MIRÒN LEÒN VALERIA

DISTRIBUCIÓN UNIFORME
DISTRIBUCIÓN UNIFORME DE VARIABLE DISCRETA
¿Qué es?
Es una distribución que asigna probabilidades iguales a un conjunto finito de puntos
del espacio muestral. Modeliza fenómenos en los que tenemos un conjunto de n
sucesos posibles, cada uno de los cuales con la misma probabilidad de ocurrir.
Puede hacerse derivar de un proceso experimental de selección aleatoria, en el que la
característica de la selección es que sólo se puede tomar un conjunto de n valores
discretos donde cualquiera de estos valores se puede obtener con igual probabilidad.
Si aleatorizamos de forma que cada uno de estos se corresponda con un número
natural de 1 al n obtenemos una distribución uniforme con un parámetro único.
X → U (n)
Su función cuantía definida para los valores de X={1,2,3…n} vendrá dada por la
constante
1
P ( x ) = para X={1,2,3 … n}
n

f ( x ; k )= 1 , x =x1 , x 2 , … x k ,
k
Utilizamos la notación f(x;k) en vez de f(x) para indicar que la distribución depende
del parámetro k.
Su función de distribución viene dada por

La más simple de todas las distribuciones de probabilidad discreta es aquella donde la

variable aleatoria toma cada uno de sus valores con una probabilidad idéntica. Se
caracteriza por una función densidad que es “plana”, por lo que es de intervalo cerrado
[A,B].
Si la variable aleatoria X toma los valores x 1, x2…xk con idénticas probabilidades,
entonces la distribución uniforme está dada por
k
1 k
f ( x k ) =P ( X ≤ x k ) =∑ =
i=1 n n
Su media será
1
∗1+n
1 1 1 n n+1
μ=α 1=E [ x ] =∑ x i P ( X i )=∑ x i = ∑ xi =¿ ( 1,2,3 … n )= n= ¿
∀x ∀x n n ∀x n 2 2
Su varianza será:

2 ( n)2 −1
2
δ =α 2−μ =
12
DISTRIBUCIÓN UNIFORME DE VARIABLE CONTINUA
La distribución o modelo uniforme radica en el hecho de que la probabilidad se
distribuye uniformemente a lo largo de un intervalo. Así dada una variable a.
MIRÒN LEÒN VALERIA

continua decimos que es una recta real cuando X está definida en el intervalo
[A,B], además tiene una distribución uniforme [A,B] cuando su función de
densidad para
x→U [ A,B]
1
f ( x )= A ≤ X≤B
B− A
1
La función de densidad forma un rectángulo con base B-A y altura constante .
B− A
Como resultado, la distribución uniforme se conoce como distribución
rectangular.

Representación gráfica

Función de distribución

0 si X<A

{
f ( x )=P ( x ≤ X ) = ∫
A
1
B− A
dx=
x− A
B− A
si A ≤ X ≤ B

1 si X≥B

Representación gráfica

Este modelo se caracteriza en que si calculamos la probabilidad del suceso

[ X ≤ x ≤X+∆ X ]
X +∆ X
dx ∆X
tendremos P [ X ≤ x ≤ X + ∆ X ] = ∫ =
X B− A B− A
Esto nos lleva a la conclusión de que la probabilidad de cualquier suceso depende
únicamente de la amplitud del intervalo ( ∆ X) , y no de su posición en la recta real [a, b] . Lo
que viene ha demostrar el reparto uniforme de la probabilidad a lo largo de todo el campo de
actuación de la variable 
MIRÒN LEÒN VALERIA

La media de la distribución uniforme está dada por:

b 2 2
x 1 ( b a ) 1 ( b−a)(b+a) a+b
μ= E [ x ] =∫ dx= = =¿ ¿
a b−a 2 b−a 2 b−a 2
y la varianza

δ 2=α 2−α 21=E [ x 2 ]−μ2

b 3 3
2 x 1 (b a )
De donde α 2=E [ x ] =∫ dx=
a b−a 3 b−a
3 3 2
1 ( b a ) a+b 2 (b−a)
Por lo que α 2=
3 b−a ( )
−
2
=
12

Ejercicios:
1. Cuando se lanza un dado legal, cada elemento del espacio muestral ocurre con
probabilidad de 1/6. Por lo tanto, determina la distribución uniforme, la media y la
varianza.
a) Distribución uniforme
f ( x ; 6 )= 1 , x=1,2,3,4,5,6
6
b) Media
1+2+3+ 4+5+ 6 21
μ= = =3.5
6 6

c) Varianza
1 17.5
δ 2= [ ( 1−3.5 )2+ ( 2−3.5 )2 + ( 3−3.5 )2+ ( 4−3.5 )2 + ( 5−3.5 )2 + ( 6−3.5 )2 ]= =2.9166
6 6

2. Cuando se selecciona al azar una bombilla de luz de una casa que contiene una
combilla de 40 watts, una 60, una de 75 y una de 100, cada elemento del espacio
muestral S ocurre con una probabilidad de ¼. Por lo tanto ¿Cuál es la distribución
uniforme?
a) Distribución uniforme
f ( x ; 4 )= 1 , x=40,60,75,100
4
b) Media
1+2+3+ 4 10
μ= = =2.5
4 4
c) Varianza
1 5
δ 2= [ ( 1−2.5 )2+ ( 2−2.5 )2 + ( 3−2.5 )2+ ( 4−2.5 )2 ]= =.833
6 6

3. Un autobús pasa por cierta parada cada 15 minutos. ¿Cuál es la probabilidad de que
un señor que llega en un momento dado tenga que esperar el autobús más de cinco
minutos?
Si se define X= “tiempo de espera”, entonces X~U (0,15). Calcula la función de la
distribución y su probabilidad.
MIRÒN LEÒN VALERIA

0 Si<0

Función de distribución: F ( x )=
x
15
1
{ Si ≤ x ≤ 15
Si> 15

5
La probabilidad pedida viene de P ( X >5 ) =1−P ( X ≤5 ) =1− =.67
15
4. Un reloj de manecillas se detuvo en un punto que no sabemos. Determine la
probabilidad de que se haya detenido en los primeros 25 minutos luego de señalar
la hora en punto.
Intervalo [0-60]
1 1
f ( x )= =
60−0 60
25
1 5
P ( x ) =P ( 0 ≤ x ≤ 25 )=∫ dx=
0 60 12

REFERENCIAS:
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2013)
Probabilidad y estadística para ingenierías y ciencias 9va edición Ed. Pearson México
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2012)
Probabilidad y estadística para ingenierías y ciencias 8va edición Ed. Pearson México
8.5 Distribucion uniforme continua. (2020). Retrieved 1 April 2020, from
https://carleos.epv.uniovi.es/~carleos/docen

POBLACIÓN Y MUESTRA
Cuando se realiza un estudio de investigación, se pretende generalmente
generalizar resultados de una muestra a una población. Se estudia en particular a un
reducido número de individuos a los que tenemos acceso con la idea de poder generalizar los
hallazgos a la población de la cual esa muestra procede.
Este proceso de inferencia se efectúa por medio de métodos estadísticos basados en la
probabilidad.

