Estadística I

Primer semestre de 2023

Profesor: Pedro Mateu Bullón

Universidad del Pacífico

7. Variables aleatorias
Funciones de probabilidad. Distribución normal
Lecturas esenciales (contenido 7)

Newbold et al. (2012) - NCT

Capítulo 4 (secciones 4.1 – 4.3)
Capítulo 5 (sección 5.3)

Toma & Rubio (2017) - TRP

Capítulo 6
Capítulo 7 (secciones 7.1.1-7.1.3, 7.2.4-7.2.5)
7.1 Definición de variable
aleatoria. Clases
 Variable aleatoria
Es una función que asigna un número real a cada elemento de un
espacio muestral. Tiene como dominio a un espacio muestral, Ω, y
como rango a un subconjunto de los números reales.

𝐷𝑥 = Ω 𝑅𝑥
𝑂1 𝑥1

𝑂2 𝑥2

𝑂3 𝑥3
. .
. .
. .
𝐷𝑥 = Ω = 𝑂1 , 𝑂2 , 𝑂3 , ..., 𝑂𝑘 𝑂𝑘 𝑥𝑘 𝑅𝑥 = 𝑥1 , 𝑥2 , 𝑥3 , ..., 𝑥𝑚
 Experimento
Tiro una moneda al aire cuatro veces

Ω = 𝐶𝐶𝐶𝐶, 𝐶𝐶𝑆𝑆, 𝐶𝑆𝐶𝑆, … , 𝑆𝑆𝑆𝑆

X: {número de caras que se obtiene}

X = {0, 1, 2, 3, 4}

X es una variable aleatoria porque sus valores varían cuando el

experimento es repetido.
 Tipos de variables
aleatorias

Discreta Continua
𝑅𝑥 es un conjunto 𝑅𝑥 es un conjunto
enumerable no enumerable
Ejemplo 1
Cat. A → 1, 2, 3
Cat. B → 4, 5, 6, 7

E1: Se selecciona al azar, sin reemplazo y SIO, tres

contribuyentes. Determine el rango de la variable aleatoria X
(Número de contribuyentes de la categoría A) en la muestra.

7
# Ω1 = = 35
3
 Conjunto de puntos muestrales posibles de Ω

𝑅𝑥
(1,2,3) 0
(1,2,4) (1,2,5) (1,2,6) (1,2,7)
(1,3,4) (1,3,5) (1,3,6) (1,3,7) 1
(1,4,5) (1,4,6) (1,4,7) (1,5,6) (1,5,7) (1,6,7)
(2,3,4) (2,3,5) (2,3,6) (2,3,7) 2
(2,4,5) (2,4,6) (2,4,7) (2,5,6) (2,5,7) (2,6,7)
3
(3,4,5) (3,4,6) (3,4,7) (3,5,6) (3,5,7) (3,6,7)
(4,5,6) (4,5,7) (4,6,7) (5,6,7)
𝑅𝑥 = 0, 1, 2, 3
Ejemplo 2 Cat. A → 1, 2, 3
Cat. B → 4, 5, 6, 7
E2: Seleccionar, con reemplazo, un contribuyente tras otro, hasta
elegir uno de la categoría A, si la elección de un contribuyente de
categoría A está en relación 3 a 7 con elección de un
contribuyente de categoría B.
Determine el rango de la variable aleatoria Y (Número de
selecciones realizadas hasta elegir un contribuyente de la
categoría A). En términos de
𝑐 𝑐 𝑐 𝑐 𝑐 𝑐
Ω2 = 𝐴, 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , 𝐴 , … estructuras

𝑅𝑦 = 1, 2, 3, 4, …
Ejemplo 3

E3: Observar el tiempo empleado (en minutos), en instalar el

paquete estadístico SAS en una PC.

¿Cuál es el rango de la variable aleatoria “Tiempo empleado en

instalar el paquete SAS”?

