UNIVERSIDAD PEDAGOGICA FRANCISCO

MORAZAN
Centro Universitario De Educación A Distancia
(CUED: CHOLUTECA)

ESPACIO FORMATIVO:
Estadística

CATEDRATICA: Margot Lezama

TRABAJO: análisis del capítulo 5

PRESENTADO POR:
DELMA GISSELA BETANCOURTH MENDOZA

REGISTRO: 0615198900844
CARRERA:
Licenciatura en Ciencias Comerciales
¿QUE ES UNA DISTRIBUCION DE PROBABILIDAD?

En teoría de la probabilidad y estadística, la distribución de probabilidad de

una variable aleatoria es una función que asigna a cada suceso definido sobre
la variable la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de
los sucesos es el rango de valores de la variable aleatoria. También puede decirse
que tiene una relación estrecha con las distribuciones de frecuencia. De hecho,
una distribución de probabilidades puede comprenderse como una frecuencia
teórica, ya que describe cómo se espera que varíen los resultados.
La distribución de probabilidad está completamente especificada por la función de
distribución, cuyo valor en cada x real es la probabilidad de que la variable
aleatoria sea menor o igual que x.
Las distribuciones de probabilidad son distribuciones de probabilidad continuas o
distribuciones de probabilidad discretas, dependiendo de si definen probabilidades
para variables continuas o discretas.

¿Qué es una distribución continua?

Una distribución continua describe las probabilidades de los posibles valores de

una variable aleatoria continua. Una variable aleatoria continua es una variable

aleatoria con un conjunto de valores posibles (conocido como el rango) que es

infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el

área por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores
pueden tener una probabilidad diferente de cero. La probabilidad de que una
variable aleatoria continua equivalga a algún valor siempre es cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de
hombres adultos. Por ejemplo, usted puede calcular la probabilidad de que un
hombre pese entre 160 y 170 libras.

¿Qué es una distribución discreta?

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de

una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no
negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.

Ejemplo del número de quejas de clientes

Con una distribución discreta, a diferencia de una distribución continua, usted
puede calcular la probabilidad de que X sea exactamente igual a algún valor. Por
ejemplo, puede utilizar la distribución discreta de Poisson para describir el número
de quejas de clientes en un día. Supongamos que el número promedio de quejas
por día es 10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de
clientes en un día.

x P (X = x)

5 0.037833

1 0.12511
0

1 0.034718
5
5.4 La presidenta nacional de la asociación contra la distrofia muscular intenta
estimar la cantidad que ofrecerá cada persona que llama durante el teletón anual
de esta asociación. Usando los datos recolectados en los últimos 10 años, calculo
las siguientes probabilidades de las diferentes cantidades prometidas. Dibuje una
gráfica que ilustre esta distribucion de probabilidad.

Dólares prometidos 25 50 75 100 125

Probabilidad 0.45 0.25 0,15 0,10 0,05.

Probabilidades

0.5

0.4

0.3

0.2

0.1

25 50 75 100 125

Dólares prometidos.

5.6 Jim Rieck, analista de mercado de la compañía flat and mitney aircraft, tiene
la creencia de que el nuevo avión de combate de la compañía, el tigerrhawk, tiene
70% de posibilidades de ser escogido para sustituir por completo a los aviones de
combate de la fuerza aérea de los estados unidos. Sim embargo existe una
posibilidad entre cinco de que la fuerza aérea compre solo el número necesario
de Tigerhawks para sustituir la mitad de sus 5000 aviones de combate, por último,
existe una posibilidad entre 10 de que la fuerza aérea sustituya toda la flotilla de
aviones de combate de Tigerhawsk y que además compre el número suficiente de
estos para aumentar el número de sus unidades. En 10%. Construya una tabla y
trace la distribucion de probabilidad de las ventas de Tigerhawks a la fuerza aérea.

