Universidad Autónoma de Nuevo León

Facultad de Ingeniería Mecánica y Eléctrica

Materia: Probabilidad y
Estadística
Producto Integrador de
Aprendizaje

Maestra: MARIA DE LOS ANGELES ALANIS JAUREGUI

Alumno: Isaac Samael Robles Barboza – 1947938
Carrera: IAS
Grupo: 011

Hora: M3
Fecha de entrega: 23/05/23
Índice
Introducción ............................................................................. 2
ESTADISTICA DESCRIPTIVA ................................................ 3
Probabilidad condicionada con reemplazo ............................. 6
Probabilidad condicionada sin reemplazo ............................... 7
Eventos ................................................................................... 8
Teorema de bayes ................................................................. 10
DISTRIBUCION BINOMIAL .................................................. 12
POISSON .............................................................................. 14
Área bajo la curva Normal ..................................................... 15
Intervalos de Confianza para una Media .............................. 18
Conclusión .......................................................................... 20
Referencias ......................................................................... 21
Introducción
En este producto integrador de aprendizaje vamos a ver los diferentes
temas en lo que se enfocaron para el semestre y que les dimos tanta
importancia ya que además de esto y nos ayudaron a poder reforzar
muchos temas que tal vez en algún momento vimos y no le dimos
importancia ahora que estamos en esta materia pasamos a entender
mejor el tema y así poder valor lo que es la probabilidad y estadística
dentro de nuestra vida y ámbito profesional para que en algún futuro
podamos pensar más rápido en las soluciones de algún problema que
tenga que ver con los temas que ya comprendimos en este semestre y
que seguiremos aprovechando en un futro así que en este proyecto
seguimos reforzando los temas que planteamos en clase ya que
veremos tanto la teoría y se verá también la práctica y así nos
podremos entender mejor y ayudarnos al final del semestre a obtener
una mejor calificación en el ultimo examen
ESTADISTICA DESCRIPTIVA
La estadística descriptiva es una rama de la estadística que se encarga
de recopilar, organizar, resumir y presentar datos de manera
comprensible y significativa. Su objetivo principal es describir las
características principales de un conjunto de datos, permitiendo así
comprender mejor la información y extraer conclusiones relevantes. En
la estadística descriptiva, se utilizan diferentes técnicas y medidas para
analizar los datos. Algunas de las medidas más comunes incluyen:
1. Medidas de tendencia central: Estas medidas proporcionan
información sobre el valor típico o central de un conjunto de datos.
Incluyen la media aritmética (promedio), la mediana (valor central
que divide al conjunto de datos en dos partes iguales) y la moda
(valor que ocurre con mayor frecuencia).
2. Medidas de dispersión: Estas medidas indican la variabilidad o
dispersión de los datos. Incluyen la desviación estándar (mide la
dispersión con respecto a la media), el rango (diferencia entre el
valor máximo y mínimo), y el rango intercuartílico (diferencia entre
el tercer y primer cuartil).
3. Medidas de forma: Estas medidas describen la forma de la
distribución de los datos. Algunas de ellas son la asimetría (indica
si la distribución es simétrica o sesgada) y la curtosis (mide la
concentración de los datos alrededor de la media).
Además de estas medidas, la estadística descriptiva también utiliza
técnicas gráficas para visualizar los datos, como histogramas, gráficos
de barras, diagramas de dispersión y diagramas de caja, entre otros. La
estadística descriptiva se utiliza ampliamente en diversos campos,
como la investigación científica, la economía, la psicología, la sociología
y muchas otras disciplinas. Permite resumir y comunicar de manera
efectiva la información contenida en los datos, lo que facilita la toma de
decisiones informadas y el análisis de situaciones complejas.
Antes de empezar con el problema tenemos que ir por nuestra
calculadora para hacer este procedimiento:
• Reiniciarla
• Poner en modo estadístico
 • Capturar cada valor y dar m+ después de cada valor, hasta el
último, dar clic a shift 2,1, = sale la x es la media
• Shift 2,2= sale la desv estándar σ
• Shift 2,3= sale la varianza S
Ahora veremos un problema sobre la estadística descriptiva:
De los siguientes 30 datos son las calificaciones de un grupo de
personas obtenga: 75, 80, 85, 90, 65, 70, 75, 80, 95, 90, 75, 80, 85, 70,
75, 80, 65, 70, 75, 80, 90, 95, 85, 70, 75, 80, 65, 70, 75, 80.
a) Diagrama tallo-hoja
Tallo Hoja
6 5, 5
7 0, 0, 0, 0, 5, 5, 5, 5, 5, 5, 5, 5
8 0, 0, 0, 0, 0, 0, 0, 0, 5, 5, 5,
9 0, 0, 0, 5, 5

