Sesion 3. Distribuciones de Probabilidad Discretas y Continuas

INFERENCIA ESTADISTICA
DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS Y CONTINUAS
Sesión 3
CURSO: ESTADÍSTICA APLICADA A LOS NEGOCIOS

DOCENTE: Ms. C. Karina Jacqueline Cárdenas Rodríguez
INFERENCIA ESTADISTICA
Fecha:
Sábado: 30/10/2021
Horario:
De 7:30 p.m. a 10:00 p.m.
Logro de la sesión: El estudiante al finalizar la sesión estará en la capacidad de

identificar, los conceptos de las distribuciones de probabilidad para variables discretas y
continuas, a través de la distribución Binomial – Poisson y Normal
Producto: Practica de desarrollo

DISTRIBUCIONES DE
PROBABILIDAD
DISCRETAS Y
CONTINUAS
Observe la imagen y
responda las siguientes
interrogantes:
Utilizamos el
sondeo en Zoom
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS
1. ¿Que tipo de variables existen según su naturaleza?
Variables dependientes e independientes
Variables Cuantitativas y Cualitativas

Variables nominales y ordinales
2. ¿Son variables cuantitativas discretas?
Imagen 1,2,4 y 5 Imagen 1, 2, 3, 4 , 5 y 6 Imagen 3 y 6
3. ¿Son variables cuantitativas continuas?
Imagen 1 Si - No Imagen 2 Si - No Imagen 3 Si - No Imagen 4 Si - No
Imagen 5 Si - No Imagen 6 Si - No
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
A. DISTRIBUCION DE PROBABILIDAD BINOMIAL
• Cada ensayo tienen sólo dos resultados posibles. Para variables dicotómicas.
• Los ensayos son independientes.
• La probabilidad de éxito “p” es constante en cada ensayo.
FUNCIÓN DE PROBABILIDAD BINOMIAL

Es la probabilidad de obtener exactamente x “éxitos” en n pruebas independientes de un
experimento, con p como la probabilidad de éxito para cada prueba.
𝑋 →𝐵𝑖𝑛(𝑛,𝑝)
Parámetros: n,p
Su función de distribución esta denotada por:
𝑛 𝑥 𝑛−𝑥
𝑓 𝑥 =𝑃 𝑋 =𝑥 = 𝑝 𝑞 q=1 -p
𝑥
CASO 1. P ( X ≤ a ) = P(X =0)+…+ P(X=a)

Algunas propiedades que se CASO 2. P ( X < a ) = P (X ≤ a - 1 )
deben tener en cuenta, para CASO 3. P ( X > a ) = 1 - P (X ≤ a)
CASO 4. P ( X ≥ a ) = 1 - P ( X ≤ a - 1)
solucionar los ejercicios: CASO 5. P (a ≤ x ≤ b) = P (X ≤ b ) - P (X ≤ a - 1)
CASO 6. P( X < a)= P(X =0)+ …+P(X =a-1)
CASO 7. P ( X = a ) = P ( X ≤ a ) - P ( X ≤ a - 1 )
EJEMPLO 01
El administrador de una Clínica desea analizar estrategias a

implementar en su institución, sabiendo que el 25% de pacientes
que llegan por emergencia son positivos a COVID 19. Si se
extrae una muestra aleatoria de cinco pacientes que llegan a
emergencia.
Encuentre la probabilidad de que :

a) Ninguno tenga COVID 19.
b) Exactamente uno tenga COVID 19.
c) Menos de dos tengan COVID 19.
SOLUCION
a) Ninguno tenga COVID19
n=5 , p=0.25
P(X = 0) = C 05 0.250 (0.75)5 = 0.237 𝑛 𝑥 𝑛−𝑥
𝑃 𝑋 =𝑥 = 𝑝 𝑞
𝑥
b) Exactamente uno tenga COVID 19
P ( X = 1 ) = C 15 0 . 2 5 1 ( 0 . 7 5 ) 4 = 0.396
c) Menos de dos tengan COVID 19
P(X  2) = P(X  1) = P(X = 0) + P(X = 1) =0.237 +0.396 = 0.633
CASO 2. P ( X < a )= P (X ≤ a - 1 )
1. Utilizando
MEGASTAT
Inmediatamente aparece un
cuadro de dialogo donde
deben elegir la distribución a
utilizar
Para terminar OK.
Agregar luego los valores

