EstadAplicadaInvesEduc Tema 6

Tema 6
Estadística Aplicada a la Investigación Educativa

Muestreo/Distribuciones muestrales/Intervalos de
confianza
Universidad de las Fuerzas Armadas ESPE Unidad de Educación a Distancia
Índice Pág.
6.1. Técnicas de muestreo probabilístico 3
6.2. Distribuciones muestrales y Teorema del

Límite Central 6
6.3. Intervalo de confianza para la media 11
6.4. Intervalo de confianza sobre la proporción 15
Recursos complementarios 17
Bibliografía 19
Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

muestrales e Intervalos de confianza
2
En estadística un muestreo es la técnica para la selección de una muestra a

partir de una población. En el muestreo, si el tamaño de la muestra es más
pequeño que el tamaño de la población, se puede extraer dos o más muestras
de la misma población. Al conjunto de muestras que se pueden obtener de la
población se denomina espacio muestral.
El muestreo es una herramienta de la investigación científica. Su función básica

es determinar que parte de una realidad en estudio (población o universo) debe
examinarse con la finalidad de hacer inferencias sobre dicha población.
El muestreo es más que el procedimiento empleado para obtener una o más

muestras de una población; el muestreo es una técnica que sirve para obtener
una o más muestras de población.
Este se realiza una vez que se ha establecido un marco muestral

representativo de la población, se procede a la selección de los elementos de
la muestra aunque hay muchos diseños de la muestra.
Al tomar varias muestras de una población, las estadísticas que calculamos

para cada muestra no necesariamente serían iguales, y lo más probable es que
variaran de una muestra a otra.
Muestreo Estadístico: son aquellos que se basan en el principio de

equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la
misma probabilidad de ser elegidos para formar parte de una muestra y,
consiguientemente, todas las posibles muestras de tamaño n tienen la misma
probabilidad de ser elegidas.
6.1. Técnicas de muestreo
Las técnicas de muestreo nos permiten obtener una muestra representativa de

la población general, “un plano a escala en el que este representadas en
miniatura todas las características de la población general”. A través de las
técnicas de muestreo intentamos garantizar la validez interna del estudio,
pudiendo distinguir los siguientes tipos de muestreo:

3
1. Muestreo probabilístico
a) Muestreo aleatorio: Es aquel en el que todos los elementos de la

población tienen la misma probabilidad de ser elegidos como elementos
de la muestra. Su principal inconveniente es que muchas veces es
imposible obtener una lista de todos y cada uno de los individuos de la
población. Otro inconveniente es que, en muestras pequeñas, no
garantiza la representatividad, ya que en ocasiones el propio azar puede
conducir a muestras altamente sesgadas.
b) Muestreo aleatorio sistemático: Es una técnica que simplifica el

proceso de elección de los elementos de la muestra. En primer lugar se
calcula la constante de la muestra (K), dividiendo el total de la población
candidata (N) por el tamaño de la muestra(n). Después aleatoriamente
se obtiene el primer elemento. Los sucesivos elementos se obstinen del
listado ordenados mediante la suma de la constante (K), sucesivamente
hasta completar la muestra. Este procedimiento, requiere que el orden
con que está construida la lista no tenga ninguna influencia previsible
sobre el resultado del estudio.
c) Muestreo aleatorio estratificado: Se trata de una modificación del

muestreo aleatorio simple, que trata de garantizar que la muestra es
representatividad de la población estudiada, mediante el control de la
igualdad de la distribución en la población y en la muestra, de
determinadas variables, estratos, que se consideran importantes para el
estudio.
d) Muestreo por conglomerados; Este método consiste en lo siguiente:

antes de seleccionar la muestra, la población se divide en unidades de
primera etapa (UPE), de las cuales se toma una muestra aleatoria. Cada
una de la UPE contiene un conjunto de unidades de análisis, que
también son seleccionadas aleatoriamente. En cualquier caso, las
unidades de muestreo de primera etapa deben cubrir por entero a la
población sin intersecarse; o sea, todo miembro de la población o unidad
de análisis pertenecerá a una y sólo una UPE. Si se admiten en la
muestra a todas las unidades de análisis que integran las UPE elegidas,
se ha optado por un muestreo por conglomerados monoetápico. Si,