b) Rango= Vmax- Vmin= 95-65= 30

c) Numero de clase= √𝑁 √30= 5.4
𝑅 30
d) Intervalo= (IR)= = = 5.47 que se redondea a 5
√𝑁 √30

e) Tabla de frecuencias
Li Ls F Facum Frel LI=LIMITE INFERIOR LS= LIMITE
SUPERIOR F =FRECUENCIA
Facum=FREC ACUMULADA FrEL =Frecu
65 70 6 6 6
relativa
30
LS= LI+IR
70 75 8 14 8
30 F, SON LOS VALOLRES QUE ESTAN
ENTRE LOS DOS LIMITES
75 80 8 22 8
30 FACUM ES SUMAR LAS FRECENCIAS
SIEMRPE EL PRIMER VALOR PASA
85 90 6 28 6 DIRECTO
30
FREL= ES DIVIDIR F / N
90 95 2 30 2
30
f) Histograma y polígono de frecuencias

g) Media 𝑥̃ = 78.83
h) desviación estándar 𝜎 = 7.81
i) Varianza S = 7.95
Probabilidad condicionada con reemplazo
La probabilidad condicionada con reemplazo es un concepto estadístico
que se refiere a la probabilidad de que ocurra un evento A dado que ha
ocurrido un evento B, bajo la suposición de que el evento B se repite o
se reemplaza después de cada observación.
En otras palabras, si se tiene un conjunto de eventos o elementos en el
que cada uno se puede repetir o reemplazar después de ser
seleccionado, la probabilidad condicionada con reemplazo se calcula
considerando que el evento B ha ocurrido y que cada vez que se realiza
una selección, el evento B permanece presente.
Es importante tener en cuenta que la probabilidad condicionada con
reemplazo se utiliza cuando se desea considerar la misma población o
conjunto de elementos en cada selección, y cuando la ocurrencia de un
evento no afecta la ocurrencia del otro en cada selección individual.
La fórmula que utilizaremos será P= #casos posibles / #casos totales;
posibles los que hay de los que me piden, totales todos los elementos
del problema.
Ahora veremos un problema de lo que es la probabilidad condicionada
con reemplazo:
Supongamos que tienes una caja con 8 bolas: 4 bolas rojas (R) y 4 bolas
azules (A). Extraeremos dos bolas de la caja, una por una y sin mirar.
Queremos calcular cual es la probabilidad de que las dos sean azules
por lo tanto según dice nuestra formula tendremos que hacer esto:
#𝐶𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
𝑃=
#𝐶𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Es así que tenemos que sustituir en la formula y quedaría algo así:
4
𝑃=
8
Por lo tanto, al hacer la división en nuestra calculadora nos da como
resultado que la probabilidad que existe es de 50% de que nos salga
dos bolas azules.
Probabilidad condicionada sin reemplazo
La probabilidad condicionada sin reemplazo es un concepto estadístico
que se refiere a la probabilidad de que ocurra un evento A dado que ha
ocurrido un evento B, bajo la suposición de que el evento B no se repite
ni se reemplaza después de cada observación.
En otras palabras, si se tiene un conjunto de eventos o elementos en el
que cada uno se selecciona sin reemplazo, la probabilidad condicionada
sin reemplazo se calcula considerando que el evento B ha ocurrido y
que el evento B ya no está presente en la población o conjunto de
elementos.
Es importante tener en cuenta que la probabilidad condicionada sin
reemplazo se utiliza cuando la selección de un evento afecta la
ocurrencia del otro en cada selección individual, ya que el evento B ya
no está disponible en la población después de haber ocurrido.
Se puede usar la misma formula que utilizamos en la probabilidad
condicionada con solo que con una pequeña variación y tendremos que
ver un pequeño problema para poder entenderlo mejor:
Supongamos que tienes una caja con 5 bolas: 3 bolas rojas (R) y 2 bolas
azules (A). Vamos a extraer dos bolas de la caja, una por una y sin
reemplazo. Queremos calcular la probabilidad de que salgan una bola
roja y una bola azul. Entonces tendremos que hacer esto:
2 3
𝑃= ×
5 4
Y el resultado dado de esta misma operación el resultado seria de 0.3 y
ese resultado seria multiplicado por 100 por lo tanto sería el 30% de que
salga 1 bola roja y 1 bola azul.
Eventos
En probabilidad y estadística, un evento se refiere a un suceso o
resultado específico que puede ocurrir en un experimento o situación
aleatoria. Los eventos se utilizan para describir los posibles resultados
de un experimento y se pueden clasificar en tres categorías principales:
eventos simples, eventos compuestos y eventos complementarios.
• Evento Simple: Un evento simple es aquel que consiste en un
único resultado o suceso. Por ejemplo, en el lanzamiento de un
dado, obtener un 3 es un evento simple.
• Evento Compuesto: Un evento compuesto es aquel que consta de
dos o más resultados o sucesos. Por ejemplo, en el lanzamiento
de un dado, obtener un número par es un evento compuesto que
incluye los resultados 2, 4 y 6.
• Evento Complementario: El evento complementario de un evento
A se refiere a todos los resultados que no están incluidos en el
evento A. Se representa como A'. Por ejemplo, si consideramos el
evento A de obtener un número impar en el lanzamiento de un
dado, su evento complementario sería A', que incluye los números
pares (2, 4 y 6).
Los eventos se utilizan para calcular probabilidades, que representan la
medida numérica de la posibilidad de que ocurra un evento específico.
La probabilidad de un evento se expresa como un número entre 0 y 1,
donde 0 significa que el evento es imposible y 1 significa que el evento
es seguro de ocurrir.
En resumen, los eventos en probabilidad y estadística son los diferentes
resultados posibles que pueden ocurrir en un experimento aleatorio, y
se utilizan para analizar y calcular las probabilidades asociadas con
esos resultados.
En una encuesta a 500 pacientes, se encontró que 250 eran cardiacos,
220 diabéticos y 10 ambas enfermedades, se selecciona un paciente al
azar. ¿Cuál es la probabilidad de: a) No tenga ninguna enfermedad
 C D

