Página 1 de 27

Carrera:
LICENCIATURA EN MATEMÁTICAS

Materia:
Estadística I.

U1-EA:
Evidencia de Aprendizaje.
Grupo:
MT-MEST1-2001-B2-001

Alumno:Rolando Ortiz Herbas

Matrícula:
ES18210414044

Maestro:

Claudio Ramón Rodríguez Mondragón.

 Página 2 de 27

1.- Investiga:
a) ¿Qué tipo de variables manejan las medidas de asociación?

Las medidas de asociación calculan la asociación entre una o mas variables estadísticas, como
ser el coeficiente de correlación. (UNADM, 2020)

b) ¿Cuáles son las medidas de asociación más usados en los estudios estadísticos?

Existen muchas medidas de asociación, pero algunas de la principales son la correlación de

Pearson y la regresión.

c) Investiga el concepto de asociación entre variables.

Numerosos problemas académicos y de investigación requieren determinar si existe una relación

entre 2 o mas variables involucradas. Por lo general estas relaciones se convierten en
correlaciones.

d) ¿Qué representa la existencia de algún tipo de asociación entre dos o más variables?

Pueden existir diferentes tipos de asociación entre 2 variables. Estas pueden ser de tipo lineal,
exponencial , logarítmica y de otro tipo. Por lo general se usa la correlación lineal.

e) Investiga alguna medida de asociación especializada en algunos estudios científicos o

tecnológicos. Puede ser lineal o no lineal.

Un estudio que interesa a los negocios minoristas es si existe una relación entre los productos
que lleva un cliente y si es así entre que productos hay esta relación. Es así como en una tienda
comercial muy conocida se encontró que existe una relación entre los panales desechables y la
compra de cerveza. Por este motivo se puso los 2 productos muy cerca, para que el cliente tenga
mas facilidad. El tipo de asociación aquí era lineal positivo.

f) Para qué propósito se realiza el Análisis de regresión.

Por lo general se realiza primero un análisis de correlación entre variables y si este coeficiente
esta cerca de 1 o -1 , significa que hay una relación entre las 2 variables. A continuación lo que
sigue es hacer una regresión lineal para determinar que recta representa mejor al conjunto de
datos. Para de esta manera poder hacer interpolaciones y extrapolaciones .

g) Explica en qué consiste el análisis de regresión.

El análisis de regresión permite describir la variación conjunta de 2 variables continuas.

 Página 3 de 27

h) ¿Qué aspectos representa el diagrama de dispersión?

Un diagrama de dispersión representa gráficamente en unos ejes coordenados ortogonales la

posición de los datos, de esta manera se puede ver el grado de relación entre 2 variables.

2.- Define:

a) ¿Qué define la covarianza? ¿Cuáles son sus propiedades y limitaciones?

La covarianza nos indica el grado de dispersión que existen de las 2 variables conjuntas, respecto
a sus medias aritméticas. (Meyer, 1992)

La covarianza se define como:

𝑪𝒐𝒗(𝒙, 𝒚) = 𝑺𝒙𝒚

Propiedades

Cov(x,x)=Var(x)
Cov(x,y)=Cov(y,x)
Cov(x,y)=𝐸(xy)−𝐸(x)𝐸(y)
Cov(x+𝑎,y+𝑏)=Cov(x,y)
Cov(𝑎x,𝑏y)=𝑎𝑏Cov(x,y)
Var(x±y)=Var(x)+Var(y)±2Cov(x,y)

El valor de la covarianza nos informa de la existencia o no, de dependencia lineal entre las
variables. Si no hay relación lineal entre las 2 variables, la covarianza será igual a: (Crespo, 2013)

1. Si 𝑺𝒙𝒚 = 𝟎 , entonces no hay relación lineal entre ambas variables.

2. Si 𝑺𝒙𝒚 ≠ 𝟎 , entonces hay relación . Mientras mayor mucho mejor.
3. Si 𝑺𝒙𝒚 > 𝟎 , La relación de dependencia lineal es positiva. Para valores mayores de de X ,
se obtienen mayores valores de Y.
4. Si 𝑺𝒙𝒚 < 𝟎 , La relación de dependencia lineal es negativa. Para valores mayores de de X ,
se obtienen menores valores de Y.

b) Escribe las diferentes fórmulas para el cálculo de la covarianza, y la razón, por la cual,
se usan en casos diferentes de forma particular.

