UNIVERSIDAD AUTÓNOMA DE YUCATÁN

FACULTAD DE CONTADURÍA Y ADMINISTRACIÓN

Estadística Básica

MAESTRA: Ignacio Federico Pastrana Flores

Fecha de entrega: martes 12 de diciembre 2023

Integrantes:

Adan Ronaldo Chim Chim 100%

Javier David Gonzales Huchim 100%

Ángel Gael López García 100%

José Eduardo Negrete Ruiz 100%

I. Estadística Descriptiva
1. Explique qué es una variable:
a) De intervalo b) De Razón, dando dos ejemplos de cada una.

Variable de intervalo: Representa valores numéricos en una escala continua y ordenada,

donde la distancia entre los valores es significativa y constante.
Ejemplos Temperatura en grados Celsius o Fahrenheit (°,F) y la edad

De razón: Es un tipo de variable estadística que cumple con dos propiedades

fundamentales: está medida en una escala continua con una unidad de medida constante
y tiene un cero absoluto significativo.
Ejemplo: La estatura y el ingreso familiar

2. En una hoja de cálculo elabore una base de datos con la información de 20 unidades de
observación (registros) y para cada una de ellas se presenten los cuatro tipos de variables
(nominal, ordinal, discreta y continua), describiendo en un documento las unidades de
observación y variables elegidas (nombre de la variable, unidad de medida y tipo de
variable).

Para los siguientes datos obtenga e interprete: la media, la mediana, el rango, la varianza
y la desviación estándar:

a) X: Ingreso familiar mensual (en miles de pesos)

3.5, 4.0, 6.7, 5.6, 7.1, 7.4, 4.8, 5.2, 3.1
 x =5.2
El promedio del ingreso familiar mensual es de $5200
^x =5.2
El 50 % del ingreso familiar mensual es de $5200
r =4.3
El rango de que el ingreso familiar es de 4,300
σ =¿2.1
2

σ =¿1.48
La distancia promedio estandarizada del ingreso familiar mensual con respecto al
promedio $1,480.

b) X: Deuda en tarjeta de crédito (miles de pesos), frec = Frecuencia

X Frec
2,300 3
3,400 5
4,600 7
5,200 4
6,500 2

x =4,280.952
El promedio de la deuda en tarjeta de crédito es de $4,280.952
^x =4600
El 50% de la deuda en tarjeta de crédito es de $4,600
r =4200
El rango de la deuda en tarjeta de crédito es de $4,200
σ =¿1,409,160.998
2

σ =¿1,187.080
La distancia promedio estandarizada de la deuda en tarjeta de crédito es de
$1187.08 con respecto al promedio

3. Considere el siguiente conjunto de valores correspondiente a una muestra de los gastos

semanales en suministros de oficina (en miles de pesos) de una muestra de 15 empresas:

3.4 2.5 5.6 7.2 2.8

4.5 5.8 3.1 2.4 6.7
4.4 3.6 8.2 6.5 5.8

Para estos datos obtenga en forma manual o mediante el empleo de la hoja de cálculo: el
rango, el número adecuado de intervalos de clase, el ancho de clase y la tabla de
distribución de frecuencias: los intervalos de clase, las marcas de clase, las frecuencias
absolutas, relativas, absolutas acumuladas y relativas acumuladas. Obtenga e interprete:
la media, la mediana y la desviación estándar. Seleccione e interprete uno de los valores
de cada una de las frecuencias (absoluta, relativa, absoluta acumulada y relativa
acumulada) y obtenga el histograma de frecuencias frecuencias relativas
correspondientes.

Rango 5.8
Numero adecuado int de clase: 4.8=5
Ancho de clase: 1.16
Intervalos Marcas de Fa Fr Faa Fra
de clase clase
2.4-3.56 2.98 5 0.35 5 0.35
3.56-4.72 4.14 3 0.21 8 0.56
4.72-5.88 5.3 1 0.071 9 0.63
5.88-7.04 6.46 4 0.28 13 0.91
7.04-8.2 7.62 2 0.14 15 1.05

x =4.83
El promedio de los gastos semanales en los suministros de 15 de empresas es $4,830
^x =4.5
σ =¿1.78

4. Para el conjunto de datos de la página 21 del libro de Webster obtenga en forma

manual o mediante el uso de la hoja de cálculo: el rango, el número adecuado de
intervalos de clase, el ancho de clase y la tabla de distribución de frecuencias: los
intervalos de clase, las marcas de clase, las frecuencias absolutas, relativas, absolutas
acumuladas y relativas acumuladas. Obtenga e interprete la media, la mediana y la
desviación estándar. Seleccione e interprete uno de los valores de cada una de las
frecuencias (absoluta, relativa, absoluta acumulada y relativa acumulada) y obtenga el
histograma de frecuencias absolutas correspondiente.