240 210

Ninguna: 40 10 CyD

Entonces el resultado es de 40 personas no tienen ninguna enfermedad

Teorema de bayes
El Teorema de Bayes es un concepto fundamental en la teoría de la
probabilidad y estadística que permite actualizar las probabilidades de
un evento en función de la información nueva o condicional disponible.
Fue desarrollado por el matemático y estadístico británico Thomas
Bayes.
El teorema establece que la probabilidad de que ocurra un evento A,
dado que ha ocurrido un evento B, se puede calcular a partir de la
probabilidad de que ocurra el evento B, dado que ha ocurrido el evento
A, junto con las probabilidades individuales de los eventos A y B.
La fórmula del Teorema de Bayes se expresa de la siguiente manera:
𝑃𝐴
𝑃𝐴/𝐸𝑖 = 𝑃𝐴 ∗ =/((𝑃𝐴 ∗ 𝑃𝐴/𝐸𝑖) + (𝑃𝐵 ∗ 𝑃𝐵/𝐸𝑖) + (𝑃𝐶 ∗ 𝑃𝐶/𝐸𝑖) =
𝐸𝑖
El Teorema de Bayes es especialmente útil cuando se tiene información
condicional disponible y se desea actualizar las probabilidades iniciales
a la luz de esa nueva información. Se utiliza ampliamente en diversas
áreas, como la medicina, la inteligencia artificial, la toma de decisiones
y el análisis de datos, entre otros.
El Teorema de Bayes permite realizar inferencias y tomar decisiones
basadas en la evidencia disponible, ajustando las probabilidades a
medida que se obtiene nueva información.
Ahora lo pondremos en practica y haremos un problema:
En una fabrica de focos se tienen 2 maquinas y se guardan en un
almacén a continuación se tiene una tabla que muestra toda la
información:
Producción %Defectuoso %Bueno
Maquina 1 .6 .1 .3

Maquina 2 .2 .03 .09

Por lo tanto, queremos saber cuál es la probabilidad de que sea
defectuoso de la maquina 2:
Ya que sabemos la formula correcta para poder solucionar este tipo de
problemas debemos sustituir en la formula:
𝑃𝐴
𝑃𝐴/𝐸𝑖 = 𝑃𝐴 ∗ =/((𝑃𝐴 ∗ 𝑃𝐴/𝐸𝑖) + (𝑃𝐵 ∗ 𝑃𝐵/𝐸𝑖) + (𝑃𝐶 ∗ 𝑃𝐶/𝐸𝑖) =
𝐸𝑖

Así que sustituyamos:

.2
.2 ∗ 1.3
𝑃𝐴⁄𝐸𝑖 = . 03 = = 0.27 = 27.04%
.6 .2 4.93
((. 6 ∗ . 1) + (. 2 ∗ . 03))

Entonces nuestra probabilidad seria de 27.04%

DISTRIBUCION BINOMIAL
La distribución binomial es una distribución de probabilidad discreta que
describe el número de éxitos en una secuencia de ensayos
independientes e idénticamente distribuidos, donde cada ensayo tiene
dos posibles resultados: éxito o fracaso.
Los elementos clave de una distribución binomial son:
1. Ensayos independientes: Cada ensayo o intento es
independiente, lo que significa que el resultado de un ensayo no
afecta el resultado de los demás ensayos.
2. Probabilidad constante: La probabilidad de éxito (generalmente
denotada por "p") es constante en cada ensayo. La probabilidad
de fracaso (denotada por "q") se calcula como 1 - p.
3. Número fijo de ensayos: La distribución binomial se aplica a un
número fijo de ensayos (generalmente denotado por "n").
4. Resultados binarios: Cada ensayo tiene dos posibles resultados:
éxito o fracaso.
La distribución binomial es ampliamente utilizada en diversos campos,
como la estadística, la ciencia, la ingeniería y la investigación de
operaciones, para modelar y analizar eventos con resultados binarios y
contar el número de éxitos en una secuencia de ensayos repetidos.
Ejemplos comunes incluyen el número de éxitos en pruebas de
medicamentos, el número de éxitos en ensayos de marketing o el
número de éxitos en lanzamientos de monedas.
Para la resolución de estos problemas se necesitarán:
• Tablas de la distribución impresas
• Calculadora
• Las variables para manejar son:
• n= tamaño de la muestra
• P=probabilidad dato, en porcentaje o punto decimal, siempre
pasar a punto decimal
• x= es lo que te piden obtener, son los incisos para resolver y son
las claves para aprenderse
Y también son necesarias aprenderse estas claves que son
importantes:
A) CUANDO TE PIDEN UN SOLO VALOR, SE BUSCARÁ ESE
VALOR MENOS EL ANTERIOR
Ejemplo: 5…. Sera x5-x4
b) cuando te piden 2 valores, buscas el mayor menos el anterior del
menor
Ejemplo: entre 6 y 8, será…x8-x5
c) cuando diga la frase al menos …será 1- anterior del valor que te
dicen
Ejemplo: al menos 5… será 1-x4
d) cuando te digan menos será: el anterior
ejem: menos de 5…será x4
e) Cuando diga NO Mas de: será ese valor
ejemplo: No más de 5 será x5
f) Si dice Mas de será… 1-ese valor
ejemplo: más de 5, será 1-x5
g) Si dice Ninguno será el valor de x0, no vale cero, es el valor que
está en la posición de x0
En una prueba de neumáticos para camión, en un terreno escabroso se
encontró que el 20% de los camiones no completaban la pruebas sin
ponchaduras. Si en una muestra de 10 camiones encuentra la proba…
de que
a) De 5 a 6 tengan ponchaduras N X .20
10 1 .3758
b) Menos de 2 4 .9672
c) Mas de 4 6 .9991

