REPBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DE EDUCACIN Y DEPORTE I.U.

P SANTIAGO MARIO CARRERA (46) INGENIERA EN MANTENIMIENTO MECNICO MATERIA: ESTADSTICA I

Probabilidades
Facilitador: Efran Lpez Integrantes: Obel Villegas C.I: 23.701.189 Marcano Eddie C.I: 20.763.504

Barcelona, Enero 2013.

ndice
Introduccin _________________________________________________________________ 3 Concepto de Probabilidad ______________________________________________________ 4 Objetivos de las Probabilidades __________________________________________________ 4 El valor de la probabilidad ______________________________________________________ 4 Evento estadstico ____________________________________________________________ 4 Experimento Aleatorio _________________________________________________________ 5 El enfoque clsico _____________________________________________________________ 5 El enfoque de frecuencia relativa ________________________________________________ 6 El enfoque subjetivo___________________________________________________________ 6 Espacio muestral _____________________________________________________________ 6 Distribuciones de probabilidad __________________________________________________ 7 Clasificacin de las Distribuciones de Probabilidad ___________________________________ 7 Distribucin binomial __________________________________________________________ 7 Distribucin de probabilidad hipergeomtrica. ______________________________________ 8 Caractersticas de la distribucin hipergeomtrica ___________________________________ 9 Distribucin de probabilidad de poisson __________________________________________ 10 Distribucin de probabilidad normal _____________________________________________ 11 La aproximacin normal para la distribucin binomial y de poisson_____________________ 12 Distribucin T-Student ________________________________________________________ 13 La Distribucin chi-cuadrado ___________________________________________________ 14 Conclusin _________________________________________________________________ 16 Bibliografa _________________________________________________________________ 17

Introduccin

El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los matemticos de la corte. Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas. Actualmente se continu con el estudio de nuevas metodologas que permitan maximizar el uso de la computacin en el estudio de las probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos. En el campo de la ingeniera la probabilidad se usa para control de calidad, un ejemplo en el da a da es en la fiabilidad, muchos bienes de consumo, como los automviles y la electrnica de consumo, utilizan la teora de la fiabilidad en el diseo del producto para reducir la probabilidad de avera. La probabilidad de avera tambin est estrechamente relacionada con la garanta del producto. En el trabajo que se presenta a continuacin se define claramente este concepto, se define el trmino evento estadstico y espacio muestral con claros ejemplos, los cuales podra decirse que vemos a diario pero no los sabemos conceptualizar.

Concepto de Probabilidad Se define como clculo de probabilidad al conjunto de reglas que permiten determinar si un fenmeno ha de producirse, fundando la suposicin en el clculo, las estadsticas o la teora. La probabilidad es la medida cuantitativa por medio de la cual se obtiene la frecuencia de un suceso determinado mediante la realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. Objetivos de las Probabilidades El objetivo fundamental de la probabilidad, es la de mostrar al alumno la importancia y utilidad del Mtodo Estadstico en el mbito econmico-empresarial. Con tal fin, el alumno deber aprender a manejar los mtodos y tcnicas ms adecuadas para el correcto tratamiento y anlisis de la informacin proporcionada por los datos que genera la actividad econmica. Para ello se comienza afianzando los conocimientos que el alumno ya posee de Estadstica Descriptiva, adems de algunos conceptos nuevos relacionados con este tema. El valor de la probabilidad El valor ms pequeo que puede tener la probabilidad de ocurrencia de un evento es igual a 0, el cual indica que el evento es imposible, y el valor mayor es 1, que indica que el evento ciertamente ocurrir. Entonces si decimos que P(A) es la probabilidad de ocurrencia de un evento A y P (A) la probabilidad de no-ocurrencia de A, tenemos que:

0P(A) 1 P(A)+P (A)=1

Evento estadstico En estadstica, un evento es el resultado posible o un grupo de resultados posibles de un experimento y es la mnima unidad de anlisis para efectos de clculos probabilsticos los eventos se clasifican de la siguiente forma: Mutuamente excluyentes: aquellos que no pueden ocurrir al mismo tiempo. Ejemplo: cara o escudo. Independientes: Estos no se ven afectados por otros independientes. Ejemplo: el color del zapato y la probabilidad que llueva hoy. Dependientes: cuando un evento afecta a la probabilidad de ocurrencia de otro. Ejemplo: repaso, calificaciones. No excluyentes entre s: cuando la ocurrencia de uno de ellos no impide que ocurra el otro. Ejemplo: que una persona sea doctor que tenga 56 aos, ser estudiante y ya estar casado.

