Estimación
Objetivos
Aprender cómo hacer
estimaciones de ciertas
características de una
población a partir de
muestras
Aprender las fortalezas y
limitaciones de las
estimaciones puntuales y las
estimaciones de intervalo
Calcular qué tan precisas son
en realidad nuestras
estimaciones
Aprender a utilizar la
distribución t para hacer
estimaciones de intervalo en
algunos casos en los que la
distribución normal no se
puede utilizar
Calcular el tamaño de
muestra requerido para
cualquier nivel deseado de
precisión en la estimación
 Formulario - Estimaciones
Medias con n > 30 (Distribución Normal)
Error Estándar
Población infinita n/N < Intervalos de Confianza
0.05 Población finita n/N  0.05

s Conocida

s Desconocida

Muestras
Medias con n  30 y  desconocida (Distribución t de Student)
Error Estándar Intervalos de Confianza Varianza Desviación Estándar

Proporciones con n > 30 (Distribución Binomial aproximada por la normal)

Error Estándar Intervalos de Confianza
p Conocida
p Desconocida
 Problema de estimación
Como parte del proceso de asignar el presupuesto del año siguiente, el
administrador de la planta generadora de energía eléctrica Far Point
debe estimar la cantidad de carbón que requerirá para este año. El
año anterior, la planta casi se quedó sin combustible, de modo que el
administrador está reticente a solicitar el mismo presupuesto de
nuevo. Sin embargo, el administrador de la planta siente que el uso de
los datos registrados le ayudará para estimar el número de toneladas
de carbón que debe pedir. Una muestra aleatoria de 10 semanas de
operación de la planta seleccionadas de los últimos cinco años
produjo un consumo medio de 11,400 toneladas semanales, con una
desviación estándar de la muestra de 700 toneladas por semana. Con
los datos que tiene a su disposición y los métodos que se estudian a
continuación, el administrador de la planta puede hacer una buena
estimación de la cantidad de presupuesto que debe pedir este año, e
incluso tener una idea de qué tan precisa es la estimación.
 Introducción
Todo el mundo hace estimaciones. Cuando
está por cruzar una calle, hace una estimación
de la velocidad del automóvil que se acerca,
de la distancia que hay entre usted y el auto y
de su propia velocidad. Habiendo hecho
rápidamente todas estas estimaciones, usted
decide si espera, camina o corre.
 Razones para hacer estimaciones
Los jefes de departamento de una universidad hacen
estimaciones acerca de las inscripciones para el semestre
siguiente en cada materia.
Los directores de crédito estiman si un cliente pagará o no
sus débitos.
Los futuros compradores de casa hacen estimaciones
concernientes al comportamiento de las tasas de interés de
los préstamos hipotecarios.
Todas estas personas hacen estimaciones sin preocuparse
de si son científicas o no, pero con la esperanza de que las
estimaciones tengan una semejanza razonable con el
resultado.
 ¿De qué manera se utilizan estadísticas para
estimar los parámetros de una población?

El jefe de departamento de alguna universidad intenta estimar el

número de inscripciones que tendrá el siguiente semestre a partir
de las inscripciones actuales en los mismos cursos.
El director de un departamento de crédito intentará estimar el
valor crediticio de los futuros clientes a partir de una muestra de
sus hábitos de pago.
El comprador de una casa intenta estimar el curso futuro de las
tasas de interés mediante la observación de su comportamiento
actual.
En cada caso, alguien trata de inferir algo acerca de una
población a partir de la información adquirida de una
muestra.
 Tipos de estimaciones
Estimación Puntual
Una estimación puntual es un solo número que se utiliza
para estimar un parámetro de población desconocido.

Ejemplo 1: Si, mientras observa al primer integrante de un equipo

de fútbol americano salir al campo de juego, se dice: “¡Caramba!
Apuesto a que el peso promedio de los jugadores defensivos es de
125 kilogramos”, usted ha hecho una estimación puntual.
Ejemplo 2: El jefe de departamento de una universidad estaría
haciendo una estimación puntual si afirmara: “Nuestros datos
actuales indican que en esta materia tendremos 350 estudiantes el
siguiente semestre.”