de los parámetros según lo
solicitado por la
herramienta.
Aparece un ahoja nueva

(output) donde se
presentan los resultados.
Seleccionamos lo que se
necesita para continuar y
terminar de resolver los
ejercicios planteados.
2. UTILIZANDO LAS FUNCIONES DE EXCEL
P ( X = 0) = C 5
0 0.250 (0.75) 5
= 0.237
DISTRIBUCIONESDEPROBABILIDADDISCRETAS
EJEMPLO 02
Un fabricante de puntas de dosificadores electrónicos para uso de laboratorio garantiza a sus clientes que
en cada caja de dosificadores hay menos de 5 dosificadores defectuosos y que esta representa el 98% de
confiabilidad. Si el cliente comprueba que este porcentaje es menor entonces devolverá la caja de
dosificadores. Si cada caja contiene un total de 15 dosificadores electrónicos y la experiencia ha mostrado
que en el proceso de fabricación se produce el 10% de dosificadores defectuosos. ¿El cliente devolverá la
caja de dosificadores electrónicos?
DISCRETASDISCRETAS
DISTRIBUCIONES DE PROBABILIDAD
SOLUCION 15 n
0.1 p
PARAMETROS: cumulative
X P(X) probability
0 0.20589 0.20589
n = 15 1 0.34315 0.54904
p = 0.10 2 0.26690 0.81594
3 0.12851 0.94444
4 0.04284 0.98728
𝑷 𝑿 < 𝟓 =𝑷 𝑿 ≤𝟒 = 𝟎. 𝟗𝟖𝟕𝟐𝟖
5 0.01047 0.99775
6 0.00194 0.99969
7 0.00028 0.99997
INTERPRETACION: 8 0.00003 1.00000
9 0.00000 1.00000
10 0.00000 1.00000
El cliente no devolverá la caja de 11 0.00000 1.00000
12 0.00000 1.00000
dosificadores electrónicos, porque la 13 0.00000 1.00000
14 0.00000 1.00000
probabilidad encontrada es superior al 98%
15 0.00000 1.00000
1.00000
1.500 expectedvalue
1.350 variance
1.162 standarddeviation
B. DISTRIBUCION DE PROBABILIDAD POISSON
La función de probabilidad de Poisson define la probabilidad de exactamente x ocurrencias o

“éxitos”, que aparecen por unidad de tiempo o espacio.
• Los sucesos son independientes entre si.

• Se utiliza cuando se quieren evaluar variables aleatorias discretas pero ocurridos en
espacios continuos.
• Estos espacios continuos pueden ser el tiempo, volumen, espacio, etc.
𝑋 →𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆)
FUNCIÓN DE PROBABILIDAD POISSON.
𝑒−𝜆𝜆𝑥 Donde λ = Número esperado de éxitos.

𝑋 →𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝜆 = e = Constante matemática.
𝑥! x = Número de éxitos por unidad.
Ejemplos:
➢ # de defectos de una tela por m2
➢ # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
➢ # de bacterias por cm2 de cultivo
➢ # de llamadas telefónicas a un conmutador por hora, minuto, etc., etc.
➢ # de llegadas de embarcaciones a un puerto por día, mes, etc.
EJEMPLO 03
Se conoce que el número promedio de llamadas a una central telefónica
para reportar casos de COVID 19 es de 3 llamadas por minuto. Calcular las
siguientes probabilidades:
a.Reciban exactamente dos llamadas telefónicas en un minuto
b.Reciban a lo más 2 llamadas telefónicas en un minuto.
SOLUCION
Se tiene que λ = 3 llamadas por minuto.
a. Reciban exactamente dos llamadas telefónicas en un

minuto
e−332
P (X =2) = = 0.224
2!
b. Reciban a lo más 2 llamadas telefónicas en un minuto.
P ( X  2) = P ( X = 0 ) + P ( X = 1 ) + P ( X = 2 )
= e −3 3 0 + e −3 3 1 + e −3 3 2
0! 1! 2!
= 0.0497 + 0.149 +0.224
= 0.423
1. Utilizando
MEGASTAT
Inmediatamente aparece
un cuadro de dialogo
donde deben elegir la
distribución a utilizar
Para
terminar OK.
Agregar luego los valores