∑(𝒙𝒊 − 𝒙
̅). ∑(𝒚𝒊 − 𝒚
̅)
𝑪𝒐𝒗(𝒙, 𝒚) = 𝑺𝒙𝒚 =
𝒏
 Página 4 de 27

∑ 𝒙𝒊 𝒚𝒊
𝑺𝒙𝒚 = ̅𝒚
−𝒙 ̅
𝒏

c) Menciona las relaciones, semejanzas propósitos en común y diferencias entre la

Covarianza y Correlación. Escribe sus fórmulas.

Las 2 medidas miden si hay alguna relación entre variables. La covarianza puede tomar valores
negativos o positivos arbitrarios y la correlación toma valores entre -1 y 1.

d) Coeficiente de correlacion lineal. (UNADM, 2020,Pag. 32)

Se define como :

𝒏 ∑ 𝒙 𝒊 𝒚𝒊 − ∑ 𝒙 𝒊 ∑ 𝒚𝒊
𝒓𝒙𝒚 =
√𝒏 ∑ 𝒙𝒊 𝟐 − (∑ 𝒙𝒊 )𝟐 √𝒏 ∑ 𝒚𝒊 𝟐 − (∑ 𝒚𝒊 )𝟐

𝑬𝒍 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒓𝒙𝒚 𝒗𝒂𝒓𝒊𝒂 𝒆𝒏𝒕𝒓𝒆 − 𝟏 𝒚 𝟏.

1. Si 𝒓𝒙𝒚 = 𝟎 entonces no hay correlación. Las rectas de regresión son paralelas a los ejes.
2. Si 𝒓𝒙𝒚 > 𝟎 entonces hay correlación positiva. La recta de regresión tiene pendiente
positiva.
3. Si 𝒓𝒙𝒚 < 𝟎 entonces hay correlación negativa. La recta de regresión tiene pendiente
negativa.
4. Si 𝒓 = 𝟏 𝒐 𝒓 = −𝟏 entonces los puntos están contenidos en la recta de regresión.

e) Coeficiente de determinación. (Triola, 2004)

Es el coeficiente de correlación de Pearson al cuadrado 𝒓𝒙𝒚 𝟐

f) Menciona cuando se usa el Coeficiente de determinación, en caso general, y en caso de

regresión lineal. Escribe sus fórmulas.

Una vez determinada la recta de regresión lineal para un conjunto de datos:

̂ = 𝒂 + 𝒃𝒙
𝒚
Se define:
𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑡𝑜𝑡𝑎𝑙 = ∑(𝑦 − 𝑦̅)2
 Página 5 de 27

𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 = ∑(𝑦̂ − 𝑦̅)2

𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 sin 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 = ∑(𝑦 − 𝑦̂)2

El coeficiente de determinación es la cantidad de variación en y que esta explicada

por la recta de regresión y se calcula como: (Triola, 2004, Pag. 532)

𝑽𝒂𝒓𝒊𝒂𝒄𝒊𝒐𝒏 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒅𝒂
𝒓𝟐 =
𝑽𝒂𝒓𝒊𝒂𝒄𝒊𝒐𝒏 𝒕𝒐𝒕𝒂𝒍

De esta manera el coeficiente de determinación se puede calcular con la formula

anterior o simplemente elevando al cuadrado el coeficiente de correlación lineal 𝒓.

g) Menciona la o las diferencia entre el uno, la interpretación y las dimensiones del

Coeficiente de correlación y el Coeficiente de determinación.

Como las formulas lo muestran el coeficiente de determinación muestra la dimensión o unidad al

cuadrado y el coeficiente de correlación muestra la dimensión lineal.

h) Define el Coeficiente de correlación de Pearson. (Triola, 2004, Pag. 533)

Expresa cuantitativamente que tan relacionadas están las variables o que tan estrecha es su
relación.

i) Escribe las ventajas y desventajas del uso e interpretación del Coeficiente de correlación
de Pearson.

Existe muchas ventajas y desventajas que se pueden encontrar con el uso e interpretación del
coeficiente de correlación de Pearson, algunas son:

Ventajas.-

1. El valor es independiente de cualquier unidad que se utiliza para medir las variables.
2. Si la muestra es grande es mas probable la exactitud de la estimación.