4
luego de seleccionadas aquellas unidades de primera etapa que crean

unidades de segunda etapa y dentro de cada una de ellas se eligen
algunas unidades de análisis, entonces se está ante un muestreo por
conglomerados bietápico.
Ejemplo: Unidades de primera etapa: provincias; unidades de segunda
etapa: hospitales: unidades de tercera etapa: servicios de cardiología;
unidad de análisis; individuos.
2. Muestreo no probabilístico
Las unidades se escogen utilizando métodos en los que no se utiliza el azar.
La técnica más utilizada es el muestreo consecutivo, que consiste en

seleccionar a los individuos que cumplen los criterios de selección, a medida
que acuden a la consulta en un período determinado. Es el método más
utilizado en ensayos clínicos, principalmente cuando se trata de patología
aguda.
3. Asignación a los grupos de estudio
La asignación de los individuos a los diferentes grupos de estudio debe

asegurar la comparabilidad de estos grupos, es decir que no existan diferencias
entre las variables generales.
3.1. Estudios observacionales
a) Estudios de casos y controles: La asignación a cada grupo se realiza

en función de la existencia o no de la enfermedad.
b) Estudios de cohortes: La asignación se realiza en función de la

presencia o ausencia de exposición.
Estos tipos de asignación da lugar a limitaciones en la comparabilidad de

los grupos, ya que si bien podemos intentar controlar los factores
conocidos que puedan influir en el factor de estudio, no podemos hacer
lo mismo con los desconocidos.
3.2. Estudios experimentales
En este tipo de estudio partimos de una muestra definida por los criterios de
selección, realizando el investigador la asignación a cada grupo, siendo
la asignación aleatoria o randomización la más utilizada, en ella la asignación
de los individuos a cada grupo se realiza al azar. Las ventajas de este tipo de

5
estudio son:
 Mayor probabilidad de un distribución equilibrada de las variables

pronosticas (conocidas y no conocidas).
 Permite el uso de técnicas de enmascaramiento.
3.3. Técnicas de enmascaramiento
Son aquellas que dan lugar a que los sujetos y/o el investigador, desconozcan
a que grupo pertenecen:
 Simple ciego: cuando el sujeto o el investigador desconocen a que

grupo pertenecen.
 Doble ciego: cuando tanto el sujeto como el investigador desconocen, a
priori, el grupo al que pertenece cada sujeto.
6.2 Distribuciones muestrales y Teorema del

Límite Central
6.2.1. Distribuciones muestrales

Una estadística muestral proveniente de una muestra aleatoria simple tiene un
patrón de comportamiento (predecible) en repetidas muestras. Este patrón es
llamado la distribución muestral de la estadística. Si conocemos la distribución
muestral podemos hacer inferencia. Las distribuciones muestrales adoptan
diferentes formas según las estadísticas investigadas y las características de la
población estudiada.
Es posible entonces también definir que una distribución muestral es una

distribución de probabilidad de una estadística muestral calculada a partir de
todas las muestras posibles de tamaño "n" elegidas al azar de una población
determinada. Generalmente nos interesa conocer una o más de las siguientes
características de la distribución muestral;
 Su forma funcional (como aparece en su representación gráfica).

 Su media.
 Su desviación estándar (error estándar)

6
La media de las medias muestrales:
La distribución muestral de las medias muestrales es un simple listado de todas

las medias muestrales posibles. Tienen una media aritmética que se llama
“media de las muestras muestrales” o “media general” y se calcula de la
manera habitual: se suman las medias muestrales y el resultado se divide por
el número de observaciones. Se utiliza el símbolo ̿ , de tal manera:
∑̅
̿
Donde K es el número de muestras (observaciones)
Ejemplo:
Considerando los números 2, 2, 3, 4 y 5 como una población, determinar la

distribución de medias muestrales de tamaño 3.
Muestra Media muestral Distribución muestral
2, 2, 3 7/3 = 2.333 Media muestral frecuencia probabilidad
2, 2, 4 8/3 = 2.667 2.333 1 1/10
2, 2, 5 9/3 = 3 2.667 1 1/10
2, 3, 4 9/3 = 3 3 3 3/10
2, 3, 5 10/3= 3.333 3.333 2 2/10
2, 4, 5 3.667 3.667 2 2/10
2, 3, 4 3 4 1 1/10
2, 3, 5 3.333
2, 4, 5 3.667
3, 4, 5 4
( ) ( ) ( )
̿