a) X6-X4= .9991-.9672=3.19% b) X1= .3758=37.58%

c) 1-X4 1-.9672= 3.28%
POISSON
La distribución de Poisson es una distribución de probabilidad discreta
que se utiliza para modelar la ocurrencia de eventos raros o infrecuentes
en un intervalo de tiempo o espacio fijo. Fue propuesta por el
matemático francés Siméon-Denis Poisson.
Los elementos clave de la distribución de Poisson son:
• Tasa promedio: La distribución de Poisson se caracteriza por un
parámetro λ (lambda), que representa la tasa promedio de
ocurrencia de eventos en un intervalo específico. Por ejemplo, λ
puede representar el número promedio de accidentes de tráfico
por día en una ciudad.
• Eventos independientes: Se asume que los eventos ocurren de
manera independiente en el tiempo o el espacio. Esto significa que
la ocurrencia de un evento no afecta la ocurrencia de otros
eventos.
• Eventos raros: La distribución de Poisson se utiliza para modelar
eventos raros o poco frecuentes en relación con el intervalo
considerado. Por ejemplo, los casos de lluvia en una región
durante un día de sol serían considerados eventos raros.
La distribución de Poisson se utiliza en diversas aplicaciones, como la
modelización de la ocurrencia de llamadas telefónicas en un centro de
atención, el número de defectos en un lote de productos
manufacturados o la ocurrencia de mutaciones genéticas en una
población. Es especialmente útil cuando los eventos son raros o se
espera una baja tasa de ocurrencia.
Variables
• λt=promedio
• X=lo que te piden,
• Mismas claves que binomial
• Solo cambian las tablas impresas

El promedio de accidentes viales en cierta intersección es de 3 por mes,

cual es la probabilidad de que sucedan
A) Exactamente 8 X 3
0 .0003
B) Ninguno 7 .4530
8 .5925
a) X8-X7= .5925-.4530=13.95
b) X0= .0003= .03%