de los parámetros según lo
solicitado por la
herramienta.
En la ventana de la salida
se muestran todas las
probabilidades de la
distribución de Poisson,
donde se observa que:
En este caso va desde
valor cero hasta valor 17,
notándose que las
probabilidades de los
últimos valores son ceros
y unos.
DISTRIBUCIONESDEPROBABILIDADDISCRETASYCONTINUAS
Identificamos luego
los valores solicitados
y sus respectivas
probabilidades, tal
como se muestra.
2. UTILIZANDO LAS FUNCIONES DE EXCEL
e−332
P ( X = 2) = = 0.224
2!
DISTRIBUCIONESDEPROBABILIDADDIS ONTINUAS
P ( X  2) =
EJEMPLO 04
La central telefónica de una empresa recibe un
promedio de 3.4 órdenes de pedido por hora. Estas
ocurrencias se producen al azar. ¿Cuál es la
probabilidad de que se produzcan:
a) Exactamente 4 órdenes de pedido en una hora

dada.
b) Como máximo 5 órdenes de pedido en una hora.
c) Más de 5 órdenes de pedido en dos horas.
 = 3.4 órdenes de pedido / hora

SOLUCION
a) Exactamente 4 órdenes de pedido en una hora dada.
b) Como máximo 5 órdenes de pedido en una hora.
P( X  5) = 0.871 = 87.1% → Tabla Caso1

c) Más de 5 órdenes de pedido en dos horas. E n 2 h o r a s  = 6.8 ó rd en es →
 = 6.8 ó rd en es / 2 h o r a s
P ( X  5) = 1 − P ( X  5) → Ta b l a C a s o 3
= 1 − 0.327
= 0. 673 = 6 7 . 3 %
Evaluando lo aprendido
Estimados estudiantes repasamos lo aprendido respondiendo a las propuestas a través

del desarrollo de los ejemplos que se muestran a continuación:
r cu de ect os
Reforzamos lo
aprendido
APLICACIÓN 1
El jefe de recursos humanos desea determinar la proporción de técnicos en venta que creen que es muy improbable
obtener un ascenso en los siguientes 5 años. Si la probabilidad de que más de 3 técnicos en venta crean que es muy
improbable en obtener un ascenso, es mayor al 85%, el jefe de recursos humanos dará un ascenso a fin de mes a
dichos técnicos. Por datos anteriores la proporción de obreros que creen que es muy improbable obtener un
ascenso es de 20%. Si el jefe elige al azar a 25 técnicos, determinar:
a) La variable aleatoria y los parámetros de la distribución
b) La probabilidad que cuatro obreros de los 25 elegidos al azar crean que es muy improbable obtener un ascenso
en los siguientes 5 años
c) La probabilidad que más de tres obreros de los 25, crean que es muy improbable obtener un ascenso en los
siguientes 5 años
d) El jefe de recursos humanos dará el ascenso a los obreros que crean que es muy improbable obtener un
ascenso los siguientes 5 años.
APLICACIÓN 2
2. El departamento de recursos humanos desea determinar si la probabilidad que los trabajadores de la
empresa reciban a lo más 2 capacitaciones al año es menor al 0.8, se realizara un programa de capacitaciones.
Se sabe que al año en promedio los trabajadores reciben 1.4 capacitaciones.
a) Definir la variable aleatoria y los parámetros de la distribución

b) Si se elige un trabajador al azar, ¿cuál es la probabilidad de que reciba una capacitación en seis meses?
c) Si se elige un cliente al azar, ¿cuál es la probabilidad que reciba como máximo dos capacitaciones por año?
d) ¿El departamento de recursos humanos realizara el programa de capacitaciones?
CONCLUSIONES
➢ Una variable aleatoria consiste en asignar un numero a cada resultado del espacio
muestral.
➢ Los parámetros de la distribución binomial son la probabilidad de éxito (p) y el tamaño de
la muestra (n)
➢ El parámetro de la distribución de Poisson es la media.
➢ A través de una distribución de probabilidad se puede tomar decisiones en situaciones en
que el tamaño de muestra es pequeño.

DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
C. DISTRIBUCION DE PROBABILIDAD NORMAL
La curva de densidad normal es simétrica y unimodal, en forma de una campana de Gauss.
• Coinciden la media, la mediana y la moda.

• Los puntos de inflexión en la curva quedan situados a igual distancia de la media.
• Dicha distancia es un desvió estándar, entonces los puntos de inflexión son 𝜇 − 𝜎 𝑦 𝜇 + 𝜎
• Esta distribución se puede aplicar en variables

cuantitativas continuas.
• El área total bajo la curva es igual a uno.
LA DISTRIBUCIÓN NORMAL
Función de Probabilidad
Parámetros: Media µ Varianza σ2

LA DISTRIBUCIÓN NORMAL ESTÁNDAR
La distribución normal estándar es una distribución normal

media µ = 0 y varianza σ2 = 1. Realizamos el cambio
de variable utilizando:
Tiene las mismas características de una distribución normal.
Función de Probabilidad
Para el uso de tabla o Excel tener en cuenta lo siguiente:
− Z2
1
P(Z z) = 
z
𝒂) 𝑷 𝑿 ≤ 𝒂 = 𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒂𝒄𝒖𝒎𝒖𝒍𝒂𝒅𝒂 𝑺𝑷𝑺𝑺, 𝑴𝒆𝒈𝒂𝒔𝒕𝒂𝒕
e 2 dz
− 2π 𝒃) 𝑷 𝑿 ≥ 𝒂 = 𝟏 − 𝑷 ( 𝑿 ≤ 𝒂)
; Para z = -4, …,4 𝒄) 𝑷 𝒂 ≤ 𝑿 ≤ 𝒃 =𝑷 𝑿 ≤ 𝒃 − 𝑷 ( 𝑿 ≤ 𝒂)

Ejemplo
Un laboratorio farmacéutico produce Prednisona en presentación de jarabe. El contenido
promedio del envase es de 90 mililitros con una desviación estándar de 5 mililitros. Según
resoluciones del MINSA, si el producto no alcanza los 85 mililitros, el laboratorio será
penalizado y cerrado. Según el inspector de calidad del laboratorio, lo envases tampoco
pueden superar los 95 mililitros dado que pueden generar pérdida de líquido al encapsular.
a) Definir la variable y los parámetros de la distribución.

b) ¿Cuál es la probabilidad de que el laboratorio sea penalizado y cerrado?.
c) ¿Cuál es la probabilidad de que se pierda contenido al encapsular?
d) ¿Cuál es el contenido mínimo del 20% de las botellas con mayor contenido de jarabe prednisona?
Solución
a) Definir la variable y los parámetros de la distribución.
X: Contenido del envase (mililitros)

X~N( μ = 90; σ= 5)
b) ¿Cuál es la probabilidad de que el laboratorio sea penalizado y cerrado?
1. Utilizando P ( X < 85 ) = 0.1587 => 15.87%

MEGASTAT
Determinamos la probabilidad
1
7
3
5
Después de seguir los

pasos obtenemos la
salida de Megastat en
la cual se obtiene:
Identificamos luego los

valores de la
probabilidad solicitada
tal como se muestra.
La probabilidad de que el laboratorio sea

penalizado y cerrado es de 15.87%
c) ¿Cuál es la probabilidad de que se pierda contenido al encapsular?
P ( X > 95 ) = 0.1587
1 5
Determinamos la
probabilidad mediante
Megastat
4
3

pasos obtenemos la
la cual se obtiene:
Identificamos luego los

valores de la
probabilidad solicitada
tal como se muestra.
La probabilidad de que se pierda contenido al encapsular es del 15.87%

d) ¿ Cuál es el contenido mínimo del 20% de las botellas con mayor contenido de
jarabe prednisona?
5
80% 20% 1
Xmin C Xmax
2
P ( X≥C ) = ?
P ( X ≥ C ) = 0.20
4
3

pasos obtenemos la
la cual se obtiene:
El contenido mínimo del 20% de

botellas con mayor contenido de
P ( X ≥ C ) = 0.20 P ( X ≥ 94.2 ) = 0.20 jarabe prednisona es de 94.2