7
Como se puede observar el valor de la media es igual al valor de la media de

las medias muestrales.
Error típico y normalidad: La distribución muestral de las medias muestrales

también tiene una varianza y mide la dispersión de las medias muestrales en
torno a la media general calculándose como cualquier otra. Si se halla la raíz
cuadrada de la varianza de la distribución de medias muestrales tendríamos el
∑( ̅ ̿)
llamado error típico de la distribución muestral: ̅ √ ̅ √
Podemos decir entonces, que este error típico es una medida de la dispersión
de las medias muestrales en torno a µ y por tanto, mide la tendencia a incurrir
en un error de muestreo en el intento de estimar el parámetro.
Si los datos de una población siguen una distribución normal, la distribución

muestral de las medias también será normal. Esto quiere decir, que si de una
población que sigue una distribución normal se toman todas las muestras
posibles de un tamaño específico y después de calculan las medias de todas,
las medias muestrales también deberán seguir una tendencia normal.
6.2.2. Teorema del Límite Central

Un concepto muy importante es el del Teorema central del límite o Teorema del
Límite Central que establece que “si todas las muestras de un tamaño en
particular se seleccionan de cualquier población, la distribución muestral de la
media se aproxima a una distribución normal. Esta aproximación mejora con
muestras más grandes.”
Esta aproximación se calcula a partir de :
√
donde:
= media
= desviación estándar
n = tamaño de la muestra
Existen casos en los cuales se tiene como dato adicional la población de la cual

8
proviene la muestra considerada, en estos se utiliza la ecuación:

̅
donde:
√
√
N = población
= media
= desviación estándar
n = tamaño de la muestra
Ejemplo:
Una población normal tiene una media de 60 y una desviación estándar de 12.
Usted selecciona una muestra aleatoria de 9, Calcule la probabilidad de que la
media muestral sea mayor que 63.
̅
⁄ ⁄
√ √
Buscando en la tabla de la distribución normal (Revisar recurso

complementario),
A = 0,2266, entonces P = 0,2266
Se sabe que un estimador puntual es un estadístico muestral que se usa para

estimar un parámetro poblacional. Como no se puede esperar que un
estimador puntual suministre el valor exacto del parámetro poblacional, se debe
utilizar lo que se llama estimación por intervalos ya que los intervalos
estadísticos expresan la incertidumbre debida a la variabilidad de los datos
muestrales. Es así, que por ejemplo, basados en una muestra de hogares en
los que se está viendo televisión se puede construir un intervalo que contenga,
con un grado específico de confiabilidad, la media o la desviación estándar de
la cantidad de hogares que ven programas infantiles en la televisión.
9
Intervalos de Confianza
Un intervalo de confianza se define como un “rango de valores calculado a

partir de los datos muestrales, el cual probablemente incluye el valor verdadero
de un parámetro desconocido” (Galindo, 1999)
Un intervalo de confianza tiene un límite inferior de confianza (LCL) y un

límite superior de confianza (UCL). A cada intervalo se le asocia una
probabilidad (1-α) de que contenga el valor verdadero del valor del parámetro
considerado. A tal probabilidad se la llama nivel de confianza (o coeficiente
de confianza). Es así entonces que:
( )
Al intervalo que cumpla con estas condiciones se lo nombra como intervalo de

confianza al 100 (1-α)% (α se conoce como nivel de significancia)
Para tener resultados fiables, el nivel de confianza debe ser alto (muy cercano
a 1) por lo que normalmente toma valores de 0,90; 0,95; 0,99. (90%, 95%, 99%
expresados como porcentajes)
Es importante mencionar que mientras más confiabilidad se requiera en los

