.3874 0.3474 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098
0
1 2 0.0746 0.1937 0.2759 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439
0
1 3 0.0105 0.0574 0.1298 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172
0
1 4 0.0010 0.0112 0.0401 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051
0
1 5 0.0001 0.0015 0.0085 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461
0
1 6 0.0000 0.0001 0.0012 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051
0
1 7 0.0000 0.0000 0.0001 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172
0
1 8 0.0000 0.0000 0.0000 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439
0
1 9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098
0
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010
0 0
1 0 0.5688 0.3138 0.1673 0.0859 0.0422 0.0198 0.0088 0.0036 0.0014 0.0005
1
1 1 0.3293 0.3835 0.3248 0.2362 0.1549 0.0932 0.0518 0.0266 0.0125 0.0054
1
1 2 0.0867 0.2131 0.2866 0.2953 0.2581 0.1998 0.1395 0.0887 0.0513 0.0269
1
1 3 0.0137 0.0710 0.1517 0.2215 0.2581 0.2568 0.2254 0.1774 0.1259 0.0806
1
1 4 0.0014 0.0158 0.0536 0.1107 0.1721 0.2201 0.2428 0.2365 0.2060 0.1611
1
1 5 0.0001 0.0025 0.0132 0.0388 0.0803 0.1321 0.1830 0.2207 0.2360 0.2256
1
1 6 0.0000 0.0003 0.0023 0.0097 0.0268 0.0566 0.0985 0.1471 0.1931 0.2256
1
1 7 0.0000 0.0000 0.0003 0.0017 0.0064 0.0173 0.0379 0.0701 0.1128 0.1611
1
1 8 0.0000 0.0000 0.0000 0.0002 0.0011 0.0037 0.0102 0.0234 0.0462 0.0806
1
1 9 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0018 0.0052 0.0126 0.0269
1
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0007 0.0021 0.0054
1 0
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0005
1 1
1 0 0.5404 0.2824 0.1422 0.0687 0.0317 0.0138 0.0057 0.0022 0.0008 0.0002
2
1 1 0.3413 0.3766 0.3012 0.2062 0.1267 0.0712 0.0368 0.0174 0.0075 0.0029
2
1 2 0.0988 0.2301 0.2924 0.2835 0.2323 0.1678 0.1088 0.0639 0.0339 0.0161
2
1 3 0.0173 0.0852 0.1720 0.2362 0.2581 0.2397 0.1954 0.1419 0.0923 0.0537
2
1 4 0.0021 0.0213 0.0683 0.1329 0.1936 0.2311 0.2367 0.2128 0.1700 0.1208
2
1 5 0.0002 0.0038 0.0193 0.0532 0.1032 0.1585 0.2039 0.2270 0.2225 0.1934
2
1 6 0.0000 0.0005 0.0040 0.0155 0.0401 0.0792 0.1281 0.1766 0.2124 0.2256
2
1 7 0.0000 0.0000 0.0006 0.0033 0.0115 0.0291 0.0591 0.1009 0.1489 0.1934
2
1 8 0.0000 0.0000 0.0001 0.0005 0.0024 0.0078 0.0199 0.0420 0.0762 0.1208
2
1 9 0.0000 0.0000 0.0000 0.0001 0.0004 0.0015 0.0048 0.0125 0.0277 0.0537
2
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0008 0.0025 0.0068 0.0161
2 0
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0.0029
2 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002
2 2
p
n k 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
1 0 0.5133 0.2542 0.1209 0.0550 0.0238 0.0097 0.0037 0.0013 0.0004 0.0001
3
