ESTADÍSTICA Y PROBABILIDADES

PROBABILIDADES Y VARIABLES ALEATORIAS

TIPO DE APUNTE: GUÍA DE ESTUDIO
UNIDAD 3
2 Apunte de clase

Contenido

I. Introducción ................................................................................................... 3

II. Teoría de Probabilidad ................................................................................. 4

III. Cálculo de Probabilidad ................................................................................ 7

IV. Teorema de Bayes ..................................................................................... 12

V. Variable Aleatoria………………………………………………………………...12

VI. Distribución de Probabilidad…………………………………………………….17

VII. Bibliografía .................................................................................................. 24

3 Apunte de clase

I. Introducción

Hasta el momento se han revisado formas matemáticas en las que se pueden

analizar datos y variables. En general, se puede decir que se refiere a un

escenario cierto. En variadas disciplinas científicas la ocurrencia de cierto hecho o

suceso asociado a algún tipo de experimento se sabe de antemano, así por

ejemplo si se introduce el número 4 en la siguiente función matemática 𝑌 = 𝑓(𝑥) =

3𝑥 + 1 = 13, este resultado se sabe con exactitud.

A este tipo de comportamiento se le llamará determinístico, sin embargo, ¿qué

sucede si se introduce la incertidumbre en el análisis? ¿qué se hace?, es decir,

cuando se analiza un determinado escenario, es posible que existan muchos

resultados y haya que asignar una determinada posibilidad a cada uno de esos

resultados. Para ello, la estadística y la teoría de probabilidades, describen todos

los posibles resultados del estudio particular y asignan a cada uno de dichos

resultados, un número denominado probabilidad. Así la probabilidad de un

suceso indica el grado a priori en que es posible esperar que dicho resultado

acontezca.

El número de fenómenos aleatorios o probabilísticos que se pueden caracterizar

mediante el modelamiento del comportamiento de sus resultados es inagotable y

va desde las ciencias físicas (posición o velocidad de una partícula, por ejemplo),

hasta la economía a través de la construcción de modelos econométricos. Ejemplo

4 Apunte de clase

de esto son: las elecciones políticas, el porcentaje de aprobación de un curso,

número de accidentes por hora en un camino, comportamiento de los precios de

las acciones, etc.

II. Teoría de Probabilidad

Para comprender la teoría de probabilidad, primero es importante conocer algunos

conceptos básicos.

Experimento (𝜺): procedimiento que es capaz de entregar más de un resultado

posible. Hay experimentos determinísticos y no determinísticos.

La diferencia conceptual es que, en el experimento determinístico no actúa la

aleatoriedad o el azar en su resultado final, (se sabrá el resultado antes de realizar

dicho experimento). Mientras que en un experimento no determinístico el azar

estará involucrado en su desarrollo, (sólo una vez realizado el experimento se

podrá saber el resultado).

Algo aleatorio es algo que no es controlable por el que desarrolla el experimento.

Espacio muestral (Ω): es el conjunto de todos los posibles resultados de un

experimento aleatorio.
5 Apunte de clase

Suceso o evento: es un subconjunto del espacio muestral, para denotar

cómodamente estos subconjuntos, se utilizarán las primeras letras del abecedario

en mayúsculas.

Ejemplo:

𝜀 = 𝑙𝑎𝑛𝑧𝑎𝑟 𝑢𝑛𝑎 𝑚𝑜𝑛𝑒𝑑𝑎

Ω= {𝑐𝑎𝑟𝑎, 𝑠𝑒𝑙𝑙𝑜}

Un suceso sería:

𝐴 = {𝑞𝑢𝑒 𝑠𝑎𝑙𝑔𝑎 𝑐𝑎𝑟𝑎}

Tipos de Sucesos

 Suceso elemental: si un suceso A consta de un solo resultado posible del

espacio muestral 𝜀.

 Suceso compuesto: este tipo de suceso consta de más de un resultado

posible

 Suceso seguro: es aquel suceso que puede ocurrir con toda seguridad.

Está formado por todos los resultados posibles del experimento y, por tanto,

coincide con el espacio muestral.

