ESTADÍSTICA GENERAL

Departamento Académico de Cursos Básicos

PROBABILIDADES

Semana 06
Sesión 11
 Resultado de aprendizaje de la sesión

Al finalizar la sesión, el estudiante calcula probabilidades considerando las diferentes

reglas y teoremas e interpretando los resultados.

Imagen: www.freepik.com
 Reflexión desde la experiencia
La Estadística y el amor

Observa el
video y
reflexiona.

https://www.youtube.com/watch?v=iDOAvpWA2Ac
 Reflexión desde la experiencia

Puedo resolverlo:

• ¿Cuál es la probabilidad de que gane la tinka?

• ¿Cuál es la probabilidad de que apruebe estadística sabiendo que
aprobó matemática?
• ¿Cuál es la probabilidad de que una mujer tenga osteoporosis, sabiendo
que presenta menopausia?
• ¿Cuál es la probabilidad de tener éxito en un negocio?
• ¿Cuál es la probabilidad de que llueva el día de hoy?
 Reflexión desde la experiencia

Responde en el padlet las siguientes

preguntas:

• ¿Cuál es la conclusión a la que llegaste después de ver

el video?
• ¿Según el video, cuál es la probabilidad de encontrar a
tu media naranja?
• ¿Es posible realizar estos tipos de cálculos?
• ¿Se puede cuantificar la incertidumbre que
encontramos en el universo?
Desarrollo del tema
Conceptos básicos
Probabilidad de un evento
Probabilidad condicional
 Combinación

Las combinaciones (sin repetición) de “n” elementos tomados de “x” en “x” son cada
una de las formas posibles de elegir “x” elementos de entre “n” posibles.
• No entran todos los elementos
• No importa el orden • n = Observaciones totales
• No se repiten los elementos. • x = Número de elementos
n n!
C =   =
n seleccionados.
 x  x!(n − x)! • n ≥ x
x

Ejemplo: De cuántas formas diferentes se puede elegir 3 tipos de jarabes contra la tos
de 5 jarabes diferentes.
n = 5; x = 3 →  5  5!
C =   =
5
3 = 10
 3  3!2 !
Los 3 tipos de jarabes se pueden elegir de 10 formas diferentes.
 Permutación

Permutación lineal
Es el número de ordenamiento de todos o parte de un conjunto de objetos.
• Importa el orden 𝑛!
𝑃𝑥𝑛 =
𝑛−𝑥 !

Ejemplo:
En una carrera de 400 metros participan 10 atletas. ¿De cuántas formas distintas
podrán ser premiados los tres primeros lugares con medalla de oro, plata y bronce?
10!
n = 10; x = 3 𝑃310 = =720
10−3 !

Los tres primeros lugares de la carrera pueden ser premiados de 720 formas diferentes.
 Permutación

Permutación lineal con repetición

Es el número de ordenamiento de todos o parte de un conjunto de objetos teniendo
en cuenta que hay elementos repetidos.
𝑛 𝑛!
𝑃𝑥 = 𝑛1!𝑛2!𝑛3!… → x = 𝑛1! 𝑛2! 𝑛3! …

Ejemplo:
Se tiene 9 sobres, 3 sobres blancos, 2 sobres rojos y 4 sobres negros.
¿De cuántas formas distintas se pueden ordenar los sobres en una misma línea?
n = 9 sobres; x → n1 = 3 sobres blanco; n2 = 2 sobres rojos; n3 = 4 sobres negros
9!
𝑃𝑥9 = 3!∗2!∗4! =1260

Se pueden ordenar de 1260 formas diferentes los sobres en una misma línea.
 Permutación