Tabla 2.1 Datos brutos sobre el número de pasajeros de P&P Airlines

68 71 77 83 79
72 74 57 67 69
50 60 70 66 76
70 84 59 75 94
65 72 85 79 71
83 84 74 82 97
77 73 78 93 95
78 81 79 90 83
80 84 91 101 86
93 92 102 80 69

Rango: 102-50 = 52
# adecuado int de clase: 7
Ancho de clase: 8

intervalos Marca de Fa Fr Fra xf

clase (x)
50-57 53.5 1 0.02 1 53.5
57-64 60.5 3 0.06 4 181.5
64-71 67.5 8 0.16 12 540
71-78 74.5 11 0.22 23 819.5
78-85 81.5 15 0.3 38 1,222.5
85-92 88.5 4 0.08 42 354
92-99 95.5 6 0.12 48 573
99-106 102.5 2 0.04 50 205
Σ 50 3,949

x = 78.70
^x =79
σ =¿11.35

Histograma de frecuencias
16
14
12
10
8
6
4
2
0
53.5 60.5 67.5 74.5 81.5 88.5 95.5 102.5

5. Explique qué es, cómo se calcula y cómo se interpreta: a) el coeficiente de variación, b)

los fractiles (cuartiles, deciles y percentiles), c) el coeficiente de asimetría, d) la curtosis.

Coeficiente de variación: Es una medida estadística que se utiliza para evaluar la

variabilidad relativa de un conjunto de datos. Es especialmente útil cuando se comparan
dos conjuntos de datos que tienen unidades de medida diferentes o escalas diferentes. El
coeficiente de variación se expresa como un porcentaje y se calcula mediante la siguiente
fórmula

CV = ( Desviación
Media
estándat
) X 100
Un coeficiente de variación bajo (generalmente inferior al 15-20%) indica una baja
variabilidad relativa con respecto a la media. Esto sugiere que los valores en el conjunto
de datos están relativamente cerca de la media.
Un coeficiente de variación alto (superior al 20-25%) indica una alta variabilidad relativa
con respecto a la media. Esto sugiere que los valores en el conjunto de datos están más
dispersos en comparación con la media.

Fractiles: Los fractiles representan ciertos percentiles o porcentajes de la distribución de

datos. Los fractiles son útiles para entender la dispersión y la posición relativa de un valor
dentro de un conjunto de datos.
Cuartiles: Estos son valores que dividen la distribución de datos en tres puntos, de modo
que el 25% de los datos se encuentre entre cada par de cuartiles (Q1=25%, Q2=50%,
Q3=75%)
Deciles: Dividen un conjunto de datos ordenados en diez partes iguales. Al igual que los
cuartiles, los deciles proporcionan información sobre la dispersión y la posición relativa de
los valores en un conjunto de datos. Cada decil representa el valor por debajo del cual se
encuentra una cierta fracción del conjunto de datos. (D1:10%, D2=20%,
D3=30%.........D10=100%)
Percentiles: Se utiliza para describir la posición relativa de un valor particular dentro de un
conjunto de datos. Se calcula dividiendo el conjunto de datos en 100 partes iguales. Por lo
tanto, el percentil indica el porcentaje de datos que están por debajo de un valor
específico.
(Considera el percentil 50, que es también conocido como la mediana. Si un valor está en
el percentil 50, significa que el 50% de los datos están por debajo de ese valor, y el otro
50% están por encima de él.)

Coeficiente de asimetría: El coeficiente de asimetría es una medida estadística que

describe la asimetría, es decir, la falta de simetría, en una distribución de datos. Una
distribución es simétrica si la mitad de los datos están a la izquierda de la media y la otra
mitad a la derecha, y es asimétrica si hay una inclinación hacia un lado.
Una de las fórmulas más comunes es:

3 (Media−Mediana)
C . de asimetría=
Desviación estándar

C. de Asimetría Positivo: Indica que la cola derecha de la distribución es más larga o

pesada que la cola izquierda. En otras palabras, hay valores extremadamente altos que
están tirando la distribución hacia la derecha.
C. de Asimetría Negativo: Indica que la cola izquierda de la distribución es más larga o
pesada que la cola derecha. Hay valores extremadamente bajos que están tirando la
distribución hacia la izquierda.
C. de Asimetría Cero: Indica que la distribución es simétrica; es decir, las colas a ambos
lados de la media son aproximadamente iguales en longitud.