Experimento Aleatorio La definicin de Experimento Aleatorio viene a decir que, cuando no se puede predecir el resultado de un experimento antes de realizarlo se dice que es un experimento aleatorio. En los experimentos aleatorios se observa que cuando el nmero de experimentos aumenta, las frecuencias relativas con las que ocurre cierto suceso ,

( ).

( )= tiende a converger hacia cierta cantidad que denominamos probabilidad de e. , -= ( )

Un experimento se dice aleatorio si verifica las siguientes condiciones: Es posible conocer previamente todos los posibles resultados (espacio muestral) asociados al experimento. Es imposible predecir el resultado del mismo antes de realizarlo. Es posible repetirlo bajo las mismas condiciones iniciales un nmero ilimitado de veces. A cada realizacin de un experimento se le llama experiencia o prueba. El enfoque clsico Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia de A, y todos los resultados son igualmente posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo), entonces la probabilidad de que ocurra A es:

( )=

El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea igualmente posible. Este enfoque es llamado enfoque porque permite, (en caso de que pueda aplicarse) calcular el valor de probabilidad antes de observar cualquier evento de muestra. Ejemplo: El profesor de estadsticas para elegir el orden de los grupos en la exposicin coloco 8 papales escritos cada uno con un nmero del 1 al 8 sin repetir Cul es la posibilidad de sacar el nmero 8 para exponer de ltimo? =1 =7

( )=

1 = 0 125 12 5 1+7

El enfoque de frecuencia relativa Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la proporcin de veces que ocurre un evento favorable en un nmero de observaciones. En este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin de los valores de probabilidad se basa en la observacin y recopilacin de datos.

( )=

( )

Ejemplo: Supongamos que Torno CNC frabrica 1000 tuercas diarias, a travs de un seguimiento se ha observado que se presentan 75 piezas defectuosas Cul es la probabilidad de que E ocurra?

( )=

= 0.126 12.6%

El enfoque subjetivo Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de un individuo de que un evento ocurra, basado en toda la evidencia a su disposicin. Bajo esta premisa se puede decir que este enfoque es adecuado cuando solo hay una oportunidad de ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor de probabilidad bajo este enfoque es un juicio personal. Ejemplo: hay un 80% de que todas las cuchillas para maquinas - herramientas fabricadas sean vendidas. Espacio muestral Es el conjunto de todos los posibles resultados de una experiencia aleatoria, lo representaremos por (o bien por la letra griega ). Por espacio muestral (tambin conocido como espacio de muestreo) se entiende el grupo de todos los resultados especficos que se pueden obtener tras una experimentacin de carcter aleatorio. De acuerdo a la naturaleza de los elementos que conforman un espacio muestral, este se puede clasificar en: Discreto: Se dice que un espacio muestral es discreto si al enumerar sus elementos, estos nmeros pueden ponerse en una correspondencia uno a uno con el conjunto de los enteros positivos o cuando contiene un nmero contable de elementos. Continuo: Se dice que un espacio muestral es continuo si sus resultados consisten de todos los puntos de un intervalo de nmeros reales, o todos los puntos de un plano, o en general algn rectngulo en el espacio dimensional. 6

Ejemplo: Supngase que se analiza un cilindro de aire, para detectar la presencia de una molcula rara. Los resultados posibles de este experimento pueden resumirse simplemente como {Si} {No}, lo que depende de si el cilindro seleccionado contiene o no la molcula. Es as como en este ejemplo el espacio muestral solo contiene dos resultados posibles: =* +