Permutación circular
Es el número de ordenamiento de todos o parte de un conjunto de objetos
alrededor un objeto circular.
𝑃𝐶𝑛 = (n –1)!
Ejemplo:
De cuántas formas diferentes se pueden ubicar 4 coordinadores en una mesa circular

n=4 𝑃𝐶4 = (4 –1)! =3! = 6

Se pueden ubicar de 6 formas diferentes en una mesa circular

 Probabilidad

Probabilidad

La teoría de probabilidades permite asignar

valores (números reales) a la posibilidad de
ocurrencia de diferentes eventos, de tal
manera que sus posibilidades puedan ser
comparadas y evaluadas. De esta manera
podemos medir la incertidumbre.

https://bit.ly/3pGV069
 Probabilidad

Algunos de los campos donde se aplica la teoría de probabilidades para la medición

de la incertidumbre son:

• Análisis de riesgo, administración

del riesgo y reducción del riesgo
• Evaluación de proyectos de inversión
• Control de calidad
• Mejoramiento genético
• Análisis de sobrevivencia
• Sistemas de seguros
https://bit.ly/3KrEizL
 Definiciones previas

Experimento (ξ): Es todo aquel acto o acción que se realiza con el fin de observar sus
resultados y cuantificarlos.
Los experimentos pueden clasificarse de acuerdo al tipo de resultados en:

• Determinístico
Es aquel cuyos resultados se pueden predecir de antemano.

• No Determinístico (aleatorio)
Es aquel en el que para las limitaciones actuales del conocimiento científico, no se
puede predecir con certeza el resultado. Es decir, da lugar a varios resultados, sin que
se pueda predecir con certeza cuál de éstos va a ser observado en la realización del
mismo.
 Definiciones previas

Espacio muestral (Ω): Es el conjunto de todos los resultados del experimento aleatorio.
Experimento aleatorio Espacio muestral

Ω = cara, sello

Ω = 1,2,3,4,5,6

Número de accidentes de tránsito

que se producen en una avenida Ω = 0,1,2,3, … … .
principal.
El tiempo que tarda un avión en
Ω = 45 min, 60 min, 70 min, … … .
realizar un determinado vuelo.
 Definiciones previas

Evento: Es un subconjunto del espacio muestral

Experimento aleatorio Espacio muestral

Ω = 1,2,3,4,5,6

https://bit.ly/3CnbIg6

Para este experimento podemos definir los siguientes eventos

A: Observar un número impar
A = 1,3,5
B: Observar un número múltiplo de 3
B = 3,6
 Definiciones previas

Sea el experimento aleatorio

Podemos definir los siguiente eventos

A: La suma de los puntajes es 7
A = 1,6 , 2,5 , 3,4 , 4,3 , 5,2 , (6,1)
B: La suma de los puntajes es 11
B = 5,6 , (6,5)
C: La suma de los puntajes es 7 u 11
C = 1,6 , 2,5 , 3,4 , 4,3 , 5,2 , 6,1 , 5,6 , (6,5)
 Experimento – Espacio muestral – Evento

E1: Lanzar una moneda Ω = {C;S} A = Obtener sello

A = {S}

E2: Lanzar 2 monedas Ω = {CC;CS;SS;SC} B = Obtener al menos una cara

B = {CS;SC;CC}

E3: Lanzar un dado Ω = {1;2;3;4;5;6} C = Obtener una cara impar

C = {1;3; 5}

E4: Tiempo que demora un Ω = {t ∈ ℝ / 0 < t ≤ 90 minutos. D = Obtener un tiempo múltiplo de 5

estudiante en hacer su EP D = {0; 5; 10; …90}

EXPERIMENTO ALEATORIO (E) ESPACIÓ MUESTRAL (Ω) EVENTO O SUCESO (A)

 Probabilidad de un evento

La probabilidad del evento A es el cociente entre el número

de resultados favorable a la ocurrencia del evento A y el
número de resultados posibles.

https://bit.ly/3CbX3nP

𝑛(𝐴)
P(A) = 𝑛(𝛺)
 Probabilidad de un evento
Ejemplo:
Se sabe que en determinada urbanización viven 300 familias, de las
cuales 80 viven en viviendas unifamiliares, 60 en edificios
multifamiliares, 70 en conjuntos residenciales, y el resto en quintas.
Si seTipo
escoge
de viviendauna familia
Unifamiliares
al
Número de
80
azar.
familias

Multifamiliares 60
Residenciales 70
Quintas 90
Total Ω = 300 https://bit.ly/3NKzcAz

a) ¿Cuál es la probabilidad de que viva en un conjunto residencial?