Nota: A menudo, una estimación puntual es insuficiente debido a que sólo tienen
dos opciones: es correcta o está equivocada.
 Tipos de estimaciones
Estimación de Intervalo
Una estimación de intervalo es un conjunto de valores
que se utiliza para estimar un parámetro de la
población.
Una estimación de este tipo indica el error de dos maneras: por la
extensión del intervalo y por la probabilidad de que el verdadero
parámetro poblacional se encuentre dentro del intervalo.

Ejemplo: “Estimo que la inscripción real de este curso para el

próximo semestre estará entre 330 y 380, y es muy probable que
la inscripción exacta caiga dentro de este intervalo.”
 Estimador y Estimación
Estimador: Es un estadístico de la muestra utilizado para estimar
un parámetro poblacional, como la media de la muestra  para
estimar la media de la población .

Estimación: Es un valor específico observado de un estadístico.

Es el valor numérico específico de nuestro estimador.

Nota: Hacemos una estimación si tomamos una muestra y

calculamos el valor que toma nuestro estimador en esa muestra.
Ejemplo: Suponga que calculamos la lectura media de un odómetro
(kilometraje) a partir de una muestra de taxis en servicio y
encontramos que es 156,000 kilómetros. Si utilizamos este valor
específico para estimar el kilometraje de la flotilla de taxis
completa, el valor obtenido de 156,000 kilómetros sería una
estimación.
 Criterios para seleccionar un
buen estimador
Insesgado
Se refiere al hecho de que una media de la
muestra es un estimador no sesgado de una
media de la población porque la media de la
distribución muestral de las medias de las
muestras tomadas de la misma población es
igual a la media de la población misma.
 Eficiente
Se refiere al tamaño del error estándar del
estadístico. Si comparamos dos estadísticos de una
muestra del mismo tamaño y tratamos de decidir
cuál de ellas es un estimador más eficiente,
escogeríamos la estadística que tuviera el menor
error estándar o la menor desviación estándar de la
distribución muestral.

Tiene sentido pensar que un estimador con un error

estándar menor (con menos variación) tendrá mayor
oportunidad de producir una estimación más cercana
al parámetro poblacional que se está considerando.
Consistente
Un estadístico es un estimador consistente de un
parámetro de población si al aumentar el tamaño de la
muestra, se tiene casi la certeza de que el valor del
estadístico se aproxima bastante al valor del
parámetro poblacional. Si un estimador es consistente,
se vuelve más confiable al tener tamaños de muestra
más grandes. Si usted se pregunta acerca de la
posibilidad de aumentar el tamaño de la muestra para
obtener más información sobre un parámetro
poblacional, averigüe primero si su estadístico es un
estimador consistente o no. Si no lo es, desperdiciará
tiempo y dinero al tomar muestras más grandes.
Suficiente
Un estimador es suficiente si utiliza tanta
información de la muestra que ningún otro
estimador puede extraer información
adicional acerca del parámetro de población
que se está estimando.

Por ejemplo: La media de la muestra  es el mejor

estimador de la media de la población , siempre y cuando
la muestra sea suficientemente grande, su distribución
muestral puede ser aproximada por medio de la
distribución normal.
 e s
on
c i s
a ale
tim t u
s
E pu n
 Si conocemos la distribución muestral de , podemos obtener
conclusiones respecto a cualquier estimación que podamos hacer
a partir de la información muestral.
Considere el caso de una compañía de suministros clínicos que produce
jeringas desechables. Cada jeringa está cubierta por una envoltura estéril que
a su vez se empaca en grandes cajas de cartón corrugado. Debido al proceso
de empaque, las cajas de cartón contienen distintas cantidades de jeringas.
Como las jeringas se venden por pieza, la compañía necesita una estimación
del número de piezas que hay por caja, para propósitos de facturación.
Tomamos una muestra aleatoria de 35 cajas y registramos el número de
jeringas contenidas en cada caja.
Sumando todos los resultados x = 3570 y dividiendo entre n=35 tenemos una media
muestral de:
=

Así, al usar la media de la muestra,  como estimador, la estimación puntual de la

media de la población, , es 102 jeringas por caja. Tanto el comprador como el
vendedor aceptarían esta estimación puntual como base para la facturación, y el
fabricante puede ahorrarse el tiempo y el gasto de contar las jeringas contenidas en
las cajas.
 Estimación puntual de la varianza y la
desviación estándar de la población

