Probabilidad II U3

Probabilidad II
Unidad 3. Convergencia de variables aleatorias
Probabilidad II
Unidad 3 Convergencia de variables aleatorias
Clave
50920415
Octubre de 2011
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 1

Probabilidad II
Presentación de la unidad
En esta unidad veremos las propiedades asintóticas que se ocupan en las sucesiones de
variables aleatorias para la aplicación en inferencia estadística. Revisaremos la
convergencia de variables aleatorias y la convergencia en distribución, proponiendo
ejemplos y ejercicios prácticos para contribuir con tu aprendizaje.
Es importante mencionar que te brindamos información teórica y práctica, sin embargo es

indispensable que revises temas previos y, de ser necesario revises nuevamente algunos
temas para que alcances los propósitos establecidos para ésta unidad. En cada tema se
te sugieren algunos temas que te recomendamos revisar para la apropiación de éstos
contenidos.
Propósitos
Al finalizar la unidad:
 Identificarás una función que contiene valores complejos para clasificarla como
una función característica mediante la aplicación de métodos analíticos.
 Utilizarás la ley de los grandes números para aproximarse al resultado exacto

mediante la repetición de sucesos.
 Determinarás mediante la campana de Gauss y la tabla Z, el límite central a

través de sucesos repetitivos.
Competencia específica
Utilizar las distribuciones especiales cuando sea necesario y podrá manejar

eficientemente grupos de observaciones a fin de obtener información útil de ellos.
3.1. Convergencia de variables aleatorias
Se considera una sucesión de variables aleatorias al conjunto {Xn}= {X1, X2, X3,… Xn}
donde cada X corresponde a una variable aleatoria y puede tener una convergencia con
una distribución de probabilidad.

Probabilidad II
De tal forma que si se tienen todas las variables aleatorias comprendidas en una
sucesión, estas podrán converger hacia una variable aleatoria X de distintas formas, entre
las que tenemos:
 Convergencia en probabilidad
 Convergencia casi segura
 Convergencia en media cuadrática
 Convergencia en distribución o en ley (que se estudiara más adelante)
Convergencia puntual
Si manejamos X1, X2…. Una sucesión infinita de variables aleatorias, si evaluamos cada
una de las variables en un elemento , se determina la siguiente sucesión numérica X1( ),
X2( ),……. Si esta sucesión converge a un cierto número real representado por X( ). Se
puede mencionar que la condición se cumple para todos los elementos de , entonces la
sucesión de variables aleatorias converge y su límite se representa por medio de la
siguiente función.
La siguiente representación queda definida mediante la siguiente representación:
Luis Rincón (2007) menciona un claro ejemplo de este tipo de convergencia. A

continuación se hace referencia a ella.
Consideramos el espacio medible ( [0,1], [0,1]). Defina la sucesión de variables

aleatorias continuas Xn ( ) = .
Si graficamos el subconjunto de números reales, quedaría representado de la siguiente

manera.
Xn( )
1
Grafica de la variable aleatoria Xn( ) = .
Para cada , la sucesión numérica Xn( ) converge a 0, mientras que para =1, y para
cualquier valor de n, Xn( )= 1, por esto la sucesión converge puntualmente a la variable aleatoria.

Probabilidad II
Convergencia casi segura
En algunas ocasiones se necesita la convergencia de la sucesión evaluada en todos y

cada uno de los elementos del espacio muestral, por lo cual la convergencia puntual
resulta ser una condición demasiado fuerte, por ejemplo, se puede mencionar que se
verifique en todo el espacio .
La sucesión de las variables aleatorias Converge casi seguramente a la variable

X, si.
Si tomamos el ejemplo anterior tomando como espacio de probabilidad ([0,1] [0,1], P),
tomando a P como la medida de probabilidad de un intervalo es su longitud. Esto se
representa, mediante la siguiente gráfica.
[ ]
1/n 1
Grafica de la variable aleatoria [ ]
Si analizamos la variable Xn tiene una distribución de Bernoulli con parámetro ,y

converge a la variable aleatoria constante cero, para esto se necesita corroborar que:
Esta igualdad es evidente a partir del hecho que el conjunto
{ El cual tiene probabilidad 1