Numero vendido 2500 5000 5,500

Probabilidad 0.2 0.7 0.1

0.5

0.4

0.2

2500 5000 5500

VARIABLES ALEATORIAS
Una variable aleatoria es una función que asigna un valor, usualmente numérico,
al resultado de un experimento aleatorio. Por ejemplo, los posibles resultados de
tirar un dado dos veces: (1, 1), (1, 2), etc. o un número real (p.e., la temperatura
máxima medida a lo largo del día en una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento aún no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de
medición incompleta o imprecisa). Intuitivamente, una variable aleatoria puede
tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes
valores; una distribución de probabilidad se usa para describir la probabilidad de
que se den los diferentes valores. En términos formales una variable aleatoria es
una función definida sobre un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lógicos, funciones o cualquier tipo de elementos
(de un espacio medible). El término elemento aleatorio se utiliza para englobar
todo ese tipo de conceptos relacionados. Un concepto relacionado es el
de proceso estocástico, un conjunto de variables aleatorias ordenadas
(habitualmente por orden o tiempo).
Una variable aleatoria puede concebirse como un valor numérico que está
afectado por el azar. Dada una variable aleatoria no es posible conocer con
certeza el valor que tomará esta al ser medida o determinada, aunque sí se
conoce que existe una distribución de probabilidad asociada al conjunto de valores
posibles. Por ejemplo, en una epidemia de cólera, se sabe que una persona
cualquiera puede enfermar o no (suceso), pero no se sabe cuál de los dos
sucesos va a ocurrir. Solamente se puede decir que existe una probabilidad de
que la persona enferme.
Para trabajar de manera sólida con variables aleatorias en general es necesario
considerar un gran número de experimentos aleatorios, para su tratamiento
estadístico, cuantificar los resultados de modo que se asigne un número real a
cada uno de los resultados posibles del experimento. De este modo se establece
una relación funcional entre elementos del espacio muestral asociado al
experimento y números reales.
Tipos de variables aleatorias [editar]
Para comprender de una manera más amplia y rigurosa los tipos de variables, es
necesario conocer la definición de conjunto discreto. Un conjunto es discreto si
está formado por un número finito de elementos, o si sus elementos se pueden
enumerar en secuencia de modo que haya un primer elemento, un segundo
elemento, un tercer elemento, y así sucesivamente5 (es decir, un conjunto
infinito numerable sin puntos de acumulación). Para variables con valores en las
variables aleatorias se clasifican usualmente en:

 Variable aleatoria discreta: una v.a. es discreta si su recorrido es un

conjunto discreto. La variable del ejemplo anterior es discreta. Sus
probabilidades se recogen en la función de cuantía. (Véanse las distribuciones
de variable discreta).
 Variable aleatoria continua: una v. es continua si su recorrido es
un conjunto no numerable. Intuitivamente esto significa que el conjunto de
posibles valores de la variable abarca todo un intervalo de números reales. Por
ejemplo, la variable que asigna la estatura a una persona extraída de una
determinada población es una variable continua ya que, teóricamente, todo
valor entre, pongamos por caso, 0 y 2,50 m, es posible. 6 (Véanse
las distribuciones de variable continua).
Las definiciones anteriores pueden generalizarse fácilmente a variables aleatorias
con valores sobre  o . Esto no agota el tipo de variables aleatorias ya que el valor
de una variable aleatoria puede ser también una partición, como sucede en
el proceso estocástico del restaurante chino o el conjunto de valores de una
variable aleatoria puede ser un conjunto de funciones como el proceso estocástico
de Dirichlet.
En estadística el valor esperado, media poblacional o media) de una variable
aleatoria, es el número o que formaliza la idea de valor medio de un
fenómeno aleatorio.
El valor esperado es una idea fundamental en el estudio de las distribuciones de
probabilidad. Para obtener el valor esperado de una variable aleatoria discreta,
multiplicamos cada valor que la variable puede tomar por la probabilidad de
ocurrencia de ese valor y luego sumamos los productos.