Distribuciones de probabilidad Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento si ste se llevase a cabo. Es decir, describe la probabilidad de que un evento se realice en el futuro, lo implica que se puede disear un escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. Una distribucin de probabilidades es una lista de las probabilidades de todos los resultados posibles que pudiera resultar si el experimento se hace; es decir, es la suma de todas las funciones en las que interviene la variable aleatoria x bajo estudio. Clasificacin de las Distribuciones de Probabilidad Distribuciones Discretas: Se presentan cuando nuestra variable de estudio es discreta; esto es, solo puede asumir valores enteros, sin decimales. Eventos dependientes Distribucin Binomial Distribucin de Poisson Distribucin Hipergeomtrica

Eventos independientes

Distribuciones Continuas: Se presentan cuando nuestra variable de estudio es continua; esto es, puede asumir valores dentro de un intervalo de valores. Distribucin Normal Aproximacin Normal para la Distribucin Binomial Aproximacin Normal para la Distribucin de Poisson Distribucin binomial La distribucin Binomial es posiblemente la ms importante de las distribuciones discretas. Esta Distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las siguientes condiciones: El experimento consta de ensayos o pruebas idnticas. Los datos recopilados son el resultado de conteos. 7

Cada ensayo slo puede tener un resultado de dos posibles, que se llaman xito ( ) y fracaso ( ), los cuales son mutuamente excluyentes. La probabilidad de xito es constante de ensayo a ensayo, es decir, es invariable. La probabilidad de un fracaso es (1 - ) =

Los ensayos son estadsticamente independientes, esto es la ocurrencia de uno no afecta la ocurrencia del otro. Interesa conocer , el nmero de xitos observados en n pruebas.

Frmula:

fx = (
= =

Media: Varianza:

Desviacin Tpica: En donde:

( ) =Funcin de x de la distribucin binomial

( ) = Coeficiente binomial (anlisis combinatorio)

= Tamao de la muestra nmero de ensayos (pruebas) = Nmero de xitos observados (valor de variable) = Probabilidad de xito en cada ensayo = Probabilidad de fracaso que se obtiene por: 1Ejemplo: Una mquina fabrica una determinada pieza y se sabe que produce un 7 por 1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas slo haya una defectuosa. Sea Como = {Numero piezas defectuosas en las 50 seleccionadas}. = 50 y

= 0.007 entonces

Bin(50, 0,007). Por lo tanto,

P (X = 1)= ( )(0 007) (1

0 007)

=0.248

Distribucin de probabilidad hipergeomtrica. Cuando el muestreo se realiza sin reposicin para cada uno de los elementos que se toman de una poblacin finita de elementos, no se puede aplicar el proceso de Bernoulli debido a que existe un cambio sistemtico en la probabilidad de xitos al ir extrayendo elementos de la poblacin, en este caso la distribucin discreta de probabilidad apropiada resulta ser la distribucin hipergeomtrica. 8

Caractersticas de la distribucin hipergeomtrica Suponga que se obtiene una muestra de elementos de una poblacin y se determina si cada uno de ellos tiene o no una caracterstica determinada. Los datos obtenidos son de tipo acierto y falla como en el caso de la distribucin binomial. Si el nmero de elementos de la poblacin es grande en comparacin con el de la muestra, la probabilidad de seleccionar un elemento con una determinada caracterstica en un solo ensayo es igual a la proporcin de xito p de elementos con esa caracterstica en la poblacin. Dado que la poblacin es grande comparada con el tamao de la muestra, esta probabilidad permanecer constante (para propsitos prcticos) de ensayo a ensayo y el nmero de aciertos sigue una distribucin de probabilidad binomial. Sin embargo, si el nmero de elementos en la poblacin es pequeo en relacin con el tamao de la muestra, es decir:

(0 05)( + )

(0 05)( )

= Nmero de elementos de la poblacin finita considerados aciertos; = Nmero de elementos de la poblacin finita considerados fallos;

= N = Nmero de elementos de la poblacin finita;