𝑛(𝐴) 70
A: Familia que vive en un conjunto residencial → 𝑃 𝐴 = →𝑃 𝐴 = = 0,2333
𝑛(𝛺) 300

La probabilidad de que viva en un conjunto residencial es del 23,33%

b) ¿Cuál es la probabilidad de que no viva en un edificio multifamiliar?
B: Familia que vive en un edificio multifamiliar
300−60
B’: Familia que no viva en edificio multifamiliar → 𝑃 𝐵′ = = 0,8
300

La probabilidad de que una familia no viva en un edificio multifamiliar es del 80%.

 Probabilidad de un evento
Ejemplo:
Se realizo una encuesta a 2000 mujeres y se les pregunto su estado nutricional si sufre
alguna afectación ósea. Si se elegí una mujer al azar. Estado
Afectación ósea Nutricional Total
a) ¿Cuál es la probabilidad de que una mujer Normal Malnutrido
tenga osteoporosis? Sin afección ósea 180 280 460
b) ¿Cuál es la probabilidad de tener osteoporosis Osteomielitis 110 450 560
y malnutrido? Osteoporosis 200 780 980
a) ¿Cuál es la probabilidad de que una mujer tenga osteoporosis? Total 490 1510 2000
𝑛(𝐴) 980
A: La mujer tiene osteoporosis → 𝑃 𝐴 = →𝑃 𝐴 = = 0,49 La probabilidad de que una mujer tenga
𝑛(𝛺) 2000
osteoporosis es del 49%.
b) ¿Cuál es la probabilidad de que una mujer tenga osteoporosis y este malnutrido?
A: La mujer tiene osteoporosis
780 La probabilidad de que una mujer tenga osteoporosis y
B: La mujer esta malnutrido → 𝑃 𝐴 ∩ 𝐵 = = 0,39
2000 este malnutrido es del 39%.
 Teoremas de probabilidad

Sea Ω el espacio muestral y A un evento cualquiera de Ω:

1. 0 ≤ P(A) ≤1, para cualquier A ⊂ Ω
2. Si A = Ω→ P(A) = 1
3. Si A = ∅ → P(A) = 0
4. Si Ω = A ∪ AC→ P(AC) = 1 – P(A)
5. Si A y B son eventos de Ω, se cumple que:
P(A ∪ B) = P(A) + P(B) – P(A∩B)
6. Si A y B son eventos mutuamente excluyentes:
(A ∩ B) = ∅ → P( A ∪ B ) = P(A) + P(B)
7. Ley de Morgan:
a) P(A ∪ B) C = 1 – P(A ∪ B) = P(AC ∩ BC)
https://bit.ly/3xGjqkD
b) P(A ∩ B) C = 1 – P(A ∩ B) = P(AC ∪ BC)
 Probabilidad
Ejemplo:
Los registros de una planta industrial indican que el 12% de todos
los obreros lesionados ingresan a un hospital para recibir
tratamiento (evento H), el 16% regresa al trabajo al día siguiente
(evento T) y el 2% ingresan a un hospital pero vuelven al trabajo al
día siguiente (H∩T). Si un obrero se lesiona: https://bit.ly/3NFqZxv