 POBLACIÓN (totalidad)
Representa el conjunto grande de individuos que
deseamos estudiar.
Cada observación en una población es un valor de
una variable aleatoria X que tiene alguna distribución
de probabilidad f (x) con una distribución de
probabilidad b(x;1,p) = p x q1−x

POBLACIÓN TANGIBLE. Consta de elementos físicos reales, son siempre finitas. Después de
que se muestrea un elemento, el tamaño de población disminuye en 1. En principio, uno podría
en algunos casos regresar el elemento muestreado a la población, con oportunidad de
muestrearlo nuevamente, pero esto rara vez se hace en la práctica.
POBLACIÓN CONCEPTUAL. Cuando la población consta de todos los valores que
posiblemente pueden haber sido observados
MIRÒN LEÒN VALERIA

 MUESTRA (parte de)

Es el conjunto menor de individuos, se encuentra limitado y la idea es obtener
conclusiones generalizadas a la población. Para que las inferencias que hacemos sobre
la población a partir de la muestra sean válidas, debemos obtener muestras que sean
representativas de ella, pero de manera aleatoria.

VARIACIÓN DE MUESTREO. Este fenómeno sucede cuando las muestras aleatorias simples
siempre son diferentes de sus poblaciones en algunos aspectos y en ocasiones podrían ser
considerados diferentes y constituye una de las razones por la que los experimentos científicos
tienen resultados diferentes cuando se repiten, aun cuando las condiciones parecen idénticas
MUESTREO CON REEMPLAZO. Se hace que una población se comporte como si fuera
infinitamente grande, reemplazando cada elemento después de que se ha muestreado
MUESTREO PONDERADO. A uso elementos se de la una mayor oportunidad que a otros,
como en una lotería cuando algunos tienen más boletos que otros
MUESTREO ALEATORIO ESTRATIFICADO. La población se divide en subpoblaciones
(estratos) y se extrae una muestra aleatoria simple de cada estrato
MUESTREO AGRUPADO. El muestreo se extrae de una población en grupos y es útil cuando
la población es demasiado grande

Ejercicios:
1. Para estudiar cuál es el candidato presidencial del comité de alumnos por el cual votarán
los estudiantes en las próximas elecciones, se toma una muestra de 3500 estudiantes de
la red universitaria de toda la red universitaria. La pregunta es la siguiente, ¿por quién
se votará en las próximas elecciones presidenciales? Determine la población, muestra.
La población sería los alumnos con derecho a voto. Y la muestra sería el conjunto de 3500
alumnos de la red

2. Un estudiante de estadística quiere conocer si los profesores de su universidad prefieren

dictar clases con ropa formal o con ropa informal. Para ello, realiza una encuesta a 120
profesores elegidos de forma aleatoria. Identifique la población, muestra.
La población sería los alumnos de la universidad . Y la muestra sería el conjunto de 125
profesores encuestados.

3. Un profesor desea realizar un análisis estadístico de las notas del examen final de
matemáticas de sus alumnos de último año. Por ello, coloca todas las notas obtenidas en
Excel y usa las funciones y herramientas estadísticas. La información
obtenida, ¿pertenece a la muestra o a la población?
Pertenece a una población ya que se habla de la calificación de TODOS los alumnos de último
año.

4. En la entrada de un concierto en el teatro metropolitano se pregunta a un grupo de

espectadores desde que población se desplazaron para asistir al concierto. Identifique la
población, muestra.
5.
MIRÒN LEÒN VALERIA

La población sería las personas que asistieron al concierto . Y la muestra sería el conjunto de
personas que fueron encuestadas a las afueras del teatro..

REFERENCIAS:
Mendenhall W., Beaver RJ, Beaver B.M. (2006) Introducción a la probabilidad y
estadística 13va edición. Ed. Cengage Learning ISBN-13: 978-607-481-466-8ISBN-10:
607-481-466-X
(2020). Retrieved 2 April 2020, from http://dcb.fi-
c.unam.mx/profesores/irene/BEPI/capsbfc/
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2012)
Probabilidad y estadística para ingenierías y ciencias 8va edición Ed. Pearson México

ESTADÍSTICOS Y SUS DISTRIBUCIONES

Un estadístico es cualquier cantidad cuyo valor puede ser calculado a partir de datos
muestrales. Antes de obtener los datos, existe incertidumbre sobre qué valor de cualquier
estadístico particular resultará. Por consiguiente, un estadístico es una variable aleatoria y
será denotada por una letra mayúscula; se utiliza una letra minúscula para representar el
valor calculado u observado del estadístico. Estos permiten realizar inferencias referidas a
las características correspondientes poblacionales denominadas “parámetros”. De modo
general, podemos decir que un “estadístico” es una característica de la “muestra”, mientras
que un “parámetro” es una característica de la “población”. Los primeros permiten estimar
los valores de los segundos.
MIRÒN LEÒN VALERIA

La distribución muestral de una estadística es la distribución de probabilidad para los

posibles valores de la estadística, que resulta cuando muestras aleatorias de tamaño n se
sacan repetidamente de la población.
Hay tres formas de hallar la distribución muestral de una estadística:
1. Deducir la distribución matemáticamente usando las leyes de
probabilidad. Un parámetro es un valor que
describe (parcial o totalmente) a una
2. Usar una simulación para aproximar la distribución. Esto es, distribución de probabilidades de una
saque un gran número de muestras de tamaño n, calculando el propiedad poblacional de interés
valor de la estadística para cada muestra y tabule los resultados
Un estadístico es una función de los
en un histograma de frecuencia relativa. Cuando el número de
elementos de una muestra aleatoria que
muestras es grande, el histograma será muy cercano a la
no posee valores desconocidos
distribución teórica muestral.
3. Usar teoremas estadísticos para obtener distribuciones muestrales exactas o aproximadas.
DISTRIBUCIONES MUESTRALES
Las distribuciones muestrales que son las distribuciones de los estimadores de los parámetros
conocidos como estadísticos que son variables aleatorias al ser funciones de una muestra

G=f( X1, X2, X3 . . . Xn ) y se representan con las variables aleatorias X́ , S2 o G

En los trabajos estadísticos el interés primario consiste en calcular los valores de los estadísticos
tales como la media y la varianza cuando se ha sacado la muestra.