Área bajo la curva Normal

El área bajo la curva normal se refiere al área que se encuentra entre la
curva de una distribución normal y el eje horizontal. La distribución
normal, también conocida como distribución de Gauss, es una
distribución de probabilidad continua que se caracteriza por su forma de
campana. La curva normal es simétrica y está definida por dos
parámetros: la media (µ) y la desviación estándar (σ). La media
determina la posición central de la curva y la desviación estándar indica
qué tan dispersos están los valores alrededor de la media.
El área bajo la curva normal es de particular interés en la teoría de la
probabilidad y la estadística. A menudo se utiliza para calcular
probabilidades asociadas a un rango o intervalo de valores en una
distribución normal. Al calcular el área bajo la curva normal, se pueden
utilizar diferentes enfoques. Uno de los métodos más comunes es
utilizar tablas de distribución normal estándar o utilizar software
estadístico que proporcione cálculos precisos.
El área bajo la curva normal tiene varias propiedades importantes. Por
ejemplo:
1. El área total bajo la curva normal es igual a 1, lo que significa que
la probabilidad de que un valor aleatorio se encuentre en toda la
distribución es del 100%.
2. El área a la izquierda de un cierto valor en la distribución normal
representa la probabilidad acumulada de obtener un valor menor
o igual a ese valor.
3. El área entre dos valores específicos en la distribución normal
representa la probabilidad acumulada de obtener un valor dentro
de ese rango.
El área bajo la curva normal es utilizada en diversos campos, como la
estadística inferencial, el análisis de datos, la econometría y la
investigación de operaciones. Permite calcular probabilidades, realizar
pruebas de hipótesis y obtener intervalos de confianza en base a la
distribución normal y sus propiedades.
Variables:
• Zc=zeta calculada
*tablas de área bajo la curva normal positiva y negativa
• x=lo que te piden
• µ=promedio dato
• σ=desviación estándar
Y algunos tips:
• Si es menor, por debajo o algún sinónimo se usa la tabla negativa,
• Primero se saca Zc, luego se busca en la tabla, Y el resultado es
directo de la table y se multiplica por 100 Y se dibuja la curva del
lado izquierdo
• Si es mayor, por encima o sinónimo se usa la table positive se
saca Zc, ese valor se busca en la tabla. Y se resta 1-lo que salió
en la tabla, se dibuja en el lado derecho de la curva
• Si te dan 2 valores de x’s se sacan 2 ZETAS Calculadas y se
restan
• TODO ES POR 100 AL FINAL PARA QUE SEA %
Ahora haremos un problema para mejor comprensión del tema y lo que
necesitamos para entender los procedimientos y los tips que se
proporcionaron:
Supongamos que las puntuaciones en un examen siguen una
distribución normal con una media de 75 y una desviación estándar de
10. Queremos calcular el porcentaje de estudiantes que obtuvieron una
puntuación menor o igual a 85 en el examen.
Solución:
Dado que tenemos una distribución normal con una media de 75 y una
desviación estándar de 10, podemos utilizar la tabla de la distribución
normal estándar o un software estadístico para calcular el área bajo la
curva.
Ahora para comprender el tema tenemos
Primero, estandarizamos el valor de 85 utilizando la fórmula de
estandarización z:
z = (x - µ) / σ
Donde x es el valor que queremos estandarizar, µ es la media y σ es la
desviación estándar.