Ω3 = t/t>0 → 𝑅𝑥 = x/x>0
 7.2 Función de
probabilidad discreta
Función de probabilidad de una variable aleatoria discreta
Sea X una variable aleatoria con rango 𝑅𝑥 , se determina por:

𝑃 𝑋 = 𝑥 = 𝑓 𝑥 = ෍ 𝑃 𝑂𝑖 ∈ ΩΤ𝑋 𝑂𝑖 = 𝑥
𝑂𝑖 ∈Ω
y cumple con las condiciones:

1) 𝑓 𝑥𝑖 ≥ 0 2) ෍ 𝑓 𝑥𝑖 = 1
𝑥𝑖 ∈𝑅𝑥

Se denomina función de probabilidad de la variable aleatoria discreta

X.
Ejemplo 1
Cat. A → 1, 2, 3
Cat. B → 4, 5, 6, 7
E1: Se selecciona al azar, sin reemplazo y SIO, tres
contribuyentes. El rango de la variable aleatoria X (Número de
contribuyentes de la categoría A en la muestra) es

𝑅𝑥 = 0, 1, 2, 3

7
# Ω1 = = 35
3
Determine la función de probabilidad de la variable aleatoria X.
 D15

4
, 𝑝𝑎𝑟𝑎 𝑥 = 0
35
18
, 𝑝𝑎𝑟𝑎 𝑥 = 1
35
𝑃 𝑋 = 𝑥 = 𝑓 𝑥 = 12
, 𝑝𝑎𝑟𝑎 𝑥 = 2
35
1
, 𝑝𝑎𝑟𝑎 𝑥 = 3
35
0, 𝑑𝑒 𝑜𝑡𝑟𝑜 𝑚𝑜𝑑𝑜
 Gráfico de la función de probabilidades
𝑓 𝑥

24/35

16/35

8/35

4/35

0 1 2 3 X
Número de contribuyentes de la categoría A
Función de probabilidad acumulativa o distribución
acumulativa discreta
Sea X una variable aleatoria discreta que se distribuye según 𝑓 𝑥 ;
luego, F es la función de probabilidad acumulativa de la variable
aleatoria X cuyo valor para cualquier “x” real, se determina por:

𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ෍ 𝑓 𝑥𝑖
𝑥𝑖 ≤𝑥
𝑥𝑖 ∈𝑅𝑥
Probabilidades de la función de la distribución acumulativa
discreta
1. 𝐹 𝑥 = 0, ∀ 𝑥 < 𝑚, donde 𝑚 = 𝑀𝑖𝑛, 𝑥 ∈ 𝑅𝑥

2. 𝐹 𝑥 = 1, ∀ 𝑥 ≥ 𝑀, donde 𝑀 = 𝑀𝑎𝑥, 𝑥 ∈ 𝑅𝑥

3. 0 ≤ 𝐹 𝑥 ≤ 1

4. 𝐹 𝑥 es una función no decreciente

La siguiente tabla de probabilidades corresponde a la variable aleatoria X.
X 0 1 2 3
𝑓 𝑥 4/35 18/35 12/35 1/35
Determine la función de distribución acumulativa de X y construya el gráfico
respectivo.
Para este caso, se tiene 𝑅𝑥 = 0, 1, 2, 3 ; 𝑚 = 𝑀𝑖𝑛 = 0, 𝑥 ∈ 𝑅𝑥 ; 𝑀 = 𝑀𝑎𝑥 = 3, 𝑥 ∈ 𝑅𝑥 ,
con lo cual:

𝐹 𝑥 =𝑃 𝑋≤𝑥 = 0, ∀𝑥 < 0
𝐹 0 =𝑃 𝑋≤0 =𝑃 𝑋 <0 +𝑃 𝑋=0 = 0 + 𝑓 0 = 0 + 4Τ35 = 4Τ35
𝐹 1 =𝑃 𝑋≤1 =𝑃 𝑋 <1 +𝑃 𝑋=1 = 𝐹 0 + 𝑓 1 = 4Τ35 + 18Τ35 = 22Τ35
𝐹 2 =𝑃 𝑋≤2 =𝑃 𝑋 <2 +𝑃 𝑋=2 = 𝐹 1 + 𝑓 2 = 22Τ35 + 12Τ35 = 34Τ35
𝐹 3 =𝑃 𝑋≤3 =𝑃 𝑋 <3 +𝑃 𝑋=3 = 𝐹 2 + 𝑓 3 = 34Τ35 + 1Τ35 = 1
 0, 𝑝𝑎𝑟𝑎 𝑥 < 0
4Τ35 , 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 < 1
𝑃 𝑋 ≤ 𝑥 = 𝐹 𝑥 = 22Τ35 , 𝑝𝑎𝑟𝑎 1 ≤ 𝑥 < 2
34Τ35 , 𝑝𝑎𝑟𝑎 2 ≤ 𝑥 < 3
1, 𝑝𝑎𝑟𝑎 𝑥 ≥ 3
Gráfico de la función de probabilidad acumulativa
𝐹 𝑥
1
𝑓 3 = 1Τ35