mililitros.
Evaluando lo aprendido
Estimados estudiantes repasamos lo aprendido a través del desarrollo de los ejemplos que se muestran a
continuación:
APLICACIÓN 1
Las piezas de pan de centeno distribuidas en las tiendas locales por cierta pastelería tienen una longitud
r cu de ect os
promedio de 20 cm y una desviación estándar de 1.5 cm. Al suponer que las longitudes están
normalmente distribuidas, ¿Qué porcentaje de las piezas están:
a. Entre 19.4 y 22.3 cm
b. Si se producen en un día 18500 piezas, ¿Cuántas se espera que tengan una longitud menor a 18.9 cm?
APLICACIÓN 2
Entre las ciudades de Estados Unidos con una población de más de 250,000 habitantes, la media del
tiempo de viaje de ida al trabajo es de 24.3 minutos. El tiempo de viaje más largo pertenece a la ciudad
de Nueva York, donde el tiempo medio es de 38.3 minutos. Suponga que la distribución de los tiempos
de viaje en la ciudad de Nueva York tiene una distribución de probabilidad normal y la desviación
estándar es de 7.5minutos.
a) ¿Qué cantidad de minutos consumen menos de ……..minutos si el porcentaje de viajes fue 13.35%?
b) ¿Qué porcentaje de viajes consumen entre 30 y 35 minutos?
CONCLUSIONES
1. Una variable aleatoria es continua cuando el rango puede tomar cualquier valor en un
intervalo.
2. Los parámetros de la distribución normal son la media poblacional “μ” y varianza

“σ2”.
3. En una Distribución Normal los valores de la media, mediana y la moda son iguales.
4. En la Distribución Normal Estándar la media, mediana y la moda son iguales a cero.
5. En una Distribución Normal o Normal Estándar el área bajo la curva normal es uno.
D. DISTRIBUCIÓN DE PROBABILIDAD “t-Student”
Una variable aleatoria se distribuye según el modelo de La grafica de esta función de densidad es
probabilidad t o T de Student con k grados de libertad, donde simétrica, respecto del eje de ordenadas, con
independencia del valor de k, y de forma algo
k es un entero positivo, si su función de densidad es la
semejante a la de una distribución normal.
siguiente:
Grados de libertad: k
D. DISTRIBUCIÓN DE PROBABILIDAD “t-Student”
Propiedades de las distribuciones t
1. Cada curva t tiene forma de campana con centro en 0
2. Cada curva t, esta mas dispersa que la curva normal estándar.

3. A medida que k aumenta, la dispersión de la curva t
correspondiente disminuye.
4. A medida que 𝑘 →∞, la secuencia de curvas t se aproxima a
la curva normal estándar.
La distribución de probabilidad de t se publico por primera vez y fue descrita por William S. Gosset en 1908. Publicaba
bajo el pseudónimo de “Student” mientras trabajaba para la cervecería Guinnes en Irlanda, y no se le permitía
publicar sus investigaciones. Para evitar esta prohibición, publico su trabajo en secreto bajo el nombre de t-Student.
E. DISTRIBUCION Chi Cuadrada – Ji Cuadrada
La distribución de Pearson, llamada también Chi Cuadrado o Ji
𝑋 2 = 𝑍 2 + 𝑍 2 + 𝑍 2 + ⋯+ 𝑍 2
Cuadrada 𝑋 2 , tiene un solo parámetro k, denominado grados de 1 2 3 𝐾
libertad de la variables aleatoria. Donde Zi son variables aleatorias

La variable aleatoria continua X, tiene una distribución Chi cuadrada, normales independientes de media
con k grados de libertad, si su función de densidad esta dada por: cero y varianza uno.
Función de densidad esta dada por:

E. DISTRIBUCION Chi Cuadrada – Ji Cuadrada
La distribución Chi Cuadrado se deriva de la Formula de la Chi Cuadrado
distribución normal y esta relacionada con la teoría del
muestreo pequeño n< 30.
Se define también como la suma de diferencias
cuadráticas relativas entre valores experimentales
(observados) y valores teóricos (esperados)
¿Para que utilizamos una Prueba Chi Cuadrada – Ji

Cuadrada?
➢ Para determinar si la muestra se ajusta o no se ajusta a una distribución teórica.
➢ Para saber si las poblaciones son homogéneas o no.
➢ Para determinar la independencia de variables a analizar.
TUTORIAL INSTALACIÓN MEGASTAT
youtube.com/watch?v=XnpB8rnwS_M
ASISTENCIA A VDC EXPOSITIVA 3

