Estadística Cátedra Muiños 2do Parcial

1. Video: Modelos de Distribución de Probabilidades

Estadística inferencial: rama de la estadística que a través de sus procedimientos permite

realizar inferencias a nivel poblacional. Para esto se basa en la idea de probabilidad. Es el salto
de lo concreto (muestra) a lo general (población).
En psicología es común el uso de Modelos Teóricos para explicar las regularidades del
comportamiento o el funcionamiento mental.
En estadística se usan modelos teóricos para describir el comportamiento de las variables,es
decir, como se presentaría la variable de interés en la población que es objeto de estudio.

Un modelo es:

 Una construcción teórica.

 Una representación simplificada de la realidad.

Y sirve para:

 Posibilitar una mejor comprensión de la misma,

 Facilitar su análisis e interpretación,
 Formular conclusiones y realizar predicciones.

Contar con un modelo para una variable le permite al investigador deducir conclusiones que luego
confrontará con la realidad observada, es decir, pondrá a prueba para ver si explican o predicen
bien lo que sucede en la realidad.
Ejemplo:
MODELO de la variable “Sexo de alumnos de psicología” Porque es una frecuencia
relativa supuesta en base a
Valores de la variable Frecuencia relativa teórica la experiencia o teoría que
manejamos, no la que
Femenino 0.8 surgió de la realidad ni un
Masculino 0.2 dato de la muestra.

 No hablamos de la cantidad concreta de varones y mujeres que hay, el modelo trata de ser
una explicación general de lo que usualmente podemos esperar que se dé en una
población determinada. Y en este sentido es más adecuado pensar en qué proporción se
darían los distintos valores de la variable, lo que queremos expresar se representa mejor
con las frecuencias relativas.

A partir de ahora, a las frecuencias relativas teóricas se llamarán probabilidades.

La probabilidad de un valor de la variable es la proporción de casos que se espera que ese valor
de la variable tenga en una población. Puede interpretarse como una medida de la posibilidad de
que dicho valor sea observado en la población.

A esa medida se la ha representado en tanto en tanto por 1, o sea, en proporciones. Entonces, un

valor de la variable imposible de ser observado en una población tendría una probabilidad igual a
0, uno posible pero raro tendrá valor cercano a 0, los que casi seguro se llegaran a dar tendrán
valores cercanos a 1.
No obstante, a veces se utilizan números en tanto 100 para expresar probabilidades, es decir,
porcentajes. Aunque el sentido sea el mismo estrictamente hablando estos valores no son
probabilidades sino porcentajes de posibilidades que expresan cuantas de cada 100 veces se
espera que ocurra el suceso buscado.

Además, de ahora en adelante se trabajará con variables aleatorias, se denominan así porque
sus valores dependen del azar. El azar tiene que ver con aquellos eventos cuyos resultados no
podemos predecir con certeza, por ejemplo: cuando elegimos al azar a un individuo de la
población para preguntar su opinión sobre una cuestión de la actualidad, está puede ser favorable
o desfavorable. Esto no quiere decir que su respuesta sea algo aleatorio, posiblemente tiene una
opinión formada al respecto y su respuesta no depende del azar; en cambio, el procedimiento de
elección de solo un individuo de la población es lo que le da sentido al término aleatorio.
La incertidumbre se refiere hacia el individuo extraído al azar y su opinión.

Variables aleatorias: sus valores dependen del azar, es decir, que su resultado no
lo podemos predecir con certeza.
Estimación de parámetros: proceso consistente en asignar a las propiedades
desconocidas de una población las propiedades conocidas de una muestra
extraída de esa población.

Resumiendo, un modelo para una Variable

 Es una distribución de frecuencias relativas teóricas.

Estas frecuencias relativas no se fundamentan en la observación directa, sino que son

postuladas. La experiencia previa justifica los valores propuestos, o es deducida a partir de ciertas
condiciones teóricas.
Las frecuencias relativas en el modelo se denominan probabilidades.

 Es una distribución de probabilidades.

PROBABILIDAD = Frecuencia Relativa Teórica

Tiene las mismas propiedades que las frecuencias relativas:

 es una cantidad no negativa
 la suma de las probabilidades asignadas al conjunto de los valores de la variable es uno.