Desventajas.-

1. Es necesario que las 2 variables sean medidas a un nivel cuantitativo continuo.

2. Requiere supuestos acerca de la naturaleza o forma de la población afectada.
 Página 6 de 27

2.- Desarrollo de problemas:

Recuerda usar el software o aplicación de tu gusto para construir y mostrar tablas, graficas, tanto
para para tus comprobar tus resultados como para organizar tu información.

Problema 1:

El siguiente estudio se aplica a un grupo de adolescentes deportistas de entre 16 y 17 años de

edad.
Se realiza una recolección de datos de calorías ingeridas, vs, su índice de masa corporal, (IMC)
para un adolescente hombre, en un Bachillerato Regional.

Se desea saber si el IMC es función correlacionada de las calorías ingeridas.

Calcular el valor r y la recta que más ajusta de regresión lineal, para la siguiente tabla.

x y

n Caloría IMC
(hombre)
Hombre

1 2550.37 20.382

2 2384.713 20.851

3 3105.46 30.86

4 2571.1 21.211

5 2909.49 35.261

6 2392.54 19.541

7 2834.67 28.699

8 2669.72 22.038

9 2125.83 19.902

10 1935.18 16.805
 Página 7 de 27

11 2525.29 23.804

12 2310.03 27.461

13 2761.64 23.661

14 2123.89 18.339

15 1718.03 23.916

16 3034.19 24.73

17 2027.03 20.312

18 2066.77 16.824

19 2640.46 17.268

20 3062.87 26.483

21 2317.49 25.842

22 3221.05 21.766

Los datos en Excel son :

 Página 8 de 27

𝒏 ∑𝟐𝟐 𝟐𝟐 𝟐𝟐
𝒊=𝟏 𝒙𝒊 𝒚𝒊 − ∑𝒊=𝟏 𝒙𝒊 ∑𝒊=𝟏 𝒚𝒊
𝒓𝒙𝒚 =
√𝒏 ∑𝟐𝟐 𝟐 𝟐𝟐
𝒊=𝟏 𝒙𝒊 − (∑𝒊=𝟏 𝒙𝒊 )
𝟐 √𝒏 ∑𝟐𝟐 𝒚 𝟐 − (∑𝟐𝟐 𝒚 )𝟐
𝒊=𝟏 𝒊 𝒊=𝟏 𝒊

(𝟐𝟐 ∗ 𝟏, 𝟐𝟗𝟑𝟎𝟓𝟐. 𝟔𝟎𝟗) − (𝟓𝟓, 𝟐𝟖𝟕. 𝟖𝟏𝟑 ∗ 𝟓𝟎𝟓. 𝟗𝟓𝟔)

𝒓𝒙𝒚 =
√𝟐𝟐 ∗ 𝟏𝟒𝟐, 𝟓𝟓𝟎, 𝟐𝟑𝟓. 𝟔𝟐𝟎 − (𝟓𝟓, 𝟐𝟖𝟕. 𝟖𝟏𝟑)𝟐 √𝟐𝟐 ∗ 𝟏𝟐𝟏𝟎𝟐. 𝟔𝟎𝟏 − (𝟓𝟎𝟓. 𝟗𝟓𝟔)𝟐

𝒓𝒙𝒚 = 𝟎. 𝟓𝟐𝟓

Verificación con SPSS.-

 Página 9 de 27

Regresión Lineal.-

𝒀 = 𝒂 + 𝒃𝑿

𝒏 ∑ 𝒙𝒚 − ∑ 𝒙 ∑ 𝒚 ∑𝒚 − 𝒃∑𝒙
𝒃= , 𝒂=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐 𝒏

𝟐𝟐 ∗ 𝟏, 𝟐𝟗𝟑, 𝟎𝟓𝟐. 𝟔𝟎𝟗 − (𝟓𝟓, 𝟐𝟖𝟕. 𝟖𝟏𝟑 ∗ 𝟓𝟎𝟓. 𝟗𝟓𝟔)