Sesion 3. Distribuciones de Probabilidad Discretas y Continuas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sesion 3. Distribuciones de Probabilidad Discretas y Continuas

Cargado por

Copyright:

Formatos disponibles

INFERENCIA ESTADISTICA

CURSO: ESTADÍSTICA APLICADA A LOS NEGOCIOS

Logro de la sesión: El estudiante al finalizar la sesión estará en la capacidad de

Producto: Practica de desarrollo

Variables Cuantitativas y Cualitativas

3. ¿Son variables cuantitativas continuas?

Imagen 1 Si - No Imagen 2 Si - No Imagen 3 Si - No Imagen 4 Si - No

• Los ensayos son independientes.

• La probabilidad de éxito “p” es constante en cada ensayo.

FUNCIÓN DE PROBABILIDAD BINOMIAL

Su función de distribución esta denotada por:

CASO 1. P ( X ≤ a ) = P(X =0)+…+ P(X=a)

El administrador de una Clínica desea analizar estrategias a

Encuentre la probabilidad de que :

c) Menos de dos tengan COVID 19

P(X  2) = P(X  1) = P(X = 0) + P(X = 1) =0.237 +0.396 = 0.633

Para terminar OK.

Agregar luego los valores

Aparece un ahoja nueva

La función de probabilidad de Poisson define la probabilidad de exactamente x ocurrencias o

• Los sucesos son independientes entre si.

FUNCIÓN DE PROBABILIDAD POISSON.

𝑒−𝜆𝜆𝑥 Donde λ = Número esperado de éxitos.

a.Reciban exactamente dos llamadas telefónicas en un minuto

b.Reciban a lo más 2 llamadas telefónicas en un minuto.

a. Reciban exactamente dos llamadas telefónicas en un

Agregar luego los valores

a) Exactamente 4 órdenes de pedido en una hora

b) Como máximo 5 órdenes de pedido en una hora.

c) Más de 5 órdenes de pedido en dos horas.

 = 3.4 órdenes de pedido / hora

b) Como máximo 5 órdenes de pedido en una hora.

P( X  5) = 0.871 = 87.1% → Tabla Caso1

Estimados estudiantes repasamos lo aprendido respondiendo a las propuestas a través

a) Definir la variable aleatoria y los parámetros de la distribución

➢ Los parámetros de la distribución binomial son la probabilidad de éxito (p) y el tamaño de

➢ El parámetro de la distribución de Poisson es la media.

➢ A través de una distribución de probabilidad se puede tomar decisiones en situaciones en

que el tamaño de muestra es pequeño.

• Coinciden la media, la mediana y la moda.

• Esta distribución se puede aplicar en variables

Parámetros: Media µ Varianza σ2

La distribución normal estándar es una distribución normal

; Para z = -4, …,4 𝒄) 𝑷 𝒂 ≤ 𝑿 ≤ 𝒃 =𝑷 𝑿 ≤ 𝒃 − 𝑷 ( 𝑿 ≤ 𝒂)

a) Definir la variable y los parámetros de la distribución.

X: Contenido del envase (mililitros)

b) ¿Cuál es la probabilidad de que el laboratorio sea penalizado y cerrado?

1. Utilizando P ( X < 85 ) = 0.1587 => 15.87%

Después de seguir los

Identificamos luego los

La probabilidad de que el laboratorio sea

Después de seguir los

Identificamos luego los

La probabilidad de que se pierda contenido al encapsular es del 15.87%

Después de seguir los

El contenido mínimo del 20% de

P ( X ≥ C ) = 0.20 P ( X ≥ 94.2 ) = 0.20 jarabe prednisona es de 94.2

2. Los parámetros de la distribución normal son la media poblacional “μ” y varianza

4. En la Distribución Normal Estándar la media, mediana y la moda son iguales a cero.

2. Cada curva t, esta mas dispersa que la curva normal estándar.

libertad de la variables aleatoria. Donde Zi son variables aleatorias

Función de densidad esta dada por:

¿Para que utilizamos una Prueba Chi Cuadrada – Ji