Otro ejemplo: Dos modelos de distribución de probabilidades de puntajes de ansiedad

En el modelo 1 se observa una distribución simétrica ya que es más probable encontrar los
valores intermedios en ansiedad que los valores más extremos.
El modelo 2 presenta asimetría negativa ya que es más probable que se den los valores altos de
la variable que los puntajes bajos.
El primer modelo podría ser quien describe los puntajes de ansiedad de una población en una
situación neutra, mientras que el segundo modelo podría estar modelizando el comportamiento de
la población frente a una situación estresante, por ejemplo, un examen.
 ¿Qué significado damos a las
probabilidades?

Para una muestra elegida al azar de una

población modelizada con el Modelo 1, se
espera que el 40 % de los individuos de la
muestra tenga un puntaje en ansiedad
igual a 2.

La probabilidad correspondiente a un valor

de la variable puede interpretarse como
una medida de la posibilidad de que dicho
valor sea observado en una muestra
elegida al azar.

En los modelos también se pueden calcular las medidas de tendencia central.

La media se obtiene sumando los productos de los valores de la variable por sus
correspondientes probabilidades; y se simboliza con una µ (diferenciándola de la media muestral:
X ).

μ=∑ x . p

La varianza se obtiene sumando los cuadrados de los desvíos a la media por la probabilidad
correspondiente.

σ =∑ ¿ ¿
2

La moda y la mediana se calculan parecido a como cuando tenemos una distribución de

frecuencias observadas.

Moda: valor que aparece mayor cantidad de veces, es decir, con mayor frecuencia absoluta.
Si tiene mayor frecuencia absoluta, mayor será también su frecuencia relativa teórica, o sea,
su probabilidad.
Media: se obtiene sumando los productos de los valores de la variable por sus
correspondientes probabilidades. Se diferencia de la media muestral por el símbolo.
En el primer modelo sería 4 x 0.05 + 3 x 0.25 + 2 x 0.40 + 1 x 0.25 + 0 x 0.05 = 2
Varianza: se obtiene sumando los cuadrados de los desvíos a la media (puntuaciones
diferenciales) por la probabilidad correspondiente.
En el primer modelo sería:
2 2 2 2 2
(4−2) x 0.05+(3−2) x 0.25+(2−2) x 0.40+(1−2) x 0.25+(0−2) x 0.05=2
Hay muchas variables que, siendo totalmente diferentes entre sí presentan similares
distribuciones de frecuencias.

Nótese que son variables

cualitativas, toman dos
valores, es decir, son
dicotómicas. Aunque también
sucede lo mismo en variables
cuantitativas

El hecho de que, independientemente de la naturaleza particular de las variables, exista un

comportamiento a estructura similar entre distintas distribuciones de frecuencias, conduce a la
conceptualización de las mismas como modelos.
Si la realidad que conocemos a través de las muestras coincide con lo planteado por el modelo,
podemos decir que el modelo se sostiene. Es la forma que adquieren los datos debido a la
variabilidad que presenta.

2. Video: Modelo binomial

Una variable sigue un modelo de probabilidad binomial si es una variable cuantitativa discreta
que cuenta la cantidad de éxitos que ocurren en n observaciones de una variable dicotómica de
parámetro p, que son independientes y con la misma probabilidad de éxito p.

Ejemplos:

a) Se tira cuatro veces un dado al aire y se registra el número de veces que sale 2 en las cuatro
tiradas.
El resultado obtenido en cada lanzamiento puede considerarse una variable dicotómica con
probabilidad de éxito ⅙.
Luego, la variable "cantidad de 2 en cuatro tiradas del dado" es una variable binomial de
parámetros n = 4 y p = ⅙

b) Sea X la cantidad de pacientes asistentes a un taller terapéutico que culminan el tratamiento

de un total de 7. Se sabe por registros de la institución donde se realiza el taller, que la
probabilidad de finalizar el tratamiento es de 0.60.

El hecho de que un paciente finalice o no el tratamiento es una variable dicotómica. Entonces

la variable "cantidad de pacientes que terminan el tratamiento de los 7 consultados" sigue el
modelo Binomial, de parámetros n=7 y p=0.6.

• Los valores de una variable binomial son 0, 1, 2,..., n, es decir, el recorrido de dicha variable
consta de n+1 valores.
• Las probabilidades asociadas a cada uno de los valores de la variable Binomial resultan de la
aplicación de una fórmula matemática que involucra a n y a p.

