Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EST118 - Contenido Unidad 3
EST118 - Contenido Unidad 3
Contenido
3.1 Definición de variable aleatoria ............................................................................... 2
3.2 Definición de variable aleatoria discreta.................................................................. 2
3.2.1. Distribución de Probabilidad ................................................................................. 2
3.2.2. Distribución Acumulada de Probabilidad ............................................................. 3
3.2.3. Esperanza Matemática y Varianza ................................................................... 4
3.3. Definición de variable aleatoria continúa ................................................................ 6
3.3.1. Función de Densidad ............................................................................................. 7
3.3.2. Función Acumulada de Probabilidad .................................................................... 8
3.4 Modelos de distribución de probabilidad en variable aleatoria discreta ............... 11
3.4.1 Binomial ............................................................................................................... 11
3.4.2 Poisson ................................................................................................................. 14
3.4.3 Aproximación de la distribución binomial a la Poisson ....................................... 16
3.5 Modelos en Distribución de Probabilidad en variable aleatoria continúa ............ 17
3.5.1 Exponencial .......................................................................................................... 17
3.5.2 Normal.................................................................................................................. 18
1
Licenciado en Estadística, colaborador del Departamento de Matemática y Estadística.
Página 1 de 24
3.5.3 Aproximación de la binomial a la normal ............................................................ 22
Referencias .......................................................................................................................... 24
Cantidad que resulta de un experimento que, por azar, puede adoptar diferentes valores.
(Lind, Marchal, & Wathen, 2012, pág. 188)
Las variables aleatorias deben tomar valores numéricos, en efecto, una variable aleatoria
asocia un valor numérico a cada uno de los resultados experimentales. El valor numérico de
la variable aleatoria depende del resultado del experimento.
Una variable aleatoria puede clasificarse como discreta o continua, depende del tipo de
valores numéricos que éstas asuman.
Página 2 de 24
Las condiciones requeridas para lo es una función de probabilidad discreta son las siguientes:
Para todos los valores de 𝑥, 𝑃(𝑥) es mayor o igual que 0; 𝑃(𝑥) ≥ 0
Para todos los valores de 𝑥, la sumatoria de los 𝑃(𝑥) es igual a uno, ∑ 𝑃(𝑥) = 1
Ejemplo
Con la variable aleatoria 𝑋, cuya función de probabilidad viene dado por la tabla siguiente:
Demostrar que cumple las condiciones requeridas para que sea una función de probabilidad.
La primera condición que 𝑃(𝑥) ≥ 0, la cumple pues todos los valores de P(x) son mayores
o iguales a cero.
Con lo que demostramos que cumple las dos condiciones para que sea una función de
probabilidad.
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
Ejemplo.
Con la variable aleatoria 𝑋, cuya función de probabilidad viene dado por la tabla siguiente:
Página 3 de 24
Tabla 2: Distribución de Probabilidad
𝑿 𝑷(𝑿)
0 0.10
1 0.30
2 0.25
3 0.14
4 0.06
5 0.15
Usando la distribución de probabilidad acumulada, calcular:
a) 𝑃(𝑋 ≤ 2)
b) 𝑃(1 ≤ 𝑋 ≤ 4)
c) 𝑃(𝑋 > 3)
Solución:
Esperanza matemática:
Definición
Página 4 de 24
Se trata de un promedio ponderado
en el que los posibles valores de una
variable aleatoria se ponderan con
sus correspondientes probabilidades
de ocurrir. (Lind, Marchal, &
Wathen, 2012)
La fórmula para el cálculo de la esperanza matemática para una variable aleatoria x es:
𝑬(𝒙) = 𝝁 = ∑[𝒙𝑷(𝒙)]
Donde:
𝑥 = variable aleatoria
𝑃(𝑥) =probabilidad de que suceda 𝑥
𝐸(𝑥) = valor esperado de 𝑥
𝜇 = media
Varianza
La varianza es un promedio ponderado de los cuadrados de las desviaciones de una variable
aleatoria de su media. Los pesos son las probabilidades.