resultados el nivel de confianza deberá ser mayor y por lo tanto la anchura del
intervalo; sin embargo, hay una contrapartida ya que si bien se está seguro de
que el intervalo contiene el valor verdadero del parámetro, el intervalo de
confianza es más ancho y menos preciso. Obviamente una mayor confiabilidad
se obtendrá también con un tamaño de muestra mayor, cuyo análisis se
realizará en el transcurso de la unidad.
Interpretación de los intervalos de confianza:
Un intervalo de confianza puede ser interpretado de dos maneras distintas:
a) Confía, al nivel de confianza estipulado, que el parámetro se encuentra

en el intervalo determinado
b) Si se construyen todos los intervalos de confianza posibles, el porcentaje
de ellos que incluirá el parámetro desconocido coincide con el nivel de
confianza considerado.

10
Por ejemplo:
La directora de un centro de cuidado infantil de la ciudad de Quito ha
determinado que los gastos medios en medicina preventiva para los niños de
su centro está en un intervalo de 35 a 38 dólares calculado a un nivel de
confianza del 95%.
Esto puede ser interpretado entonces de la siguiente manera:
a) En sentido a priori (antes de calcular el intervalo) se puede decir que

existe un 95% de probabilidad de construir un intervalo que comprenda
la media poblacional. Sin embargo, una vez que se ha calculado el
intervalo, la probabilidad de que en el intervalo entre 35 y 38 se
encuentre la media poblacional es 1 o 0 y no del 95%, ya que el valor de
95% se asigna al grado de confianza de que se encuentre en el
intervalo, no a la probabilidad de que esté en él.
b) La segunda interpretación parte de la consideración de que a partir de
cualquier población se pueden tomar infinitas muestras diferentes de
tamaño n. Cada muestra dará lugar a un intervalo ligeramente distinto
porque cada una de ellas tiene una media algo diferente afirmándose
que en el 95% de estos intervalos se incluirá la media poblacional
desconocida.
6.3 Intervalo de Confianza para la media

Estimación de la media poblacional: Intervalo de confianza para la media
poblacional
Una de las más comunes aplicaciones de los intervalos de confianza es la de

estimar la media poblacional. Se toman dos consideraciones:
a) Para muestras grandes: (tamaño de muestra mayor o igual a 30)
Un intervalo de confianza para la media poblacional µ, a un determinado nivel

de confianza, viene dado por la ecuación:
( ̅ ⁄ ̅ ⁄ )
√ √
donde:
n es el tamaño de la muestra

11
σ es la desviación estándar de la población

⁄ es el valor z que corresponde al área de α/2 en el extremo superior de la
distribución normal estándar
Es importante mencionar que si se desconoce el valor de σ puede

reemplazarse por su estimador muestral, sin pérdida de exactitud.
Los valores más comunes utilizados como niveles de confianza con sus
respectivos valores de z son:
Nivel de confianza α α/2 Zα/2

90% 0,10 0,05 1,645
95% 0,05 0,025 1,960
98% 0,02 0,01 2,326
99% 0,01 0,005 2,576
Ejemplo:
El director creativo de una fábrica de juguetes didácticos le ha pedido que
estime el tiempo medio necesario para producir una unidad concreta del
proceso de fabricación. Una muestra de 600 unidades da una media de 7,2
días. Se sabe que la desviación estándar es de 1,90 días. A un nivel de
confianza del 90%, calcular el corresponde intervalo de confianza para el
tiempo medio de ejecución del proceso de fabricación.
Datos:
̅ días
n = 600
σ =1,90 días
Nivel de confianza = 90% (0,90), es decir que α = 1- 0,90 = 0,10. Por lo tanto
α/2 = 0,05
⁄ (valor z que corresponde al área de α/2) = 1,645
Entonces el intervalo de confianza para el tiempo medio de ejecución solicitado