1 1 0.3512 0.3672 0.2774 0.1787 0.1029 0.0540 0.0259 0.0113 0.0045 0.0016
3
1 2 0.1109 0.2448 0.2937 0.2680 0.2059 0.1388 0.0836 0.0453 0.0220 0.0095
3
1 3 0.0214 0.0997 0.1900 0.2457 0.2517 0.2181 0.1651 0.1107 0.0660 0.0349
3
1 4 0.0028 0.0277 0.0838 0.1535 0.2097 0.2337 0.2222 0.1845 0.1350 0.0873
3
1 5 0.0003 0.0055 0.0266 0.0691 0.1258 0.1803 0.2154 0.2214 0.1989 0.1571
3
1 6 0.0000 0.0008 0.0063 0.0230 0.0559 0.1030 0.1546 0.1968 0.2169 0.2095
3
1 7 0.0000 0.0001 0.0011 0.0058 0.0186 0.0442 0.0833 0.1312 0.1775 0.2095
3
1 8 0.0000 0.0000 0.0001 0.0011 0.0047 0.0142 0.0336 0.0656 0.1089 0.1571
3
1 9 0.0000 0.0000 0.0000 0.0001 0.0009 0.0034 0.0101 0.0243 0.0495 0.0873
3
1 1 0.0000 0.0000 0.0000 0.0000 0.0001 0.0006 0.0022 0.0065 0.0162 0.0349
3 0
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0012 0.0036 0.0095
3 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0016
3 2
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
3 3
1 0 0.4877 0.2288 0.1028 0.0440 0.0178 0.0068 0.0024 0.0008 0.0002 0.0001
4
1 1 0.3593 0.3559 0.2539 0.1539 0.0832 0.0407 0.0181 0.0073 0.0027 0.0009
4
1 2 0.1229 0.2570 0.2912 0.2501 0.1802 0.1134 0.0634 0.0317 0.0141 0.0056
4
1 3 0.0259 0.1142 0.2056 0.2501 0.2402 0.1943 0.1366 0.0845 0.0462 0.0222
4
1 4 0.0037 0.0349 0.0998 0.1720 0.2202 0.2290 0.2022 0.1549 0.1040 0.0611
4
1 5 0.0004 0.0078 0.0352 0.0860 0.1468 0.1963 0.2178 0.2066 0.1701 0.1222
4
1 6 0.0000 0.0013 0.0093 0.0322 0.0734 0.1262 0.1759 0.2066 0.2088 0.1833
4
1 7 0.0000 0.0002 0.0019 0.0092 0.0280 0.0618 0.1082 0.1574 0.1952 0.2095
4
1 8 0.0000 0.0000 0.0003 0.0020 0.0082 0.0232 0.0510 0.0918 0.1398 0.1833
4
1 9 0.0000 0.0000 0.0000 0.0003 0.0018 0.0066 0.0183 0.0408 0.0762 0.1222
4
1 1 0.0000 0.0000 0.0000 0.0000 0.0003 0.0014 0.0049 0.0136 0.0312 0.0611
4 0
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0010 0.0033 0.0093 0.0222
4 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0019 0.0056
4 2
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0009
4 3
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
4 4
1 0 0.4633 0.2059 0.0874 0.0352 0.0134 0.0047 0.0016 0.0005 0.0001 0.0000
5
1 1 0.3658 0.3432 0.2312 0.1319 0.0668 0.0305 0.0126 0.0047 0.0016 0.0005
5
1 2 0.1348 0.2669 0.2856 0.2309 0.1559 0.0916 0.0476 0.0219 0.0090 0.0032
5
1 3 0.0307 0.1285 0.2184 0.2501 0.2252 0.1700 0.1110 0.0634 0.0318 0.0139
5
1 4 0.0049 0.0428 0.1156 0.1876 0.2252 0.2186 0.1792 0.1268 0.0780 0.0417
5
1 5 0.0006 0.0105 0.0449 0.1032 0.1651 0.2061 0.2123 0.1859 0.1404 0.0916
5
1 6 0.0000 0.0019 0.0132 0.0430 0.0917 0.1472 0.1906 0.2066 0.1914 0.1527
5
1 7 0.0000 0.0003 0.0030 0.0138 0.0393 0.0811 0.1319 0.1771 0.2013 0.1964
5
1 8 0.0000 0.0000 0.0005 0.0035 0.0131 0.0348 0.0710 0.1181 0.1647 0.1964
5
1 9 0.0000 0.0000 0.0001 0.0007 0.0034 0.0116 0.0298 0.0612 0.1048 0.1527
5
1 1 0.0000 0.0000 0.0000 0.0001 0.0007 0.0030 0.0096 0.0245 0.0515 0.0916