Distribución muestral del estadístico media X́

Si G es cualquier estadístico, o sea cualquier variable aleatoria, si ésta es discreta ya sabemos

que su valor esperado o la  media de su distribución es
n
E(G)=µG = ∑ gip( gi)
i=1

Los valores de las muestras del estadístico G tienden a ser improbables de su valor esperado  ‐a
alejarse de su media‐ o a estar en error; por lo que se le llama el error estándar de estadístico G
en lugar de la desviación estándar.
n

G=
∑ xi
X́ = i=1
n
E( X́ )=µ

El operador varianza seria :

V(Xi)=σ 2

Por lo tanto

σ2
V( X́ ) =
n
σ
Y el error muestral de X́ es:σ X́ =
√n
MIRÒN LEÒN VALERIA

es importante observar que a medida que aumenta el tamaño de la muestra se tienen estimadores
más precisos de la media de la población; si n=1 el error estándar de la distribución es igual a la
varianza de la población y a medida que el tamaño de la muestra aumenta este error va
disminuyendo, hasta el caso límite en el que dicho tamaño es infinito o abarca todos los
elementos de la población en cuyo caso el error estándar es cero y la media de la muestra es
igual a la de la población.
Puesto que el estadístico media es una variable aleatoria, entonces podemos hacer la
transformación a la forma estandarizada:

X́−µ X́ X́−μ
Z= = σ
σ X́
√n

EJERCICIOS:
1. Una comparación de los precios de café en 4 tiendas de abarrotes de San Diego,
seleccionadas al azar, mostró aumentos en comparación con el mes anterior de 12,
15, 17 y 20 centavos por bolsa de una libra. Calcule la varianza de esta muestra
aleatoria de aumentos de precio .
4
15+15+17+20 1 34
x́= =16 centavos∴ S2= ∑ ( X i −16)2= =11.333
4 3 i=1 3

2. Considere una muestra aleatoria de tamaño n= 2 (dos clientes) y sea X́ el número medio
muestral de paquetes enviados. Obtenga la distribución de probabilidad de X́ .

X́ 1 1.5 2 2.5 3 3.5 4

P( X́ ) 0.16 0.24 0.25 0.20 0.10 0.04 0.01

3. Se llevan a cabo dos experimentos independientes en los que se comparan dos tipos
diferentes de pintura, el A y el B. Con la pintura tipo A se pintan 18 especímenes y se
registra el tiempo (en horas) que cada uno tarda en secar. Lo mismo se hace con la
pintura tipo B. Se sabe que la desviación estándar de población de ambas es 1..0. Si se
supone que los especímenes pintados se secan en el mismo tiempo medio con los dos
tipos de pintura, calcule P( x́ A − x́ B > 1.0), donde x́ A y x́ B son los tiempos promedio
de secado para muestras de tamaño nA = nB = 18.

μ A −μB =0

2 σ 2a σ 2b 1 1 1
σ Xa− Xb= + = + =
n a nb 18 18 9

1 1
σ=
√ = =.33333
9 3
MIRÒN LEÒN VALERIA

La probabilidad que se desea es dada por la región sombreada en la fi gura 8.5. En

correspondencia con el valor X́ A − X́ B=1.0 tenemos

(μ ¿ ¿ A−μ B ) 1−0
z=1− = =3 ¿
√ 1/9 √ 1/9
de modo que

P( Z> 3.0)=1−P( Z< 3.0)=1−0.9987=0.0013

4. Los cinescopios para televisor del fabricante A tienen una duración media de 6.5
años y una desviación estándar de 0.9 años; mientras que los del fabricante B
tienen una duración media de 6.0 años y una desviación estándar de 0.8 años. ¿Cuál
es la probabilidad de que una muestra aleatoria de 36 cinescopios del fabricante A
tenga por lo menos 1 año más de vida media que una muestra de 49 cinescopios del
fabricante B? Teniendo la siguiente información.

μ X́ −X́ =6.5−6.0=.5 y σ X́ − X́ = .81 + .64 =.189

1 2 1 2
√36 49
La probabilidad de que 36 cinescopios del fabricante A tengan por lo menos 1 año
más de vida media que 49 cinescopios del fabricante B es con respecto al valor
X́ 1 − X́ 2=1.0
1−.5
z= =2.65 ∴
.189

P ( X́ 1 − X́ 2 ≥ 1.0 ) =( Z >2.65 )=1−P ( Z <2.65 )=1−0.99 60=.0040

REFERENCIAS:
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2013)
Probabilidad y estadística para ingenierías y ciencias 9va edición Ed. Pearson México
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2012)
Probabilidad y estadística para ingenierías y ciencias 8va edición Ed. Pearson México
Jay L. Devore (2008) Probabilidad y estadística para ingenierías y ciencias Séptima
edición. ISBN-13: 978-607-481-338-8 ISBN-10: 607-481-338-8
MIRÒN LEÒN VALERIA

Bacchini Roberto D. (2018) Introduccion a la probabilidad y estadística 1ª ed Ciudad

Autónoma de Buenos Aires : Universidad de Buenos Aires. Facultad de Ciencias
Económicas Libro digital, PDF. Archivo Digital: descarga y online ISBN 978-950-
29-1734

DISTRIBUCIÓN MUESTRAL NORMAL

Es una distribución continua, en forma de campana en donde la media, la mediana y la moda

tienen un mismo valor y es simétrica.

Con esta distribución podíamos calcular la probabilidad de algún evento relacionado con la
variable aleatoria, mediante la siguiente fórmula:
x−μ
z=
σ

En donde z es una variable estandarizada con media igual a cero y varianza igual a uno. Con
esta fórmula se pueden a hacer los cálculos de probabilidad para cualquier ejercicio, utilizando
la tabla de la distribución z.