𝒃= = 𝟎. 𝟎𝟎𝟔𝟎
𝟐𝟐 ∗ 𝟏𝟒𝟐, 𝟓𝟓𝟎, 𝟐𝟑𝟓. 𝟔𝟐𝟎 − (𝟓𝟓, 𝟐𝟖𝟕. 𝟖𝟏𝟑)𝟐

∑ 𝒚 − 𝒃 ∑ 𝒙 𝟓𝟎𝟓. 𝟗𝟓𝟔 − 𝟎. 𝟎𝟎𝟔 ∗ 𝟓𝟓, 𝟐𝟖𝟕. 𝟖𝟏𝟑

𝒂= = = 𝟕. 𝟗𝟖𝟗𝟖
𝒏 𝟐𝟐
Entonces la recta de regresión es :
 Página 10 de 27

𝒀 = 𝟕. 𝟗𝟖𝟗𝟖 + 𝟎. 𝟎𝟎𝟔𝟎𝑿

Verificación con SPSS (Regresión)

 Página 11 de 27

Problema 2: Calcular el valor r y la recta que más ajusta de regresión lineal, para la
siguiente tabla.

Determina el coeficiente de correlación para el siguiente problema:Una empresa automotriz

desea saber si existe relación entre el salario que perciben sus compradores de autos y el
costo del automóvil que cada uno ha comprado para ellos se toma una muestra
representativa. Los resultados se reportan en la siguiente tabla:
 Página 12 de 27

Salario en miles de Costo del auto en miles de pesos

peso(x) (y)

5 72

6 73

8 75

10 79

15 80

14 88

17 89

28 96

28 115

29 122

30 134

31 150

35 180

39 188

40 192

Los datos en Excel son:

 Página 13 de 27

𝒏 ∑𝟏𝟓 𝟏𝟓 𝟏𝟓
𝒊=𝟏 𝒙𝒊 𝒚𝒊 − ∑𝒊=𝟏 𝒙𝒊 ∑𝒊=𝟏 𝒚𝒊
𝒓𝒙𝒚 =
√𝒏 ∑𝟏𝟓 𝟐 𝟏𝟓
𝒊=𝟏 𝒙𝒊 − (∑𝒊=𝟏 𝒙𝒊 )
𝟐 √𝒏 ∑𝟏𝟓 𝒚 𝟐 − (∑𝟏𝟓 𝒚 )𝟐
𝒊=𝟏 𝒊 𝒊=𝟏 𝒊

(𝟏𝟓 ∗ 𝟒𝟓, 𝟓𝟔𝟏. 𝟎𝟎) − (𝟑𝟑𝟓. 𝟎𝟎 ∗ 𝟏, 𝟕𝟑𝟑. 𝟎𝟎)

𝒓𝒙𝒚 =
√𝟏𝟓 ∗ 𝟗, 𝟓𝟓𝟏. 𝟎𝟎 − (𝟑𝟑𝟓. 𝟎𝟎)𝟐 √𝟏𝟓 ∗ 𝟐𝟐𝟔, 𝟖𝟑𝟑. 𝟎𝟎 − (𝟏, 𝟕𝟑𝟑. 𝟎𝟎)𝟐

𝒓𝒙𝒚 = 𝟎. 𝟗𝟐𝟒

Recta de regresión:

𝒀 = 𝒂 + 𝒃𝑿

𝒏 ∑ 𝒙𝒚 − ∑ 𝒙 ∑ 𝒚 ∑𝒚 − 𝒃∑𝒙
𝒃= , 𝒂=
𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐 𝒏

𝟏𝟓 ∗ 𝟒𝟓, 𝟓𝟔𝟏. 𝟎𝟎 − (𝟑𝟑𝟓. 𝟎𝟎 ∗ 𝟏, 𝟕𝟑𝟑. 𝟎𝟎)

𝒃= = 𝟑. 𝟑𝟏𝟑𝟖
𝟏𝟓 ∗ 𝟗, 𝟓𝟓𝟏. 𝟎𝟎 − (𝟑𝟑𝟓. 𝟎𝟎)𝟐
 Página 14 de 27

∑ 𝒚 − 𝒃 ∑ 𝒙 𝟏, 𝟕𝟑𝟑. 𝟎𝟎 − 𝟑. 𝟑𝟏𝟑𝟖. 𝟎𝟎 ∗ 𝟑𝟑𝟓. 𝟎𝟎

𝒂= = = 𝟒𝟏. 𝟓𝟐𝟓
𝒏 𝟏𝟓
Entonces la recta de regresión es :

𝒀 = 𝟒𝟏. 𝟓𝟐𝟓 + 𝟑. 𝟑𝟏𝟑𝟖𝑿

La grafica es:

El coeficiente de correlación cerca de 1 nos indica que existe un fuerte correlación entre el salario
de una persona y el Costo de un automovil. Esta correlación es positiva es decir la recta de
regresión es creciente, como se puede ver en la anterior grafica.