Así como en la unidad uno se utilizó la varianza para resumir la variabilidad de los datos, en
esta unidad la varianza se usara para resumir la variabilidad en los valores de la variable
aleatoria 𝑥. A continuación se presenta la fórmula para su cálculo:
𝝈𝟐 = 𝑬(𝒙 − 𝝁)𝟐 = ∑(𝒙 − 𝝁)𝟐 𝑷(𝒙) = ∑ (𝒙𝟐 𝑷(𝒙)) − 𝝁𝟐
Donde
𝜎 2 = varianza
𝑥 = variable areatoria
𝑓(𝑥) = probabilidad de que suceda 𝑥
Desviación estándar.
Página 5 de 24
Aparte de la varianza es necesario el cálculo de la desviación estándar 𝜎 el cual se define
como la raíz cuadrada positiva de la varianza. Como se vio en la unidad uno para ello la
fórmula es la siguiente:
Ejemplo:
Con la variable aleatoria 𝑋, cuya función de probabilidad viene dado por la tabla siguiente:
Tabla 3: Distribución de Probabilidad
𝑿 𝑷(𝑿)
0 0.10
1 0.30
2 0.25
3 0.14
4 0.06
5 0.15
Calcular el valor esperado y la varianza.
Solución:
La tabla muestra los cálculos
Tabla 4: Distribución de Probabilidad y otros cálculos
𝑿 𝑷(𝑿) 𝑿𝑷(𝑿) 𝑿𝟐 𝑷(𝑿)
0 0.10 0.00 0.00
1 0.30 0.30 0.30
2 0.25 0.50 1.00
3 0.14 0.42 1.26
4 0.06 0.24 0.96
5 0.15 0.75 3.75
Total 1.00 2.21 7.27
Cálculo de la varianza:
Página 6 de 24
Se define la variable aleatoria continua como aquella para la cual existe una determinada
probabilidad de tomar valores en cada uno de los intervalos comprendidos dentro de su
campo de variación.
Se puede decir que una variable aleatoria 𝑥 es continua si su conjunto de posibles valores es
todo un intervalo (finito o infinito) de números reales.
A diferencia de la variable aleatoria discreta, una variable aleatoria continua puede adoptar
cualquier valor fraccionario dentro un rango definido de valores.
A continuación se muestran algunas de las condiciones que la función 𝑓(𝑥) debe cumplir:
Esto es, la probabilidad de que 𝑋 tome un valor en el intervalo [𝑎, 𝑏] es el área bajo la gráfica
de la función de densidad, como lo ilustra la figura xxx. La gráfica de 𝑓(𝑥), se conoce a veces
como curva de densidad.
Solución:
Para demostrar que es una función de densidad de probabilidad, tenemos que observar que
cumple dos condiciones:
Página 7 de 24
1) 𝑓(𝑥) ≥ 0, como podemos observar 𝑓(𝑥) siempre va a ser mayor o igual a cero, pues
el tramo de la función cuadrática es mayor a cero, mientras que el otro tramo de la
función es igual a cero.
+∞
2) Ahora probaremos que ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Para ello:
3
+∞ 0 +∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑓(𝑥)𝑑𝑥 + ∫02 𝑓(𝑥)𝑑𝑥 + ∫3 𝑓(𝑥)𝑑𝑥
2
3
+∞ 0 8 +∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 0𝑑𝑥 + ∫0 (9 𝑥 2 ) 𝑑𝑥 + + ∫3
2 0𝑑𝑥
2
3
3
+∞ 8 2 8 8 𝑥3 2 2
∫−∞ 𝑓(𝑥)𝑑𝑥 = 9 ∫0 𝑥 𝑑𝑥 = (9)
2 ] = (27 )[(32) −0] = 𝟏
3
0
Con lo que concluimos que cumple las dos condiciones para que sea una función de
densidad.