Sabemos que cuando se extraen muestras de tamaño mayor a 30 o bien de cualquier tamaño de
una población normal, la distribución muestral de medias tiene un comportamiento
aproximadamente normal, por lo que se puede utilizar la fórmula de la distribución normal con
μ=μ x   y σ =σ x, entonces la fórmula para calcular la probabilidad del comportamiento del
estadístico, en este caso la media de la muestra , quedaría de la siguiente manera

x́−μ
z=
σ
√n
Y para poblaciones finitas con reemplazo en el muestreo

x́−μ N −n
z=
σ
√n
√
N−1

Se dice que una variable aleatoria continua X tiene una distribución normal con
parámetros µ y σ (o µ y σ 2) donde -∞ < µ <∞ y σ > 0, si la función de densidad de
probabilidad de x es:
−( x−µ )
1 2σ
2

f (x ; µ , σ= e )
√2 π σ
MIRÒN LEÒN VALERIA

Donde: e= base de los logaritmos neperianos o naturales, aproximadamente igual a

2.71828
π= 3.1415......
µ= medida poblacional (parámetro de localización)
σ 2= varianza poblacional (parámetro de escala)

DISTRIBUCIÓN NORMAL ESTANDAR:

La distribución normal con parámetros µ=0 y σ =1 se llama distribución normal
estándar. Una variable aleatoria con distribución normal se llamará variable
aleatoria normal estándar y se denotará como z. la función es:
2
−z
1
f ( z ; 0,1 )= e 2 -∞ < z < ∞
√2 π
z

Y la distribución acumulativa de z es P(Z≤ z)= ∫ f ( y ; 0,1)dy la cual se denota

−∞
como Φ ( z)
podemos transformar todas las observaciones de cualquier variable aleatoria normal X
en un nuevo conjunto de observaciones de una variable aleatoria normal Z con media 0
y varianza 1. Esto se puede realizar mediante la transformación:
x−µ
z=
σ
Siempre que X tome un valor x, el valor de Z es dado por z =(x-µ) /σ
TEOREMA DEL LÌMITE CENTRAL:
Si se seleccionan muestras aleatorias de n observaciones de una población con media   µ y
desviación estándar σ , entonces, cuando n es grande, la distribución muestral de medias tendrá
aproximadamente una distribución normal con una media igual a  µ y una desviación estándar de
σ
 . La aproximación será cada vez más exacta a medida de que n  sea cada vez mayor.
√n

La desviación estándar de la distribución muestral de un estadístico se conoce como error

estándar del estadístico. Para el ejercicio anterior el error estándar de la media denotado por 
x, es 1.58. Con esto se puede demostrar que si de una población se eligen muestras de
tamaño n con reemplazo, entonces el error estándar de la media es igual a la desviación estándar
de la distribución de los errores muestrales.

σ X =σ e
MIRÒN LEÒN VALERIA

Cuando las muestras se toman de una población pequeña y sin reemplazo, se puede usar la
formula siguiente para encontrar σ X

σ N −n
σ X=
√
√ n N−1
donde σ  es la desviación estándar de la población de donde se toman las muestras, n es el
tamaño de la muestra y N el de la población. Como regla de cálculo, si el muestreo se hace sin
reemplazo y el tamaño de la población es al menos 20 veces el tamaño de la muestra (N 20),
entonces se puede usar la fórmula.

N −n
El factor 
√ N −1
 se denomina factor de corrección para una población finita.

EJERCICIOS:
1. Suponga que la estatura de mujeres en una población sigue la curva normal con media
de 64.3 pulgadas y desviación estándar de 2.6 pulgadas.
¿Qué proporción de mujeres tiene estatura entre 60 y 66 pulgadas? 0.6927
¿Qué proporción de mujeres mide más que ella? 0.7422
¿Cuánto mide una mujer cuya estatura se encuentra en el 90o. percentil? 67.63
60−64.3 66−64.3
z= =−1.6538 z= =0 .6538
2.6 2.6
0.7422- 0.0495 =0.6927
66−64.3
z= =−1.6538
2.6
0.7422
x−64.3
1.28155 =
2.6
X=67.63

2. Si tiramos una moneda no trucada 100 veces, ¿cuál es la probabilidad de que

obtengamos más de 55 caras?

En una moneda no trucada la proporción de caras es 0,5, con lo que  p=0,5 q=0,5 n=100

La distribución muestral de proporciones se distribuye

N (0,5 , 0,05)

Si llamamos p' a la proporción en la muestra hemos de calcular la probabilidad 

P( p ' >0,55)=P ( z>1)=¿

¿ 1−P( z £ 1)=1−0,8413=0,1587

3. Suponga que la tabla siguiente muestra la antiguedad en años en el trabajo de tres

maestros universitarios de matemáticas:
MIRÒN LEÒN VALERIA

Maestro de matemáticas Antiguedad

A 6
B 4
C 2

Suponga además que se seleccionan muestras aleatorias de tamaño 2 sin reemplazo. Calcule la
antigüedad media para cada muestra, la media de la distribución muestral y el error estándar, o
la desviación estándar de la distribución muestral.

Combinatoria= 3C2=3
2+ 4+6
Media poblacional= μ= =4 media de la distr. muestral=
3
5+ 4+3
μ= =4
3
(6−4)2 +(4−4 )2+(2−4)2
Desviaciòn estándar = σ=
√ 3
(5−4)2 +( 4−4 )2+(3−4)2
=1.65

Error estándar = σ
x=
√ 3
=.816

4. Las estaturas de 1000 estudiantes están distribuidas aproximadamente en forma normal

con una media de 174.5 centímetros y una desviación estándar de 6.9 centímetros. Si se
extraen 200 muestras aleatorias de tamaño 25 sin reemplazo de esta población,
determine:

a. El número de las medias muestrales que caen entre 172.5 y 175.8 centímetros. Con una
probabilidad de .7607

p ( 172.5≤ x́ ≤ 1.75 .8 )=.760 7

x́−μ N −n 172.5−174.5 1000−25 172.5−174.5
z=
σ√
√n
N−1 = 6.9
√ 25
√
1000−1
=
1.36
=−1.47

175.8−174.5
z= =.9 6
1.36
( .7607 ) ( 200 )=152 muestras

b. El número de medias muestrales que caen por debajo de 172 centímetros. Si la

probabilidad es de .0336

172−174.5
z= =−1.83
1.36
( .0336 ) ( 200 )=7 medias muestrales

REFERENCIAS:
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2013)
Probabilidad y estadística para ingenierías y ciencias 9va edición Ed. Pearson México
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2012)
Probabilidad y estadística para ingenierías y ciencias 8va edición Ed. Pearson México
MIRÒN LEÒN VALERIA