28/35 𝑓 2 = 12Τ35

21/35

14/35
𝑓 1 = 18Τ35

7/35

𝑓 0 = 4Τ35

0 1 2 3 X
Número de contribuyentes de la categoría A
 7.3 Función de
probabilidad continua
Curvas de densidad
• Son aproximaciones suavizadas de las barras irregulares del
histograma

Histograma
Curva de
densidad

Valores pH de la lluvia Tiempo de vida de los cuys (en días)

• Este es el histograma de las notas correspondientes a los
exámenes de vocabulario de alumnos de sétimo grado de un
colegio determinado.
Función de densidad de la variable aleatoria X
Una función f es llamada función de probabilidad (o función de
densidad) de la variable aleatoria continua X si cumple con las
siguientes condiciones:

1. 𝒇 𝒙 ≥ 𝟎, ∀ 𝒙 ∈ 𝑹
∞

2. න 𝑓 𝑥 𝑑𝑥 = 1
−∞
3. Sea el evento 𝑨 = 𝒙/𝒂 ≤ 𝒙 ≤ 𝒃 , luego,
𝑏

𝑃 𝐴 = 𝑃 𝑎 ≤ 𝑥 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎
Evento A
Función de distribución de probabilidad acumulativa
continua (o simplemente función de distribución acumulativa)

Sea X una variable aleatoria continua que tiene como función de

densidad 𝑓 𝑥 ; luego, la función de probabilidad acumulativa de
la variable aleatoria X para cualquier valor real “x”, se determina
por:
𝑥

𝐹 𝑥 =𝑃 𝑋≤𝑥 = න 𝑓 𝑤 𝑑𝑤
−∞
 Distribución de los tiempos de espera
f(x) 0.8
0.7

0.6

0.5
3𝑥 2 +𝑥
0.4 f(x) =
72

0.3

0.2

0.1
f(x) = 0 f(x) = 0
0
-1 0 1 2 3 4 5
x
𝑥

𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓 𝑤 𝑑𝑤
−∞
 0, 𝑠𝑖 𝑥 < 0
2
𝑥
𝑥3 +
𝐹 𝑥 = 2
, 𝑠𝑖 0 ≤ 𝑥 ≤ 4
72
1, 𝑠𝑖 𝑥 > 4
 Función de distribución acumulativa de probabilidades
F(x) 1.2
1.1
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1 0 1 2 3 4 5
x
Para todo 𝑎 < 𝑏 se tiene:

𝑃 𝑎≤𝑋≤𝑏 =𝑃 𝑎<𝑋≤𝑏 =𝑃 𝑎<𝑋<𝑏 =𝑃 𝑎≤𝑋<𝑏

𝑏
= 𝐹 𝑏 − 𝐹 𝑎 = න 𝑓 𝑥 𝑑𝑥
𝑎
donde 𝐹 𝑥 es la distribución acumulativa.
7.4 Esperanza matemática
de una variable aleatoria
1. Esperanza matemática o valor esperado de una variable
aleatoria discreta
La media de una variable aleatoria X se llama el valor esperado de
X.
𝐸 𝑋 = 𝜇𝑋 = ෍ 𝑥𝑓 𝑥
𝑥∈𝑅𝑥

Promedio ponderado por probabilidades: La media de cualquier

variable aleatoria discreta es el promedio de los posibles resultados
donde cada resultado es ponderado por su probabilidad asociada.
2. Variancia y desviación estándar de una variable
aleatoria discreta

𝑉𝑎𝑟 𝑋 = 𝜎𝑋2 = 𝐸 𝑋 − 𝜇𝑋 2
= ෍ 𝑥 − 𝜇𝑋 2 𝑓 𝑥
𝑥∈𝑅𝑥

2
𝜎𝑋2 =𝐸 𝑋2 − 𝜇𝑋2 =𝐸 𝑋2 − 𝐸 𝑋
 Ejemplo (ver diapositiva 15)

X=x 0 1 2 3 Total
P(X = x) 4/35 18/35 12/35 1/35 1

Halle la media y variancia de X. Interprete los resultados.