 Suceso imposible: Es un suceso que no puede ocurrir. Se representa por

Ø, lo que significa que el conjunto no tiene elementos.

6 Apunte de clase

 Suceso no excluyente o compatible: Se dice que dos sucesos A y B son

no excluyentes, cuando tienen algún suceso elemental en común.

 Suceso independiente: Se dice que dos sucesos A y B son

independientes, cuando la probabilidad que suceda A, no se ve afectada

por la probabilidad que suceda o no suceda B. Es decir, la realización del

primer suceso no condiciona la realización del segundo.

 Suceso dependiente: Se dice que dos sucesos A y B son dependientes,

cuando la probabilidad que suceda A, se ve afectada por la probabilidad

que suceda o no suceda B. Es decir, la realización del primer suceso

condiciona la realización del segundo.

 Suceso mutuamente excluyente: Dados dos sucesos A y B de un espacio

muestral, se dice que ellos son mutuamente excluyentes, si y sólo si se

cumple que: (𝐴 ∩ 𝐵) = ∅ y (𝐴 ∪ 𝐵) = 1 . En otras palabras, dos eventos son

mutuamente excluyentes si y solo sí, siempre ocurre uno y solo uno de

ellos.

 Suceso contrario o complementario: Se dice que un suceso A es

complementario, cuando no ocurre dicho suceso.

7 Apunte de clase

III. Cálculo de Probabilidad

Si un experimento cualquiera puede dar lugar a un número finito de resultados

posibles, y no existe ninguna razón que privilegie unos resultados en contra de

otros, se calcula la probabilidad de un suceso aleatorio A, según la regla de

Laplace como el cociente entre el número de casos favorables de A, y el de todos

los posibles resultados del experimento (espacio muestral):

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 𝐴

𝑃(𝐴) =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝐴
𝑃(𝐴) =
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 Ω

El enfoque clásico de la probabilidad se basa en la suposición de que cada

resultado sea igualmente posible (equiprobabilidad).

Ejemplo 1:

Si se lanza un dado no cargado una vez. ¿Cuál es la probabilidad que salga un

cuatro?

Experimento: 𝜀 = lanzar un dado cargado una vez

Espacio muestral: Ω = {1, 2, 3, 4, 5, 6}

Suceso o evento: 𝐴 = {𝑞𝑢𝑒 𝑠𝑎𝑙𝑔𝑎 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑐𝑢𝑎𝑡𝑟𝑜}

1
𝑃(𝐴) = = 0,16̅ = 16,7%
6
8 Apunte de clase

Ejemplo 2:

La siguiente tabla indica el número de estudiantes de estadística y probabilidades

de todas las secciones de las carreras de la Escuela de Administración de

UNIACC, que aprobaron y reprobaron la asignatura.

Escuela de
Hombre Mujer Total
Administración

Aprobados 55 40 95

Reprobados 45 100 145

Total 100 140 240

Determinar la probabilidad que una persona elegida al azar:

a) Sea hombre

100
𝑃(𝐻) = = 0,416̅ = 41,7%
240

b) Halla aprobado la asignatura

95
𝑃(𝐴) = = 0,3958 = 39,6%
240

Definición axiomática de probabilidad (Kolmogorov, A; 1933).

Se llama función de probabilidad a una aplicación

𝑃: Ω → 𝐼𝑅

𝐴 → 𝑃(𝐴)
9 Apunte de clase

tal que:

i. 𝑃(𝐴) ≥ 0, ∀ 𝐴 𝐶 Ω

ii. 𝑃(Ω) = 1

iii. Para toda sucesión de sucesos disjuntos dos a dos, {𝐴1 , 𝐴2 , . . . . . . } tales que