Curtosis: La curtosis cuantifica la cantidad de datos que se concentran en las colas de la

distribución en comparación con la cantidad que se encuentra en la región central.
Hay tres tipos de curtosis:
Curtosis Mayor que 3 (Curtosis Leptocúrtica): Indica que la distribución tiene colas más
pesadas y un pico más alto y estrecho en comparación con la distribución normal. Hay una
concentración más fuerte de datos en las colas, lo que implica una mayor probabilidad de
valores extremos.
Curtosis Igual a 3 (Curtosis Mesocúrtica): La distribución tiene una forma similar a la
normal. Las colas y el pico son comparables a los de una distribución normal estándar.
Curtosis Menor que 3 (Curtosis Platicúrtica): Indica que la distribución tiene colas más
ligeras y un pico más ancho y achatado en comparación con la distribución normal. Hay
una dispersión más amplia de datos en las colas.
Formula del coeficiente de curtosis:

Fórmula para datos agrupados en intervalos

II. Probabilidad

6. Explique en qué consisten los enfoques de probabilidad: a) axiomático (mencionando

los tres axiomas de la probabilidad), b) condicional y c) subjetivo, dando un ejemplo de
aplicación de los incisos b) y c).

Axiomático: La probabilidad axiomática es una teoría de probabilidad

unificadora. Establece un conjunto de axiomas (reglas) que se aplican a todos los tipos de
probabilidad, incluida la probabilidad frecuentista y la probabilidad clásica . Estas reglas,
basadas en los Tres Axiomas de Kolmogorov, establecen puntos de partida para la
probabilidad matemática.
Los tres axiomas son:
 Para cualquier evento A, P(A) ≥ 0. En inglés, eso es “Para cualquier evento A, la
probabilidad de A es mayor o igual a 0”.
 Cuando S es el espacio muestral de un experimento; es decir, el conjunto de todos
los resultados posibles, P(S) = 1 . En inglés, eso es «La probabilidad de que ocurra
cualquiera de los resultados es del cien por cien», o, parafraseando, «cada vez que
se realiza este experimento, algo sucede».
  Si A y B son resultados mutuamente excluyentes, P(A ∪ B ) = P(A) + P(B).
Aquí ∪ significa ‘unión’. Podemos leer esto diciendo: «Si A y B son
resultados mutuamente excluyentes , la probabilidad de que ocurra A o B es la
probabilidad de que ocurra A más la probabilidad de que ocurra B».

Condicional: Los enfoques de probabilidad condicional se refieren a cómo se calcula y se

interpreta la probabilidad de un evento dado cierta información adicional o condicional.
Hay dos formas principales de entender y trabajar con la probabilidad condicional: la
probabilidad condicional clásica y la probabilidad condicional subjetiva o bayesiana.
Ejemplos: Probabilidad de Enfermedad Dada una Prueba Positiva
Supongamos que estamos considerando una prueba médica para una enfermedad
específica. Sea D el evento de tener la enfermedad y T el evento de obtener un resultado
positivo en la prueba.
P(D): Probabilidad de tener la enfermedad.
P(T/D): Probabilidad de obtener un resultado positivo en la prueba dado que se tiene la
enfermedad.
La probabilidad condicional sería:

( )
P
T
. P(D)
( )
P
D
T
=
D
P(T )

Subjetivo: Se basan en la idea de que la probabilidad es una medida subjetiva de creencias

o grados de certeza de un individuo o agente racional. A diferencia de los enfoques
clásicos que se basan en frecuencias observadas o en la teoría de conjuntos, los enfoques
subjetivos permiten que las probabilidades sean asignadas de acuerdo con la percepción o
creencia subjetiva de un individuo.
Ejemplo: Imagina que Juan está planeando organizar un picnic el próximo fin de semana.
Basado en su experiencia viviendo en la región, él asigna una probabilidad subjetiva del
70% a la posibilidad de que llueva el día del picnic. Esta asignación no se basa en datos
meteorológicos históricos, sino en la intuición y las señales que Juan percibe del clima en
los días previos.

7. Adicionalmente con relación al inciso b), explique en qué consiste el Teorema de Bayes
y de un ejemplo de su aplicación a la toma de decisiones en una empresa.