El estimador más utilizado para estimar la varianza de la

población 2, es la varianza de la muestra, s2.
𝐬 𝟐=
∑ ( 𝐱 − 𝐱 )𝟐
𝐧− 𝟏
El estimador más utilizado para estimar la desviación
estándar de la población , es la desviación estándar de la

√
muestra, s.
𝐬=
∑ (𝐱 − 𝐱 )𝟐
𝐧 −𝟏

Nota: Utilizar en el divisor n -1 en s2 y s, nos da un estimador

imparcial de 2 y de  respectivamente.
 Estimación puntual de la proporción
de la población

La proporción de unidades de una población dada que tiene una

característica de interés particular se denota por p.
El estimador de la proporción de una población p se denota
como .
es la proporción de unidades de una muestra que tiene todas
las características deseables analizadas; es insesgado (no
sesgado), consistente, eficiente y suficiente, para estimar la
proporción p de una población.
 Con el siguiente ejemplo hacemos una estimación de la
proporción de la población a partir de la proporción de la
muestra.
Suponga que la administración de la empresa desea estimar el
número de cajas que llegarán dañadas a su destino por mal
manejo en el traslado. Podemos verificar una muestra de 50 cajas
a partir del punto de embarque hasta su arribo al punto de
destino, y luego registrar la presencia o ausencia de daños. En
este caso, si encontramos que la proporción de cajas dañadas en
la muestra es 0.08 (8%), diríamos que:

= 0.08 ←Proporción de cajas dañadas de la muestra

Y, debido a que la proporción de la muestra es un estimador
conveniente de la proporción de la población p, podemos estimar
que la proporción de cajas dañadas de toda la población será
también 0.08.
 es
io n
a c a l o
ti m r v
s te
E In
d e
 d e s
e s di a
i o n e >
a c a m n
i m a r on
s t p c
E alo ras
e r v s t
t u e 0
In m 3
e n
Una estimación de intervalo describe un conjunto o rango
de valores dentro del cual es posible que esté un parámetro
de la población.
Suponga que el director de estudios de mercado de una fábrica de refacciones
automotrices necesita hacer una estimación de la vida promedio de las baterías
para automóvil que produce su compañía. Si tomamos una muestra de 200 baterías
y su vida promedio es de 36 meses (estimación puntual), ahora necesitamos saber
acerca del intervalo dentro del cual es probable que esté la media de la población
desconocida, para ello utilizamos el erros estándar.
Suponga que ya se estimó la desviación estándar de la población de baterías y se
informó que es 10 meses.
n = 200;  = 10
Límites del intervalo:
 = =   1

36 – 1(0.71) = 35.29 36 + 1(0.71) = 36.71

La vida útil real para todas las baterías puede estar en alguna parte de la estimación
de intervalo comprendida entre 35.29 y 36.71 meses, a este intervalo también se le
llama intervalo de confianza.
Necesitamos calcular la probabilidad de que la duración real de las baterías esté
en este intervalo de 35.29 y 36.71 meses.

P(-1    1) = P(  1) - P(  -1) = 0.8413 – 0.1587 = 0.6826

La probabilidad que la media de la población se encuentre entre el intervalo de

35.29 y 36.71 es de 0.6826, a esta probabilidad también se le llama nivel de
confianza.

El 68.26% de todas las medias muestrales está dentro de 1 errores estándar de

 y, en consecuencia, la media de la población , está localizada dentro de 1
errores estándar de la media muestral 68.26% de las veces.
Nota: Lo que realmente quiere decir el nivel de confianza digamos un 95.5%, es que si
seleccionamos muchas muestras aleatorias del mismo tamaño y calculamos un intervalo de
confianza para cada una de esas muestras, entonces en alrededor del 95.5% de los casos la
media de la población caerá dentro de dicho intervalo.
Ejercicio: ¿Cuál es el intervalo de confianza y el nivel de confianza que la vida
útil de las baterías se encuentren a 2 errores estándar?