5 0
1 1 0.0000 0.0000 0.0000 0.0000 0.0001 0.0006 0.0024 0.0074 0.0191 0.0417
5 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0016 0.0052 0.0139
5 2
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0.0032
5 3
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005
5 4
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
5 5
p
n k 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
1 0 0.4401 0.1853 0.0743 0.0281 0.0100 0.0033 0.0010 0.0003 0.0001 0.0000
6
1 1 0.3706 0.3294 0.2097 0.1126 0.0535 0.0228 0.0087 0.0030 0.0009 0.0002
6
1 2 0.1463 0.2745 0.2775 0.2111 0.1336 0.0732 0.0353 0.0150 0.0056 0.0018
6
1 3 0.0359 0.1423 0.2285 0.2463 0.2079 0.1465 0.0888 0.0468 0.0215 0.0085
6
1 4 0.0061 0.0514 0.1311 0.2001 0.2252 0.2040 0.1553 0.1014 0.0572 0.0278
6
1 5 0.0008 0.0137 0.0555 0.1201 0.1802 0.2099 0.2008 0.1623 0.1123 0.0667
6
1 6 0.0001 0.0028 0.0180 0.0550 0.1101 0.1649 0.1982 0.1983 0.1684 0.1222
6
1 7 0.0000 0.0004 0.0045 0.0197 0.0524 0.1010 0.1524 0.1889 0.1969 0.1746
6
1 8 0.0000 0.0001 0.0009 0.0055 0.0197 0.0487 0.0923 0.1417 0.1812 0.1964
6
1 9 0.0000 0.0000 0.0001 0.0012 0.0058 0.0185 0.0442 0.0840 0.1318 0.1746
6
1 1 0.0000 0.0000 0.0000 0.0002 0.0014 0.0056 0.0167 0.0392 0.0755 0.1222
6 0
1 1 0.0000 0.0000 0.0000 0.0000 0.0002 0.0013 0.0049 0.0142 0.0337 0.0667
6 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0011 0.0040 0.0115 0.0278
6 2
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0008 0.0029 0.0085
6 3
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0018
6 4
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002
6 5
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
6 6
1 0 0.4181 0.1668 0.0631 0.0225 0.0075 0.0023 0.0007 0.0002 0.0000 0.0000
7
1 1 0.3741 0.3150 0.1893 0.0957 0.0426 0.0169 0.0060 0.0019 0.0005 0.0001
7
1 2 0.1575 0.2800 0.2673 0.1914 0.1136 0.0581 0.0260 0.0102 0.0035 0.0010
7
1 3 0.0415 0.1556 0.2359 0.2393 0.1893 0.1245 0.0701 0.0341 0.0144 0.0052
7
1 4 0.0076 0.0605 0.1457 0.2093 0.2209 0.1868 0.1320 0.0796 0.0411 0.0182
7
1 5 0.0010 0.0175 0.0668 0.1361 0.1914 0.2081 0.1849 0.1379 0.0875 0.0472
7
1 6 0.0001 0.0039 0.0236 0.0680 0.1276 0.1784 0.1991 0.1839 0.1432 0.0944
7
1 7 0.0000 0.0007 0.0065 0.0267 0.0668 0.1201 0.1685 0.1927 0.1841 0.1484
7
1 8 0.0000 0.0001 0.0014 0.0084 0.0279 0.0644 0.1134 0.1606 0.1883 0.1855
7
1 9 0.0000 0.0000 0.0003 0.0021 0.0093 0.0276 0.0611 0.1070 0.1540 0.1855
7
1 1 0.0000 0.0000 0.0000 0.0004 0.0025 0.0095 0.0263 0.0571 0.1008 0.1484
7 0
1 1 0.0000 0.0000 0.0000 0.0001 0.0005 0.0026 0.0090 0.0242 0.0525 0.0944
7 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0001 0.0006 0.0024 0.0081 0.0215 0.0472
7 2
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0021 0.0068 0.0182
7 3
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0016 0.0052