3.3.2. Función Acumulada de Probabilidad
La distribución acumulada 𝐹(𝑥) de una variable aleatoria continúa 𝑥, con una función de
densidad 𝑓(𝑥) es:
𝒙
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕 𝐩𝐚𝐫𝐚 − ∞ < 𝒙 < +∞
−∞
1. 𝐹(−∞) = 0
2. 𝐹(∞) = 1
3. 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = 𝐹(𝑥2 ) − 𝐹(𝑥1 )
𝑑𝐹(𝑥)
4. = 𝑓(𝑥)
𝑑𝑥
Sea X una variable aleatoria continua con función de densidad de probabilidad (fdp) 𝑓(𝑥) y
función de distribución acumulada (fda) 𝐹(𝑥). Entonces para cualquier número 𝑎 se tiene:
Página 8 de 24
Calculado a partir de las probabilidades acumuladas de 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏)
Solución:
a) Para el cálculo de la primera probabilidad 𝑃(0.5 ≤ 𝑋 ≤ 1.0):
1
1 8 𝑥3 3
𝑃(0.5 ≤ 𝑋 ≤ 1.0) = ∫1 (9 𝑥 2 ) 𝑑𝑥 =( 8
) 3]
9
8
= (27 8
)[(1)3 −(12) ] = (27 )(34) = 𝟎. 𝟐𝟓𝟗𝟑
2 1
2
Por lo cual la probabilidad que la variable X esté entre 0.5 y 1.0 es del 25.93%.
Por lo cual la probabilidad que la variable X esté entre 0.25 y 1.25 es del 48.44%.
Por lo cual la probabilidad que la variable X sea mayor a 0.75 es del 87.50%.
Página 9 de 24
Al igual que en las variables aleatorias discretas en éstas también se necesita el cálculo de la
esperanza matemática o valor esperado así mismo de la varianza y desviación estándar como
sigue a continuación.
Esperanza matemática
Se X una variable aleatoria continua con función de densidad 𝑓(𝑥). Se llama esperanza
matematica o valor esperado, valor medio o media de 𝑋 al número real, la fórmula para el
cálculo es la siguiente:
∞
𝑬(𝑿) = 𝝁 = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞
Ejemplo.
Dada la siguiente función:
8 2 3
𝑓(𝑥) = { 9 𝑥 , 𝑠𝑖 0 < 𝑥 ≤
2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcular el valor esperado.
Solución:
3
∞ ∞ 2 3
4
8 2 8 3 8 𝑥 2 2 3 4 9
𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥 ( 𝑥 ) 𝑑𝑥 = ∫ ( 𝑥 ) 𝑑𝑥 = (9) ] = (9) [(2) −(0)4 ] =
9 9 4 8
−∞ −∞ 0 0
9
Por lo cual el valor esperado es de 8
=𝟏.𝟏𝟐𝟓.
varianza
La varianza se define como la medida del cuadrado de la distancia promedio entre la media
y cada elemento de la población.
−∞ −∞
Página 10 de 24
Ejemplo.
Dada la siguiente función:
8 2 3
𝑓(𝑥) = { 9 𝑥 , 𝑠𝑖 0 < 𝑥 ≤
2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcular la varianza.
9 2 9 2
3
∞ ∞ 8 8
𝜎 2 = ∫−∞ 𝑥 2 𝑓(𝑥)𝑑𝑥 − 𝜇 2 = ∫−∞ 𝑥 2 (9 𝑥 2 ) 𝑑𝑥 − (8) = ∫02 (9 𝑥 4 ) 𝑑𝑥 − (8)
3
2 𝑥5 2 9 2 5 9 2 27 81 27
𝜎 = ( ) 5 ] − (8) = (458 )[(32)
8
9
−(0)5 ] − (8) = (20) − (64) = 320
0
27
Por lo cual la varianza es 320 = 𝟎. 𝟎𝟖𝟒𝟑𝟕𝟓.
Desviación estándar.
Es la raíz cuadrada positiva de la varianza, la fórmula para su cálculo es la siguiente:
𝜎𝑥 = √𝑉(𝑋)
Propiedades:
1. El experimento consiste en una serie de n ensayos idénticos.
2. En cada ensayo hay dos resultados posibles. A uno de estos resultados se le llama
éxito y al otro se le llama fracaso.
3. La probabilidad de éxito, que se denota 𝑝, no cambia de un ensayo a otro. Por ende,
la probabilidad de fracaso, que se denota 1 − 𝑝, tampoco cambia de un ensayo a otro
lo que significa que 𝑝 es constante.