Jay L. Devore (2008) Probabilidad y estadística para ingenierías y ciencias Séptima

edición. ISBN-13: 978-607-481-338-8 ISBN-10: 607-481-338-8
Bacchini Roberto D. (2018) Introduccion a la probabilidad y estadística 1ª ed Ciudad
Autónoma de Buenos Aires : Universidad de Buenos Aires. Facultad de Ciencias
Económicas Libro digital, PDF. Archivo Digital: descarga y online ISBN 978-950-
29-1734
Mendenhall W., Beaver RJ, Beaver B.M. (2006) Introducción a la probabilidad y
estadística 13va edición. Ed. Cengage Learning ISBN-13: 978-607-481-466-8ISBN-10:
607-481-466-X

ESTIMACÓN Y SUS PROPIEDADES

Se llama estimación al conjunto de técnicas que permiten dar un valor aproximado de un
parámetro de una población a partir de los datos proporcionados por una muestra.. Definiendo el
concepto de estimador, diremos que dada una muestra aleatoria cualquiera {x1,x2,x3, … ,xn} un
estimador representa a una población que depende de φ un parámetro que desconocemos.
Un estimador Q de un parámetro depende de las observaciones aleatorias de la muestra
{x1,x2,x3, … ,xn}  y de una función conocida (h) de la muestra. El estimador (Q) será una
variable aleatoria porque depende de la muestra que contiene variables aleatorias.
Q = h{x1,x2,x3, … ,xn}
ESTIMADOR T
El estimador, T, del parámetro θ debe tener una distribución concentrada alrededor de θ y la
varianza debe ser lo menor posible

PROPIEDADES:
INSESGADEZ DE UN ESTIMADOR.
Un estimador Q de φ es un estimador insesgado si E(Q)= φ para todos los valores posibles de φ
.Definimos E(Q) como el valor esperado o esperanza del estimador Q.

En el caso de presencia de estimadores sesgados, este sesgo se representaría como:

Sesgo (Q) = E(Q) – φ

Podemos ver que el sesgo es la diferencia entre el valor esperado del estimador, E(Q), y el
verdadero valor del parámetro poblacional, φ.

EFICIENCIA DE UN ESTIMADOR.
Si Q1 y Q2 son dos estimadores insesgados de φ , será eficiente su relación con Q2  cuando
Var(Q1) ≤ Var(Q2) para cualquier valor de φ  siempre que la muestra estadística de φ  sea
estrictamente mayor a 1, n>1. Siendo Var, la varianza y n, el tamaño de la muestra.
MIRÒN LEÒN VALERIA

Dicho de forma intuitiva, suponiendo que tenemos dos estimadores con la propiedad de
insesgadez, podemos decir que uno (Q1) es más eficiente que otro (Q2) si la variabilidad de los
resultados de uno (Q1) es menor que la del otro (Q 2) . Es lógico pensar que una cosa que varía
más que otra es menos ‘precisa’. Por tanto, sólo podemos usar este criterio de selección de
estimadores cuando son insesgados. Para comparar estimadores que no son necesariamente
insesgados, esto es, que puede existir sesgo, se recomienda calcular el Error Cuadrático Medio
(ECM) de los estimadores.

Si Q es un estimador de φ , entonces el ECM de Q se define como:

El Error Cuadrático Medio (ECM) calcula la distancia promedio que existe entre el valor
esperado del estimador muestral Q y el estimador poblacional. La forma cuadrática del ECM se
debe a que los errores pueden ser por defecto, negativos, o por exceso, positivos, respecto al
valor esperado. De este modo, ECM siempre computará valores positivos.

ECM depende de la varianza y del sesgo (en el caso que lo hubiera) permitiéndonos comparar
dos estimadores cuando uno o ambos son sesgados. Aquel cuyo ECM sea mayor se entenderá
que es menos preciso (tiene más error) y, por tanto, menos eficiente.

Para estudiar la variabilidad de los valores del estimador alrededor del parámetro se hace uso de
una cantidad llamada error cuadrático medio
Definición. Error cuadrático medio

T estimador de θ
ECM ( T) = E[( T − θ) 2] = Var [T] + [θ − E[T]] 2

CONSISTENCIA DE UN ESTIMADOR.
MIRÒN LEÒN VALERIA

La consistencia es una propiedad asintótica. Esta propiedad se parece a la propiedad de

eficiencia con la diferencia de que la consistencia mide la distancia probable entre el valor del
estimador y el valor verdadero del parámetro poblacional a medida que el tamaño de la muestra
aumenta indefinidamente. Este aumento indefinido del tamaño de la muestra es la base de la
propiedad asintótica.

Existe una dimensión de muestra mínima para llevar a cabo el análisis asintótico (comprobar la
consistencia del estimador a medida que aumenta la muestra). Aproximaciones de muestras
grandes funcionan correctamente para muestras de alrededor de 20 observaciones, (n = 20). En
otras palabras, queremos ver como se comporta el estimador cuando aumentamos la muestra,
pero este aumento tiende a infinito. Dado esto, hacemos una aproximación y a partir de 20
observaciones en una muestra (n ≥ 20),  es apropiado el análisis asintótico.

Matemáticamente, definimos Q1n como un estimador de φ de una muestra aleatoria cualquiera

{x1,x2,x3, … ,xn} de tamaño (n). Entonces, podemos decir que Q n es un estimador consistente de
φ si:

Esto nos dice que las diferencias entre el estimador y su valor poblacional, Q n – φ, tienen que
ser mayores que cero. Por esto lo expresamos en valor absoluto. La probabilidad de esta
diferencia tiende a 0 (se hace cada vez más pequeña) cuando el tamaño de la muestra (n) tiende
a infinito (se hace cada vez más grande).. Dicho de otro modo, cada vez es menos probable que
Qn  se aleje mucho de φ cuando aumenta el tamaño de la muestra.