a) Halle la probabilidad de que ingrese en un hospital

H(12%) T(16%) para recibir tratamiento o que regresará al día
siguiente. P(H ∪ T) = 26%
b) Calcule la probabilidad de que ingrese a un hospital
10% 2% 14% pero no regrese al trabajo al día siguiente.
P(H ∩ T c ) = 10%
c) Determine la probabilidad de que no ingrese a un
74% hospital ni regrese al trabajo al día siguiente.
P(H c ∩ T c ) =74%
 Probabilidad
Ejemplo:
Los registros de una planta industrial indican que el 12% de todos los
obreros lesionados ingresan a un hospital para recibir tratamiento
(evento H), el 16% regresa al trabajo al día siguiente (evento T) y el
2% ingresan a un hospital pero vuelven al trabajo al día siguiente
https://bit.ly/3NFqZxv
(H∩T). Si un obrero se lesiona:
H: El obrero se lesiona e ingresa al hospital T: El obrero regresa al trabajo al día
siguiente T:al trabajo
Obrero regresa
al día
T’: Obrero no
regresa al trabajo
Total T: Obrero regresa al T’: Obrero no
trabajo al día regresa al trabajo al
Total

siguiente al día siguiente siguiente día siguiente

H: Obrero ingresa 2% 12% H: Obrero ingresa 2% 10% 12%
hospital hospital
H’: Obrero no H’: Obrero no 14% 74% 88%
ingresa hospital ingresa hospital
Total 16% 100% Total 16% 84% 100%

a) ¿Halle la probabilidad de que ingrese a un hospital para recibir tratamiento o que regrese al día siguiente?
H: El obrero ingresa al hospital
T: El obrero regresa al trabajo al día siguiente → 𝑃 𝐻 ∪ 𝑇 = 𝑃 𝐻 + 𝑃 𝑇 − 𝑃 𝐻 ∩ 𝑇 *Evento no excluyente

𝑃 𝐻 ∪ 𝑇 = 12% + 16% − 2% = 26%

 Probabilidad
Ejemplo:
T: Obrero regresa al T’: Obrero no regresa Total
trabajo al día al trabajo al día
siguiente siguiente
H: Obrero ingresa 2% 10% 12%
hospital
H’: Obrero no ingresa 14% 74% 88%
hospital
Total 16% 84% 100%
https://bit.ly/3NFqZxv
b) ¿Calcule la probabilidad de que ingrese a un hospital, pero no regrese al trabajo al día siguiente?
H: El obrero ingresa al hospital
T’: El obrero no regresa al trabajo al día siguiente La probabilidad de que un obrero ingrese a un hospital, pero
𝑃 𝐻 ∩ 𝑇′ = 10% no regrese al trabajo al día siguiente es del 10%.

c) Determine la probabilidad de que no ingrese a un hospital ni regrese al trabajo al día siguiente.

H’: El obrero no ingresa al hospital
T’: El obrero no regresa al trabajo al día siguiente La probabilidad de que un obrero no ingrese a un hospital ni
𝑃 𝐻′ ∩ 𝑇′ = 74% regrese al trabajo al día siguiente es del 74%.
 Probabilidad

Ejemplo:
Al analizar muestras de agua tomadas de un rio para detectar la
presencia de los metales pesados plomo y mercurio, se
encuentra que el 50% de las muestras tomadas en las
proximidades de la desembocadura de un río en cuyas orillas se
localizan numerosas plantas mineras tienen niveles tóxicos de
plomo o de mercurio y que el 38% tienen nivel tóxico de plomo. https://bit.ly/3CLqWg1

De las muestras, el 11% contiene un nivel alto de ambos

metales.
Si se elige una muestra al azar
a) ¿Cuál es la probabilidad de que la muestra contenga un alto nivel de mercurio?
b) ¿Cuál es la probabilidad de que la muestra contenga sólo plomo?
 Probabilidad

P(38%) M(23%) a) ¿Cuál es la probabilidad de que la muestra

contenga un alto nivel de mercurio?