12
será:
( ̅ ⁄ ̅ ⁄ )
√ √
( )
√ √
( )
( )
Interpretación: Estoy 90% seguro de que el tiempo medio de ejecución del

proceso de fabricación está entre 7,072 días y 7,328 días.
b) Para muestras pequeñas: (tamaño de muestra menor a 30)
Antes de hablar del intervalo de confianza para muestras pequeñas será

necesario revisar el tema sobre Distribución T de Student.
Distribución T de Student:
Cuando hay que tomar una muestra pequeña, la distribución normal no siempre
es la adecuada. En concreto, cuando la muestra es pequeña y la desviación
estándar es desconocida, no se deberá apllcar la distribución z recurriéndose a
una distribución alternativa llamada T de Student.
Los valores de probabilidad vienen tabuladas en la tabla que se muestra en el

link:
https://www.uam.es/personal_pdi/ciencias/gallardo/Tablas-normal-chi-t-F.pdf
Estos valores dependen de los grados de libertad (g.l) porque la ley de

probabilidad t varía cuando n varía. Cuando n aumenta, la distribución t tiende
hacia la normal estándar.
La lectura de la tabla se hace de la siguiente manera;
a) Escoger el número r de grados de libertad de acuerdo al tamaño de la

muestra
b) Considerar la probabilidad α, según el nivel de confianza

13
c) Lee los valores obtenidos de t en la tabla (recuerde de se lee: el valor t

a r grados de libertad y nivel de significancia α)
Ejemplo:
Encontrar el valor de la ley t para una muestra de 7 personas y un nivel de

confianza de 95%.
Con estos datos se sabe que:

Grados de libertad = r = tamaño de la muestra = 7
Nivel de confianza = 95% (0,95), es decir que α = 1-0,95 = 0,05
Con estos dos datos entrando a la tabla se obtiene que el valor t buscado es de
= 1,895.
Intervalo de confianza:
Para construir un intervalo de confianza para la media en muestras pequeñas,

debemos basar nuestra ecuación en la distribución t, por lo tanto quedará
establecida de la siguiente manera:
( ̅ ⁄ ( ) ̅ ⁄ ( ) )
√ √
donde:
s es la desviación estándar muestral
⁄ ( ) es el valor de la distribución t de Student a (n-1) grados de libertad,
para el cual el área en el extremo superior es igual a α/2.
Ejemplo:
En una muestra de 16 estudiantes de una carrera se encontró una estatura

media de 164.5 cm con una desviación estándar de 8.3 cm Calcular e
interpretar un intervalo de confianza de 95% para la media poblacional.
Datos:
̅ cm

14
n = 16, es decir n-1 = 16 -1 = 15
s = 8,3 cm
α/2 = 0,025
⁄ ( ) (el valor t a 15 grados de libertad y un nivel de significancia 0,025) =

2,131
Entonces el intervalo de confianza para la media poblacional será:
( ̅ ⁄ ( ) ̅ ⁄ ( ) )
√ √
( )
√ √
( )
( )
Interpretación: Estoy 95% seguro de que la estatura media de los estudiantes

de una carrera está entre 160.078 cm y 168.922 cm
6.4 Intervalo de Confianza sobre la proporción
Estimación de la media poblacional: Intervalo de confianza para

proporciones poblacionales
Muchas veces las decisiones dependen de parámetros con dos categorías en

donde puedan caer las respuestas. Es así, que cuando esto sucede el
parámetro que se utiliza es la proporción poblacional.
Para construir el correspondiente intervalo de confianza se utiliza la siguiente

ecuación:
̂( ̂) ̂( ̂)
( ̂ ⁄ √ ̂ ⁄ √ )

15
donde:
zα/2 es el valor z que corresponde al área α/2 en el extreme superior de la
distribución normal estándar.
Ejemplo:
En un estudio realizado a los egresados de la carrera de Licenciatura en

Administración Educativa, los investigadores encontraron que, de una muestra
de 210 egresados, 77 habían repetido la materia de Dirección Estratégica.
Calcule un intervalo de confianza al 90% para la proporción poblacional de los
que han repetido la materia de Dirección Estratégica.
Datos:
El valor proporcional para quienes han repetido la materia indicada = ̂
n = 210 egresados
α/2 = 0,05
⁄ (valor z que corresponde al área de α/2) = 1,645
Entonces el intervalo de confianza para la proporción poblacional será:
̂( ̂) ̂( ̂)
( ̂ ⁄ √ ̂ ⁄ √ )
( ) ( )
( √ √ )
( )

16
( )
Interpretación: Estoy 90% seguro de que la proporción poblacional para los

egresados que repitieron la materia de Dirección Estratégica está entre 0,312 y
0,422.
Recursos complementarios
Video de explicación de muestreo
https://www.youtube.com/watch?v=dubWAjxtmLY

17
Video de explicación de distribuciones muestrales
https://www.youtube.com/watch?v=DO8a5GGR4e0
Video de explicación de intervalos de confianza
https://www.youtube.com/watch?v=fg102VzG8Eg

18
Bibliografía
Levin, Rubin, y otros (2004). Estadística para la Administración y Economía.
Estados Unidos: Pearson.
Webster, A. (2012). Estadística Aplicada para la Administración y Economía.