ERROR DE ESTIMACIÒN
La distancia entre una estimación y el parámetro estimado recibe el nombre de error de
estimación
Recuerde que, para cualquier estimador puntual con una distribución normal, la regla
empírica dice que aproximadamente 95% de todas las estimaciones puntuales estarán a no
más de dos (o más exactamente, 1.96) desviaciones estándar de la media de esa
distribución. Para estimadores insesgados, esto implica que la diferencia entre el estimador
puntual y el verdadero valor del parámetro será menor a 1.96 desviaciones estándar o 1.96
errores estándar (SE). Esta cantidad, llamada el 95% de margen de error (o simplemente
“margen de error”),

Para estimar la media poblacional 𝜇 para una población cuantitativa, el estimador

puntual X́ es insesgado con el error estándar estimado como
 MIRÒN LEÒN VALERIA

S
SE=
√N
El 95% de margen de error cuando n≥30 se estima como
S
± 1.96( )
√N
• Para estimar la proporción poblacional p para una población binomial, el estimador
puntual ˆ p x/n es insesgado, con un error estándar estimado como
pq
SE=
√ n
El 95% de margen de error se estima como
pq
± 1.96
√ n

Suposiciones: np>5 y nq>5.

REFERENCIAS:
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2012) Probabilidad y estadística para ingenierías
y ciencias 8va edición Ed. Pearson México
Jay L. Devore (2008) Probabilidad y estadística para ingenierías y ciencias Séptima edición. ISBN-13: 978-607-481-338-
8 ISBN-10: 607-481-338-8
Bacchini Roberto D. (2018) Introduccion a la probabilidad y estadística 1ª ed Ciudad Autónoma de Buenos Aires :
Universidad de Buenos Aires. Facultad de Ciencias Económicas Libro digital, PDF. Archivo Digital: descarga y
online ISBN 978-950-29-1734
Mendenhall W., Beaver RJ, Beaver B.M. (2006) Introducción a la probabilidad y estadística 13va edición. Ed. Cengage
Learning ISBN-13: 978-607-481-466-8ISBN-10: 607-481-466-X

ESTIMACIÓN PUNTUAL Y POR INTERVALO DE UNA

MEDIA (N>30)
ESTIMACIÓN PUNTUAL:
Una estimación puntual de un parámetro θ es un número único que puede ser considerado como
un valor sensible de θ. Se obtiene una estimación puntual seleccionando un estadístico
apropiado y calculando su valor con los datos muestrales dados. El estadístico seleccionado se
llama estimador puntual de θ.
El objetivo de la estimación puntual es aproximar el valor del parámetro desconocido 
Para ello se utiliza la información de la muestra (x1,x2,…,xn)(x1,x2,…,xn), a través de
un estimador. Algunos estimadores frecuentes son:

 MEDIA MUESTRAL, para estimar la media teórica de una variable X

x 1+ …+ x n
x=
n

x 1+ …+ x n
 PROPORCIÓN MUESTRAL, para estimar una proporción p ^p= :
n
siendo x1…,xn una muestra aleatoria simple de la variable X∈B(1,p)X∈B(1,p), es decir, son
unos o ceros.

 VARIANZA MUESTRAL: para estimar la varianza teórica de una población, se

puede usar la varianza de una muestra
 : S2=¿ ¿ ¿ y también la llamada
 MIRÒN LEÒN VALERIA

 CUASI-VARIANZA MUESTRAL:

S2n−1=¿ ¿ ¿ que corresponde a la varianza de la muestra, pero dividiendo por n−1, en lugar de

dividir por n.

ESTIMACIÓN PUNTUAL:
ESTIMACIÓN POR INTERVALOS: La estimación por
Se busca un estimador, que con intervalos consiste en establecer el intervalo de valores
base a los datos muestrales dé donde es más probable se encuentre el parámetro. La
origen a un valor puntual que obtención del intervalo se basa en las siguientes
utilizamos como estimación del consideraciones:
parámetro
a) Si conocemos la distribución muestral del estimador
podemos obtener las probabilidades de ocurrencia de los
estadísticos muestrales.

ESTIMACIÓN POR b) Si conociéramos el valor del parámetro

INTERVALOS: poblacional, podríamos establecer la probabilidad de que
el estimador se halle dentro de los intervalos de la
Se determina un intervalo distribución muestral.
aleatorio que, de forma probable,
contiene el verdadero valor del c) El problema es que el parámetro poblacional es
parámetro. Este intervalo recibe el desconocido, y por ello el intervalo se establece alrededor
nombre de intervalo de confianza del estimador. Si repetimos el muestreo un gran número
de veces y definimos un intervalo alrededor de cada valor
del estadístico muestral, el parámetro se sitúa dentro de
cada intervalo en un porcentaje conocido de ocasiones.
Este intervalo es denominado "intervalo de confianza".

Un intervalo de confianza para un parámetro con un nivel de confianza 1−α (0< α<1), es

un intervalo de extremos aleatorios (L,U) que, con probabilidad 1−α contiene al parámetro
en cuestión.

P( parámetro ∈( L , U ))=1−α .

Los valores más habituales del nivel de confianza 1−α .son 0.9 , .95 o . 99 (la confianza es
del 90 % , 95 % 9 9 %En ocasiones también se emplea la terminología nivel de
significación para el valor α
En la estimación por intervalos de confianza partimos de una muestra x1…,xn A partir de
estos valores obtenemos un intervalo numérico.
La distribución muestral de X́ está centrada en μ y en la mayoría de las aplicaciones la varianza
es más pequeña que la de cualesquiera otros estimadores de μ. Por lo tanto, se utilizará la media
muestral x́ como una estimación puntual para la media de la población μ. Por lo que una
muestra grande producirá un valor de X́ procedente de una distribución muestral con varianza
pequeña. Por consiguiente, es probable que x́ sea una estimación muy precisa de μ cuando n es
grande.
Ahora la estimación por intervalos de μ. Si seleccionamos nuestra muestra a partir de una
población normal o, a falta de ésta, si n es suficientemente grande, podemos establecer un
intervalo de confianza para μ considerando la distribución muestral de X́ .

Intervalo de confianza de μ cuando se conoce σ 2

 MIRÒN LEÒN VALERIA

Si x́ es la media de una muestra aleatoria de tamaño n de una población de la que se conoce su

varianza σ 2, lo que da un intervalo de confianza de 100(1 – α)% para μ es

σ σ
x́−z ∝ < μ< x́ + z ∝
2 √n 2 √n

∝
Donde z ∝ es el valor z que deja un área de a la derecha
2 2

EJERCICIOS:

1.Un ambientalista está realizando un estudio del oso polar, especie que se encuentra en el
océano Ártico y sus alrededores. Su zona de distribución está limitada por la existencia de
hielo en el mar, que usan como plataforma para cazar focas, principal sostén de los osos. La
destrucción de su hábitat en el hielo del Ártico, que se ha atribuido al calentamiento global,
amenaza la supervivencia de los osos como especie; puede extinguirse antes de un siglo.1 Una
muestra aleatoria de n= 50 osos polares produjeron un peso promedio de 980 libras con una
desviación estándar de 105 libras. Use esta información para estimar el peso promedio de
todos los osos polares del Ártico.