Probabilidad II
El punto es el único punto muestral para cual no converge a cero, esto
demuestra que:
Convergencia en probabilidad
Cuando una variable aleatoria Xn converge en probabilidad a una constante c si:
Para cualquier
Esto nos quiere decir que cada vez que Xn tome valores distintos a c, a medida que n, el
tamaño de la muestra aumente.
Ejemplo 1:
Se tiene una variable aleatoria Xn cuya distribución de probabilidad es la siguiente:
En este caso
Describiendo lo anterior, podemos decir que Xn converge en probabilidad 0. Por qué a

medida que n aumenta, Xn toma el valor de n con una probabilidad cada vez menor (1/n
converge a cero a medida que ).
En caso general, podemos mencionar que si Xn converge a c, representamos:
Convergencia en media cuadrática
Cuando se usa el concepto de esperanza, aplicado al segundo momento se tiene la

convergencia en media cuadrática, que está ligada a la a la convergencia media que no
es motivo de estudio en estos momentos.
Este tipo de convergencia se puede denotar de la siguiente manera:

Probabilidad II
Una sucesión de variables aleatorias X1, X2,…….converge en media cuadrática a X, si.
este tipo de convergencia establece que tanto los elementos de la sucesión como el limite
son variables aleatorias con un segundo momento finito, el cual se le denomina
convergencia en L2 y se representa por medio de la siguiente expresión.
en conclusión podemos mencionar que la convergencia de L2, para cada número entero
k≥1,cumple con la condición
Por lo que mientras mayor es el valor de k, más restrictiva es la condición de la

convergencia.
3.1.1. Lema de Borel Cantelli
Sea P una medida de probabilidad en (2x) donde 2x es una σ-algebra.

Luego P es continua en todo X 2x. y sea P una medida de probabilidad aditiva en (S,2x)
donde 2x en un σ algebra que es continua en φ. Luego P es una medida de probabilidad
σ-aditiva.
Para entender el lema de Borel-Cantelli. Es necesario definir lo que se conoce como

límite superior e inferior de una sucesión de eventos.
Si Consideramos un espacio de probabilidad (S, 2x, P). Sea {Xn} una sucesión de
eventos. Definimos el límite superior de esta sucesión como
De igual forma definimos el límite inferior como
Así también escribiremos donde i.o. significa con

frecuencia infinita.

Probabilidad II
Entonces podemos partir de que la razón por la que tales límites se conocen así proviene
de la observación
De acuerdo a lo anterior podemos entender el Lema de Borel-Cantelli como: Sea {Xn} una
sucesión de eventos en un espacio de probabilidad (S,2x, P). Luego si
∑ , entonces P (Xn i,o) = 0
Por ejemplo podemos considerar el experimento que consiste en tirar una moneda n
veces. Dicho experimento lo diseñaremos en base a (S,2x, P) teniendo como espacio S=
{0, 1}n, con la σ-álgebra y la medida de probabilidad P que tiene probabilidad de ½ (sol o
águila) a cada valor 0 o 1 independientemente de otros resultados
3.1.2. Ley débil de los grandes números
Para estudiar la ley débil y fuerte de los grandes números, veremos primeramente la
relación existente que existe entre ellos.
CONVERGENCIA LEY DE LOS GRANDES NÚMEROS

EN PROBABILIDAD LEY DÉBIL
CASI SEGURA LEY FUERTE
DISTRIBUCIÓN TEOREMA DEL LIMITE CENTRAL
Una vez comprendido lo anterior, tenemos que una sucesión de variables aleatorias {Xn}
pertenece a ley débil de los grandes números, si de acuerdo a una sucesión de
constantes {Cn} la variable en donde µn es el promedio o el valor
medio de las n variables de la sucesión y se comprueba que
Cumple con
Interpretándose que para un valor alto de n no deben existir diferencias entre ambos
( .
Para adentrarte más en estos temas te presento los teoremas fundamentales dentro de la
ley débil de los grandes números.