Esta fórmula no será necesario usarla en este

curso, sino buscarla adecuadamente en la
aplicación.
Variable dicotómica: Se debe basar en una variable dicotómica, que no es todavía la variable
binomial, pero su presencia es imprescindible para la generación de ésta.
Una variable dicotómica admite solo dos valores, que suelen ser 1 y 0. Estas variables de base
pueden ser auténticas variables dicotómicas (1 para varones y 0 para mujeres, por ejemplo) o
variables dicotomizadas artificialmente (1 para quien supere la puntuación de 15 en un test de
depresión, y un 0 para quien no la supere, por ejemplo).
Entonces, las variables que están en la base de una variable binomial son aquellas que adoptan
la regla de asignar un 1 si se cumple una cierta condición y un 0 si no se cumple. En el modelo de
distribución de probabilidad correspondiente a una variable binomial se verifica que las
probabilidades asignadas a sus valores dependen del número de repeticiones de la variable
dicotómica (tamaño de la muestra), así como de la probabilidad constante de éxito en cada
ensayo.
El parámetro p de una variable binomial se define como la probabilidad de obtener el éxito en
cada uno de los ensayos de la variable dicotómica.
Modalidades de la variable dicotómica: El porcentaje en el ejemplo de que una moneda caiga
en cara es de 50%, es decir 0.5 de probabilidad. Las modalidades de la variable dicotómica
serían: Caer de cara: 1 o p=0.5 No caer de cara: 0 o q= 1-p= 0.5.

Condiciones necesarias para aplicación del modelo Binomial

Condición de estabilidad: la probabilidad de éxito debe permanecer constante en las n

observaciones de la variable dicotómica.

Ejemplos:
 En el primer ejemplo la probabilidad de que salga 2 en cada tirada del dado (equilibrado) es
1/6.
 En el segundo ejemplo la probabilidad de que un paciente de los 7 consultados culmine el
tratamiento es 0.6. Si por alguna causa esta probabilidad aumentara o disminuyera durante el
tratamiento, la probabilidad de éxito cambiaría y no se mantendría la condición de estabilidad.

Condición de independencia: la probabilidad de obtener éxito en una observación no aumenta

ni disminuye si se conoce el resultado de otra observación.

Ejemplos:
 En el primer ejemplo la probabilidad que salga 2 en la tercera tirada no cambia si se sabe que
en los lanzamientos anteriores salió 2.
 En el segundo ejemplo la probabilidad de conocer que un paciente culminó su tratamiento por
ejemplo el quinto paciente nada informa acerca de si el sesto a séptimo lo harán.
 En las carreras de caballos, la probabilidad de que un caballo gane una carrera se puede
estimar por su desempeño en carreras de años anteriores, entonces no se cumpliría la
condición de independencia.

Modelo de distribución binomial, Botella 13.2.2 (313 y 314).

La distribución binomial fue estudiada por Bernoulli, algunos autores la definen como la
distribución del número de aciertos en una serie de ensayos de Bernoulli.
Para que la distribución de probabilidad de una variable se ajuste al modelo binomial debe
basarse en una variable dicotómica (admite solo dos valores, por ejemplo 0 y 1), ya sean
auténticamente dicotómicas o dicotomizadas artificialmente (por ejemplo 1 para puntajes mayores
a determinado valor en un test y 0 para valores menores a ese mismo puntaje), se definen como
las variables que adoptan la regla de asignar 1 si se cumple cierta condición y 0 si no se cumple.
El segundo requisito es que haya una repetición n de ensayos de la variable dicotómica en los
que la probabilidad de que en cada repetición se verifique la condición sea constante, es decir
que la verificación debe ser independiente y a esa probabilidad de verificación constante se la
representa con π.
El tercer requisito es que se defina una variable como “el número de casos que en la secuencia
de ensayos dicotómicos verifican la condición especificada”, es decir el número de unos
observados. Este modelo es útil para variables cuantitativas discretas.
En resumen, habrá variable binomial si
a) se define una variable a partir del cumplimiento o incumplimiento de una condición;

b) se realiza una secuencia de n observaciones de esos ensayos dicotómicos en los que la

probabilidad de verificación de la condición en cada repetición π es constante;
c) se define una variable aleatoria X como el número de casos de esa secuencia en los que
se cumple la condición.
El resultado es una variable X con parámetros n y π: B(X; n,π).
De la forma de generar una variable aleatoria binomial se deducen algunas de sus
características: 
a) Los valores de una variable binomial oscilan entre 0 y n, donde n es el número de ensayos
dicotómicos realizados. Es decir, el número más pequeño posible de casos en los que se
verifica la condición es ninguno y el máximo es todos. 

b) Si representamos el resultado de cada ensayo dicotómico con ceros y unos, el valor que
adopta la variable no es más que la suma de esa secuencia de unos y ceros.  

c) El valor esperado de una variable binomial se obtiene a partir de las propiedades de la suma
de variables aleatorias y de la definición de valor esperado. Dado que una binomial es la suma
de una secuencia de n valores, y cada uno de ellos puede considerarse una variable aleatoria
dicotómica, su valor esperado será igual a la suma de los valores esperados de cada una de
ellas. El valor esperado de una variable dicotómica es igual a la probabilidad de observar el
valor 1, que hemos representado por n.