El teorema de Bayes es un procedimiento que nos permite expresar la probabilidad

condicional de un evento aleatorio A dado B, en términos de la distribución de
probabilidad del evento B dado A y la distribución de probabilidad de solo A.
Este teorema es de mucha utilidad, ya que gracias a él podemos relacionar la probabilidad
de que un evento A ocurra sabiendo que ocurrió B, con la probabilidad de que ocurra lo
contrario, es decir, que ocurra B dado A.
Formula:

( )
P
B
. p( A)
( )
P
A
B
=
A
P(B)

Ejemplo:
Supongamos que una empresa fabrica un cierto componente electrónico, y se quiere
determinar la probabilidad de que un componente sea defectuoso (D). La empresa tiene
dos líneas de producción (L1 y L2), y hay evidencia de que los componentes defectuosos
se están produciendo.
 P(D): Probabilidad a priori de que un componente sea defectuoso.
 P(L1∣D): Probabilidad de que un componente provenga de la línea L1 dado que es
defectuoso.
 P(L2∣D): Probabilidad de que un componente provenga de la línea L2 dado que es
defectuoso.
 P(L1): Probabilidad de que un componente provenga de la línea L1.
 P(L2): Probabilidad de que un componente provenga de la línea L2.
La empresa ha recopilado datos y ha determinado las siguientes probabilidades:
 P(D)=0.01: La probabilidad a priori de que un componente sea defectuoso.
 P ( )
L1
D
=0.03: La probabilidad de que un componente sea de la línea L1 dado que
es defectuoso.
 P ( )
L2
D
=0.97: La probabilidad de que un componente sea de la línea L2 dado que
es defectuoso.
 P(L1) =0.6: La probabilidad de que un componente sea de la línea L1.
 P(L2) =0.4: La probabilidad de que un componente sea de la línea L2.

Ahora, si se encuentra un componente defectuoso, se puede calcular la probabilidad de

que provenga de la línea L1 utilizando el Teorema de Bayes:

( )
P
D
. P (L1)
( )
P
L1
D
=
L1
P(D)

Sustituyendo los valores conocidos:

( )
P
L1 (0.03)(0.6)
D
=
0.01
=0.18

Esto significa que, dado que se encontró un componente defectuoso, hay una
probabilidad del 18% de que provenga de la línea L1. Este cálculo se basa en la
información recopilada y puede ayudar a la empresa a tomar decisiones informadas sobre
cómo mejorar la calidad de la producción y reducir la probabilidad de componentes
defectuosos.

8. Se tiran un dado rojo y un dado verde no cargados y se observa el resultado. Conteste

lo siguiente:

a) ¿Cuál es el experimento aleatorio?

Lanzar los 2 dados y observar y determinar resultados.

b) ¿Cuál es el espacio muestral?

S= 36

c) Si se define el evento E como E = “La suma de las caras es un número impar mayor
que 7”, obtenga p(E)= 3

d) Si X es la variable aleatoria “Suma de las caras que caen, ¿cuántos y cuáles son los
valores posibles que puede tomar?

1=2, 2=3, 3=4, 4=5, 5=6, 6=7

7=3, 8=4, 9=5, 10=6, 11=7, 12=8
13=4, 14=5, 15=6, 16=7, 17=8, 18=9
19=5, 20=6, 21=7, 22=8, 23=9, 24=10,
25=6, 26=7, 27=8, 28=9, 29=10, 30=11,
31=7, 32=8, 33=9, 34=10, 35=11, 36=12

e) Obtenga la distribución de probabilidades en forma de tabla y en forma de gráfica

P(X) 1 2 3 4 5 6
1 1,1 1,2 1,3 1,4 1,5 1,6
2 2,1 2,2 2,3 2,4 2,5 2,6
3 3,1 3,2 3,3 3,4 3,5 3,6
4 4,1 4,2 4,3 4,4 4,5 4,6
5 5,1 5,2 5,3 5,4 5,5 5,6
6 6,1 6,2 6,3 6,4 6,5 6,6
9. Si en un experimento similar al anterior no es posible que el dado rojo caiga 2 o 4 y el
dado verde no puede caer 3 o 5 (es decir, ahora ambos dados solo tienen cuatro caras),
obtenga los mismos incisos del problema anterior.