7 4
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010
7 5
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
7 6
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
7 7
1 0 0.3972 0.1501 0.0536 0.0180 0.0056 0.0016 0.0004 0.0001 0.0000 0.0000
8
1 1 0.3763 0.3002 0.1704 0.0811 0.0338 0.0126 0.0042 0.0012 0.0003 0.0001
8
1 2 0.1683 0.2835 0.2556 0.1723 0.0958 0.0458 0.0190 0.0069 0.0022 0.0006
8
1 3 0.0473 0.1680 0.2406 0.2297 0.1704 0.1046 0.0547 0.0246 0.0095 0.0031
8
1 4 0.0093 0.0700 0.1592 0.2153 0.2130 0.1681 0.1104 0.0614 0.0291 0.0117
8
1 5 0.0014 0.0218 0.0787 0.1507 0.1988 0.2017 0.1664 0.1146 0.0666 0.0327
8
1 6 0.0002 0.0052 0.0301 0.0816 0.1436 0.1873 0.1941 0.1655 0.1181 0.0708
8
1 7 0.0000 0.0010 0.0091 0.0350 0.0820 0.1376 0.1792 0.1892 0.1657 0.1214
8
1 8 0.0000 0.0002 0.0022 0.0120 0.0376 0.0811 0.1327 0.1734 0.1864 0.1669
8
1 9 0.0000 0.0000 0.0004 0.0033 0.0139 0.0386 0.0794 0.1284 0.1694 0.1855
8
1 1 0.0000 0.0000 0.0001 0.0008 0.0042 0.0149 0.0385 0.0771 0.1248 0.1669
8 0
1 1 0.0000 0.0000 0.0000 0.0001 0.0010 0.0046 0.0151 0.0374 0.0742 0.1214
8 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0002 0.0012 0.0047 0.0145 0.0354 0.0708
8 2
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0012 0.0045 0.0134 0.0327
8 3
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0011 0.0039 0.0117
8 4
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0009 0.0031
8 5
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0006
8 6
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
8 7
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
8 8
p
n k 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
1 0 0.3774 0.1351 0.0456 0.0144 0.0042 0.0011 0.0003 0.0001 0.0000 0.0000
9
1 1 0.3774 0.2852 0.1529 0.0685 0.0268 0.0093 0.0029 0.0008 0.0002 0.0000
9
1 2 0.1787 0.2852 0.2428 0.1540 0.0803 0.0358 0.0138 0.0046 0.0013 0.0003
9
1 3 0.0533 0.1796 0.2428 0.2182 0.1517 0.0869 0.0422 0.0175 0.0062 0.0018
9
1 4 0.0112 0.0798 0.1714 0.2182 0.2023 0.1491 0.0909 0.0467 0.0203 0.0074
9
1 5 0.0018 0.0266 0.0907 0.1636 0.2023 0.1916 0.1468 0.0933 0.0497 0.0222
9
1 6 0.0002 0.0069 0.0374 0.0955 0.1574 0.1916 0.1844 0.1451 0.0949 0.0518
9
1 7 0.0000 0.0014 0.0122 0.0443 0.0974 0.1525 0.1844 0.1797 0.1443 0.0961
9
1 8 0.0000 0.0002 0.0032 0.0166 0.0487 0.0981 0.1489 0.1797 0.1771 0.1442
9
1 9 0.0000 0.0000 0.0007 0.0051 0.0198 0.0514 0.0980 0.1464 0.1771 0.1762
9
1 1 0.0000 0.0000 0.0001 0.0013 0.0066 0.0220 0.0528 0.0976 0.1449 0.1762
9 0
1 1 0.0000 0.0000 0.0000 0.0003 0.0018 0.0077 0.0233 0.0532 0.0970 0.1442
9 1
1 1 0.0000 0.0000 0.0000 0.0000 0.0004 0.0022 0.0083 0.0237 0.0529 0.0961
9 2
1 1 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0024 0.0085 0.0233 0.0518
9 3
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0006 0.0024 0.0082 0.0222