12% P: La muestra presenta alto nivel de plomo

27% 11%
M: La muestra presenta alto nivel de
mercurio
50% P(M)=23%
b) ¿Cuál es la probabilidad de que la muestra contenga sólo plomo?
P(Sólo P)=27%
La probabilidad de que la muestra contenga sólo plomo es del 27%

https://bit.ly/3CLqWg1
 Probabilidad
Ejemplo:
Al analizar muestras de agua tomadas de un rio para detectar la
presencia de los metales pesados plomo y mercurio, se encuentra que
el 50% de las muestras tomadas en las proximidades de la
desembocadura de un río en cuyas orillas se localizan numerosas
plantas mineras tienen niveles tóxicos de plomo o de mercurio y que el
38% tienen nivel tóxico de plomo. De las muestras, el 11% contiene un https://bit.ly/3CLqWg1

nivel alto de ambos metales. Si se elige una muestra al azar

P(P ⋃ M) = P(P) + P(M) – P(P ⋂ M)
P: Presencia alto de plomo
50% = 38% + P(M) – 11%
M: Presencia alto de mercurio
23% = P(M)
M: Presencia de M’: No hay presencia Total M: Presencia de M’: No hay presencia Total
mercurio de mercurio mercurio de mercurio

P: Presencia de 11% 38% P: Presencia de 11% 27% 38%

plomo plomo
P’: No hay presencia P’: No hay presencia 12% 50% 62%
de plomo de plomo
Total 100% Total 23% 77% 100%
 Probabilidad
Ejemplo:
M: Presencia de M’: No hay presencia Total
mercurio de mercurio

P: Presencia de plomo 11% 27% 38%

P’: No hay presencia de plomo 12% 50% 62%
Total 23% 77% 100%

a) ¿Cuál es la probabilidad de que la muestra contenga un alto https://bit.ly/3CLqWg1

nivel de mercurio?
M: Presencia alto de mercurio → P(M) = 23%
La probabilidad de que la muestra contenga un alto nivel de mercurio es del 23%.
b) ¿Cuál es la probabilidad de que la muestra contenga sólo plomo?
P: Presencia alto de plomo
→ P(P ⋂ M’) = 27%
M’: No tenga presencia alto de mercurio
La probabilidad de que la muestra contenga sólo plomo es del 27%.
 Probabilidad condicional

Definición: Sean A y B dos eventos de un espacio muestral Ω con P(B) > 0. La probabilidad
condicional de A dado que ocurrió B esta definida por:

Propiedades de probabilidad condicional

1. 0 ≤ P(A/B) ≤ 1, para todo evento A y B
2. P(Ω/B) = 1
3. Si los eventos A1, A2, ... , Ak son mutuamente excluyentes, entonces:
𝑗=𝑘 𝑗=𝑘
P(⋃𝑗=1 𝐴𝑗 /𝐵) = σ𝑗=1 𝑃(𝐴𝑗 /𝐵)
4. P(A/B) = 1 – P(Ac /B)
5. P(/B) = 0
6. P[(Ac ∩ B)/C] = P(B/C) – P[(A ∩ B)/C]
7. P[(A  B)/C] = P(A/C) + P(B/C) – P[(A ∩ B)/C]
 Probabilidad condicional

Ejemplo:
Según datos estadísticos del distrito de Breña durante el mes de
Enero se encontró que el 60% de los accidentes suceden de
noche, 52% están relacionados con conductores alcohólicos y
37% se presentan de noche y con conductores alcohólicos ¿Cuál
es la probabilidad de que un accidente este relacionado con
conductor alcoholizado dado que sucedió de noche?
https://bit.ly/39hUHdb

N: Accidente de noche P(N) = 0,60

A: Conductores alcoholizados P(A) = 0,52 → P(A ∩ N) = 0,37
𝑃 A∩N 0,37
𝑃(A/N) = = = 0,62
𝑃 N 0,60
La probabilidad de que un accidente este relacionado con conductor alcoholizado dado que
sucedió de noche es 62%.
 Probabilidad condicional