Probabilidad II
Teoremas de Chebyshev
Cuando al desviación estándar σ de una variable aleatorio X mide la dispersión de dichos

valores alrededor de la media μ de X. si los valores de σ son bajos, entonces X estaría
más cerca de su media μ. Este tipo de esperanza se puede precisar por medio del
teorema de Chebyshev. Presentado por el matemático ruso P.L. Chebyshev (1921-1994),
el cual se puede definir de la siguiente manera.
Sea X una variable aleatoria con media μ y desviación estándar σ. Entonces, para
cualquier número positivo k, la probabilidad de que un valor de X se encuentre en el
intervalo [μ –kσ, μ + kσ] es al menos 1−1/k1/k2, es decir.
Ejemplo:
X es una variable aleatoria con media μ=100 y desviación estándar σ=5

a) Encuentra la conclusión que se puede derivar de la desigualdad de Chebyshev
para k=2 y k=3
b) Estima la probabilidad de que X se encuentre entre 100 – 20= 80 y 100 + 20 =120
c) Encuentra el intervalo [a,b] alrededor de la media =100, para el cual la
probabilidad de que X se encuentre en el intervalo es por lo menos del 99%
Solución
a)
Por tanto:
En forma similar, fijamos k = 3, obtenemos:
Por lo tanto

Probabilidad II
b) Sabemos que y , se obtiene , obteniendo que k = 4 , aplicando

la desigualdad deChebyshev.
c) ⁄ buscando la solución para k, sería.
Así pues el intervalo deseado sería:
Teorema de Khintchine
Se basa en condiciones que el teorema de Chebyshev, incidiendo en que la variables

que forman la sucesión debe ser independientes y todos con una misma y común
distribución de probabilidad, si eso es la ocurrencia la sucesión sería:
Siendo μ la media común de las variables que forman la sucesión.
Teorema de Bernouilli
Es tipo de teorema es un caso especial de la ley de los grandes números donde se

representa la aproximación frecuencial de un suceso en la cual la probabilidad P ocurra
a medida que se repite el experimento.
El teorema lo podemos representar de la siguiente manera.
Dados un suceso A, su probabilidad p de ocurrencia, y n pruebas independientes para

determinar la ocurrencia o no ocurrencia de A.

Probabilidad II
Sea f el número de veces que se presenta A en los n ensayos y £ en un número positivo
cualquiera, la probabilidad de que la frecuencia relativa discrepe de p en más de £
(en valor absoluto) tiende a cero al tender a n a infinito. Es decir
(| | )
3.1.3. Ley fuerte de los grandes números
Ahora tenemos que una sucesión de variables aleatorias {Xn} pertenece a ley fuerte de
los grandes números, si teniendo dos sucesiones de constantes {an} y {bn} se crea una
nueva variable denotada por
y se combina con las sucesiones de constantes
en donde
es la suma de constantes, así que entonces tenemos a

̅̅̅
Por consecuencia tenemos que si
y entonces por lo tanto

̅̅̅ ̅̅̅ →
De la misma manera que existen teoremas para la ley débil se recomienda para
adentrarse más en estas leyes, estudiar lo siguiente:
 Teorema de Kolmogorov
 Teorema de Glivenko-Cantelli
Actividad 1. Métodos analíticos
Propósito

Probabilidad II
Al finalizar la actividad serás capaz de Identificar la relación entre la ley débil y

fuerte de los grandes números.
1. De acuerdo a lo abordado en el tema 3.1 Convergencia de variables

aleatorias, realiza lo siguiente.
2. Entra a tu Blog y agrega un comentario que incluya al menos un ejemplo

respecto a la tabla que explica la relación de las leyes de los grandes
números, la cual se muestra a continuación.
CONVERGENCIA LEY DE LOS GRANDES NÚMEROS

EN PROBABILIDAD LEY DÉBIL
CASI SEGURA LEY FUERTE
DISTRIBUCIÓN TEOREMA DEL LIMITE CENTRAL
3. Revisa los comentarios de 3 tus compañeros, recuerda que no debes

responder.
4. Entra nuevamente a tu blog y realiza una conclusión, retomando tu

comentario y el de tus compañeros.
3.2. Convergencia en distribución
Antes de comenzar a definir la convergencia de distribución podemos relacionar y ver

cómo interactúan los tipos de convergencia, mediante el siguiente esquema:

Probabilidad II
CONVERGENCIA
EN
DISTRIBUCIÓN
CONVERGENCIA
DE CONVERGENCIA EN
CONVERGENCIA PROBABILIDAD MEDIA CUADRATICA
CASI SEGURA
3.2.1. Definición y propiedades
Se dice que una sucesión de variables aleatorias {Xn} converge en distribución o en ley, a
una variable aleatoria X cuando se cumple
 Para toda función se efectúa
 Para todo real
 Para todo par de puntos a y b siempre que b>a
 Para todo punto de X con podemos interpretar como
3.2.2. Función característica
Para encontrar la función característica es necesario remplazar , donde i es la

unidad imaginaria en la función y  la media o valor esperado de una distribución. La
denotamos por

Probabilidad II
Siendo para variables discretas ∑
Y para las variables continuas ∫
Sabiendo que | , las series y la integral siempre convergen de manera absoluta
Los siguientes son teoremas que aplican para la función característica
Teorema I Si () es la función característica de la variable X y a y b donde B0 son

constantes, entonces la función característica de (X+a)/b es
θ_X (ω/b)
Teorema II Si X y Y son variables aleatorias independientes de función características

y , entonces
De esta manera la suma de funciones es igual al producto de sus funciones

características.
Teorema III Si X y Y son variables aleatorias con funciones características y ,
respectivamente. Podemos afirmar que y , tienen la misma distribución de
probabilidad si y solo si = .
Otra característica para la utilización de la función característica es que esta siempre

existe, mientras que la función generadora de momentos puede no existir.
3.3. Función Característica
Como vimos en el subtema anterior la función característica es una situación de variable

real que permite tomar valores complejos y que permite la aplicación de métodos
analíticos, como podría ser el análisis funcional entre otros, en el estudio de la
probabilidad.
Esto lo podemos ilustrar en el siguiente ejemplo
La variable aleatoria X puede tener los sig-1 y 1, cada una con probabilidad 1/2.
Encuentre la función característica
La función característica viene dada por

Probabilidad II
( ) ( ) ( ) ( )
Y utilizando la fórmula de Euler
Definimos .
3.3.1. Teorema del límite central
El teorema nos dice que si existe un grupo numeroso de variables, que siguen una misma
tendencia o distribución, al sumarlas obtendremos una distribución gausiana o
comúnmente llamada distribución normal.
Si el teorema se basa en la distribución normal, lógicamente utilizaremos la formula que

nos permite obtener los valores estandarizados para este proceso.
Si ̅ es la media de una muestra aleatoria de tamaño n tomada de una población con

media µ y varianza finita 2, entonces la forma límite de la distribución queda
̅
Conforme n→ , es la distribución normal estándar n(z;0,1).
Por ejemplo: Se obtiene una muestra de alumnos que estudian en la ESAD y cuyo
promedio de calificación es de 8.4 con una desviación estándar de 0.9, de una población
cuyo promedio es de 8.6, determinar:
a) El porcentaje de alumnos con promedio superior a 8.6

b) Si la población actual de la ESAD es de 11,500 alumnos, encontrar el número de
alumnos con este promedio
Solución.
a) Si ̅ =8.4, µ=8.6 y =0.9 sustituimos en la formula y obtenemos

=-0.22 encontramos el valor en tablas y obtenemos 0.0871 de 0 a Z y
restamos el valor 0.5 (media campana de Gauss) y obtenemos 0.4129 por cien,
nos da el 41.29%

Probabilidad II
b) Multiplicamos 0.4129 por 11500 y obtenemos 4748.35 que serían los 4748
alumnos con promedio superior a 8.6 en la ESAD
Actividad 2. Calificaciones
Propósito
Al finalizar la actividad serás capaz de Utilizar el teorema del límite central en un caso
práctico que representa actividades de la vida diaria.
1. Descarga el documento llamado “Calificaciones” ubicado en la pestaña de la

unidad 3.
2. Resuelve el planteamiento que ahí se te propone, respetando las instrucciones

mencionadas dentro del archivo.
3. Envía tu documento con la nomenclatura: PRO2_U3_A2_XXYZ. Sustituye las XX