Ejercicios.
5.2 Bob walters quien invierte con frecuencia en el mercado de valores,
estudia con detenimiento cualquier inversión potencial. En la actualidad
examina la posibilidad de invertir en la Trinity power Company, mediante el
estudio del rendimiento en el pasado, walters ha desglosado los resultados
potenciales en 5 resultados posibles con sus probabilidades asociadas. Los
resultados son tasas de rendimiento anuales sobre una sola acción que hoy
cuesta$150 encuentre el valor esperado del rendimiento sobre la inversión
en una sola acción Trinity power.
Rendimiento de la inversión ($) 0.00 10.00 15.00 25.00 50.00
Probabilidad 0.20 0.25 0.30 0.15 0.10
Si walters compra acciones siempre que la tasa del rendimiento espera exceda al
10%, ¿comprara la acción, de acuerdo con esos datos.

Rendimiento probabilidad E(x)= U(x)= $xi * (P)

0 0,20 0 Rta. Si compra la acción porque el
10 0,25 2,5 rendimiento esperado de $15% es
15 0,50 4,5 mayor que el 10% del precio de
25 0,15 3,75 compra de $150
50 0,10 5
15.75

5.10 Bill Johson acaba de comprar una blue ray video service a un
costo de $300, ahora tiene la opción de comprar una póliza de servicio
extendido que ofrece cinco años de cobertura por $100. Después de hablar
con sus amigos y leer los informes, bill cree que puede incurrir en los
siguientes gastos de mantenimiento durante los próximos cinco años.

Gasto 0 50 100 150 200 250 300

Probabilidad 0,35 0,25 0,15 0.10 0.08 0.05 0.02
Gasto probabilidad gasto prob
0 0,35 0 200 0.02 16
50 0,25 12,5 250 0,05 12,5
100 0,15 15 300 0,02 6
150 0,10 15 77

No debe pagar
USO DEL VALOR ESPERADO EN LA TOMA DE DECISIONES.

Directivos y empresarios a menudo usan un elemento muy útil llamado «el criterio del valor
esperado». En este caso, las compensaciones se sopesan según las probabilidades. Esto se
ve en la tabla 4, donde la última columna muestra el valor esperado de las compensaciones y
se obtiene simplemente multiplicando las dos columnas previas entre sí.
Una manera de pensar en este concepto es verlo como una media a largo plazo. Si el florista
dispusiera de 13 arreglos cada día y el patrón de demanda fuera el que hemos dicho, el
beneficio promediaría 124,75 dólares diarios. O sea, el 5 por ciento de los días el beneficio
sería de 85 dólares, otro cinco por ciento sería de 100 dólares, el 10 por ciento sería de 115
dólares y así sucesivamente, con una media de 124,75 dólares.

Los resultados de los cálculos para todos los niveles alternativos de aprovisionamiento
aparecen en la tabla 5. Si el florista quisiera maximizar el beneficio esperado usando el criterio
del valor esperado, tendría 15 arreglos florales en existencia y el beneficio esperado sería de
131,25 dólares por día.
Por favor, fíjese bien en el interés de todo esto. Mientras que la demanda media es 14
unidades, el valor esperado en realidad es más alto para 15 unidades y esto se debe a que se
toman en cuenta los beneficios pero también las probabilidades.
Esta ilustración es un ejemplo de lo que se llama «problema de la quiosquera de periódicos»,
un problema muy interesante que se trata en el libro dedicado a la gestión de operaciones y
de la cadena de suministros. De hecho, el uso del criterio del valor esperado subraya la
mayoría de los llamados «modelos de inventario» usados rutinariamente en casi todos los
sectores, aunque el concepto se puede aplicar a una amplia gama de problemas además del
relacionado con la planificación de existencias. También se emplea mucho en finanzas.
EJERCICIOS.
La compañía airport [Link] opera de manera local y compite con varias
alquiladoras más grandes airport rent a- car está planeado ofrecer un nuevo
contrato a los clientes potenciales que deseen alquilar un automóvil por solo un
día para devolverlo en el aeropuerto. La tarifa será de$35 y el automóvil, un
modelo compacto económico; el único gasto adicional del cliente será llenar el
tanque del automóvil al termino del día. Airport rent-a-car tiene planeado comprar
cierto número de automóviles compactos al precio especial de $6,300. La
pregunta que se tiene que responder es: ¿cuantos automóviles deben comprar?
Los ejecutivos de la compañía han estimado la siguiente distribucion para la
demanda diaria del servicio:
Numero de automóviles alquilados 13 14 15 16 17 18
Probabilidad 0.08 0.15 0.22 0.25 0.21 0.09.