9 4
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0022 0.0074
9 5
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0018
9 6
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003
9 7
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
9 8
1 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
9 9
2 0 0.3585 0.1216 0.0388 0.0115 0.0032 0.0008 0.0002 0.0000 0.0000 0.0000
0
2 1 0.3774 0.2702 0.1368 0.0576 0.0211 0.0068 0.0020 0.0005 0.0001 0.0000
0
2 2 0.1887 0.2852 0.2293 0.1369 0.0669 0.0278 0.0100 0.0031 0.0008 0.0002
0
2 3 0.0596 0.1901 0.2428 0.2054 0.1339 0.0716 0.0323 0.0123 0.0040 0.0011
0
2 4 0.0133 0.0898 0.1821 0.2182 0.1897 0.1304 0.0738 0.0350 0.0139 0.0046
0
2 5 0.0022 0.0319 0.1028 0.1746 0.2023 0.1789 0.1272 0.0746 0.0365 0.0148
0
2 6 0.0003 0.0089 0.0454 0.1091 0.1686 0.1916 0.1712 0.1244 0.0746 0.0370
0
2 7 0.0000 0.0020 0.0160 0.0545 0.1124 0.1643 0.1844 0.1659 0.1221 0.0739
0
2 8 0.0000 0.0004 0.0046 0.0222 0.0609 0.1144 0.1614 0.1797 0.1623 0.1201
0
2 9 0.0000 0.0001 0.0011 0.0074 0.0271 0.0654 0.1158 0.1597 0.1771 0.1602
0
2 1 0.0000 0.0000 0.0002 0.0020 0.0099 0.0308 0.0686 0.1171 0.1593 0.1762
0 0
2 1 0.0000 0.0000 0.0000 0.0005 0.0030 0.0120 0.0336 0.0710 0.1185 0.1602
0 1
2 1 0.0000 0.0000 0.0000 0.0001 0.0008 0.0039 0.0136 0.0355 0.0727 0.1201
0 2
2 1 0.0000 0.0000 0.0000 0.0000 0.0002 0.0010 0.0045 0.0146 0.0366 0.0739
0 3
2 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0012 0.0049 0.0150 0.0370
0 4
2 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0013 0.0049 0.0148
0 5
2 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0013 0.0046
0 6
2 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002 0.0011
0 7
2 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0002
0 8
2 1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0 9
2 2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0 0
0 0.9950 0.9900 0.9802 0.9704 0.9608 0.9512 0.9418 0.9324 0.9231 0.9139
1 0.0050 0.0099 0.0196 0.0291 0.0384 0.0476 0.0565 0.0653 0.0738 0.0823
2 0.0000 0.0000 0.0002 0.0004 0.0008 0.0012 0.0017 0.0023 0.0030 0.0037
3 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001
k 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066 0.3679
1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659 0.3679
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647 0.1839
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494 0.0613
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111 0.0153
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020 0.0031
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003 0.0005
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
k 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
0 0.3329 0.3012 0.2725 0.2466 0.2231 0.2019 0.1827 0.1653 0.1496 0.1353
1 0.3662 0.3614 0.3543 0.3452 0.3347 0.3230 0.3106 0.2975 0.2842 0.2707