Problema 3:
 Página 15 de 27

Calcular el valor r, R2 y la recta que más ajusta de regresión lineal, para los siguientes estudios.

Un estudio ambiental que mide a diario, durante 20 días consecutivos, una zona con mayor
contaminación del aire de una ciudad muestra las mediciones en partes por millón de Monóxido
de Carbono y de Dióxido de Azufre.

Un investigador desea realizar dos estudios de regresión lineal.

• El primero desea determinar la correlación entre estos dos contaminantes, pues se

sospecha que ambos proceden de una misma fuente contaminante en esa la ciudad.

• El segundo, si el día de la lectura, tiene correlación con la medición de partes por millón
de Monóxido de Carbono (CO)
 Página 16 de 27

Día ppm CO ppm SO2

1 0.11477 0.00115

2 0.44383 0.00888

3 0.10513 0.00315

4 0.10406 0.00416

5 0.10690 0.00534

6 0.24312 0.01459

7 0.24059 0.01684

8 0.10376 0.00830

9 0.32995 0.02970

10 0.17274 0.01727

11 0.77350 0.08508

12 0.07920 0.00950

13 0.60470 0.07861

14 0.78546 0.10996

15 0.06606 0.00991

16 0.47835 0.07654

17 0.66915 0.11376

18 0.22399 0.04032

19 0.11300 0.02147

20 0.00289 0.00058

Los datos en Excel son:

 Página 17 de 27

𝒓𝒙𝒚 = 𝟎. 𝟗𝟏𝟒

La ecuación de regresión es:

𝒀 = 𝒂 + 𝒃𝑿

𝒃 = 𝟎. 𝟏𝟑𝟖𝟐

∑𝒚 − 𝒃∑𝒙
𝒂= = −𝟎. 𝟎𝟎𝟕𝟎
𝒏

𝒀 = −𝟎. 𝟎𝟎𝟕𝟎 + 𝟎. 𝟏𝟑𝟖𝟐𝑿

La verificación mediante la grafica en SPSS

 Página 18 de 27

Entonces existe una correlación fuerte entre ppm CO y ppm SO2 cercana a 1, lo que quiere decir
la recta de regresión es creciente, como se ve en la grafica anterior.

Para estudiar la correlación entre el día que se hace el estudio y el CO tenemos la siguiente
tabla en Excel:
 Página 19 de 27

𝒓𝒙𝒚 = 𝟎. 𝟏𝟕𝟗

La ecuación de regresión es:

𝒀 = 𝒂 + 𝒃𝑿

𝒃 = 𝟎. 𝟎𝟎𝟕𝟓

∑𝒚 − 𝒃∑𝒙
𝒂= = 𝟎. 𝟐𝟎𝟖𝟖
𝒏

𝒀 = 𝟎. 𝟐𝟎𝟖𝟖 + 𝟎. 𝟎𝟎𝟕𝟓𝑿

Comprobación mediante la grafica:

 Página 20 de 27

En este caso, el coeficiente de correlación esta mas cerca a cero , por lo tanto es no existe una
relación entre el día y la emisión de CO.

Problema 4: Calcular el valor r, R2 y la recta que más ajusta de regresión lineal, para el
siguiente estudio.

En un invernadero se experimenta con un nuevo nutriente orgánico procesado y procedente de

las heces fecales de cierta clase de pez, cultivado, en agua dulce, y que se administra a un
sistema de una línea de cultivo hidropónico y acuapónico.

La tabla muestra la cantidad en miligramos por decalitro, con los pesos promedios de las
cosechas de lechugas
 Página 21 de 27

Mg de Peso promedio en
Kg de lechugas
Nutrientes cultivadas.