Límites del intervalo:

  2

36 – 2(0.71) = 34.58 36 + 2(0.71) = 37.42

P(-2    2) = P(  2) - P(  -2) = 0.9772 – 0.0228 = 0.9544

La vida útil de las baterías se encuentran entre 34.58 y 37.42

meses con un nivel de confianza del 95.44%
Ejercicio ¿Cuál es el intervalo de confianza y el nivel de confianza que la vida
útil de las baterías se encuentren a 3 errores estándar?
Límites del intervalo:
  3

36 – 3(0.71) = 33.87 36 + 3(0.71) = 38.13

P(-3    3) = P(  3) - P(  -3) = 0.9987 – 0.0013 = 0.9974

La vida útil de las baterías se encuentran entre 33.87 y 38.13

meses con un nivel de confianza del 99.74%
 Búsqueda de un intervalo de confianza
dado un nivel de confianza
Un mayorista de refacciones automotrices necesita una estimación de la vida media en
meses que puede esperar de los limpiadores de parabrisas en condiciones normales de
manejo. La administración de la empresa ya ha determinado que la desviación estándar de
la vida útil de la población es 6 meses. Suponga que seleccionamos una sola muestra
aleatoria de 100 limpiadores, tomamos los datos referentes a su vida útil y obtenemos los
siguientes resultados:
n = 100 ← Tamaño de la muestra
 = 21 meses ← Media de la muestra
 = 6 meses ← Desviación estándar de la población

El distribuidor utiliza decenas de miles de limpiadores al año, nos pide que encontremos
una estimación de intervalo con un nivel de confianza del 95%
 = = 95%

Para un nivel de confianza del 95% alrededor de la

media poblacional, el área está entre -1.96 y 1.96
errores estándar.
 Límites del intervalo:
  1.96

21 – 1.96(0.6) = 19.82 21 + 1.96(0.6) = 22.18

95%

Ahora podemos informar que estimamos la vida media de la

población de limpiadores de parabrisas entre 19.82 y 22.18
meses con un nivel de confianza del 95%.
 ¿Y si no se conoce ?
El departamento de servicio social de una dependencia gubernamental local está interesado
en estimar el ingreso medio anual de 700 familias que viven en una sección de cuatro
manzanas de una comunidad. Tomamos una muestra aleatoria simple y encontramos los
siguientes resultados:
N = 700 ← Tamaño de la población
n = 50 ← Tamaño de la muestra
 = $11,800 ← Media de la muestra
s = $950 ← Desviación estándar de la muestra
El departamento nos pide que calculemos una estimación de intervalo del ingreso anual
medio de las 700 familias, de modo que pueda tener 90% de confianza de que la media de
la población se encuentra dentro de ese intervalo.

Como no conocemos  para calcular el erros estándar, entonces utilizamos s como

estimador de .
En lugar de usar  = usamos  = ← Población infinita n/N < 0.05
En lugar de usar  = usamos  =
← Población finita n/N  0.05

Como n/N = 50/700 =  = =

0.07  0.05 utilizamos:
 90%
Para un nivel de confianza del 90% alrededor de
la media poblacional, el área está entre -1.64 y
1.64 errores estándar.

Límites del intervalo:

  1.64

11800 – 1.64(129.56) = 11587.52 11800 + 1.64(129.56) = 12012.48

90%

El informe que podríamos dar al departamento de servicio social sería: “Con una
confianza del 90%, estimamos que el ingreso anual promedio de las 700 familias que
viven en una sección de cuatro manzanas se encuentra entre $11,587.52 y $12,012.48”
 d e
es
io n ra
a c p a n
im lo s e 0
st v a e 3
E ter cion n >
In por con
ro as
P str
u e
m
 Teóricamente, la distribución binomial es la distribución correcta a utilizar en la
construcción de intervalos de confianza para estimar una proporción de
población.
B(n, p)
n ← Número de ensayos o intentos
p ← Probabilidad de tener éxito P
q = 1 - p ← Probabilidad de no tener éxito (fracaso)
k ← Número de éxitos en n ensayos
m = np ← Media de la distribución binomial
s = ← Desviación Estándar de la distribución binomial

Los estadísticos recomiendan que en la estimación, n sea lo suficientemente grande para

que tanto np como nq sean al menos 5 cuando se utiliza la distribución normal como
sustituto de la binomial.
Cuando utilizamos estimaciones entonces tenemos
n ← Tamaño de la muestra
p ← Proporción de la población a favor
q = 1 – p ← Proporción de la población en contra
p = p ← Media de la distribución muestral de la proporción
p = ← Error Estándar de la proporción
 Si no tenemos los datos poblaciones entonces los estimamos:
n ← Tamaño de la muestra
← Proporción de la muestra a favor
= 1 - ← Proporción de la muestra en contra
= ← Media de la distribución muestral de la proporción
= ← Error Estándar Estimado de la proporción