por las dos letras de tu primer nombre, la Y por la inicial de tu apellido paterno y la
Z por la inicial de tu apellido materno. El peso del archivo no debe exceder los 4
MB.
4. Espera la retroalimentación de tu facilitador(a).
3.3.2. Simulación
En la actualidad los sistemas de simulación permiten realizar proyectos a un bajo costo y

sin generar cambio alguno en el modelo original al que se aplica la simulación.
Por ejemplo si queremos saber el número de cajeras que se requieren para la atención de
un determinado número de clientes en un supermercado, el sistema quedaría cerrado en
cajeras-clientes, pero si incluyéramos las distintas áreas de outsourcing, el sistema se
tendría que reestructurar.
Entonces podemos entender que el estado de un sistema estará definido por las
variables que se requieren para el propósito del estudio.
En el caso del supermercado podemos establecer como variables el numero de cajeras,

el número de clientes, el número de artículos comprados, la hora de la compra, etc.
Podemos clasificar los sistemas de simulación por:

Probabilidad II
Discretos, en donde las variables cambian constantemente y generalmente provienen de
situaciones condicionadas a que ocurra otro suceso y generalmente se resuelve siguiendo
la secuencia de los eventos o sucesos.
Continuos. En este tipo de casos las variables cambian de manera continua en el

tiempo, por ejemplo, la velocidad de las cajeras para pasar los artículos por el scanner.
En ambos casos es importante identificar las variables endógenas y exógenas, para poder
determinar el sistema de simulación a realizar.
Autoevaluación
El objetivo de la carrera es ganarle a la ignorancia resolviendo lo siguiente,

partiendo de los siguientes datos:
N = 25’000,000
De acuerdo a lo anterior, selecciona la letra asignada a la respuesta correcta.
Encuentra el número de elementos que son:

a) ̅
b) ̅
c) ̅
d) ̅
Evidencia de aprendizaje. Uso en la mercadotecnia
Propósito
Al finalizar la actividad serás capaz de Aplicar sistemas de simulación para

resolver problemáticas de la vida cotidiana.
En base a lo revisado en el tema 3.3.2 Simulación, realiza lo siguiente:

1. Descarga el archivo llamado “Análisis de caso”
2. Resuelve el planteamiento que ahí se presenta respetando las

instrucciones que se mencionan.
3. Una vez que hayas terminado, envía tu documento con la nomenclatura:

PRO2_U3_A3_XXYZ. Sustituye las XX por las dos letras de tu primer nombre, la

Probabilidad II
Y por la inicial de tu apellido paterno y la Z por la inicial de tu apellido materno.
4. Espera la retroalimentación de tu facilitador(a).
Autorreflexiones
Al finalizar, consulta el Foro: Preguntas de autorreflexión para realizar el ejercicio

correspondiente y enviarlo a través de la herramienta Autorreflexiones, recuerda que
también se toman en cuenta para la calificación final.
Cierre de la unidad
Durante la unidad analizamos la forma en que una variable aleatoria puede cambiar de
acuerdo al tipo de convergencia que se le aplique, además vimos como se establece n las
convergencias y su relación entre ellas y lo importante que son los teoremas para la
resolución de un problema.
Así pues te invito a que siguas estudiando y seguir con esta carrera, en el quinto
cuatrimestre revisaremos asignaturas que no se relacionan con la probabilidad pero de la
misma importancia para tu desarrollo profesional.
Para saber más
Puedes revisar la siguiente página, donde encontraras información acerca de los

Teoremas de Chebyschev, Khintchine y Bernouilli además de algunos temas que ya
revisaste a lo largo de la asignatura:
http://ocw.uv.es/ciencias-sociales-y-juridicas/estadistica/2t13a.pdf
También se sugiero revisar el siguiente Link donde encontraras información acerca del
teorema del límite central y la ley de los grandes números además de algunos temas que
ya revisaste a lo largo de la asignatura:
http://www.uam.es/personal_pdi/ciencias/ezuazua/informweb/trabajosdehistoria/salinero_p
robabilidad.pdf

Probabilidad II
Fuentes de consulta
 Cetina López Wendy. (2005) Teorema De Chebyshev. México.
 Lipschutz Seymour, Lipson Marc. (2001). Probabilidad. México Editorial Mac

Graw-Hill.
 Milton J y Arnold J. (2004). Probabilidad y estadística con aplicaciones para

ingeniería y ciencias computacionales. México: Mc Graw Hill.
 Rincon L. (2007). Curso intermedio de probabilidad. México: Departamento de

matemáticas, Facultad de Ciencias, UNAM.
 Spiegel M. (2006). Probabilidad y estadística. Madrid: Mc Graw Hill.