𝐴𝑖 ∩ 𝐴𝑗 = ∅ ∀ 𝑖 ≠ 𝑗, entonces

∞ ∞

𝑃 = (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 )
𝑖=1 𝑖=1

En consecuencia, se obtienen las siguientes propiedades:

i. 𝑃(∅) = 0

ii. 𝑃(𝐴̅) = 1 − 𝑃(𝐴)

iii. 0 ≤ 𝑃(𝐴) ≤ 1

iv. 𝑆𝑖 𝐴 𝐶 𝐵, 𝑃(𝐴) ≤ 𝑃(𝐵)

v. 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵), 𝑠𝑖 𝐴 𝑦 𝐵 𝑠𝑜𝑛 𝑛𝑜 𝑒𝑥𝑐𝑙𝑢𝑦𝑒𝑛𝑡𝑒𝑠

vi. 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵), 𝑠𝑖 𝐴 𝑦 𝐵 𝑠𝑜𝑛 𝑚𝑢𝑡𝑢𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑥𝑐𝑙𝑢𝑦𝑒𝑛𝑡𝑒𝑠

Ejemplo:

Dado el siguiente espacio muestral: Ω= {2, 9, 15, 22, 50} se desea determinar la

probabilidad que, al extraer un número de forma aleatoria, este sea un número par

o múltiplo de cinco.

𝐴 = {𝑞𝑢𝑒 𝑠𝑎𝑙𝑔𝑎 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑝𝑎𝑟} 𝑦 𝐵 = {𝑞𝑢𝑒 𝑠𝑎𝑙𝑔𝑎 𝑢𝑛 𝑛ú𝑚𝑒𝑟𝑜 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑜 𝑑𝑒 𝑐𝑖𝑛𝑐𝑜}

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

𝑃(𝐴 ∩ 𝐵) , se lee como la probabilidad de que ocurra A y ocurra B.

3 2 1 4
𝑃(𝐴 ∪ 𝐵) = + − = = 0,8 = 80%
5 5 5 5
10 Apunte de clase

Casos importantes que considerar:

 Si A y B son sucesos de carácter independientes, es decir, la ocurrencia de

uno no incide sobre la ocurrencia del otro, se cumple que:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)

 Si A y B son sucesos mutuamente excluyentes, es decir la ocurrencia de

uno excluye la ocurrencia del otro, se cumple que:

𝑃(𝐴 ∩ 𝐵) = 0

Probabilidad Condicional

Si se tienen los sucesos posibles A y B de un espacio muestral, entonces la

probabilidad de que ocurra A dado que ya ocurrió B, está dado por:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴/𝐵) = 𝑐𝑜𝑛 𝑃(𝐵) > 0
𝑃(𝐵)

Ejemplo:

Usando la misma tabla del ejemplo de estudiantes aprobados o reprobados de

una asignatura

Escuela de
Hombre Mujer Total
Administración

Aprobados 55 40 95

Reprobados 45 100 145

Total 100 140 240

11 Apunte de clase

Determinar la probabilidad de que, al elegir una persona en forma aleatoria, esta

haya aprobado dado que se sabe que es una mujer.

𝐴 = {𝑞𝑢𝑒 𝑠𝑒𝑎 𝑢𝑛𝑎 𝑚𝑢𝑗𝑒𝑟}, 𝐵 = {𝑞𝑢𝑒 ℎ𝑎𝑦𝑎 𝑎𝑝𝑟𝑜𝑏𝑎𝑑𝑜 𝑙𝑎 𝑎𝑠𝑖𝑔𝑛𝑎𝑡𝑢𝑟𝑎}

𝑃(𝐵 ∩ 𝐴) 40/240 40
𝑃(𝐵/𝐴) = = = = 0,2857 = 28,57%
𝑃(𝐴) 140/240 140

Probabilidad Total

Sea B1, B2,....., Bn una participación del espacio muestral y A un suceso cualquiera

del espacio muestral, entonces:

i. 𝐵𝑖 ∩ 𝐵𝑗 = ∅ ∀𝑖 ≠ 𝑗 (𝑑𝑖𝑠𝑗𝑢𝑛𝑡𝑜𝑠 𝑑𝑜𝑠 𝑎 𝑑𝑜𝑠).

ii. Ω=

iii. 𝑃(𝐵𝑖 ) ≠ 0 ∀𝑖

y sea A otro suceso del espacio muestral, para que el que se conocen las

probabilidades 𝑃(𝐴/𝐵𝑖 ), 𝑖 = 1,2. . . . 𝑛

Entonces:

𝑃(𝐴) = ∑ 𝑃(𝐴/𝐵𝑖 ) ∗ 𝑃(𝐵𝑖 )

𝑖=!
12 Apunte de clase

IV. Teorema de Bayes

Si el espacio muestral está formado por B1, B2,....., Bn particiones y se conoce la

ocurrencia de un suceso A que está en el espacio muestral. Entonces, al

determinar la probabilidad de que una partición en particular ha sido generadora

del suceso A.