4. Los ensayos son independientes.
Página 11 de 24
𝒏
𝑷(𝒙) = ( ) 𝒑𝒙 (𝟏 − 𝒑)(𝒏−𝒙)
𝒙
Donde:
𝑃(𝑥) = Probabilidad de 𝑥 éxitos en 𝑛 ensayos
𝑛 = Número de ensayos
𝑛!
(𝑛𝑥) = 𝑥!(𝑛−𝑥)! = combinación
𝑝 = Probabilidad de éxito en cualquiera de los ensayos
1 − 𝑝 = Probabilidad de un fracaso en cualquiera de los ensayos.
Ejemplo:
El jefe de recursos humanos de una empresa realiza un test de 8 ítems a los aspirantes a un
puesto, teniendo en cada ítem cinco posibles respuestas, de las que sólo una es correcta.
Suponiendo que los aspirantes teniendo la misma probabilidad de responder. Se pide hallar
las probabilidades para el aspirante:
Solución:
Sea X: Contestar correctamente el ítem en el test.
La variable X sigue una distribución binomial con 𝑛 = 8 y 𝑝 = 0.20.
a) 𝑃(𝑋 = 0) = (80)0.200 (1 − 0.20)(8−0) = 0.808 = 𝟎. 𝟏𝟔𝟕𝟖
El 16.78% es la probabilidad que el estudiante conteste todos los ítems mal.
Página 12 de 24
En el tema anterior se dieron fórmulas para lo que fue el cálculo del valor esperado y la
varianza de una variable aleatoria discreta. Al igual en este tema se verán esas medidas, en
el caso especial de que la variable aleatoria tenga una distribución binomial para la que se
conoce el número de ensayos 𝑛 y la probabilidad de éxito 𝑝, la formula general tanto para el
valor esperado como para la varianza me presentan a continuación:
Valor esperado:
𝑬(𝒙) = 𝝁 = 𝒏𝒑
Donde:
𝐸(𝑥) = valor esperado
𝑛 = número de ensayos
𝑝 = probabilidad de éxito
Varianza
𝑽𝒂𝒓(𝒙) = 𝝈𝟐 = 𝒏𝒑(𝟏 − 𝒑)
Donde:
𝑛 = número de ensayos
𝑝 = probabilidad de éxito
1 − 𝑝 = Probabilidad de un fracaso en cualquiera de los ensayos.
Ejemplo:
El jefe de recursos humanos de una empresa realiza un test de 8 ítems a los aspirantes a un puesto,
teniendo en cada ítem cinco posibles respuestas, de las que sólo una es correcta. Suponiendo que los
aspirantes teniendo la misma probabilidad de responder. Calcular el valor esperado y la varianza.
Solución.
Sea X: Contestar correctamente el ítem en el test.
𝐸(𝑋) = 𝑛𝑝 = (8)(0.2) = 𝟏. 𝟔
La fórmula de la varianza viene dado por la siguiente fórmula:
Página 13 de 24
3.4.2 Poisson
Se puede observar que el número de ocurrencia 𝑥, no tiene limite superior, es decir ésta es
un a varaible aleatoria discreta que puede tomar los valores de una sucesión de números (𝑥 =
0,1,2, … … )
Valor Esperado
Al igual que en los temas anteriores es necesario el cálculo del valor esperado 𝑬(𝒙) y para
ello se utilizara la formula siguiente:
Página 14 de 24
𝑬(𝒙) = 𝝁
Varianza:
𝑽𝒂𝒓(𝒙) = 𝝁
Ejemplo:
Una compañía aérea observa que el número de componentes que fallan antes de cumplir 100
horas de funcionamiento es una variable aleatoria de Poisson. Si el número promedio de
fallos es ocho. Se pide:
Solución.
Sea la variable aleatoria discreta X = número de componentes que fallan antes de 100 horas.
El parámetro es 𝜇 = 𝐸(𝑋) = 𝟖
a) ¿Cuál es la probabilidad de que falle un componente en 25 horas?