0.57 349.67

0.48 370.43

0.89 553.08

0.22 181.57

0.16 82.36

0.22 139.01

0.31 235.30

0.56 361.48

0.52 455.09

0.15 86.06

0.27 160.65

0.19 114.02

0.21 150.70

0.89 536.77

0.58 410.80

0.88 688.21

0.28 209.16

0.26 149.94

0.50 485.35

0.24 178.22
 Página 22 de 27

Los datos en Excel son:

𝒓𝒙𝒚 = 𝟎. 𝟗𝟓𝟓

𝑹𝟐 = 𝟎. 𝟗𝟓𝟓 ∗ 𝟎. 𝟗𝟓𝟓 = 𝟎. 𝟗𝟏𝟐𝟎

La ecuación de regresión es:

𝒀 = 𝒂 + 𝒃𝑿

𝒃 = 𝟔𝟗𝟎. 𝟐𝟎𝟖𝟒

∑𝒚 − 𝒃∑𝒙
𝒂= = 𝟓. 𝟔𝟗𝟔𝟐
𝒏

𝒀 = 𝟓. 𝟔𝟗 + 𝟔𝟗𝟎. 𝟐𝟏𝑿

La verificación es :
 Página 23 de 27

Se desea conocer:

a) Si se administran 70 mg del nutriente, ¿cuántos Kg promedio de lechugas se cultivará?

Basta reemplazar en la ecuación :

𝒀 = 𝟓. 𝟔𝟗 + 𝟔𝟗𝟎. 𝟐𝟏 ∗ 𝟕𝟎 𝒎𝒈

𝒀 = 𝟒𝟖, 𝟑𝟐𝟎. 𝟑𝟗 𝑲𝒈

b) Si se desean obtener 400 kg promedio de lechugas, ¿cuántos mg del nutriente se tienen que
administrar al sistema?

𝟒𝟎𝟎𝒌𝒈 = 𝟓. 𝟔𝟗 + 𝟔𝟗𝟎. 𝟐𝟏𝑿

𝟒𝟎𝟎 − 𝟓. 𝟗
= 𝑿
𝟔𝟗𝟎. 𝟐𝟏
𝑿 = 𝟎. 𝟓𝟕𝟏𝟐 𝒎𝒈 𝒅𝒆 𝒏𝒖𝒕𝒓𝒊𝒆𝒏𝒕𝒆
 Página 24 de 27

c) ¿Será posible conocer el peso promedio en Kg de lechugas si se administra 1.00 mg del

nutriente?

𝒀 = 𝟓. 𝟔𝟗 + 𝟔𝟗𝟎. 𝟐𝟏 ∗ 𝟏. 𝟎𝟎 𝒎𝒈

𝒀 = 𝟔𝟗𝟓. 𝟗 𝑲𝒈

Primero se puede concluir que existe una fuerte correlación entre los nutrientes y el peso en
kilogramos promedio de las lechugas (0.955) y la ecuación de la recta de regresión con la que se
puede interpolar y extrapolar es :

𝒀 = 𝟓. 𝟔𝟗 + 𝟔𝟗𝟎. 𝟐𝟏𝑿

Comprobación de resultados con SPSS.-

 Página 25 de 27

Los coeficientes de recta de regression en SPSS se resalta en verde en los datos anteriores .

El coeficiente de correlación de Pearson se muestra a continuación:

Página 26 de 27
 Página 27 de 27

Bibliografía
Crespo, R. (2013). Formulas y apuntes de Estadística aplicada. Madrid España: Cisolog.

David, P. (2011). Medidas de Posición. Obtenido de Medidas de Posición:

http://estadisticapasoapaso.blogspot.com/2011/09/los-cuartiles.html

Martínez, C. (2012). Estadística y muestreo. Bogota Colombia: Ecoe Ediciones.

Meyer, P. (1992). Probabilidad y Aplicaciones Estadísticas. Delaware U.S.A.: Fondo Educativo Interamericano.

Patricia Kuby, R. J. (2012). Estadística Elemental. Cdmx México: CENGAGE.

R, E. a. (2014). Sergio Santana, Mateos Farfan. Cdmx Mexico: UNESCO.

Triola, M. (2004). Estadística. D.F. México: Pearson Educación.

UNADM, M. (2020). Estadística I - Estadistica descriptiva. Cdmx: Unad.