2 0.2014 0.2169 0.2303 0.2417 0.2510 0.2584 0.2640 0.2678 0.2700 0.2707
3 0.0738 0.0867 0.0998 0.1128 0.1255 0.1378 0.1496 0.1607 0.1710 0.1804
4 0.0203 0.0260 0.0324 0.0395 0.0471 0.0551 0.0636 0.0723 0.0812 0.0902
5 0.0045 0.0062 0.0084 0.0111 0.0141 0.0176 0.0216 0.0260 0.0309 0.0361
6 0.0008 0.0012 0.0018 0.0026 0.0035 0.0047 0.0061 0.0078 0.0098 0.0120
7 0.0001 0.0002 0.0003 0.0005 0.0008 0.0011 0.0015 0.0020 0.0027 0.0034
8 0.0000 0.0000 0.0001 0.0001 0.0001 0.0002 0.0003 0.0005 0.0006 0.0009
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0002
k 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0
0 0.1225 0.1108 0.1003 0.0907 0.0821 0.0743 0.0672 0.0608 0.0550 0.0498
1 0.2572 0.2438 0.2306 0.2177 0.2052 0.1931 0.1815 0.1703 0.1596 0.1494
2 0.2700 0.2681 0.2652 0.2613 0.2565 0.2510 0.2450 0.2384 0.2314 0.2240
3 0.1890 0.1966 0.2033 0.2090 0.2138 0.2176 0.2205 0.2225 0.2237 0.2240
4 0.0992 0.1082 0.1169 0.1254 0.1336 0.1414 0.1488 0.1557 0.1622 0.1680
5 0.0417 0.0476 0.0538 0.0602 0.0668 0.0735 0.0804 0.0872 0.0940 0.1008
6 0.0146 0.0174 0.0206 0.0241 0.0278 0.0319 0.0362 0.0407 0.0455 0.0504
7 0.0044 0.0055 0.0068 0.0083 0.0099 0.0118 0.0139 0.0163 0.0188 0.0216
8 0.0011 0.0015 0.0019 0.0025 0.0031 0.0038 0.0047 0.0057 0.0068 0.0081
9 0.0003 0.0004 0.0005 0.0007 0.0009 0.0011 0.0014 0.0018 0.0022 0.0027
10 0.0001 0.0001 0.0001 0.0002 0.0002 0.0003 0.0004 0.0005 0.0006 0.0008
11 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0002 0.0002
12 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
k 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0
0 0.0450 0.0408 0.0369 0.0334 0.0302 0.0273 0.0247 0.0224 0.0202 0.0183
1 0.1397 0.1304 0.1217 0.1135 0.1057 0.0984 0.0915 0.0850 0.0789 0.0733
2 0.2165 0.2087 0.2008 0.1929 0.1850 0.1771 0.1692 0.1615 0.1539 0.1465
3 0.2237 0.2226 0.2209 0.2186 0.2158 0.2125 0.2087 0.2046 0.2001 0.1954
4 0.1733 0.1781 0.1823 0.1858 0.1888 0.1912 0.1931 0.1944 0.1951 0.1954
5 0.1075 0.1140 0.1203 0.1264 0.1322 0.1377 0.1429 0.1477 0.1522 0.1563
6 0.0555 0.0608 0.0662 0.0716 0.0771 0.0826 0.0881 0.0936 0.0989 0.1042
7 0.0246 0.0278 0.0312 0.0348 0.0385 0.0425 0.0466 0.0508 0.0551 0.0595
8 0.0095 0.0111 0.0129 0.0148 0.0169 0.0191 0.0215 0.0241 0.0269 0.0298
9 0.0033 0.0040 0.0047 0.0056 0.0066 0.0076 0.0089 0.0102 0.0116 0.0132
1 0.0010 0.0013 0.0016 0.0019 0.0023 0.0028 0.0033 0.0039 0.0045 0.0053
0
1 0.0003 0.0004 0.0005 0.0006 0.0007 0.0009 0.0011 0.0013 0.0016 0.0019
1
1 0.0001 0.0001 0.0001 0.0002 0.0002 0.0003 0.0003 0.0004 0.0005 0.0006
2
1 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002
3
1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
4
k 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5.0
0 0.0166 0.0150 0.0136 0.0123 0.0111 0.0101 0.0091 0.0082 0.0074 0.0067