La compañía pretende ofrecer el servicio seis días a la semana (312 días al año y
estima que el costo por automóvil por día será de $ 2.50 al término de una año, la
compañía espera vender los automóviles y recuperar el 50% del costo original sin
tomar en cuenta el valor temporal del dinero ni cualquier otro gasto que no sea en
efectivo, utilice el método de utilidad esperada para determinar el número óptimo
de automóviles que debe comprar la compañía
probabilidad # automóviles Ve
0.08 13 6.04
0.09 14 1.26
0.15 15 2.25
0.21 16 3.36
0.22 17 3.74
0.25 18 4.75
16.15

0.25

0.22

0.21

0.15

0.09

0.08 13 14 15 16 17 18

N° de automóviles
Debe comprar 16 automoviles
LA DISTRIBUCION BINOMIAL.
En estadística, la distribución binomial es una distribución de
probabilidad discreta que cuenta el número de éxitos en una secuencia
de n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se caracteriza
por ser dicotómico, esto es, solo dos resultados son posibles. A uno de estos se
denomina «éxito» y tiene una probabilidad de ocurrencia p y al otro, «fracaso»,
con una probabilidad2 q = 1 - p. En la distribución binomial el anterior experimento
se repite n veces, de forma independiente, y se trata de calcular la probabilidad de
un determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho,
en una distribución de Bernoulli.
Para representar que una variable aleatoria X sigue una distribución binomial de
parámetros n y p, se escribe:
La distribución binomial es la base del test binomial de significación
estadística.
Un proceso de Bernoulli es la repetición de un ensayo de Bernoulli. Por ejemplo
de una moneda estaremos estudiando cuántas veces sale "cara" o cuántas veces
sale "cruz", o la probabilidad de que salga "cara", al menos una vez, de un
número n de intentos. Es importante que se cumpla que:

1. La probabilidad de éxito permanece constante ensayo tras ensayo.

2. Los ensayos deben de ser independientes entre sí.
Los procesos de Bernoulli son un caso concreto de proceso estocástico de tiempo
discreto. Según el problema que nos planteemos sobre el resultado de un proceso
de Bernoulli pueden surgir distintas distribuciones asociadas:

 Si nos preguntamos sobre la probabilidad de obtener r éxitos en n ensayos,

la probabilidad de que suceda en un ensayo es p, corresponde la
llamada distribución binomial:
Si queremos saber la probabilidad de necesitar exactamente n ensayos
para obtener r éxitos, debemos usar la distribución binomial negativa o
la distribución de Pascal:
La distribución de Pascal es un caso particular de la distribución binomial
negativa que requiere que los valores de n y r sean enteros, mientras que
en la distribución binomial negativa r puede ser real mayor que cero y n-r
entero no negativo (la fórmula que figura más arriba corresponde a la
distribución de Pascal).
Cuando r=1 se obtiene la distribución geométrica
5. 20 Encuentre la media y la desviación estándar de los siguientes distribuciones
binomiales.

A n= 15,p=n0.20
B n= 8, p=0.42
C n =72,p=0.06
D n =29 p 642; 0,21

a) n= 15 p= 20 µ=up =(15x0.20) =3 m

õ=√npq õ = (15) (20) (080) = √2.4 = 1.549 ____ desviación

b n =8 p = 0.42 µ =np = (8) (0.42) = 3.36 ________ media

õ = √ npq õ = (8)(0.42)(0.58) = √1.9488 =1.396 ______desviación

c n =72 p:0.06 µ np =(72)(0.06) 0 4.32 ______- media

õ = √npq =õ (0.72)(0.06)(0.94) =√ 4.0608 =2.015 _____- desviación

d) n =29 p= 0.49 µ = np (29)(0.49) = 14.21 ____- media

õ √npq = õ np (29)(0.49)0.51) = √7.2471 =2.692 ______ desviación

e n = 642 p = 0.21 µ = np = (642) (0.21) = 134.82 ______ media

õ√ npq = õ = (642)(0.21)(0.79)= √106.5078 = 10.320_______-- desviación

5.26 Harry ohme está de la sección de electrónica de una gran tienda

departamental, se va dando cuenta de que la probabilidad de que un
cliente que solamente se encuentra curioseando compre algo es de 0.3
Suponga que 15 clientes visitan la sección de electrónica cada hora
utilice la tabla 3 del apéndice para responder las siguientes preguntas:

a) ¿cuál es la probabilidad de que al menos una de las personas que

curiosean compren algo durante una hora dada?
b) Cuál es la probabilidad de que al menos cuatro personas que
curiosean compren algo en una hora dada?
c) Cuál es la probabilidad de que ninguna de las personas que
curiosean compre algo durante una hora dada?
d) Cuál es la probabilidad de que no mas de cuatro personas que
curiosean compren algo durante una hora dada?

a) n = 1 r =3 p = 0.14 = 0.9953
b) n= 0 r= 3 p = 0.15 0.7031
 c) n =4 r =3 p= 011 = 0.0047
d) n= r =3 P = 0.12 = 05155.

La distribución de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson es
una distribución de probabilidad discreta que expresa, a partir de una frecuencia
de ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto período de tiempo.

Fue descubierta por Simeón-Denis Poisson, que la dio a conocer en 1838 en su

trabajo Recherches sur la probabilité des jugements en matières criminelles et
matière civile (Investigación sobre la probabilidad de los juicios en materias
criminales y civiles)

La distribución de Poisson se utiliza para describir cierto tipo de procesos, entre los que
se encuentra la distribución de llamadas telefónicas que llegan a un conmutador, las
solicitudes de pacientes que requieren de servicios en una institución de salud, la llegada
de automóviles y camiones a una caseta de cobro y el número de accidentes registrados
en ciertas intersecciones.

Esta distribución se puede hacer derivar de un proceso experimental de

observación en el que tengamos las siguientes características

· Se observa la realización de hechos de cierto tipo durante un cierto periodo

de tiempo o a lo largo de un espacio de observación

· Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no

de una manera no determinística.

· La probabilidad de que se produzcan un número x de éxitos en un intervalo

de amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud)

· La probabilidad de que ocurra un hecho en un intervalo infinitésimo es

prácticamente proporcional a la amplitud del intervalo.

· La probabilidad de que se produzcan 2 o más hechos en un intervalo

infinitésimo es un infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1

hecho pero nunca más de uno

· Si en estas circunstancias aleatorizados de forma que la variable aleatoria

X signifique o designe el "número de hechos que se producen en un
intervalo de tiempo o de espacio", la variable X se distribuye con una
distribución de parámetro l .Así:           

    El parámetro de la distribución es, en principio, el factor de proporcionalidad

para la probabilidad de un hecho en un intervalo infinitésimo. Se le suele designar
como parámetro de intensidad, aunque más tarde veremos que se corresponde
con el número medio de hechos que cabe esperar que se produzcan en un
intervalo unitario (media de la distribución); y que también coincide con la varianza
de la distribución.

    Por otro lado es evidente que se trata de un modelo discreto y que el campo de
variación de la variable será el conjunto del número natural, incluido el
cero:    

Calculo de la distribución de Poisson.

 La distribución de probabilidad de Poisson, como se a mostrado, tiene que

ver con ciertos procesos que pueden ser descritos por una variable aleatoria
discreta. Generalmente, la letra X representa a esta variable discreta y puede
tomar valores (0, 1, 2, 3, 4 , 5. etc.). Utilizando la mayúsculas X para representar a
la variable aleatoria y la minúscula x para señalar un valor especifico que dicha
variable puede tomar.
 La probabilidad de tener exactamente x ocurrencias en una distribución de
Poisson se calcula con la siguiente fórmula.