Ejemplo:
El Superintendente de la SBS analizaba la siguiente información sobre una muestra de
ahorristas:
a) Si se elige un ahorrista al azar, ¿cuál es la
probabilidad que sea mujer y ahorre en el Banbif? Sexo
100
Banco Hombr Total
P(M ∩ B) = = 0,10 ≅ 10% e Mujer
1000
b) Si se sabe que el ahorrista es mujer, ¿cuál Banbif 180 100 280
es la probabilidad que ahorre en el Banbif? Interbank 140 120 260
𝑃(𝐵∩𝑀) 100
Scotiabank 90 100 190
P(B/M) = = = 0,23 ≅ 23% Financiero 160 110 270
𝑃(𝑀) 430
Total 570 430 1000
c) Si se sabe que el ahorrista pertenece al Financiero, ¿qué tan probable es que sea mujer?
𝑃(𝑀∩𝐹) 110
P(M/F) = = 270 = 0,41 ≅ 41% Existe una probabilidad del 41% de que el ahorrista sea
𝑃(𝐹)
mujer y que pertenezca al Financiero.
 Probabilidad condicional

Ejemplo:
En un estudio de aguas localizadas en las proximidades de
centrales eléctricas y de otras plantas industriales que
vierten sus desagües en el hidrosistema, se concluyó que el
4% mostró signos de contaminación química y térmica, el
50% de contaminación química y el 45% de contaminación
térmica.
a) ¿Cuál es la probabilidad de que un arroyo que muestra https://bit.ly/79hUHbd

contaminación térmica presente también signos de

contaminación química?
b) ¿Cuál es la probabilidad de que un arroyo que muestra
contaminación química no presente signos de
contaminación térmica?
 Probabilidad condicional

Q(50%) T(45%) a) ¿Cuál es la probabilidad de que un arroyo

que muestra contaminación térmica presente
también signos de contaminación química?
46% 4% 41%
Q:El arroyo presenta contaminación química
T: El arroyo presenta contaminación térmica
9% 𝑃(𝑄 ∩ 𝑇) 4%
P(Q/T) = = P(Q/T) =8,89%
𝑃(𝑇) 45%

b) ¿Cuál es la probabilidad de que un arroyo que muestra contaminación química no

presente signos de contaminación térmica?

P(T’/Q) = 𝑃(T′∩Q)
= 46% P(T’/Q) =92%
P(Q) 50%
 Eventos independientes

Los eventos A y B son independientes si cuando ocurre uno de ellos esto no afecta
la probabilidad de ocurrencia del otro, o sea:

P(A/B)=P(A)

P(B/A)=P(B)

https://bit.ly/3tvlVTt
 Eventos independientes

Ejemplo:
En cierta población la probabilidad de que una chica mida más de 1,75 m es 0.08;
de que tenga el cabello lacio es 0,22 y de que tenga un buen conocimiento de
Estadística es 0,18. Si estas cualidades son independientes.
a) Halle la probabilidad de que una chica, que va a ser seleccionada al azar, tenga
las tres cualidades.
Solución
Sean los eventos: M = {la chica mide más de 1,75}
L = {la chica tiene cabello lacio} https://bit.ly/3QiAvYX

E = {la chica tiene un buen conocimiento de estadística}

T = {la chica tiene las tres cualidades}

P(T)=P(M∩L ∩E)=P(M)P(L)P(E)=0,08x0,22x0,18=0,003168

b) Halle la probabilidad de que una chica, que va a ser seleccionada al azar, tenga sólo 2 de estas
cualidades. (se deja como ejercicio)
Actividad complementaria
 Actividad complementaria

Resuelve la autoevaluación 6
en el aula virtual
Referencias Bibliográficas
 Referencias Bibliográficas
Cárdenas, R. (2014). Estadística en la educación. Digital UNID. bit.ly/3GSn1kB

Celis de la Rosa, A. y Labrada, V. (2014). Bioestadística. El Manual Moderno. http://bit.ly/3Uh9VR2