Ejemplo: En una organización muy grande, se desea hacer la estimación de qué

proporción de sus empleados prefieren planificar su propios beneficios de retiro en
lugar de seguir un plan patrocinado por la compañía. Primero, tomamos una pequeña
muestra aleatoria de 75 empleados y encontramos que el 0.4 de ellos están interesados
en seguir sus propios planes de retiro. Nuestros resultados son:
n = 75 ← Tamaño de muestra
= 0.4 ← Proporción de la muestra a favor
= 1 - = 1 - 0.4 = 0.6 ← Proporción de la muestra en contra

A continuación, la administración solicita que utilicemos esta muestra para encontrar un

intervalo en el que puedan tener 99% de confianza de que contiene a la proporción
verdadera de la población.
 = =
Calculamos el error estándar estimado de la proporción

Para un nivel de confianza del 99% alrededor 99%

de la proporción poblacional, el área está
entre -2.58 y 2.58 errores estándar.

Límites del intervalo:

z

0.4 – 2.58(0.06) = 0.2452 0.4 + 2.58(0.06) = 0.5548

Entonces, estimamos a partir de nuestra

99%
muestra de 75 empleados que, con 99% de
confianza, creemos que la proporción de la
población total de empleados que desean
establecer sus propios planes de retiro está
entre 0.2452 y 0.5548.

Nota: Las poblaciones deber ser infinitas, de lo contrario debe consultar a un

especialista en estadística para resolver.
 d e s
e s d i a
i o n e t
a c a m n
i m a r c i ó
s t o p i b u
E al t r
e r v d i s
n t l a
I n
c o
Un poco de Historia de la Distribución
t
Los primeros trabajos teóricos sobre la distribución
t fueron realizados por W. S. Gosset, a principios
del siglo XX. Gosset era empleado de la Cervecería
Guinness en Dublín, Irlanda; la empresa no
permitía que los empleados publicaran sus
hallazgos de investigación con su propio nombre.
De modo que Gosset adoptó el seudónimo de
Student para publicar. En consecuencia, la
distribución t se conoce como distribución t de
Student o simplemente distribución de Student.
Cuando utilizar la Distribución
t
El uso de la distribución t para hacer
estimaciones se requiere siempre que el
tamaño de la muestra sea menor o igual que
30 y la desviación estándar de la población
no se conozca. Además, al utilizar la
distribución t, suponemos que la
distribución poblacional es normal o
aproximadamente normal.
Características de la distribución t
Al igual que la normal, la distribución t es simétrica

La distribución t es mas plana que la normal (Platicúrtica)

t
z
Hay una distribución t diferente para cada tamaño posible de
muestra.
Conforme el tamaño de muestra se hace más grande, la forma de la
distribución t deja de ser plana y se aproxima más a la distribución
normal (n > 30).
Una distribución t es menor en la media y mayor en las colas que
una distribución normal.
La distribución t de Student tiene, proporcionalmente,
una parte mayor de su área en las colas que la
distribución normal; por esto será necesario alejarse
más de la media de una distribución t para poder incluir
la misma área bajo la curva. Entonces, los anchos de
intervalo de una distribución de Student son mayores
que los basados en la distribución normal.

t
Como se dijo antes, “Existe una distribución t distinta para cada
tamaño de muestra posible”. En realidad “existe una distribución t
distinta para cada uno de los grados de libertad posibles”

Y que son los Grados de Libertad

Podemos definirlos como el número de valores que podemos
escoger libremente dentro de una muestra de tamaño n, por lo
tanto los grados de libertad gl se calculan como n-1.