La probabilidad de un acierto en un ensayo dado depende de los resultados precedentes. Entonces el nmero a de aciertos sigue lo que se conoce como una distribucin de probabilidad hipergeomtrica. Supngase que vamos a muestrear una poblacin finita sin reposicin en la que los elementos de la poblacin estn clasificados nicamente en dos clases: aciertos y fallos. Si estamos interesados en tomar una muestra aleatoria de n elementos, formado fracasos o fallos y nos interesa conocer la probabilidad de obtener entonces est dada por: Formula: xitos o aciertos y aciertos y ,

f(x)=
=

. /. ( )

Media: Varianza: Deviacin Estada:

= ( )

( = (

) )

Dnde:

f (x) = Funcin de probabilidad de x de la distribucin hipergeomtrica;

= Nmero de resultados exitosos en los N elementos = Tamao de la poblacion = Muestra xito = Tamao de la muestra;
() = Anlisis combinatorio. Ejemplo: De cada 2.000 tornillos fabricados por una determinada mquina hay 2 defectuosos. Para realizar el control de calidad se observan 150 tornillos y se rechaza el lote si el nmero de defectuosos es mayor que 1. Calcular la probabilidad de que el lote sea rechazado. Sea = de defectuosos de un total de ( = 2 = 150 = 2000). Se pide ( = 150 si en = 2.000 hay un total de = 2 HG 1) = 1 , ( = 0) + ( = 1)- =

=1
Bi(

( )( ( )

( )( ( )

]
por una binomial

Como los clculos son complicados, se va a aproximar la variable

= 15

= (

= 0 001) 1) = 1
0 001)

, ( = 0) + ( = 1)- =
150 + ( ) 0 001 (1 1 0 001) ] = 0 442

=1

150 [( ) 0 001 (1 0

Distribucin de probabilidad de poisson La distribucin recibe su nombre en honor de Simeon Poisson (1781-1840) quien la estudi y dio a conocer en 1837. El defini lo que ahora recibe el nombre de variable aleatoria de Poisson, como el nmero de acontecimientos raros de un evento especfico que ocurren en una unidad de tiempo o espacio especificado. Un proceso de Poisson es el acontecimiento de una serie de eventos de un tipo dado, en forma aleatoria, en un tiempo o espacio, tal que: El nmero de acontecimientos dentro de un tiempo o espacio especificado es igual a cualquier entero entre 0 e infinito; El nmero de acontecimientos dentro de una unidad de tiempo o espacio es independiente del de cualquier otra unidad (que no se traslape) La probabilidad de acontecimientos es la misma en todas esas unidades.

10

Frmula:

f(x) =
= = =

Media: Varianza:

Desviacin estndar: En donde:

( ) = Funcin de
tiempo determinado)

de la distribucin de probabilidad de Poisson

= Valor esperado (media aritmtica del nmero de ocurrencias (xitos) en un intervalo de = Nmero de acontecimientos por unidad de tiempo o espacio (valor de la variable) != Factorial de un nmero = 2.71828 (base de logaritmos naturales)
Ejemplo: supongamos que un fabricante de maquinaria pesada tiene instalados en el campo 3840 generadores de gran tamao. Si la probabilidad de que cualquiera de ellos falle durante el ao en curso es de 1/200, determinemos la probabilidad de que: 4 generadores fallen durante el ao en curso, ms de 1 generador falle durante el ao en curso. El promedio de motores que fallan en el ao en cuso es = Sea y = (3840) (1/1200)=3.2.

la variable que define el nmero de motores que pueden fallar en el ao, con valores (3840, 1/1200), pero dado que (3.2). Por tanto, es muy grande muy pequeo, podemos considerar que

= 0, 1, 2, 3,.., 3840. En principio,

P [X= 4] =
Por su parte,

=0.17809
3 2 3 20

P [X >1]=1-P [X=0,1]=1

3 2 3 20

=0.82880

Distribucin de probabilidad normal Esta distribucin de probabilidad fue descrita primeramente en 1753 por Abraham de Moivre (1667-1754), pero fue popularizada por Adolphe Quetelet (1796 - 1574) quien la utiliz para analizar el concepto de el hombre promedio, y por Carl Friedrich Gauss (1777-1855) que la us para describir errores de medicin en astronoma.