1.96 SE=1.96 ( √sn )=1.96( √10550 )=29.10libras

2. Además del peso promedio del oso polar del Ártico, el ambientalista del ejemplo anterior
también está interesado en las opiniones de adultos sobre el tema del calentamiento global. En
particular, desea estimar la proporción de personas que piensan que el calentamiento global es
un problema muy serio. En una muestra aleatoria de n=100 adultos, 73% de la muestra
indicaron que, de lo que han oído o leído, el calentamiento global es un problema muy serio.
Estime la verdadera proporción de población de adultos que piensan que el calentamiento
global es un problema muy serio y encuentre el margen de error para la estimación
P=.73
.
pq .73(.23)
1.96 SE=1.96
√ n
=1.96
√ 100
=.09

3. Se encuentra que la concentración promedio de zinc que se obtiene en una muestra de

mediciones en 36 sitios diferentes de un río es de 2.6 gramos por mililitro. Calcule los intervalos
de confianza del 95% y 99% para la concentración media de zinc en el río. Suponga que la
desviación estándar de la población es de 0.3 gramos por mililitro.

0.95/2=0.475 del área que se encuentra a ambos lados de la media 0.475 del área bajo la curva
es igual a z = 1.96
0.3 0.3
2.6−(1.96) < μ<2.6+(1.96)
√36 √ 36
Intervalo de confianza 95% = 2.50 < μ > 2.70

0.99/2=0.495 del área bajo la curva es igual a z=2.57

 MIRÒN LEÒN VALERIA

0.3 0.3
2.6−(2.57) < μ<2.6+(2.57)
√36 √ 36
Intervalo de confianza 99% = 2.47 < μ > 2.728

4. ¿Qué tan grande debe ser la muestra del ejemplo anterior si queremos tener 95% de confianza en
que nuestra estimación de μ diferirá por menos de 0.05?
2
( 1.96 ) (.3)
n= [ .05 ] =138.3

Para tener un 95% de confianza necesitamos una muestra de 139 elementos.

REFERENCIAS:
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2012)
Probabilidad y estadística para ingenierías y ciencias 8va edición Ed. Pearson México
Jay L. Devore (2008) Probabilidad y estadística para ingenierías y ciencias Séptima
edición. ISBN-13: 978-607-481-338-8 ISBN-10: 607-481-338-8
Bacchini Roberto D. (2018) Introduccion a la probabilidad y estadística 1ª ed Ciudad
Autónoma de Buenos Aires : Universidad de Buenos Aires. Facultad de Ciencias
Económicas Libro digital, PDF. Archivo Digital: descarga y online ISBN 978-950-
29-1734
Mendenhall W., Beaver RJ, Beaver B.M. (2006) Introducción a la probabilidad y
estadística 13va edición. Ed. Cengage Learning ISBN-13: 978-607-481-466-8ISBN-10:
607-481-466-X

ESTIMACIÓN PUNTUAL Y POR INTERVALO DE UNA

PROPORCIÓN
Una simple extensión de la estimación de una proporción binomial p es la estimación de la
diferencia entre dos proporciones binomiales. Se pueden hacer comparaciones como éstas:

 La proporción de artículos defectuosos manufacturados en dos líneas de producción

 La proporción de votantes mujeres y la proporción de votantes hombres que están a
favor de una enmienda de iguales derechos
 Los porcentajes de germinación de semillas no tratadas y semillas tratadas con un
fungicida

Estas comparaciones pueden hacerse con la diferencia (p 1-p2) entre dos proporciones
binomiales, p1 y p2. Muestras aleatorias independientes formadas por n 1 y n2 intentos se sacan de
poblaciones 1 y 2, respectivamente, y se calculan las estimaciones muestrales ^p1 y ^p2. El
estimador insesgado de la diferencia (p1-p2) es la diferencia muestral ( ^p1 - ^p2 )
Sea p la proporción de “éxitos” en una población, donde éxito identifica a un individuo u objeto
que tiene una propiedad específica. Una variable aleatoria de n individuos que tiene que ser
seleccionada y X es el número de éxitos en la muestra. Siempre que n sea pequeño comparado
con el tamaño de la población, X puede ser considerada como una variable aleatoria binomial
MIRÒN LEÒN VALERIA

con E(X)= np y σ x =√ np(1− p) además si tanto np ≥ 10 como nq ≥10, X tiene

aproximadamente una distribución normal.
El estimador natural de p es ^
P = X/n, la fracción muestral de éxitos y también cuenta con una
distribución normal aproximada
Así tenemos la proposición:
Un intervalo de confianza para una proporción de población p con nivel de confianza
aproximadamente 100(1-α)% tiene :

^ρ − z ∝ p q < p< ^ρ + z ∝ p q
^^ ^^
√ 2
n 2
n√
Selección del tamaño de la muestra:
Si ^ρ se utiliza como un estimado de p, podemos tener un 100(1 – α)% de confianza en que el
error será menor que una cantidad específica w cuando el tamaño de la muestra sea
aproximadamente
z 2 ^p q^
n=
w2
Debemos utilizar ^ρ para determinar el tamaño n de la muestra, pero ^ρ se calcula a partir de la
muestra. Si se puede hacer una estimación burda de p sin tomar una muestra, se podría usar este
valor para determinar n.
Si utilizamos ^ρ como un estimado de p, podemos tener, al menos, un 100(1 – α)% de
confianza en que el error no excederá a una cantidad específica e cuando el tamaño de la
muestra sea:
z2
n=
4 w2
Suponga que las muestras aleatorias independientes de las observaciones n 1 y n2 han sido
seleccionadas de poblaciones binomiales con parámetros p 1 y p 2, respectivamente. La
distribución muestral de la diferencia entre proporciones muestrales
x1 x 2
^p1− ^p2=
( −
n 1 n2 )
Tiene estas propiedades:
1. Media de ( ^p1− ^p2 ) es (p1-p2)
p1q1 p2q2 p^ 1 q^ 1 ^p 2 q^ 2
2. el error estándar es SE=
√ n1
+
n2
y se estima como SE=
n1√
La distribución muestral de ( ^p1− ^p2 ) puede ser aproximada por una distribución normal
+
n2

cuando n1 y n2 son grandes, debido al teorema del límite central.