1 0.0679 0.0630 0.0583 0.0540 0.0500 0.0462 0.0427 0.0395 0.0365 0.0337
2 0.1393 0.1323 0.1254 0.1188 0.1125 0.1063 0.1005 0.0948 0.0894 0.0842
3 0.1904 0.1852 0.1798 0.1743 0.1687 0.1631 0.1574 0.1517 0.1460 0.1404
4 0.1951 0.1944 0.1933 0.1917 0.1898 0.1875 0.1849 0.1820 0.1789 0.1755
5 0.1600 0.1633 0.1662 0.1687 0.1708 0.1725 0.1738 0.1747 0.1753 0.1755
6 0.1093 0.1143 0.1191 0.1237 0.1281 0.1323 0.1362 0.1398 0.1432 0.1462
7 0.0640 0.0686 0.0732 0.0778 0.0824 0.0869 0.0914 0.0959 0.1002 0.1044
8 0.0328 0.0360 0.0393 0.0428 0.0463 0.0500 0.0537 0.0575 0.0614 0.0653
9 0.0150 0.0168 0.0188 0.0209 0.0232 0.0255 0.0281 0.0307 0.0334 0.0363
1 0.0061 0.0071 0.0081 0.0092 0.0104 0.0118 0.0132 0.0147 0.0164 0.0181
0
1 0.0023 0.0027 0.0032 0.0037 0.0043 0.0049 0.0056 0.0064 0.0073 0.0082
1
1 0.0008 0.0009 0.0011 0.0013 0.0016 0.0019 0.0022 0.0026 0.0030 0.0034
2
1 0.0002 0.0003 0.0004 0.0005 0.0006 0.0007 0.0008 0.0009 0.0011 0.0013
3
1 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002 0.0003 0.0003 0.0004 0.0005
4
1 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002
5
k 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0
0 0.0061 0.0055 0.0050 0.0045 0.0041 0.0037 0.0033 0.0030 0.0027 0.0025
1 0.0311 0.0287 0.0265 0.0244 0.0225 0.0207 0.0191 0.0176 0.0162 0.0149
2 0.0793 0.0746 0.0701 0.0659 0.0618 0.0580 0.0544 0.0509 0.0477 0.0446
3 0.1348 0.1293 0.1239 0.1185 0.1133 0.1082 0.1033 0.0985 0.0938 0.0892
4 0.1719 0.1681 0.1641 0.1600 0.1558 0.1515 0.1472 0.1428 0.1383 0.1339
5 0.1753 0.1748 0.1740 0.1728 0.1714 0.1697 0.1678 0.1656 0.1632 0.1606
6 0.1490 0.1515 0.1537 0.1555 0.1571 0.1584 0.1594 0.1601 0.1605 0.1606
7 0.1086 0.1125 0.1163 0.1200 0.1234 0.1267 0.1298 0.1326 0.1353 0.1377
8 0.0692 0.0731 0.0771 0.0810 0.0849 0.0887 0.0925 0.0962 0.0998 0.1033
9 0.0392 0.0423 0.0454 0.0486 0.0519 0.0552 0.0586 0.0620 0.0654 0.0688
1 0.0200 0.0220 0.0241 0.0262 0.0285 0.0309 0.0334 0.0359 0.0386 0.0413
0
1 0.0093 0.0104 0.0116 0.0129 0.0143 0.0157 0.0173 0.0190 0.0207 0.0225
1
1 0.0039 0.0045 0.0051 0.0058 0.0065 0.0073 0.0082 0.0092 0.0102 0.0113
2
1 0.0015 0.0018 0.0021 0.0024 0.0028 0.0032 0.0036 0.0041 0.0046 0.0052
3
1 0.0006 0.0007 0.0008 0.0009 0.0011 0.0013 0.0015 0.0017 0.0019 0.0022
4
1 0.0002 0.0002 0.0003 0.0003 0.0004 0.0005 0.0006 0.0007 0.0008 0.0009
5
1 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002 0.0002 0.0003 0.0003
6
1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001
7
k 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7.0
0 0.0022 0.0020 0.0018 0.0017 0.0015 0.0014 0.0012 0.0011 0.0010 0.0009
1 0.0137 0.0126 0.0116 0.0106 0.0098 0.0090 0.0082 0.0076 0.0070 0.0064
2 0.0417 0.0390 0.0364 0.0340 0.0318 0.0296 0.0276 0.0258 0.0240 0.0223
3 0.0848 0.0806 0.0765 0.0726 0.0688 0.0652 0.0617 0.0584 0.0552 0.0521
4 0.1294 0.1249 0.1205 0.1162 0.1118 0.1076 0.1034 0.0992 0.0952 0.0912
