UNIVERSIDAD PRIVADA TELESUP

FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

III CICLO

Análisis Matemático II

“Uso de las integrales en el campo de las Probabilidades y

Estadísticas”

Alumnos:
Lima Capcha Antony
Orejon Arotoma Jhan
Caballero Llerena Jean

Ancón - 2018
 Dedicatoria

La vida se encuentra llena de retos, en el cual uno de ellos es la universidad. Tras

verme dentro de ella, me eh dado cuenta que más allá de ser un reto, es una base
no solo para mi entendimiento del campo en el que me eh visto inmerso, sino para
lo que concierne a la vida y mi futuro.

Le agradezco a mis padres y a mis profesores por sus esfuerzos en cada

momento, para el correcto desarrollo del presente trabajo de investigación.
 Agradecimiento

En primera instancia agradezco a mis formadores, personas con gran fuerza de

voluntad quienes se han esforzado por ayudarme constantemente para llegar al
punto en el que me encuentro.
 Índice
Carátula
Dedicatoria
Agradecimiento
I. INTRODUCCIÓN
1.1 Resumen
1.2 Objetivos
II. MARCO TEÓRICO
2.1 La integral
2.1.1 Indefinida
2.1.2 Definida
2.2 Probabilidad
2.2.1 Espacio muestral
2.2.2 Eventos o sucesos
2.2.3 Variable aleatoria
2.2.4 Variable aleatoria continua
2.3 Estadística
2.4 La etadistica en el ámbito de de la ciencia
2.4 Técnicas de poison
III. CONCLUSIÓN
IV. REFERENCIAS DE INFORMACIÓN
4.1 Bibliográficas
4.2 Electrónicas
4.3 Hemerográficas
V. ANEXOS
 Resumen

En el presente trabajo de investigación se presenta la investigación sobre el uso del

calculo integral en el tema de la estadistca y probabilidades en el cual se explica

de manera resumida las aplicaciones como propiedades utilizadas.

La Estadística, nace de las necesidades reales del hombre. La variada y cuantiosa

información relacionada con éste y que es necesaria para la toma de decisiones,

hace que la estadística sea hoy, una importante herramienta de trabajo.

Entre las tareas principales de la Estadística, está el de reunir la información

integrada por un conjunto de datos, con el propósito de obtener conclusiones válidas

del comportamiento de éstos, como también hacer una inferencia sobre

comportamientos futuros.

En conclusión, se busca dar a conocer esta información donde las matemáticas son

imprescindibles en el trascurso del camino de un ingeniero.

 Objetivos

- Informar sobre los usos y aplicaciones de las integrales en el campo de las

estadísticas y probabilidades.

- Comprender el uso de estos en el ámbito probabilístico.

- Fomentar el uso de estos métodos de análisis.

 II. Marco teórico

2.1 La integral

Proceso que permite restituir una función que ha sido previamente derivada. Es

decir, la operación opuesta de la derivada, así como la suma es a la resta. Por

conveniencia se introduce una notación para la anti derivada de una función. (CDI)

2.1.1 Indefinida

“Una función 𝐹(𝑥)cuya derivada , es un cierto intervalo del eje 𝑥, 𝐹´(𝑥) =

𝐹(𝑥), decimos que 𝐹(𝑥) es la primitiva o integral indefinida de 𝑓(𝑥). La

integración indefinida de una función no es única; por ejemplo: 𝑥 2 , 𝑥 2 + 5,

𝑥 2 − 4 son las primitivas o integrales indefinidas de 𝑓(𝑥) = 2𝑥 están

representadas por la expresión 𝑥 2 + 𝐶, en la que 𝐶 es una constante

cualquiera y que denomina 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛. La primitiva o integral

definida de la función 𝑓(𝑥) se representa por medio del símbolo ∫ 𝑓(𝑥)𝑑𝑥. Por

ejemplo: ∫ 2𝑥𝑑𝑥 = 𝑥 2 + 𝐶.”(Ayres Frank, 1989, p.129).