Aun cuando el margen de una proporción individual es de 0 a 1, la diferencia entre dos
proporciones va de -1 a 1. Para usar una distribución normal para aproximar la distribución
de ( ^p1− ^p2 ) tanto ^p1 como ^p2 deben ser aproximadamente normales; esto es, n1 ^p1> 5,
n1 q^ 1 >5 y n2 ^p2 >5, n2 q^ 2>5

EJERCICIOS:

1. La propuesta de un bono para la construcción de una escuela será enviada a los

votantes en la siguiente elección municipal. Una parte importante del dinero
derivado de esta emisión de bonos se empleará en construir escuelas en una zona de
rápido desarrollo de la ciudad y lo demás se usará para renovar y actualizar los
edificios escolares del resto de ésta. Para evaluar la viabilidad de la propuesta de
un bono, a una muestra aleatoria de n 1=50 residentes de la zona de rápido
MIRÒN LEÒN VALERIA

desarrollo y n2= 100 de las otras partes de la ciudad, se les preguntó si piensan
votar por la propuesta. Los resultados se tabulan en la tabla siguiente:

Estime la diferencia en las proporciones verdaderas a favor de la propuesta de bono con un

99% de intervalo de confianza.
Estimación puntal es ( ^p1− ^p2 ) =.76−.65=.11
^p 1 q^ 1 ^p 2 q^ 2 ( .76 ) (.24 ) ( .65 ) (.35)
Error estándar es SE=
√ n1
+
n2 √ =
50
+
100
=.0770

Para un intervalo del 99% de confianza z .005=2.58

^p1 q^ 1 ^p2 q^ 2
( ^p1− ^p2 ) ± z.005
√ n1
+
n2
=.11 ± ( 2.58 ) ( .0770 )=.11 ± .199=−.089 , .309

2. Del ejercicio anterior conteste. Si ambas muestras se agrupan en una muestra de

tamaño n=150, con 103 a favor de la propuesta, dé una estimación puntual de la
proporción de residentes de la ciudad que votarán para la propuesta del bono. ¿Cuál
es el margen de error?
Si no hay diferencia en las dos proporciones, entonces las dos muestras no son
realmente diferentes y podrían bien combinarse para obtener una estimación total
n=150
103
^p= =.69
150

Estimación puntal es p=.69

( .69 ) (.31)
Margen de error es ± 1.96=
√ 150
± 1.96 (.0378 )=± .074

3. Se selecciona una muestra aleatoria de 200 votantes en una ciudad y se encuentra que
114 apoyan un juicio de anexión.
a) Calcule el intervalo de confianza del 96% para la parte de la población votante
que está a favor del juicio.
0.4912 < p > 0.648
b) ¿Qué tamaño debería tener una muestra si deseamos tener un 96% de confianza
en que nuestra proporción de la muestra esté dentro del 0.02 de la fracción
verdadera de la población votante?
3829.69

0.96/2=0.48=z=2.5
^ρ = 114/200=0.57
q^ =1- ^ρ =1-0.57=0.43

( 0.57 )( 0.43 ) ( 0.57 ) ( 0.43 )

0.57−2.5
√ 200
< p<0.57+2.5
√200

intervalo de confianza 96% = 0.4824 < p > 0.657

MIRÒN LEÒN VALERIA

( 2.5 )2 ( 0.57 )( 0.43 )

n= =3829.69
0.022
4. El Departamento de zoología de Virginia Tech llevó a cabo un estudio para estimar
la diferencia en la cantidad de ortofósforo químico medido en dos estaciones
diferentes del río James. El ortofósforo se mide en miligramos por litro. Se
reunieron 15 muestras de la estación 1 y 12 muestras de la estación 2. Las 15
muestras de la estación 1 tuvieron un contenido promedio de ortofósforo de 3.84
miligramos por litro y una desviación estándar de 3.07 miligramos por litro; en
tanto que las 12 muestras de la estación 2 tuvieron un contenido promedio de 1.49
miligramos por litro y una desviación estándar de 0.80 miligramos por litro.
a) Calcule un intervalo de confi anza de 95% para la diferencia en el
contenido promedio verdadero de ortofósforo en estas dos estaciones.
Suponga que las observaciones provienen de poblaciones normales con
varianzas diferentes.
ESTACIÒN 1
x́=3.8 4 s=3.07 n=15

ESTACIÒN2
x́=1.49 s=.80 n=12
2
3.07 2 .802
v=
( 15
+
12 ) =16.3 ≈ 16
3.072 .802

[ ][ ]
152
14
+
122
11
Estimación puntual
( ^x 1−^x 2 )=3.84−1.49=2.35
Intervalo de confianza

3.072 .802 3.072 .802

2.35−2.120
√ 15
¿ .6< μ1 −μ 2< 4.10
+
12
< μ 1−μ2 <2.35−2.120
15
+
12 √
En consecuencia, tenemos un 95% de confianza en que el intervalo de 0.60 a 4.10
miligramos por litro contiene la diferencia del promedio verdadero del ortofósforo que
contienen estos dos lugares
REFERENCIAS:
Wainer, Howard. 2007. “The Most Dangerous Equation.” American Scientist 95 (3):
249.
Tablas de suma de distribuciones binominales de Ronald E. Walpole, Raymond H
Myers, Sharon I. Meyers y Keynig Ye(2012) Probabilidad y estadística para ingenierías
y ciencias 8va edición Ed. Pearson México
Ronald E. Walpole, Raymond H Myers, Sharon I. Meyers y Keynig Ye(2012)
Probabilidad y estadística para ingenierías y ciencias 8va edición Ed. Pearson México
Jay L. Devore (2008) Probabilidad y estadística para ingenierías y ciencias Séptima
edición. ISBN-13: 978-607-481-338-8 ISBN-10: 607-481-338-8
Bacchini Roberto D. (2018) Introduccion a la probabilidad y estadística 1ª ed Ciudad
Autónoma de Buenos Aires : Universidad de Buenos Aires. Facultad de Ciencias
Económicas Libro digital, PDF. Archivo Digital: descarga y online ISBN 978-950-
29-1734
MIRÒN LEÒN VALERIA

Kahneman, D. 2014. Pensar Rápido, Pensar Despacio / Thinking, Fast and Slow.

Debolsillo Mexico.
Mendenhall W., Beaver RJ, Beaver B.M. (2006) Introducción a la probabilidad y
estadística 13va edición. Ed. Cengage Learning ISBN-13: 978-607-481-466-8ISBN-10:
607-481-466-X