En este caso, x = 85, µ = 75 y σ = 10.
Calculamos z:
z = (85 - 75) / 10 = 1
Luego, buscamos en la tabla de la distribución normal estándar el área
correspondiente a z = 1. Encontramos que el área bajo la curva hasta z
= 1 es aproximadamente 0.8413.
Dado que estamos interesados en el porcentaje de estudiantes que
obtuvieron una puntuación menor o igual a 85, podemos multiplicar el
área obtenida por 100 para obtener el porcentaje:
Porcentaje = 0.8413 * 100 = 84.13%
Por lo tanto, aproximadamente el 84.13% de los estudiantes obtuvieron
una puntuación menor o igual a 85 en el examen.
Intervalos de Confianza para una Media
Un intervalo de confianza para una media es un rango de valores dentro
del cual se estima que se encuentra el valor verdadero de la media
poblacional con un cierto nivel de confianza. Es una herramienta
utilizada en estadística inferencial para proporcionar una estimación
precisa de la media poblacional basada en una muestra de datos.
El intervalo de confianza para una media se construye teniendo en
cuenta la variabilidad de la muestra y el tamaño de la muestra, así como
el nivel de confianza deseado. El nivel de confianza es la probabilidad
de que el intervalo de confianza contenga el verdadero valor de la media
poblacional.
Por ejemplo, supongamos que se toma una muestra de tamaño n de
una población, se calcula la media muestral y se construye un intervalo
de confianza del 95%. Esto significa que si se repitiera el muestreo
muchas veces y se calcularan los intervalos de confianza, se espera
que aproximadamente el 95% de los intervalos contengan el verdadero
valor de la media poblacional.
La fórmula general para construir un intervalo de confianza para una
media se basa en la distribución t de Student o la distribución normal,
dependiendo del tamaño de la muestra y si se conoce o no la desviación
estándar poblacional. Para muestras grandes (n > 30) y cuando la
desviación estándar poblacional es desconocida, se utiliza la
distribución t de Student. Para muestras grandes y cuando la desviación
estándar poblacional es conocida, se utiliza la distribución normal.
El intervalo de confianza para una media se calcula como:
Intervalo de confianza = media muestral ± margen de error
El margen de error depende del nivel de confianza y de la distribución
utilizada. Por lo general, se utiliza una fórmula que involucra el error
estándar de la media, que está relacionado con la desviación estándar
de la muestra y el tamaño de la muestra.
Los intervalos de confianza para una media son ampliamente utilizados
en la inferencia estadística para estimar parámetros poblacionales y
tomar decisiones basadas en la información muestral. Proporcionan una
medida de incertidumbre y permiten hacer inferencias sobre la media
poblacional con un cierto grado de confianza.
La fórmula seria:
𝑥̃ − [Zα/2 ∗ (σ/√n)] ≥ µ ≤ xഥ + [Zα/2 ∗ (σ/√n)]
Y ahora veremos algún problema sobre este tema para reforzar la
información sobre este tema y así poder comprender mejor la
información:
Un fabricante de lámparas desea estimar la vida útil media de un nuevo
modelo de lámparas LED. Se toma una muestra aleatoria de 50
lámparas y se encuentra que la vida útil promedio de la muestra es de
8000 horas, con una desviación estándar de 500 horas. Construye un
intervalo de confianza del 95% para la vida útil media de todas las
lámparas LED de este modelo.
N=50
X= 8000
𝜎=500
1-σ= 95%
σ=.05 -Z .06