11

Si el tipo de variable aleatoria cuantitativa que se presenta es de naturaleza continua, es decir, que pueden tomar valores en todos los puntos de una escala y sin interrupciones entre valores posibles. Considrese las caractersticas medidas en unidades de dinero, tiempo, distancia o peso, etc., la distribucin que se va a utilizar es la llamada Distribucin de Probabilidad Normal. Frmula de la distribucin normal estndar

=
En donde:

= Puntuaciones estndar = Valor observado = Media poblacional de la distribucin

Desviacin estndar poblacional de la distribucin Ejemplo: La resistencia de una aleacin de aluminio se distribuye normalmente con media de 10 gigapascales (Gpa), desviacin estndar de 1.4 Gpa. Cul es la probabilidad de que una muestra de esta aleacin tenga resistencia mayor a 12 GPa. Determine el primer cuartil de la resistencia de esta aleacin. Determine el 95.Percentil de la resistencia de esta aleacin.

= 10

=1.4

=
El rea a la derecha de

=1.43

=1.43 es 10.9236=0.0764

La puntuacin de en el 25 percentil es -0.67 El 25 percentil es entonces 10-0.67 (1.4)=9.062 Gpa. La puntuacin de en el 95 percentil es 1.645 El 25 percentil es entonces 10+1.645(1.4)=12.303Gpa La aproximacin normal para la distribucin binomial y de poisson La distribucin normal de probabilidad da una aproximacin bastante buena a la distribucin binomial yn de Poisson cuando el nmero de ensayos es grande. Una regla prctica nos dice que podemos usar la aproximacin normal a la binomial y de Poisson cuando: Aproximacin normal para la distribucin binomial Aproximacin normal para la distribucin de Poisson

> 30 > 0.05 >5 >5

12

> 30 > 0.05 >5 >5

Puesto que la distribucin normal maneja variables continuas y la distribucin binomial y de Poisson variables discretas, se hace necesario corregir las variables discretas que manejan el modelo binomial y de Poisson y esto se logra restando o sumando al valor de la variable aleatoria discreta. Frmula de la aproximacin normal para la distribucin binomial y de poisson

=
En donde:

= Valor de la variable aleatoria discreta que se comporta de acuerdo al modelo binomial o

de Poisson.

= = La media poblacional de una distribucin binomial o de Poisson. = = La desviacin estndar poblacional de una distribucin binomial. = = La desviacin estndar poblacional de una distribucin de Poisson. = Valor de x en unidades de desviacin estndar ya corregida. =Factor de correccin por continuidad (F.C.C.)

Distribucin T-Student En probabilidad y estadstica, la distribucin (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. Surge, en la mayora de los estudios estadsticos prcticos, cuando la desviacin tpica de una poblacin se desconoce y debe ser estimada a partir de los datos de una muestra. Supngase que se toma una muestra de una poblacin normal con media y varianza
2

. Si

el promedio de las observaciones que contiene la muestra aleatoria, entonces la distribucin, es una distribucin normal estndar.

es

es desconocida. Qu sucede con la distribucin proporciona la respuesta a esta

Supngase que la varianza de la poblacin de esta estadstica si se reemplaza pregunta.