Estados Unidos: Irwin.
Galindo, E. (1999). Estadística para la Administración y la Ingeniería. Ecuador:

Gráfica Mediavilla Hnos.

19

20

EstadAplicadaInvesEduc Tema 6

Cargado por

Copyright:

Formatos disponibles

EstadAplicadaInvesEduc Tema 6

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

EstadAplicadaInvesEduc Tema 6

Cargado por

Copyright:

Formatos disponibles

Tema 6

Estadística Aplicada a la Investigación Educativa

6.1. Técnicas de muestreo probabilístico 3

6.2. Distribuciones muestrales y Teorema del

6.3. Intervalo de confianza para la media 11

6.4. Intervalo de confianza sobre la proporción 15

Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

En estadística un muestreo es la técnica para la selección de una muestra a

El muestreo es una herramienta de la investigación científica. Su función básica

El muestreo es más que el procedimiento empleado para obtener una o más

Este se realiza una vez que se ha establecido un marco muestral

Al tomar varias muestras de una población, las estadísticas que calculamos

Muestreo Estadístico: son aquellos que se basan en el principio de

6.1. Técnicas de muestreo

Las técnicas de muestreo nos permiten obtener una muestra representativa de

Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

a) Muestreo aleatorio: Es aquel en el que todos los elementos de la

b) Muestreo aleatorio sistemático: Es una técnica que simplifica el

c) Muestreo aleatorio estratificado: Se trata de una modificación del

d) Muestreo por conglomerados; Este método consiste en lo siguiente:

Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

luego de seleccionadas aquellas unidades de primera etapa que crean

Las unidades se escogen utilizando métodos en los que no se utiliza el azar.

La técnica más utilizada es el muestreo consecutivo, que consiste en

3. Asignación a los grupos de estudio

La asignación de los individuos a los diferentes grupos de estudio debe

3.1. Estudios observacionales

a) Estudios de casos y controles: La asignación a cada grupo se realiza

b) Estudios de cohortes: La asignación se realiza en función de la

Estos tipos de asignación da lugar a limitaciones en la comparabilidad de

3.2. Estudios experimentales

Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

 Mayor probabilidad de un distribución equilibrada de las variables

3.3. Técnicas de enmascaramiento

 Simple ciego: cuando el sujeto o el investigador desconocen a que

6.2 Distribuciones muestrales y Teorema del

6.2.1. Distribuciones muestrales

Es posible entonces también definir que una distribución muestral es una

 Su forma funcional (como aparece en su representación gráfica).

Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

La media de las medias muestrales:

La distribución muestral de las medias muestrales es un simple listado de todas

Donde K es el número de muestras (observaciones)

Considerando los números 2, 2, 3, 4 y 5 como una población, determinar la

2, 2, 3 7/3 = 2.333 Media muestral frecuencia probabilidad

2, 2, 4 8/3 = 2.667 2.333 1 1/10

2, 2, 5 9/3 = 3 2.667 1 1/10

2, 3, 5 10/3= 3.333 3.333 2 2/10

2, 4, 5 3.667 3.667 2 2/10

Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

Como se puede observar el valor de la media es igual al valor de la media de

Error típico y normalidad: La distribución muestral de las medias muestrales

Si los datos de una población siguen una distribución normal, la distribución

6.2.2. Teorema del Límite Central

Esta aproximación se calcula a partir de :

Estadística Aplicada a la Investigación Educativa: Muestreo/Distribuciones

proviene la muestra considerada, en estos se utiliza la ecuación:

Buscando en la tabla de la distribución normal (Revisar recurso

A = 0,2266, entonces P = 0,2266