De Oteyza, E., Lam, E., Hernández, C. y Carrillo, A. (2015). Probabilidad y estadística. Pearson.
http://bit.ly/3Vw7JGs

Martínez, C. (2012). Estadística y muestreo. Eco ediciones. http://bit.ly/3UjMG8E

Obando, J. y Arango, N. (2013). Probabilidad y estadística. Fondo Editorial Universidad EIA.

http://bit.ly/3FehZxG

Posada, G. (2016). Elementos básicos de estadística descriptiva para el análisis de datos. Fundación
Universitaria Luis Amigó. http://bit.ly/3AYplmh

Rodríguez, J., Pierdant, A. y Rodríguez, C.(2014) . Estadística para administración. Grupo editorial patria,
http://bit.ly/3Ud3Vso
 Referencias Bibliográficas
Ross, M. (2014). Introducción a la estadística. REVERTÉ. http://bit.ly/3ua4AjA

Warr, R. y Erich, R. (2019). Should the Interquartile Range Divided by the Standard Deviation be
Used to Assess Normality? The American Statistician, 67(4), 242–244. http://bit.ly/3XUJKCK

DE CONSULTA

Anderson, D., Sweeney, D. y Williams, T. (2008). Estadística para administración y economía.

Cengage Learning Editores. http://bit.ly/3XJPpv3

Triola, M. (2018). Estadística. Pearson educación. http://bit.ly/3UhadHC

Walpole, R., Myers, R., Myers, S. y Ye, K. (2012). Probabilidad y estadística para ingeniería y ciencias.
Pearson educación. http://bit.ly/3GUBdJV
 Integremos lo aprendido

1)¿Qué es la probabilidad?
2) Si P(B)=0.3 y P(A/B)=0.3 ¿calcule la
P(A∩B)?

https://bit.ly/3pKZIzIc
Actividad complementaria
 Actividad complementaria

Resuelve la autoevaluación 6
en el aula virtual
Referencias Bibliográficas
 Referencias Bibliográficas
Cárdenas, R. (2014). Estadística en la educación. Digital UNID. bit.ly/3GSn1kB

Celis de la Rosa, A. y Labrada, V. (2014). Bioestadística. El Manual Moderno. http://bit.ly/3Uh9VR2

De Oteyza, E., Lam, E., Hernández, C. y Carrillo, A. (2015). Probabilidad y estadística. Pearson.
http://bit.ly/3Vw7JGs

Martínez, C. (2012). Estadística y muestreo. Eco ediciones. http://bit.ly/3UjMG8E

Obando, J. y Arango, N. (2013). Probabilidad y estadística. Fondo Editorial Universidad EIA.

http://bit.ly/3FehZxG

Posada, G. (2016). Elementos básicos de estadística descriptiva para el análisis de datos. Fundación
Universitaria Luis Amigó. http://bit.ly/3AYplmh

Rodríguez, J., Pierdant, A. y Rodríguez, C.(2014) . Estadística para administración. Grupo editorial patria,
http://bit.ly/3Ud3Vso
 Referencias Bibliográficas
Ross, M. (2014). Introducción a la estadística. REVERTÉ. http://bit.ly/3ua4AjA

Warr, R. y Erich, R. (2019). Should the Interquartile Range Divided by the Standard Deviation be
Used to Assess Normality? The American Statistician, 67(4), 242–244. http://bit.ly/3XUJKCK

DE CONSULTA

Anderson, D., Sweeney, D. y Williams, T. (2008). Estadística para administración y economía.

Cengage Learning Editores. http://bit.ly/3XJPpv3

Triola, M. (2018). Estadística. Pearson educación. http://bit.ly/3UhadHC

Walpole, R., Myers, R., Myers, S. y Ye, K. (2012). Probabilidad y estadística para ingeniería y ciencias.
Pearson educación. http://bit.ly/3GUBdJV