Tengo realizado ejercicios en la libreta

La distribución normal: distribución de una

variable aleatoria continua
En teoría de la probabilidad una distribución de probabilidad se llama continua si
su función de distribución es continua. Puesto que la función de distribución de
una variable aleatoria X viene dada por , la definición implica que en una
distribución de probabilidad continua X se cumple P[X = a] = 0 para todo número
real a, esto es, la probabilidad de que X tome el valor a es cero para cualquier
valor de a. Si la distribución de X es continua, se llama a X variable aleatoria
continua.
En las distribuciones de probabilidad continuas, la distribución de probabilidad es
la integral de la función de densidad, por lo que tenemos entonces que:
Mientras que en una distribución de probabilidad
discreta un suceso con probabilidad cero es imposible, no se da el caso en una
variable aleatoria continua. Por ejemplo, si se mide lo largo de una hoja de
roble, el resultado 3,5 cm no es posible, pero tiene probabilidad uno porque
hay infinitos valores posibles entre 3 cm y 4 cm. Cada uno de esos valores
individuales tiene probabilidad cero, aunque la probabilidad de ese intervalo no
lo es. Esta aparente paradoja no se resuelve por el hecho de que la
probabilidad de que X tome algún valor en un conjunto infinito como un
intervalo, no puede calcularse mediante la adición simple de probabilidades de
valores individuales. Formalmente, cada valor tiene una
probabilidad infinitesimal que estadísticamente equivale a cero.
Existe una definición alternativa más rigurosa en la que el término "distribución
de probabilidad continua" se reserva a distribuciones que tienen función de
densidad de probabilidad. Estas funciones se llaman, con más precisión,
variables aleatorias absolutamente continuas (véase el Teorema de Radon-
Nikodym). Para una variable aleatoria X absolutamente continua es
equivalente decir que la probabilidad P[X = a] = 0 para todo número real a, en
virtud de que hay un incontables conjuntos de medida de Lebesgue cero (por
ejemplo, el conjunto de Cantor).
Una variable aleatoria con la distribución de Cantor es continua de acuerdo
con la primera definición, pero según la segunda, no es absolutamente
continua. Tampoco es discreta, ni una media ponderada de variables discretas
y absolutamente continuas.
En aplicaciones prácticas, las variables aleatorias a menudo ofrece una
distribución discreta o absolutamente continua, aunque también aparezcan de
forma natural mezclas de los dos tipos.

La Normal es la distribución de probabilidad más importante. Multitud de variables

aleatorias continuas siguen una distribución normal o aproximadamente normal.
Una de sus características más importantes es que casi cualquier distribución de
probabilidad, tanto discreta como continua, se puede aproximar por una normal
bajo ciertas condiciones.
La distribución de probabilidad normal y la curva normal que la representa, tienen
las siguientes características: •
 La curva normal tiene forma de campana y un solo pico en el centro de la
distribución.
De esta manera, la media aritmética, la mediana y la moda de la distribución son
iguales y se localizan en el pico. Así, la mitad del área bajo la curva se encuentra a
la derecha de este punto central y la otra mitad está a la izquierda de dicho punto.
• La distribución de probabilidad normal es simétrica alrededor de su media.
• La curva normal desciende suavemente en ambas direcciones a partir del valor
central. Es asintótica, lo que quiere decir que la curva se acerca cada vez más al
eje X pero jamás llega a tocarlo. Es decir, las “colas” de la curva se extienden de
manera indefinida en ambas direcciones.

AREAS BAJO LA CURVA NORMAL

No importa cuáles sean los valores de la  para una distribución de probabilidad

normal, el área total bajo la curva es 1.00, de manera que podemos pensar en
áreas bajo la curva como si fueran probabilidades. Matemáticamente es verdad
que:
1 68% de todos los valores de una población normalmente distribuida se
encuentra dentro  de  desviación estándar de la media.
2. Aproximadamente 95.5 % de todos los valores de una población normalmente
distribuida se encuentra dentro de  desviación estándar de la media.
3. Aproximadamente 99.7 % de todos los valores de una población normalmente
distribuida se encuentra dentro  de desviación estándar de la media.
 USO DE LA TABLA DE DISTRIBUCIÓN DE PROBABILIDAD NORMAL
ESTÁNDAR
  DISTRIBUCIÓN DE PROBABILIDAD NORMAL ESTÁNDAR Áreas bajo la
distribución de probabilidad Normal Estándar entre la media y valores positivos de
Z    y ²=1