4 18 12 1
𝐸 𝑋 = 𝜇𝑋 = 𝜇 = ෍ 𝑥𝑓 𝑥 = 0 + 1 + 2 + 3
35 35 35 35
𝑥∈𝑅𝑥

9
𝐸 𝑋 = = 1.2857
7
 𝑋=𝑥 0 1 2 3 Total
𝑃(𝑋 = 𝑥) 4/35 18/35 12/35 1/35 1
𝑥 ∙ 𝑃(𝑋 = 𝑥) 0 18/35 24/35 3/35 9/7
𝑥 2 ∙ 𝑃(𝑋 = 𝑥) 0 18/35 48/35 9/35 15/7

9 2 15 15 9 2 24
𝐸 𝑋 = , 𝐸 𝑋 = , 𝑉𝑎𝑟 𝑋 = − =
7 7 7 7 49
Los valores hallados indican que si se repite un gran número de veces el
experimento aleatorio, se esperaría que el número de contribuyentes elegidos
de la categoría A tenga un comportamiento con una media de 1.2857
contribuyentes y una variancia de 0.4898 (contribuyentes)2.
3. Esperanza matemática de una variable aleatoria Y que
está en función de otra variable aleatoria discreta X
Sea X una variable aleatoria con función de probabilidad 𝑓 𝑥 , y sea
𝑌 = 𝑔 𝑋 una función real de la variable X; entonces, el valor esperado
de 𝑔 𝑋 se define como:
𝐸 𝑌 =𝐸 𝑔 𝑋 = ෍𝑔 𝑥 𝑓 𝑥
𝑥∈𝑅𝑥
La variancia de dicha función es

2 2
𝑉𝑎𝑟 𝑔 𝑋 = 𝜎 2𝑔 𝑋 =𝐸 𝑔 𝑋 −𝜇𝑔 𝑋 = σ𝑘𝑖=1 𝑔 𝑋 −𝜇𝑔 𝑋 𝑓 𝑥
Propiedades de los valores esperados y de variancia de una
variable aleatoria
Sea X e Y dos variables aleatorias y a y b dos constantes reales:
1) 𝐸 𝑎 = 𝑎
2) 𝐸 𝑎𝑋 = 𝑎𝐸 𝑋
3) 𝐸 𝑎𝑋 + 𝑏 = 𝑎𝐸 𝑋 + 𝑏
4) 𝐸 𝑎𝑋 + 𝑏𝑌 = 𝑎𝐸 𝑋 + 𝑏𝐸 𝑌
5) 𝑉𝑎𝑟 𝑎 = 0
6) 𝑉𝑎𝑟 𝑎𝑋 = 𝑎2 𝑉𝑎𝑟 𝑋
7) 𝑉𝑎𝑟 𝑎 + 𝑏𝑋 = 𝑏 2 𝑉𝑎𝑟 𝑋
8) Si X e Y son variables independientes:
𝑉𝑎𝑟 𝑎𝑋 + 𝑏𝑌 = 𝑎2 𝑉𝑎𝑟 𝑋 + 𝑏 2 𝑉𝑎𝑟 𝑌
Ejemplo
Si el costo (en cientos de soles) de fiscalización de los contribuyentes
de la categoría A, está determinado por 𝑌 = 2𝑋 + 3 (miles de soles).
Determine la media, la variancia y el coeficiente de variabilidad de la
distribución de Y, aplicando propiedades de valores esperados.
Interprete el CV.

39 96
𝜇𝑌 = , 𝜎𝑌2 = , 𝐶𝑉𝑌 = 25.12%
7 49

Este valor indica que, si se repite el experimento aleatorio muchas

veces, el costo de fiscalización de los cont. de la cat. A tendrá un
comportamiento muy variable.
¿Qué podemos decir sobre una variable aleatoria
continua?
La media de X con una función de densidad 𝑓 𝑥 se encuentra
con la siguiente integral definida:
𝜇𝑋 = න 𝑥𝑓 𝑥 𝑑𝑥

La variancia de X es el promedio de las desviaciones cuadráticas

de los valores de X con respecto a su media. Se encuentra a través
de la siguiente integral:
𝜎𝑋2 = න 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥
 7.5 Principales
distribuciones discretas
Alguna variables discretas generadas mediante procesos de conteo
se pueden asociar a funciones de probabilidad que tienen un
comportamiento particular conocido:

• Número de artículos defectuosos que existen en una caja con

cierto número de unidades.

• Número de personas que llegan a un establecimiento comercial en

cierto periodo de tiempo.