a) ¿Cuál es el experimento aleatorio? Lanzar los dados y observar los resultados

b) ¿Cuál es el espacio muestral? 16
c) Si se define el evento E como E = “La suma de las caras es un número impar
mayor que 7”, obtenga p(E)=0
d) Si X es la variable aleatoria “Suma de las caras que caen, ¿cuántos y cuáles son
los valores posibles que puede tomar?
1=2, 2=3, 3=5, 4=7, 5=4
6=5, 7=7, 8=9, 9=6, 10=7
11=9, 12=11, 13=7, 14=8, 15=10, 16=12
a)
e) Obtenga la distribución de probabilidades en forma de tabla y en forma de
gráfica
P(X) 1 3 5 6
1 1,1 1,3 1,5 1,6
2 2,1 2,3 2,5 2,6
4 4,1 4,3 4,5 4,6
6 6,1 6,3 6,5 6,6

10. Considerando la siguiente tabla de contingencia correspondiente a una muestra de

empresas:

Nivel académico del empresario

Tamaño de la
Bachillerato Licenciatura Posgrado Total
empresa
(B) (L) (G)
Micro (M) 15 14 3 32
Pequeña (P) 9 23 12 44
Total 24 37 15 76

Obtener e interpretar:
a) p(M ),

32/76= 0.421 = 42.1%

Del total de la muestra el 42.1% es probable que los empresarios sean de
microempresas.

b) p(L ∩ P)
23/76 = 0.302 = 30.3%
La probabilidad de que sean de nivel Licenciatura y que pertenezca a una empresa
pequeña es de 30.3 %
c) p(G ∪ M ) p(G) + p(M) – p (G ∪ M)
15/76 + 32/76 – 3/76 – 44/76 = 0.578 = 57.9%
Es la probabilidad de que pertenezca a nivel Postgrado y que sea de una microempresa
Es del 57.9%

c) p(BC )

1- 24/76 = 0.684 = 64.9%

Es la probabilidad de que los empresarios no sean de nivel Bachillerato

11. Si de un lote de artículos se toma una muestra de tamaño 8 y se sabe que la

probabilidad de obtener un artículo defectuoso es 0.2, identifique cuál es la variable
aleatoria, el número de ensayos, la probabilidad de éxito y obtenga en forma manual
empleando la calculadora científica e interprete:

a) La probabilidad de tener 3 artículos defectuosos

n= 8
P= 0.2(artículos defectuosos)
P= (x = 3)
P(x=3)=
3
8 ()
(0.2)3(1−0.2) 5

56 * 0.008 * 0.327 = 0.147 = 14.7%

La probabilidad de tener 3 artículos defectuosos es del 14.7%

b) La probabilidad de tener más de 2 y hasta 4 artículos defectuosos

P(2> x≤4)

()
8
4
(0.2)4 ( 1−0.2 )
70∗0.001∗0.409=0.046=4.6 %+14.7 %=19.3 %
La probabilidad de tener más de 2 artículos defectuosos hasta 4, es del 19.3 %

c) La probabilidad de tener menos de 3 artículos defectuosos

P ( X=3 )=0.1433
P ( X=2 )=(28)¿0.04) (0.64)=0.716
P ( X=1 )=( 8 ) ( .2 ) ( 0.0000128 )=0.000020
P ( X=0 )=(1)( 0.0000025)
P ( X >3 )=0.860
La probabilidad de tener menos de 3 artículos defectuoso es del 86%
Obtenga también el gráfico de la distribución de probabilidad de la variable aleatoria.

12. Si de un conjunto de empresas se toma una muestra de tamaño 10 y se sabe que la

probabilidad de seleccionar una empresa exportadora es 0.15, identifique cuál es la
variable aleatoria, el número de ensayos, la probabilidad de éxito y obtenga e interprete:
N=10
P=0.15
Éxito=exportadora

a) La probabilidad de que 4 empresas sean exportadoras

4 6
P ( X=4 )=( 210 ) ( 0.15) (1−0.15)
❑ ❑
P ( X=4 )=( 210 ) (0.00050) (0.377)
P ( X=4 )=0.040
Hay una probabilidad del 4% que 4 empresas sean exportadoras

b) La probabilidad de que más de 3 y hasta 5 empresas sean exportadoras

P ( X=4 )=0.040
5 5
P ( X=5 )=( 252 ) (0.15) (1−0.15)
P ( X=5 )=( 252 ) ( 0.000075 ) ( 0.443 )=0.0083
P ( 3< x ≤ 5 ) =0.048