5 0.1579 0.1549 0.1519 0.1487 0.1454 0.1420 0.1385 0.1349 0.1314 0.1277
6 0.1605 0.1601 0.1595 0.1586 0.1575 0.1562 0.1546 0.1529 0.1511 0.1490
7 0.1399 0.1418 0.1435 0.1450 0.1462 0.1472 0.1480 0.1486 0.1489 0.1490
8 0.1066 0.1099 0.1130 0.1160 0.1188 0.1215 0.1240 0.1263 0.1284 0.1304
9 0.0723 0.0757 0.0791 0.0825 0.0858 0.0891 0.0923 0.0954 0.0985 0.1014
10 0.0441 0.0469 0.0498 0.0528 0.0558 0.0588 0.0618 0.0649 0.0679 0.0710
11 0.0244 0.0265 0.0285 0.0307 0.0330 0.0353 0.0377 0.0401 0.0426 0.0452
12 0.0124 0.0137 0.0150 0.0164 0.0179 0.0194 0.0210 0.0227 0.0245 0.0263
13 0.0058 0.0065 0.0073 0.0081 0.0089 0.0099 0.0108 0.0119 0.0130 0.0142
14 0.0025 0.0029 0.0033 0.0037 0.0041 0.0046 0.0052 0.0058 0.0064 0.0071
15 0.0010 0.0012 0.0014 0.0016 0.0018 0.0020 0.0023 0.0026 0.0029 0.0033
16 0.0004 0.0005 0.0005 0.0006 0.0007 0.0008 0.0010 0.0011 0.0013 0.0014
17 0.0001 0.0002 0.0002 0.0002 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006
18 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002 0.0002
19 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001
k 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 8.0
0 0.0008 0.0007 0.0007 0.0006 0.0006 0.0005 0.0005 0.0004 0.0004 0.0003
1 0.0059 0.0054 0.0049 0.0045 0.0041 0.0038 0.0035 0.0032 0.0029 0.0027
2 0.0208 0.0194 0.0180 0.0167 0.0156 0.0145 0.0134 0.0125 0.0116 0.0107
3 0.0492 0.0464 0.0438 0.0413 0.0389 0.0366 0.0345 0.0324 0.0305 0.0286
4 0.0874 0.0836 0.0799 0.0764 0.0729 0.0696 0.0663 0.0632 0.0602 0.0573
5 0.1241 0.1204 0.1167 0.1130 0.1094 0.1057 0.1021 0.0986 0.0951 0.0916
6 0.1468 0.1445 0.1420 0.1394 0.1367 0.1339 0.1311 0.1282 0.1252 0.1221
7 0.1489 0.1486 0.1481 0.1474 0.1465 0.1454 0.1442 0.1428 0.1413 0.1396
8 0.1321 0.1337 0.1351 0.1363 0.1373 0.1381 0.1388 0.1392 0.1395 0.1396
9 0.1042 0.1070 0.1096 0.1121 0.1144 0.1167 0.1187 0.1207 0.1224 0.1241
10 0.0740 0.0770 0.0800 0.0829 0.0858 0.0887 0.0914 0.0941 0.0967 0.0993
11 0.0478 0.0504 0.0531 0.0558 0.0585 0.0613 0.0640 0.0667 0.0695 0.0722
12 0.0283 0.0303 0.0323 0.0344 0.0366 0.0388 0.0411 0.0434 0.0457 0.0481
13 0.0154 0.0168 0.0181 0.0196 0.0211 0.0227 0.0243 0.0260 0.0278 0.0296
14 0.0078 0.0086 0.0095 0.0104 0.0113 0.0123 0.0134 0.0145 0.0157 0.0169
15 0.0037 0.0041 0.0046 0.0051 0.0057 0.0062 0.0069 0.0075 0.0083 0.0090
16 0.0016 0.0019 0.0021 0.0024 0.0026 0.0030 0.0033 0.0037 0.0041 0.0045
17 0.0007 0.0008 0.0009 0.0010 0.0012 0.0013 0.0015 0.0017 0.0019 0.0021
18 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006 0.0006 0.0007 0.0008 0.0009
19 0.0001 0.0001 0.0001 0.0002 0.0002 0.0002 0.0003 0.0003 0.0003 0.0004
20 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002
21 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001
TABLA 7: TABLA DE NUMEROS AL AZAR
TABLAS ESTADISTICAS ESPECIALES