• Número de veces que un procedimiento es utilizado hasta que

falle.
 𝑓 𝑥 = 𝜋𝑥 1 − 𝜋 1−𝑥 , si 𝑥 = 0, 1
Binomial
puntual
𝑛
𝑓 𝑥 = 𝑥
𝜋𝑥 1 − 𝜋 𝑛−𝑥
, x = 0,1, … , 𝑛

Geométrica Binomial

𝑥−1
𝑓 𝑥 =𝜋 1−𝜋 , si 𝑥 = 1, 2,3, …

𝜆𝑥 −𝜆
𝑓 𝑥 = 𝑒 , x = 0,1,2, …
Hipergeométrica Poisson 𝑥!

𝐴 𝐵
𝑓 𝑥 = 𝑥 𝑛−𝑥 , si 𝑥 = 0, 1, … , 𝑛; 𝑥 ≤ 𝐴
𝑁
𝑛
Pruebas de Bernoulli
Existen experimentos aleatorios que tienen solo dos resultados posibles,
llamados éxito (E) y fracaso (F). Un experimento de este tipo se denomina
ensayo de Bernoulli. Luego, un conjunto de (n) ensayos es llamado “proceso
de Bernoulli” si cumple con las siguientes condiciones:

a) Para cada ensayo: Ω = éxito E , fracaso(F) → 𝑃 𝐸 = 𝜋 y 𝑃 𝐹 = 1 −

𝑃 𝐸 =1−𝜋

b) La probabilidad de éxito (𝜋) se mantiene constante de ensayo en ensayo.

c) Los ensayos son independientes.

 64
Ejemplo
Suponga que se analizan las ventas diarias de una empresa (en miles
de soles) que varían en el intervalo [4, 14]. Se considera que, en un día,
la venta es “estupenda” si ésta se encuentra por encima de los S/.
10,000 y la probabilidad de que suceda dicho evento es 0.4. Si se
seleccionan al azar 15 días, determine la probabilidad de que en los
siete primeros días la venta sea “estupenda” y en los otros días no.

7 8
Rpta: 𝑃 𝑆 = 0.4 0.6
1. Distribución de Bernoulli o binomial puntual
Una variable aleatoria discreta X tiene una distribución Bernoulli o binomial
puntual si su función de probabilidad es dada por:

𝑓 𝑥 = 𝜋𝑥 1 − 𝜋 1−𝑥
, si 𝑥 = 0, 1
=0 , de otro modo

𝜋: Probabilidad de éxito
X: Número de éxitos en un ensayo de Bernoulli

𝜇𝑋 = 𝐸 𝑋 = 𝜋

𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇𝑋 2
=𝜋 1−𝜋
 66
2. Distribución binomial
Una variable aleatoria discreta X tiene una distribución binomial si su
función de probabilidad es dada por:

𝑓 𝑥 = 𝑛𝑥 𝜋 𝑥 1 − 𝜋 𝑛−𝑥 , si 𝑥 = 0, 1, … , 𝑛
=0 , de otro modo 𝑋~𝐵 𝑛, 𝜋
𝜋: Probabilidad de éxito
n: Número de pruebas de Bernoulli o tamaño de una muestra con reemplazo
X: Número de éxitos en n pruebas de Bernoulli

𝜇𝑋 = 𝐸 𝑋 = 𝑛𝜋

𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇𝑋 2
= 𝑛𝜋 1 − 𝜋
Características
1. Cuando 𝑛 = 1, la distribución recibe el nombre de Distribución de
Bernoulli o Binomial Puntual.
2. El valor mínimo de X siempre es cero, y el valor máximo de X
siempre es n.
3. Asociada al MCR con n definido (población finita) o a un
MCR/MSR de una población infinita.
4. La distribución es simétrica cuando 𝜋 = 0.5, es asimétrica positiva
cuando 𝜋 < 0.5 y asimétrica negativa cuando 𝜋 > 0.5.
5. Para valores de 𝜋 diferentes de 0.5, la distribución tiende a ser
simétrica cuando el valor de n aumenta.
 68
Ejemplo
El 5% de un lote de cajas, con mangos de exportación, producido por
una empresa es defectuoso. Si elige una muestra aleatoria con
reemplazo de 10 cajas, y se define la variable X, como el número de
cajas defectuosas en la muestra.
a) Determine la probabilidad que la primera, cuarta, sétima y décima
caja seleccionada, sean defectuosos; y las otras cajas no sean
defectuosas.
b) Halle la probabilidad de que cuatro de ellas sean defectuosas.
c) ¿Cuál es el grado de variabilidad relativa de la distribución de la
variable Número de cajas defectuosas en la muestra?
 7.6 Principales
distribuciones continuas
 Gamma