Este teorema, es una técnica que permite obtener la probabilidad condicional de

un evento cuando mediante el efecto se trata de determinar la probabilidad de la

causa.

𝑃(𝐴/𝐵𝑖 ) ∗ 𝑃(𝐵𝑖 )
𝑃(𝐵𝑖 /𝐴) = 𝑐𝑜𝑛 𝑃(𝐴) ≠ 0
𝑃(𝐴)

𝑃(𝐴) = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑡𝑜𝑡𝑎𝑙

V. Variable Aleatoria

Sea 𝜀 un experimento y Ω un espacio muestral asociado al experimento, se

llamará variable aleatoria a una función que asigna a cada suceso de Ω un

número real valorado (Devore, 2008).

Variable aleatoria discreta (v. a. d.)

13 Apunte de clase

Son aquellas cuando los posibles valores de X son finitos o infinitos numerables,

en este caso es posible distinguir cada valor de Xi, por lo tanto, la probabilidad de

X tiene significado para cada valor puntual de la variable aleatoria (Anderson et al,

2008).

Toda variable aleatoria, tal que su dominio sea solo números enteros, será una

variable aleatoria discreta.

Función de cuantía:

Es aquella función de probabilidad P(Xi) que le asocia un número a cada valor de

la variable aleatoria de X o probabilidad de X y que cumple con las siguientes

condiciones (Anderson et al, 2008).

i. 𝑃(𝑋𝑖 ) ≥ 0

ii. ∑ 𝑃(𝑋𝑖 ) = 1

Función de distribución acumulada:

Corresponde a la suma de todas las probabilidades hasta un cierto valor de la

variable aleatoria o menor que ese valor. Esto es (Anderson et al, 2008):

Donde 𝑥 ∗ = valor particular de la variable aleatoria X.

14 Apunte de clase

Propiedades:

F ()  lim F ( x)  lim P( X  x)  P( E )  1

x  x 

F ()  lim F ( x)  lim P( X  x)  P()  0

x  x 

P( x1  X  x2 )  F ( x2 )  F ( x1 )

F es monótona creciente.

F es continua por la derecha: la probabilidad de que la variable aleatoria discreta X

tome un valor concreto es igual al salto de la función de distribución en ese punto.

Media y desviación estándar para variable aleatoria discreta:

La media de una variable aleatoria se conoce como el valor esperado o

esperanza. Es el valor de la variable aleatoria, que se espera que ocurra en

promedio, después de repetir una gran cantidad de veces un experimento

aleatorio.
𝑛

𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1

Por otra parte, la varianza para una distribución de probabilidad de variable

aleatoria discreta está definida:

𝜎 = ∑(𝑥𝑖 − 𝜇)2 𝑃(𝑥𝑖 )

2

𝑖=1
15 Apunte de clase

Por lo tanto, la desviación estándar es: 𝜎 = √𝜎 2

Variable aleatoria continua (v. a. c.):

Sea 𝜀 un experimento y Ω un espacio muestral asociado, se llamará a X v. a. c. sí

puede tomar cualquier valor fraccionario dentro de un cierto intervalo especificado

de valores a, b en que puede ser −∞ y b puede ser +∞. Algunas consideraciones

importantes (Anderson et al, 2008).

a) El conjunto de valores a, b es infinito no numerado.

b) Cada punto del intervalo especificado puede ser el resultado del

experimento, sin embargo, pierde significado la probabilidad en un punto

específico.

c) El enfoque conveniente es elaborar una función de probabilidad definida

como una función de densidad que va a estar fundamentada en la función

matemática correspondiente.