Utilizaremos los grados de libertad cuando elijamos una

distribución t para estimar una media de población, y utilizaremos
n-1 grados de libertad, donde n es el tamaño de la muestra. Por
ejemplo, si utilizamos una muestra de 20 para estimar una media
de población, usaremos 19 grados de libertad para elegir la
distribución t apropiada.
 Diferencia entre las tabla t y la tabla z
Primera Diferencia:
La tabla t es más compacta y muestra
áreas y valores de t sólo para algunos
porcentajes (10, 5, 2 y 1%). Debido a
que hay una distribución t diferente para
cada número de grados de libertad, una
tabla más completa sería bastante
grande.
Segunda Diferencia:
La tabla t no se concentra en la probabilidad de que el
parámetro de población que se está estimando se
encuentre dentro del intervalo de confianza. En lugar de
ello, mide la probabilidad de que el parámetro de
población que estamos estimando no esté dentro de
nuestro intervalo de confianza (es decir, la probabilidad
de que esté fuera). Si estamos haciendo una estimación a
un nivel de confianza del 90%, buscaríamos en la tabla t
en la columna de 0.10 (100% - 90% = 10%). Esta
probabilidad de 0.10 del error se representa con el
símbolo , la letra griega alfa. Encontraríamos los valores t
apropiados para intervalos de confianza del 95, 98 y 99%
en las columnas con títulos 0.05, 0.02 y 0.01,
respectivamente.
Tercera Diferencia:
La tercera diferencia al utilizar la tabla t es que debemos
especificar los grados de libertad que se manejan.
Suponga que hacemos una estimación a un nivel de confianza del
90% con una muestra de tamaño 14, que tiene 13 grados de
libertad.

Busque en la tabla t de dos colas, en la columna de 0.10, hasta que

encuentre el renglón 13.
Del mismo modo que el valor z, el valor t de 1.771 indica que si
señalamos una distancia de 1.771 (errores estándar estimados
de ) a ambos lados de la media, el área bajo la curva que se
encuentra entre estos dos límites será 90% del área total, y el área
que se encuentra fuera de estos límites (la posibilidad de error) será
10% del área total.
 Distribución t para 13 grados de libertad
que muestra un nivel de confianza del 90%
 Problema presentado al inicio se resuelve por distribución t de student
Como parte del proceso de asignar el presupuesto del año siguiente, el administrador de la
planta generadora de energía eléctrica Far Point debe estimar la cantidad de carbón que
requerirá para este año. El año anterior, la planta casi se quedó sin combustible, de modo
que el administrador está reticente a solicitar el mismo presupuesto de nuevo. Sin
embargo, el administrador de la planta siente que el uso de los datos registrados le ayudará
para estimar el número de toneladas de carbón que debe pedir. Una muestra aleatoria de
10 semanas de operación de la planta seleccionadas de los últimos cinco años produjo un
consumo medio de 11,400 toneladas semanales, con una desviación estándar de la muestra
de 700 toneladas por semana.
n = 10 semanas ← Tamaño de la muestra
gl = n – 1 = 10 – 1 = 9 ← Grados de libertad
 = 11,400 toneladas ← Media de la muestra
s = 700 toneladas ← Desviación estándar de la muestra

El administrador de la planta desea una estimación de intervalo del consumo medio de

carbón, y quiere estar 95% seguro de que el consumo medio se encuentre dentro de
dicho intervalo.

Este problema requiere el uso de una distribución t, porque el tamaño de la

muestra es menor que 30, no se conoce la desviación estándar de la
población aunque pueda estimarse y el administrador piensa que la
población es aproximadamente normal.
El Error Estándar de la media siempre será un Error Estándar Estimado porque
en esta distribución no se conoce , que es una de las reglas de utilizar la
distribución t de Student.

𝑠
^ 𝑥=
𝜎 ← Error Estándar Estimado para población infinita n/N < 0.05
√𝑛

Como son 5 años, tenemos 260 semanas para N. entonces 10/260 = 0.04 < 0.05
por lo que usamos el Error Estándar Estimado para población infinita.
Nota: Las poblaciones deber ser infinitas, de lo contrario debe consultar a un
especialista en estadística para resolver.

𝑠 221.36
^ 𝑥=
𝜎
√𝑛
Ahora buscamos en la tabla t de dos colas en la columna 0.05 (100% - 95% =
5%) y el renglón de 9 grados de libertad (10 – 1 = 9). Vemos que el valor t es
2.262 y con él podemos establecer nuestros límites de confianza
Para un nivel de confianza del 95% alrededor de la media poblacional, el área está
entre -2.262 y 2.262 errores estándar.
Límites del intervalo:
  2.262

11400 – 2.262(221.36) = 10899 11400 + 2.262(221.36) = 11901

Ahora podemos informar al administrador de la planta con 95% de confianza

que el consumo medio semanal de carbón se encuentra entre 10,899 y 11,901
toneladas.
 Fin de la presentación
Estimación

Curso
Estadística Aplicada a la Psicología

Catedrático
Ing. M.A. Samuel de Jesús García