Uniforme Exponencial

Normal estándar Normal

Distribución Normal
Una variable aleatoria continua X tiene una distribución
Normal si su función de probabilidad está dada por:

1 1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2 𝜎 , 𝑠𝑖 −∞<𝑥 <∞
2𝜋𝜎
2 2
𝜇𝑋 = 𝐸 𝑋 = 𝜇 𝜎𝑋 = 𝑉𝑎𝑟 𝑋 = 𝜎

𝑋~𝑁 𝜇 , 𝜎 2
 1 1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2 𝜎
2𝜋𝜎

𝜎𝑋2

Donde −∞ < 𝜇 < ∞, 0 < 𝜎 2 < ∞. 𝑒 y 𝜋 son constantes.

Características
1. Curva de probabilidades de forma acampanada y
asintótica respecto al eje horizontal.

2. Unimodal

3. Simétrica

4. Mesocúrtica Ku ≅ 0.26
Cálculo de una probabilidad

𝑃 𝑎 < 𝑋 < 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎
𝑏
1 1 𝑥−𝜇𝑋 2
−
=න 𝑒 2 𝜎𝑋 𝑑𝑥
2𝜋𝜎𝑋
𝑎
X se distribuye con valores conocidos de su media 𝜇𝑋 y
2
variancia 𝜎𝑋

𝑋 − 𝜇𝑋 Estandarización
𝑌=
𝜎𝑋 Variable estándar

Características
- Y no tiene unidad de medida Distribución
- 𝜇𝑌 = 0 estándar
- 𝜎𝑌2 = 1
X se distribuye normalmente con valores conocidos de su
2
media 𝜇𝑋 y variancia 𝜎𝑋

𝑋 − 𝜇𝑋 Estandarización
𝑍=
𝜎𝑋 z~𝑁 0,1

Función de densidad Distribución

1 1
−2 𝑧 2 normal
𝑔 𝑧 = 𝑒 , 𝑠𝑖 − ∞ < 𝑧 < ∞
2𝜋 estándar
Distribución Normal Estándar - Características
1. Curva de probabilidades de forma acampanada y
asintótica respecto al eje horizontal.
2. Unimodal
3. Simétrica
4. Mesocúrtica Ku ≅ 0.26
5. Z no tiene unidad de medida.
6. La media es igual a cero y la variancia, igual a uno.
 Distribución Normal Estándar - Cálculo de una probabilidad
𝑏
𝒇(𝒙) 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎

𝑏
1 1 𝑥−𝜇𝑋 2
~ −2 𝜎
=න 𝑒 𝑋 𝑑𝑥
2𝜋𝜎𝑋
𝑎

𝒈(𝒛) 𝑧𝑏
1 1
−2 𝑧 2
𝑃 𝑧𝑎 ≤ 𝑍 ≤ 𝑧𝑏 = න 𝑒 𝑑𝑧
2𝜋
𝑧𝑎
~
Ejemplo
Suponga que los gastos semanales en movilidad realizados por los habitantes de
un distrito tienen una distribución normal con una media de 50 soles y una
desviación estándar de 12 soles.
a) Si se selecciona al azar un habitante del distrito, halle la probabilidad de que
su gasto en movilidad sea mayor a 80 soles. 0.0062
b) Si se seleccionan al azar tres habitantes del distrito, determine la
probabilidad de que dos de ellos tengan un gasto en movilidad mayor a 80
soles. 0.00011461
c) ¿Qué porcentaje de los habitantes del distrito tienen un gasto en movilidad
que difiere de la media de su distribución en menos de una desviación
estándar? 68.26%
d) Determine e interprete el valor del Percentil 75 de la distribución de los
gastos semanales en movilidad.
𝑷𝟎.𝟕𝟓,𝒁 = 𝟎. 𝟔𝟕𝟒𝟓𝟏𝟔𝟏 𝑷𝟎.𝟕𝟓,𝑿 = 𝟓𝟖. 𝟎𝟗𝟒𝟏𝟗
Lecturas esenciales (contenido 8)

Newbold et al. (2012) - NCT

Capítulo 6 (secciones 6.1 – 6.3)

Toma & Rubio (2012) - TRS

Capítulo 2*
Secciones: 2.(8/9).1, 2.(8/9).2, 2.(8/9).4
Sección 2.10 será tratada en E2