Función de densidad:

Es aquella función de probabilidad de una v. a. c. que cumple con las siguientes

condiciones (Devore, 2008):

i. 𝑓(𝑥) ≥ 0 , 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥

ii. 1

iii.
16 Apunte de clase

Si se compara con las propiedades de la función de cuantía de variables aleatorias

discretas, se observa que son las mismas, con la diferencia que una plantea el

escenario discreto y la segunda el escenario continuo.

Función de distribución acumulada:

Es aquella función que va acumulando todas las áreas de probabilidad hasta un

cierto valor de la v. a. c. o menor que ese valor (Devore, 2008).

Esperanza matemática

El valor promedio que la variable está determinado por:

+∞
𝐸 (𝑥 ) = ∫ 𝑥𝑓(𝑥 )𝑑𝑥, 𝑓(𝑥 ) = 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑
−∞

Varianza

 2  E ( X 2 )  ( E ( x )) 2

Donde

E( X )  x  f ( x ) dx
2 2


17 Apunte de clase

VI. Distribución de Probabilidad

Distribuciones de probabilidad para variables aleatorias discretas

Distribución Binomial

Corresponde a una distribución asociada con pruebas repetidas e independientes

de un mismo experimento con dos resultados mutuamente excluyentes en cada

prueba (Anderson et al, 2008):

 Resultado favorable = Éxito = p

 Resultado desfavorable = Fracaso = (1 - p) = q

En esta distribución interesa en el número de éxitos dentro de las n repeticiones

que se haga del experimento.

𝑛
𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑛 𝑛!
Donde ( ) = 𝑥!(𝑛−𝑥)!
𝑥
La media, varianza y desviación estándar, para distribución binomial, están dadas

por:

Media =

Varianza =
18 Apunte de clase

Desviación estándar o típica =

Distribución de Poisson

Se usa en situaciones donde:

 Nos interesa determinar el número de hechos de cierto tipo que se pueden

producir en un intervalo de tiempo o de espacio, bajo presupuestos de

aleatoriedad y ciertas circunstancias restrictivas.

 Se consideran procesos dicotómicos reiterados un gran número de veces si

la probabilidad de obtener un éxito es muy pequeña.

La distribución de Poisson es una alternativa a la binomial. Se utiliza cuando el n

es muy grande y p es muy pequeña

λ𝑥
𝑃 (𝑋 = 𝑥 ) =
𝑥! 𝑒 λ
Donde:

 λ = número promedio de ocurrencias (éxitos) durante un intervalo especifico

de tiempo.

 𝑒 = es la constante 2,7182818 (base del logaritmo neperiano)

 x = es el número de ocurrencias (éxitos)

La media y varianza, para distribución de Poisson, están dadas por:

𝐸(𝑥) = 𝜇
𝑉𝑎𝑟(𝑥) = 𝜇
19 Apunte de clase

Distribución de Probabilidad Hipergeométrica

La distribución de probabilidad hipergeomética es similar a la binomial, pero lo que

la distingue es la forma como se obtienen los datos.

Las condiciones que se deben cumplir, para aplicar este tipo de distribución, son

las siguientes:

 Que el tamaño de la población sea pequeño

 Que la selección de la muestra de una población finita sea sin reemplazo
 Que el tamaño de la muestra n sea mayor al 5% de la población N.

 a  N  a 
  

P ( X  x)    
x n x
x  0,1,2,...., n
N
 
n
Donde:

N= tamaño de la población

a= número de éxitos en la población

x= número de éxitos que son de interés en la muestra

n = tamaño de la muestra o número de ensayos

La media y varianza están dadas por:

a
E[ X ]  n
N
a a  N  n 
Var ( X )  n 1   
N  N  N  1 
20 Apunte de clase

Distribuciones de probabilidad para variables aleatorias continuas

Distribución Uniforme

Se dice que una variable aleatoria continua X, sigue distribución uniforme en el

intervalo (𝑎, 𝑏), si su función de densidad está definida por:

 1
 , si a  x  b
f ( x)   b  a

0 , e.o.c

La media y varianza están dadas por:

ab
E[ X ] 
2

(b  a ) 2
Var ( X ) 
12
Distribución Exponencial

Se utiliza fundamentalmente para modelizar tiempos de vida o tamaños.