Para el correcto desarrollo de la integración de funciones es aconsejable la

aplicación de fórmulas fundamentales. (Ayres Frank, 1989).

Las integrales indefinidas se pueden diversificar en:

- Integración por partes donde la función 𝑢 y 𝑣 sean funciones derivables de 𝑥

en estas condiciones, 𝑑(𝑢𝑣) = 𝑢 𝑑𝑣 + 𝑣 𝑑𝑢

𝑢 𝑑𝑣 = 𝑑(𝑢𝑣) − 𝑣 𝑑𝑢
 ∫ 𝑢 𝑑𝑣 = 𝑢𝑣 − ∫ 𝑣 𝑑𝑢

“Para aplicar en la práctica, se separa el integrando en dos partes; una de

ellas se iguala a 𝑢 y la otra, junto con 𝑑𝑥, a 𝑑𝑣. (Por esta razón el método se

denomina 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖𝑜𝑛 𝑝𝑜𝑟 𝑝𝑎𝑟𝑡𝑒𝑠.) (Ayres Frank, 1989, p.138).

- Según Ayres Frank, 1989, Integrales trigonométricas, las entidades que se

utilizan en la resolución de las integrales trigonométricas de este capítulo son

las siguientes:
1
1. 𝑠𝑒𝑛2 𝑥 + 𝑐𝑜𝑠 2 𝑥 = 1 7. 𝑠𝑒𝑛𝑥 𝑐𝑜𝑠𝑥 = 2 [𝑠𝑒𝑛(𝑥 − 𝑦) + 𝑠𝑒𝑛(𝑥 + 𝑦)]

1
2. 1 + 𝑡𝑎𝑔2 𝑥 = 𝑠𝑒𝑐 2 𝑥 8. 𝑠𝑒𝑛𝑥 𝑠𝑒𝑛𝑦 = 2 [𝑐𝑜𝑠(𝑥 − 𝑦) − 𝑐𝑜𝑠(𝑥 + 𝑦)]

1
3. 1 + 𝑐𝑡𝑔2 𝑥 = 𝑐𝑠𝑐 2 𝑥 9. 𝑐𝑜𝑠𝑥 𝑐𝑜𝑠𝑥 = 2 [𝑐𝑜𝑠(𝑥 − 𝑦) + 𝑐𝑜𝑠(𝑥 + 𝑦)]

1 1
4. 𝑠𝑒𝑛2 𝑥 = (1 − 𝑐𝑜𝑠2𝑥) 10. 1 − 𝑐𝑜𝑠𝑥 = 2𝑠𝑒𝑛2 𝑥
2 2

1 1
5. 𝑐𝑜𝑠 2 𝑥 = 2 (1 + 𝑐𝑜𝑠2𝑥) 11. 1 + 𝑐𝑜𝑠𝑥 = 2𝑐𝑜𝑠 2 2 𝑥

1 1
6. 𝑠𝑒𝑛𝑥 𝑐𝑜𝑠𝑥 = 2 𝑠𝑒𝑛2𝑥 12. 1 ± 𝑠𝑒𝑛𝑥 = 1 ± cos(2 𝜋 − 𝑥)

Ejemplos:

1 1 1
1. ∫ 𝑠𝑒𝑛2 𝑥𝑑𝑥 = ∫ 2 (1 − 𝑐𝑜𝑠2𝑥)𝑑𝑥 = 2 𝑥 − 4 𝑠𝑒𝑛2𝑥 + 𝐶

1 1 1
2. ∫ 𝑐𝑜𝑠 2 3𝑥𝑑𝑥 = ∫ 2 (1 + 𝑐𝑜𝑠6𝑥)𝑑𝑥 = 2 𝑥 − 12 𝑠𝑒𝑛6𝑥 + 𝐶

1
3. ∫ 𝑠𝑒𝑛3 𝑥𝑑𝑥 = ∫ 𝑠𝑒𝑛2 𝑥 𝑠𝑒𝑛𝑥𝑑𝑥 = ∫(1 − 𝑐𝑜𝑠 2 𝑥)𝑠𝑒𝑛𝑥𝑑𝑥 = −𝑐𝑜𝑠𝑥 + 3 𝑐𝑜𝑠 2 𝑥 + 𝐶
2.1.2 Definida