40 41
𝑃(𝑈 < 2) = 𝑃(𝑈 = 0) + 𝑃(𝑈 = 1) = [ 𝑒 −4 ] + [ 𝑒 −4 ] = 𝟎. 𝟎𝟗𝟏𝟔
0! 1!
Página 15 de 24
Por lo cual la probabilidad de que fallen menos de dos componentes en 50 horas es del 9.16%.
c) ¿Cuál es la probabilidad de que fallen por lo menos tres componentes en 125 horas?
Tenemos la Variable Aleatoria:
V = número de componentes que fallan antes de 125 horas.
Esta sigue distribución de Poisson de parámetro 𝜇𝑉 = 1.25(8) = 10
𝑃(𝑉 ≥ 3) = 1 − 𝑃(𝑉 < 3) = 1 − [𝑃(𝑉 = 0) + 𝑃(𝑉 = 1) + 𝑃(𝑉 = 2)] =
100 101 102
𝑃(𝑉 ≥ 3) = 1 − [ 0! 𝑒 −10 + 𝑒 −10 + 𝑒 −10 ] =
1! 2!
𝑃(𝑉 ≥ 3) = 1 − 0.0028 = 𝟎. 𝟗𝟗𝟕𝟐
Por lo cual la probabilidad de que fallen por lo menos tres componentes en 125 horas es del
99.72%.
Se considera como el límite al cual tiende una distribución Binomial cuando el número de
elementos es muy grande, es decir, tiende a infinito con probabilidades pequeñas, cuando
𝑛 → ∞ y 𝑝 → 0.
(𝒏𝒑)𝒙 𝒆−(𝒏𝒑)
𝑷(𝒙) =
𝒙!
Ejemplo:
Se sabe que el 4% de los libros encuadernados en cierto taller tienen encuadernaciones
defectuosas. Determine la probabilidad de que 3 de 120 libros encuadernados en ese taller,
tengan encuadernaciones defectuosas, usando la aproximación de Poisson a la distribución
Binomial.
Solución:
Primeramente se verá que cumple las condiciones para poder hacer la aproximación. El 𝑛 =
120, por tanto el valor de 𝑛 es mayor que 30 y cumple la primera condición. Para la segunda
condición el valor de p ≤ 0.05, si lo cumple pues p = 0.04. Como cumple las dos
condiciones podemos hacer la aproximación de la distribución Binomial a la de Poisson con
𝝁 = 𝒏𝒑 = 120 ∗ 0.04 = 𝟒. 𝟖.
Por lo que la función de distribución de probabilidad es:
Página 16 de 24
(𝟒. 𝟖)𝒙 𝒆−(𝟒.𝟖)
𝑷(𝒙) =
𝒙!
Definimos la variable 𝑋: número de libros encuadernados en un taller que tengan
defectuosos.
3.5.1 Exponencial
Una variable aleatoria X tiene una distribución exponencial y se denomina variable aleatoria
exponencial continua si y sólo si su función de densidad de probabilidad está dada por:
𝟏 −𝒙
𝒆 𝝁 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎
𝒇(𝒙) = { 𝝁
𝟎 𝒆𝒏 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓𝒂𝒓𝒊𝒐
Página 17 de 24
El cálculo del valor esperado y la varianza de la distribución exponencial se realizaran
mediante las siguientes fórmulas.
Ejemplo:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución
exponencial con media de 20 años. ¿Cuál es la probabilidad de que a una persona a la que se
le ha implantado este marcapasos se le deba reimplantar otro antes de 25 años?
Solución:
𝜇 = 20
25
𝑃(𝑋 ≤ 25) = 𝐹(25) = 1 − 𝑒 −20 = 1 − 𝑒 −1.25 = 𝟎. 𝟕𝟏𝟑𝟓
Por lo tanto, la probabilidad de que a una persona a la que se le ha implantado este marcapasos
se le deba reimplantar otro antes de 25 años es del 71.35%.