Hay una probabilidad del 4.8% de que más de 3 hasta 5 empresas sean exportadoras

c) La probabilidad de que más de 6 empresas sean exportadoras

7 3
P ( X=7 )=( 120 )( 0.15 ) ( 1−0.15 )
❑ ❑
P ( X=7 )=( 120 )( 0.00000170 ) ( 0.614 ) =.000125
8 8
P ( X=8 )=( 45 ) (0.15) (1−0.15)
❑
P ( X=8 )=( 45 ) (0.000000256) ( 0.272 )=0.0000031 3
9 1
P ( X=9 )=( 10 ) (0.15) (1−0.15)
❑ ❑
P ( X=9 )=( 10 ) (0.0000000384) (.85) =0.00000083 6
10 0
P ( X=10 )=( 1 ) (0.15) (1−0.15)
❑
P ( X=10 )=( 1 ) (0.00000000576) ( 1 )=0.0000000057 6
P ( X <6 )=0.00012 8
Hay una probabilidad del 0.012% que más de 6 empresas sean exportadoras

Obtenga también el gráfico de la distribución de probabilidad de la variable aleatoria.

13. Si para pequeños comercios de cierta zona de Mérida la variable gasto mensual en
energía eléctrica (en miles de pesos) tiene una distribución normal con media 5.4 y
varianza 3.8, obtenga lo que se pide a continuación mediante el empleo de la tabla para
el cálculo de probabilidades, interpretando en cada inciso los resultados obtenidos:
 a) p (x < 5.2) = 46%
(5.2−5.4 ) (−0.2 )
Z= = =−0.1 0
1.9 1.9
Z= 0.040
0.5 - 0.040= 0.46

Hay una probabilidad del 46% que el gasto mensual para pequeños comercios de cierta
zona de Mérida sea menor a 5.2 (miles de pesos)
b) p (4.7 < x < 5.6) = 82%
( 4.7−5.4 ) (−0.7 )
Z 1= = =−0.3 6
1.9 1.9
Z1= 0.140
Z1= 0.5 - 0.140= 0.36
( 5.6−5.4 ) ( 0.2 )
Z 2= = =0.1 0
1.9 1.9
Z2= 0.040
Z2= 0.5 - 0.040= 0.46
Z 1+ Z 2 ¿ 0.36+0.140=0.82
Hay una del 82% probabilidad de que el gasto mensual para pequeños comercios de cierta
zona de Mérida este entre 4.7 y 5.6 (miles de pesos)
c) p (x > 4.9) = 40%
( 4.9−5.4 ) (−0.5 )
Z= = =−0.2 6
1.9 1.9
Z= 0.102
0.5 - 0.102= 0.40
Hay una probabilidad del 40% que el gasto mensual para pequeños comercios de cierta
zona de Mérida sea mayor a 4.9 (miles de pesos)

14. Si para una muestra de establecimientos de servicios profesionales de cierta localidad

de Yucatán la variable ingresos mensuales (en miles de pesos) tiene una distribución
normal con media 25.4 y desviación estándar 6.3, obtenga mediante el empleo de la tabla
para el cálculo de probabilidades e interprete en cada inciso los resultados obtenidos:

a) p (x < 26.2)= 45%

(26.2−25.4 ) (−0.8 )
Z= = =0.12
6.3 6.3
Z=0.0478
0.5 – 0.0478= 0.45
Hay una probabilidad del 45% que los ingresos mensuales de establecimientos de servicios
profesionales de cierta localidad de Yucatán sean menores a 26,200 pesos

b) p (23.4 < x ≤ 27.5)= 75%

 ( 23.4−25.4 ) (−2 )
Z 1= = =−0.31
6.3 6.3

Z1=0.1179
0.5-0.1179= 0.382
( 27.5−25.4 ) ( 2.1 )
Z 2= = =0.3 3
6.3 6.3
Z2=0.1293
0.5-01293=0.370
Z 1+ Z 2=0.382+0.370=0.7 5
Hay una probabilidad del 75% que los ingresos mensuales de establecimientos de servicios
profesionales de cierta localidad de Yucatán sean mayores a 23,400 pesos, pero menores
a 27,500

c) p (x ≥ 27.5)= 38%
(27.5−25.4 ) ( 2.1 )
Z= = =0.3 3
6.3 6.3
Z1=0.1179
0.5-0.1179= 0.382

Hay una probabilidad del 38% que los ingresos mensuales de establecimientos de servicios
profesionales de cierta localidad de Yucatán sean mayores o iguales a 27,500 pesos