Probabilidad II U3

Cargado por

Información del documento

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

Probabilidad II U3

Cargado por

Copyright:

Formatos disponibles

Probabilidad II

Unidad 3. Convergencia de variables aleatorias

Unidad 3 Convergencia de variables aleatorias

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 1

Es importante mencionar que te brindamos información teórica y práctica, sin embargo es

 Utilizarás la ley de los grandes números para aproximarse al resultado exacto

 Determinarás mediante la campana de Gauss y la tabla Z, el límite central a

Utilizar las distribuciones especiales cuando sea necesario y podrá manejar

3.1. Convergencia de variables aleatorias

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 2

La siguiente representación queda definida mediante la siguiente representación:

Luis Rincón (2007) menciona un claro ejemplo de este tipo de convergencia. A

Consideramos el espacio medible ( [0,1], [0,1]). Defina la sucesión de variables

Si graficamos el subconjunto de números reales, quedaría representado de la siguiente

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 3

Convergencia casi segura

En algunas ocasiones se necesita la convergencia de la sucesión evaluada en todos y

La sucesión de las variables aleatorias Converge casi seguramente a la variable

Si analizamos la variable Xn tiene una distribución de Bernoulli con parámetro ,y

Esta igualdad es evidente a partir del hecho que el conjunto

{ El cual tiene probabilidad 1

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 4

Cuando una variable aleatoria Xn converge en probabilidad a una constante c si:

Se tiene una variable aleatoria Xn cuya distribución de probabilidad es la siguiente:

Describiendo lo anterior, podemos decir que Xn converge en probabilidad 0. Por qué a

En caso general, podemos mencionar que si Xn converge a c, representamos:

Convergencia en media cuadrática

Cuando se usa el concepto de esperanza, aplicado al segundo momento se tiene la

Este tipo de convergencia se puede denotar de la siguiente manera:

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 5

Una sucesión de variables aleatorias X1, X2,…….converge en media cuadrática a X, si.

Por lo que mientras mayor es el valor de k, más restrictiva es la condición de la

3.1.1. Lema de Borel Cantelli

Sea P una medida de probabilidad en (2x) donde 2x es una σ-algebra.

Para entender el lema de Borel-Cantelli. Es necesario definir lo que se conoce como

De igual forma definimos el límite inferior como

Así también escribiremos donde i.o. significa con

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 6

3.1.2. Ley débil de los grandes números

CONVERGENCIA LEY DE LOS GRANDES NÚMEROS

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 7

Cuando al desviación estándar σ de una variable aleatorio X mide la dispersión de dichos

X es una variable aleatoria con media μ=100 y desviación estándar σ=5

En forma similar, fijamos k = 3, obtenemos:

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 8

b) Sabemos que y , se obtiene , obteniendo que k = 4 , aplicando

c) ⁄ buscando la solución para k, sería.

Así pues el intervalo deseado sería:

Se basa en condiciones que el teorema de Chebyshev, incidiendo en que la variables

Siendo μ la media común de las variables que forman la sucesión.

Es tipo de teorema es un caso especial de la ley de los grandes números donde se

El teorema lo podemos representar de la siguiente manera.

Dados un suceso A, su probabilidad p de ocurrencia, y n pruebas independientes para

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 9

3.1.3. Ley fuerte de los grandes números

y se combina con las sucesiones de constantes

es la suma de constantes, así que entonces tenemos a

Por consecuencia tenemos que si

y entonces por lo tanto

Actividad 1. Métodos analíticos

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías 10

Al finalizar la actividad serás capaz de Identificar la relación entre la ley débil y

1. De acuerdo a lo abordado en el tema 3.1 Convergencia de variables

2. Entra a tu Blog y agrega un comentario que incluya al menos un ejemplo