La media y varianza están dadas por:

1
E[ X ] 

1
Var ( X ) 
2
21 Apunte de clase

Distribución Normal

Se dirá que una variable aleatoria X, se distribuye normalmente con parámetros μ

y σ2 (que se denota como N ~ (μ, σ2), si puede tomar valores numéricos a lo largo

de toda la recta real (positiva y negativa) con función de probabilidad (densidad):

(Anderson et al, 2008)

Donde:

σ = desviación estándar

μ = media o esperanza de X

E(x) = μ

V(x) = σ2

Si se realiza el polígono de frecuencia de esta distribución, su gráfico es una línea

con forma de campana simétrica, tal como se muestra en el siguiente gráfico, en
que aparecen varias campanas de Gauss:
22 Apunte de clase

Gráfico 1. Campanas de Gauss. Fuente: http://es.schoolofdata.org

En el gráfico se presentan los diferentes polígonos de frecuencia para distintos

valores de μ y de σ. Lo interesante, es observar que sin importar qué valores
tomen estos parámetros, el gráfico es siempre una campana simétrica respecto a
la media.

Propiedades de la distribución normal:

a)

b) Dos parámetros que caracterizan a la distribución normal: μ y σ2, en que:

23 Apunte de clase

c) Teorema: si la v. a. X ~ N (μ, σ2), entonces la v. a. Z, seguirá una

distribución normal estándar que se denotará por N (0,1), si puede tomar

valores numéricos a lo largo de toda la recta real (positiva y negativa). Esta

variable aleatoria se puede obtener de la estandarización siguiente:

Una vez que se ha realizado la estandarización de la distribución, las

probabilidades asociadas a los sucesos de interés se buscan en la tabla de

probabilidades para la N (0,1). La tabla normal estándar da las probabilidades

acumuladas o áreas bajo la curva normal, para distintos valores de Z. (Revisar

tabla descargable) La tabla nos da la probabilidad acumulada, es decir, la que va

desde el inicio de la curva por la izquierda hasta dicho valor, P (Z ≤ a). No nos da

la probabilidad concreta en ese punto.

Casos:

a) General (menor)
𝑥 − 𝜇
𝑃(𝑋 ≤ 𝑥) = 𝑃 (𝑍 ≤ ) = 𝑃(𝑍 ≤ 𝑍1 )
𝜎

b) Central

𝑎 − 𝜇 𝑏 − 𝜇
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃 ( ≤𝑍≤ ) = 𝑃(𝑍1 ≤ 𝑍 ≤ 𝑍2 ) = 𝑃(𝑍 ≤ 𝑍2 ) − 𝑃(𝑍 ≤ 𝑍1 )
𝜎 𝜎

c) Mayor
𝑥 − 𝜇
𝑃(𝑋 ≥ 𝑥) = 𝑃 (𝑍 ≥ ) = 𝑃(𝑍 ≥ 𝑍1 ) = 1 − 𝑃(𝑍 ≤ 𝑍1 )
𝜎
24 Apunte de clase

VII. Bibliografía

Spiegel, M. & Stephens, L. (2009) “Estadística” (Cuarta edición). México. McGraw

Hill.

Devore, J. (2008). Probabilidad y estadística para ingeniería y ciencias. México:

International Thomson Editores.

Anderson D., Sweeney D., y Williams T., (2008). Estadística para Administración y

Economía, 10a Edición. México: Cengage Learning.

Si usted desea referenciar este documento, considere la siguiente

información:

Caldera, M. (2018) Probabilidad y Variable Aleatoria. Apunte de clase unidad 3,

Estadística y Probabilidades, Universidad UNIACC.

Todos los derechos de autor son de la exclusiva propiedad de UNIACC o de los otorgantes de sus licencias.
No está permitido copiar, reproducir, reeditar, descargar, publicar, emitir, difundir, poner a disposición del público
ni utilizar los contenidos de forma alguna, excepto para su uso personal, nunca comercial.
Av. Salvador 1200, Providencia, Santiago, Chile © 2020-2023 Universidad UNIACC.