por ? La distribucin

13

La media y la varianza de la distribucin

, para >2, respectivamente. ( ) Ejemplo: Un ingeniero qumico afirma que el rendimiento medio de la poblacin de cierto proceso en lotes es 500 gramos por milmetro de materia prima. Para verificar esta afirmacin toma una muestra de 25 lotes cada mes. Si el valor de calculado cae entre 0.05 y 0.05, queda satisfecho con su afirmacin. Qu conclusin extraera de una muestra que tiene una media de 518 gramos por milmetro y una desviacin estndar de 40 gramos? Suponga que la distribucin de rendimientos es aproximadamente normal. De la tabla encontramos que 0.05 para 24 grados de libertad es de 1.711. Por tanto, el fabricante queda satisfecho con esta afirmacin si una muestra de 25 lotes rinde un valor entre 1.711 y 1.711. Se procede a calcular el valor de :

son

=0y

518 500 = 2 25 40 25

La Distribucin chi-cuadrado En realidad la distribucin ji-cuadrada es la distribucin muestral de . Osea que si se extraen todas las muestras posibles de una poblacin normal y a cada muestra se le calcula su varianza, se obtendr la distribucin muestral de varianzas. Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el estadstico muestra de tamao de una poblacin normal con varianza . Si se elige una , el estadstico:

1)

tiene una distribucin muestral que es una distribucin ji-cuadrada con gl= libertad y se denota dado por:

-1

grados de

( es la minscula de la letra griega ji). El estadstico ji-cuadrada est

=
donde es el tamao de la muestra, de donde se extrajo la muestra.

1)

la varianza muestral y

la varianza de la poblacin

14

Propiedades de las distribuciones ji-cuadrada Los valores de son mayores o iguales que 0. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1. Las distribuciones no son simtricas. Tienen colas estrechas que se extienden a la derecha; esto es, estn sesgadas a la derecha. Cuando >2, la media de una distribucin es -1 y la varianza es 2(n-1). El valor modal de una distribucin se da en el valor (n-3). . Note que el valor modal aparece en el valor

La siguiente figura ilustra tres distribuciones ( -3) = (gl-2).

Ejemplo: Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus destinos en una ciudad grande forman una distribucin normal con una desviacin estndar =1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la probabilidad de que la varianza muestral sea mayor que 2. Primero se encontrar el valor de ji-cuadrada correspondiente a =2 como sigue:

(17

1)(2) = 64 = 8 (1)

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de libertad y se encuentra que a este valor le corresponde un rea a la derecha de 0.01. En consecuencia, el valor de la probabilidad es P( >2).

15

Conclusin
Las distribuciones en la probabilidad, describen el comportamiento de fenmenos estadsticos es decir, es un listado de las probabilidades de todos los resultados posibles que podran presentarse si se efecta un experimento. Los datos que se introducen en las frmulas estn basados en la observacin y el recuento, bsicamente todo es en base a una poblacin ya conocida. En el campo de la ingeniera es una materia fundamental para el desarrollo, sobre todo en el campo de la fabricacin, ya sea de productos y piezas mecnicas. La estadstica se encarga de mostrarle al operario o al administrador de recursos, si su produccin es viable dado a la utilizacin de probabilidades. As por medio de tcnicas de control de calidad y mejora de los procesos de produccin se puede llevar a la funcionalidad perfecta.

16

Referencias Electrnicas

http://www.monografias.com/trabajos32/teoria-probabilidades/teoriaprobabilidades.shtml http://es.wikipedia.org/wiki/Probabilidad http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_207_49.html http://www.ditutor.com/probabilidad/espacio_muestral.html http://www.franciscojaviercruzariza.com/attachments/File/Distribuciones_de_Probabi lidad.pdf http://www.buenastareas.com/ensayos/Distribuci%C3%B3n-Binomial-De-Poisson-yNormal/2790704.html http://www.vitutor.com/pro/3/b_f.html http://es.wikipedia.org/wiki/Distribuci%C3%B3n_hipergeom%C3%A9trica http://es.wikipedia.org/wiki/Evento_estad%C3%ADstico http://marcylissetheliasvasquez.blogspot.com/2008/09/eventos.html http://experimentoaleatorio.wordpress.com/2009/06/20/hello-world/ http://es.wikibooks.org/wiki/Tablas_estad%C3%ADsticas/Distribuci%C3%B3n_chicuadrado http://www.bioestadistica.uma.es/libro/node48.htm http://www.vadenumeros.es/sociales/ejemplos-distribucion-binomial.htm http://www.itch.edu.mx/academic/industrial/estadistica1/toc.html

17