3.5.2 Normal
Una variable aleatoria continua 𝑋 tiene una distribución normal con parámetros 𝜇 y 𝜎 2 ,
siendo 𝜇 un número real cualquiera y 𝜎 > 0, siendo su función de densidad de probabilidad
de la forma siguiente:
𝟏 (𝒙−𝝁)𝟐
−
𝒇(𝒙) = 𝒆 𝟐𝝈𝟐
𝝈√𝟐𝝅
Página 18 de 24
Donde:
𝜇 = Media
𝜎 = Desviación estándar
𝜋 = PI 3.14150
𝑒 = 2.71828
𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝑽𝒂𝒓(𝒙) = 𝝈𝟐
Para (Anderson, Dennis, & Thomas, 2008) da las siguientes observaciones importantes
acerca de las características de las distribuciones normales.
2. El punto más alto de una curva normal se encuentra sobre la media, la cual coincide
con la mediana y la moda.
3. La media de una distribución normal puede tener cualquier valor: negativo, positivo
o cero.
Página 19 de 24
(Anderson, Dennis, & Thomas, 2008)
Una variable aleatoria que tiene una distribución normal con una media cero y desviación
estándar de uno tiene una distribución normal estándar. Para designar esta variable aleatoria
normal se suele usar la letra 𝒛.Esta distribución tiene el mismo aspecto general que cualquier
otra distribución normal, pero tiene las propiedades especiales, 𝝁 = 𝟎 y 𝝈 = 𝟏
𝑿−𝝁
𝒛=
𝝈
DONDE:
𝑋 = Es el valor de cualquier observación y medición.
𝜇 = Es la media de la distribución.
𝜎 = Es la desviación estándar de la distribución.
Ejemplo
Para el tiempo empleado, en horas, en hacer un determinado producto sigue una distribución
(15, 3). Se pide la probabilidad de que ese producto se tarde en fabricar:
a) Menos de 10.5 horas
b) Entre 12 y 16.5 horas
Solución:
𝜇 = 15 𝜎 = 3
𝑋 → 𝑁(15,3)
a) Menos de 10.5 horas
𝑿−𝝁
= 𝒁 (Estandarizando)
𝝈
𝑋 − 𝜇 10.5 − 15
𝑃(𝑋 < 10.5) = 𝑃 [ < ]
𝜎 3
𝑋 − 𝜇 10.5 − 15
𝑃[ < ] = 𝑃[𝑍 < −1.5] = 𝑃[𝑍 > 1.5]
𝜎 3
Lo que nos indica que el 6.68% es la probabilidad que un producto se fabrique en menos de
10.5 horas
b) Entre 12 y 16.5 horas
Página 21 de 24
𝑿−𝝁
= 𝒁 (Estandarizando)
𝝈
Lo que nos indica que el 53.28% es la probabilidad que un producto se tarde en fabricarse
entre 12 y 16.5 horas.
𝒏𝒑 ≥ 𝟓 Y 𝒏(𝟏 − 𝒑) ≥ 𝟓
Cuando aproximamos una distribución binomial mediante una normal, se está convirtiendo
una variable discreta X, en una variable continua X’.
Página 22 de 24
En el siguiente esquema se muestran todas las posibles situaciones del cambio de las
variables:
Ejemplo
El 6% de los pantalones de una determinada marca salen con algún defecto. Se empaquetan
en caja de 100 pantalones para diferentes tiendas. ¿Cuál es la probabilidad de que en una caja
haya entre 7 y 11 pantalones defectuosos?
Solución:
Sea 𝑋: número de pantalones defectuosos en una caja.
Como podemos observar las condiciones para aproximar de una distribución discreta
binomial a una distribución continua normal:
Página 23 de 24
TRANSFORMACIÓN
Por lo cual la probabilidad de que en una caja haya entre 7 y 11 pantalones defectuosos es
del 40.66%.
Referencias
Anderson, D. R., Dennis, J. S., & Thomas, A. W. (2008). Estadística para Administración
y Economía (10 ed.). México, D.F: Cengage Learning.
Gómez Barrantes, M. (2016). Elementos de Estadistica Descriptiva. San José, Costarica:
EEUNED.
Lind, D., Marchal, W., & Wathen, S. (2012). Estadística aplicada a los negocios y la
economía (15 ed.). México: Mc Graw Hill.
Página 24 de 24