Ejemplo: se introducen tres ratas sin entrenamiento previo en un laberinto con forma de T y se
define la condición “salir por la izquierda”.
 La introducción de cada rata en el laberinto es un ensayo dicotómico (creado por el
cumplimiento/incumplimiento de esa condición)

 La probabilidad de que la rata salga por la izquierda en cada ensayo es la misma (0.50).

 Se define la variable X como el “número de ratas que salen por la izquierda”, es decir el
número de ensayos en los que se verifica la condición especificada.

 La variable X se distribuye según el modelo binomial con parámetros n=3 y π=0,50 es decir
B(X; 3, 0.50).

*Cada ensayo en un modelo de distribución binomial puede considerarse como una variable
Bernoulli. Cada ensayo puede dar éxito o fracaso, entonces la distribución binomial puede
entenderse como varios modelos de Bernoulli agrupados.
Ejercicios: Caso Problema Unidad 6 del 1 al 4
3. Video: Modelo normal

Forma que adquieren los datos debido a su

variabilidad, dependiendo de la forma, se
pueden derivar probabilidades teóricas de
ocurrencia de un evento. Existen distintos
patrones según la forma, el Normal para
variables cuantitativas continuas es uno; μ
(mu) y  son sus parámetros: N (µ y )
Ejemplos de variables ajustados a este
modelo: Inteligencia, Tiempo de Reacción,
aptitudes, rendimiento escolar
Curva Normal  Campana de Gauss: La
mayoría de las personas obtienen valores
intermedios y es muy poco probable que se
vallan a acercar a los extremos de la curva. Botella va a
decir que somos mediocres, muy pocos se destacan.
En otras palabras, a medida que nos alejamos del
centro la probabilidad asociada a observar ese valor va
disminuyendo.

Entre un desvió por encima de la media y uno por debajo

de la misma se encuentran aproximadamente el 68% de
los valores de la variable.

PROPIEDADES
 Es simétrica con respecto a un valor central (μ), en donde coinciden las 3 MTC (media, moda
y mediana).

 Es asintótica con respecto al eje de las abscisas, es decir, la curva no toca el eje horizontal
salvo +  / - .

 Hay una familia de curvas normales: La más importante es aquella con media 0 y desviación
típica 1, la distribución normal unitaria / estándar.

 Los puntos de inflexión se encuentran en los puntos correspondientes a la media más/menos

una desviación típica (u +/- ).

 Cualquier combinación línea de variables aleatorias normales se ajusta también al modelo

normal.

DOS INTERROGANTES

1. ¿Cuál es la probabilidad acumulada (área) asociada a un determinado valor de la variable?

2. ¿Qué valor de la distribución se asocia a una probabilidad asociada dada?

Aspectos Prácticos
Antes de comenzar ...

1. Identificar claramente los parámetros ( y )

2. Tener en claro cuál es la información que necesito obtener (área o puntaje, porcentaje o valor,
rango percentilar o centil)

3. Definir si corresponde tipificar o destipificar

4. No olvidar que no es lo mismo la puntuación z que el valor de la puntuación original

Ejemplos:

1) Para lograr una beca para rotar por un servicio de psicopatología de España se debe rendir un
examen de ingreso y sólo hay cupo para el 10% de los aspirantes. Suponiendo que los
puntajes se distribuyen normalmente en el grupo de aspirantes con media 80 y desviación
estándar 7.

¿Qué calificación mínima debe obtenerse para alcanzar la beca?

Datos:

Cupo: 10%
Media: 80
Desvió estándar: 7

Me piden el 10% superior, entonces, es aquel puntaje que supera al 90%. Así, yo quiero saber
con la aplicación que valor le corresponde a un área de 0,9 (= 1,28).
Ahora, me preguntan el puntaje que diferencia entre quienes va a acceder y quienes no van a
acceder a la beca.  usamos fórmula de destipificación (= 88,96).