σ= 0.0250 -1.9 0.0250

|Z σ/2|= -1.96
500 500
50 − ((1.96 ( )) ≥ 𝜇 ≤ 50 + (1.96 ( ))
√50 √50
88.59 ≥ 𝜇 ≤ 188.59 = 95%
Conclusión

Después de dar un buen repaso de lo que vimos en el semestre

entendemos que no es nada complicado lo que nos enseñaron y que es
tan fácil comprenderlo y aplicarlo en nuestra vida diaria ya que en el
mundo laboral lo tendremos que seguir viendo de una manera u otra ya
que sin que nos demos cuenta usamos lo que acabamos de aprender y
desde antes de saber que ya lo estábamos aplicando y esto es lo mejor
que nos puede pasar ya que así entendemos que si es normal y común
que lo que vemos en las escuelas nos sirven para la vida diaria
Referencias

https://vereniciafunez94hotmail.files.wordpress.com/2014/08/8va-
probabilidad-y-estadistica-para-ingenier-walpole_8.pdf
https://www.ipn.mx/assets/files/cecyt4/docs/estudiantes/aulas/guias/se
xto/matutino/probabilidad-y-estadistica.pdf
https://ocw.unizar.es/ocw/ciencias-experimentales/conocimientos-
basicos-de-matematicas-para-primeros-cursos-
universitarios/b5_estadistica/b5_tema1/resueltos_B5_t1.pdf
https://www.mep.go.cr/sites/default/files/recursos/recursos-
interactivos/educ_abierta/mate_secundaria/areas/estadistica/estadistic
a_juanpa.pdf
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisso
n.htm
https://economipedia.com/definiciones/distribucion-de-poisson.html
https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/
distribucion-binomial/
https://www.sdelsol.com/glosario/distribucion-binomial/
https://www.ibm.com/docs/es/spss-statistics/saas?topic=performance-
area-under-
curve#:~:text=El%20%C3%A1rea%20bajo%20la%20curva,ensayo%2
0es%20mejor%20que%20adivinar.
https://espanol.libretexts.org/Educacion_Basica/Analisis/08%3A_Introd
ucci%C3%B3n_al_C%C3%A1lculo/8.04%3A_Integrales/8.4.01%3A_%
C3%81rea_bajo_la_curva