Rta.: El valor que se debe para obtener la beca es 88,96 o más.

2) El tiempo de reacción frente a un estímulo auditivo se distribuye normalmente con media 3

segundos y desvío típico de 1,5 segundos. Un investigador se pregunta qué porcentaje de la
población tarda más de 5 segundos en reaccionar ante el estímulo visual.

Datos:
Media: 3
: 1,5
?: porcentaje que tarde más de 5 seg. P (X  25)

Calculamos

P(X ≤ 5) = P [ (X - 3) / 1,5 ≤ (5 - 3) / 1,5] = P( Z ≤ 1,33)

Área de 0.9082
P (X  25) = 1 - 0.9082 = 0.0918

0.0918 x 100 = 9.18%

Modelo de distribución normal, Botella 13.3.2 (318 -322).

Al referirnos a valores concretos de variables aleatorias continuas con frecuencia pondremos un
subíndice que indicará una probabilidad. En todos los casos, y para todos los modelos, esos
subíndices reflejarán el área izquierda, probabilidad acumulada, o centil asociado a ese valor.

La distribución normal es para variables cuantitativas continuas. Se trata de una fórmula

matemática y de un fenómeno natural, puesto que es frecuente encontrar variables con
distribuciones semejantes a la de la normal. La estatura, el peso, la agudeza visual, la fuerza,
etc., son variables que se ajustan a este modelo. Ya dentro de la psicología, variables como el
cociente intelectual, la extraversión o el razonamiento espacial, son variables con distribuciones
también normales.

Universalidad de la curva normal: en la mayor parte de las variables existe un valor central (la
media) en torno al cual se concentran la mayor parte de los individuos, y a medida que nos vamos
fijando en valores más alejados de la media observamos que éstos son menos frecuentes. Es
decir que, al alejarse de la media la probabilidad asociada a observar el valor disminuye. Esta
reducción gradual en la frecuencia no es lineal, sino que es mayor al principio y menor después
(la curva pasa de convexa a cóncava al alejarse de la media):
Que refleja la distribución normal: la mayor parte de nosotros somos mediocres en nuestras
características, y solo unos pocos sobresalen por adoptar valores excepcionalmente altos o bajos.
Cuanto más se alejan los valores de la media, más difícil es encontrar individuos que adopten
esos valores.

Errores perceptivos: los cometidos por sujetos humanos al hacer mediciones pueden
cuantificarse calculando la diferencia entre la medición hecha y la cantidad real. Cuando se
carecía de instrumentos de precisión, las observaciones de los astrónomos se basaban en
colecciones de mediciones recogidas por distintos observadores y en diferentes momentos. El
estudio de los valores registrados para una misma magnitud mostró que éstos adoptan una forma
parecida a la de la curva normal. Esto impulsó al estudio de una fórmula que describiese la
distribución de los errores. Obviamente, son mas frecuentes las mediciones cercanas al valor real
(errores pequeños) que las lejanas (errores grandes). De hecho, cuanto mayor es un error, con
menor frecuencia se observa.

Función de densidad de probabilidad: Matemáticamente, una variable aleatoria se distribuye

según el modelo normal, con parámetros μ y σ , si su función de densidad de probabilidad para
1 −¿ ¿
todo valor X viene dada por la fórmula: f ( x )= .e
√2 π σ 2

X −μ
Fórmula de tipificación: z=
σ

Fórmula de tipificación: X =z . σ + μ

Las variables cuya distribución se ajusta al modelo normal adoptan una representación gráfica en
la que se aprecian las siguientes propiedades:

1. Es simétrica con respecto a un valor central µ y en ese valor central coinciden la media,
la mediana y la moda.

2. Es asintótica con respecto al eje de abscisas.

3. Hay toda una familia de curvas normales, dependiendo de los valores de µ y ϑ. La más
importante es la que tiene media 0 y desviación típica 1, denominada distribución normal
unitaria (Sheppard).

4. Los puntos de inflexión se encuentran en los puntos correspondientes a la media ± una

desviación típica (µ ± σ).

5. Cualquier combinación lineal de variables aleatorias normales se ajusta también al

 modelo normal.

La mayor parte del trabajo práctico con variables aleatorias normales consiste en hallar
probabilidades asociadas a valores. Esto significa integrar la función de densidad entre los
valores de interés. Para evitar tener que resolver estas operaciones, se construyeron tablas
apropiadas con las áreas halladas y cuyo uso se basa en la aplicación de un teorema de gran
interés aplicado llamado teorema de tipificación.

Según el teorema de tipificación: la función de distribución asociada a un valor de una

variable aleatoria, X, con distribución normal, es la misma que la función de distribución de la
tipificada de ese valor en la normal unitaria. Por eso las tablas se han construido solo para la
distribución unitaria. Para obtener las áreas asociadas a un valor de cualquier otra distribución
normal basta con tipificar ese valor (las típicas son una transformación lineal con media 0 y
desviación típica 1, y por tanto su distribución es la normal unitaria) y acudir con la puntuación
típica obtenida a la tabla correspondiente.

Representación gráfica de la equivalencia entre las funciones de distribución de valores de

variables normales y las de sus tipificadas en la distribución normal unitaria:

Según el teorema de tipificación para variables normales, la función de

distribución asociada a un valor de la variable norma, X, es igual a la de
la tipificada de ese valor en la distribución normal unitaria. Es decir:
Si
a) X → N (μ , σ ) y

b) Formamos la variable z i=( X i−μ ) /σ

Entonces F ( X i )=F ( z i ) donde z → N (0,1)

Para referirnos a un valor concreto de la distribución normal unitaria usamos la letra z y a su derecha el
subíndice correspondiente a la probabilidad acumulada para ese valor.
Ejemplo: z0,67 = 0,44 indica que en la distribución normal unitaria el valor 0,44 tiene una probabilidad
acumulada, o área izquierda, igual a 0,67.
El trabajo con variables aleatorias normales, al igual que con otras variables continuas, se
reduce a la obtención de las probabilidades de obtener un valor menor o igual que uno
concreto (o área izquierda de ese valor) o la de obtener un valor mayor o igual que uno
concreto (o área derecha de ese valor), o la de obtener un valor comprendido entre dos
valores concretos (o área cortada por esos dos valores). El procedimiento para obtener esas
probabilidades consistirá en aplicar el teorema de tipificación y consultar la tabla.

Dos interrogantes: (área, porcentaje y rango percentilar es lo mismo. Puntaje, valor y centil
son lo mismo)

1. ¿Cuál es la probabilidad acumulada (área) asociada a un determinado valor de la

variable? Área / porcentaje / rango percentilar – Tipificar – y buscar el VALOR DE Z con
la app

✓ Obtener la probabilidad de que un valor sea menor o igual que uno concreto (a la izquierda
de ese valor). También se dice: la probabilidad de un valor como mucho igual a X, que es
obtener la probabilidad acumulada de X.

✓ Obtener la probabilidad de que un valor sea mayor o igual que uno concreto (a la derecha
de ese valor). También se dice: la probabilidad de un valor como mínimo igual a X, que es
obtener el complementario de la probabilidad acumulada de X

✓ Obtener la probabilidad de que un valor esté comprendido entre dos valores concretos (área
cortada por ellos).
2. ¿Qué valor de la distribución se asocia a una probabilidad asociada dada?
Puntaje / Valor / Centil - Buscar DESTIPIFICAR

 Obtener el valor en el que la probabilidad de observar un valor sea como mucho igual a
él es: / También se dice: obtener el valor que deja el área a su izquierda igual a X.
 Obtener el valor en el que la probabilidad de observar un valor sea como mínimos igual a
él es: / También se dice: obtener el valor que deja un área a su derecha igual a X.
 Obtener los valores que acoten X y X. / También se dice obtener el área cortada o,
obtener los valores que dejen a su izquierda y derecha, respectivamente, áreas iguales
X.
Aclaraciones:

 Si pregunta sobre el PORCENTAJE, una vez que ya tipificamos y calculamos la

probabilidad, hay que multiplicarla por 100.

 Cuando pregunta por el RANGO PERCENTILAR, sería X menor o igual al valor que
pidan. Una vez que se tipificó y se calculó la probabilidad, el resultado se multiplica por
100, pues es un porcentaje. El rango percentilar es porcentaje.

 Cuando hablamos de la segunda pregunta, trabajamos con z y el subíndice. Por ejemplo,

el puntaje que supera al 20% es C20, entonces Z0,20. Ahí en la aplicación se busca este
valor, es decir, en el cuadro de probabilidad, se pone 0.20. y ese valor se usa para la
destipificación.

 Si te da el número de la muestra, el resultado final se multiplica por ese número.