(Ecured) La integral definida de 𝑓(𝑥) en el intervalo [𝑎; 𝑏] es igual al área limitada

entre la gráfica de 𝑓(𝑥), el eje de abscisas, y las rectas verticales 𝑥 = 𝑎 y 𝑥 = 𝑏 (bajo

la hipótesis de que la función 𝑓 es positiva). Esta integral se representa por:

𝑏
∫ 𝑓(𝑥)𝑑𝑥
𝑎

𝑎 es límite inferior de la integración y b es límite superior de la integración. Si la

función 𝐹 es una función primitiva de 𝑓 en el intervalo [𝑎; 𝑏], por la Regla de Barrow

se tiene que:

𝑏
∫ 𝑓(𝑥)𝑑𝑥 = 𝐹(𝑏) − 𝐹(𝑎)
𝑎

Propiedades

1. El valor de la integral definida cambia de signo si se permutan los límites de

integración.

𝑏 𝑎
∫ 𝑓(𝑥)𝑑𝑥 = − ∫ 𝑓(𝑥)𝑑𝑥
𝑎 𝑏

2. Si los límites que integración coinciden, la integral definida vale cero.

𝑎
∫ 𝑓(𝑥)𝑑𝑥 = 0
𝑎

3. Si 𝑐, es un punto interior del intervalo [𝑎; 𝑏], la integral definida se descompone

como una suma de dos integrales extendidas a los intervalos [𝑎; 𝑐], y [𝑐; 𝑏],.
 𝑏 𝑐 𝑏
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)𝑑𝑥
𝑎 𝑎 𝑐

4. La integral definida de una suma de funciones es igual a la suma de integrales.

∫[ 𝑓(𝑥) + 𝑔(𝑥)]𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑔(𝑥)𝑑𝑥

5. La integral del producto de una constante por una función es igual a la constante

por la integral de la función.

𝑏 𝑏
∫ 𝑘. 𝑓(𝑥)𝑑𝑥 = 𝑘 ∫ 𝑓(𝑥)𝑑𝑥
𝑎 𝑎

Ejemplo: sea 𝑓(𝑥) = 𝑥 2 − 3𝑥 + 2

Integrando:

2
2𝑥 3 3𝑥 2 2 16 12 10
∫ (𝑥 2 − 3𝑥 + 2)𝑑𝑥 = [ − + 2𝑥] = ( − + 4) − (0 − 0 + 0) =
0 3 2 0 3 2 3

2.2 Probabilidad

“El concepto central y fundamental de la teoría de probabilidades y también

la estadística matemática. Aquí caracterizamos al concepto de

probabilidades mediante axiomas, de acuerdo con un procedimiento usual

hoy en día en la matemática moderna. Para la formación del sistema de

 axiomas partiremos de las propiedades comunes de la frecuencia relativa y

del asi llamado concepto clásico de probabilidad se basa en la –en realidad

no universalmente aplicable- definición clásica de probabilidad, que en

realidad no es universalmente aplicable, y según la cual la probabilidad de

un suceso aleatorio es igual al cociente del número de resultados del

experimento “convenientes” para el suceso observado, entre número total de

posibles resultados; en una relación semejante se dice que un resultado del

experimento es conveniente para un suceso, cuando esta implica la

ocurrencia del suceso considerado.”(Maibaum Gert, 1987, p26)

2.2.1 Espacio muestral

“El conjunto de todos los resultados posibles de un experimento estadístico

se le llama espacio muestral y se representa con el símbolo S. Cada

resultado en un espacio se le llama elemento o miembro del espacio

muestral, o simplemente punto muestral. Si el espacio muestral tiene un

numero finito de elementos, podemos listar los miembros separados por

comas y encerrarlos en paréntesis. De esta forma el espacio muestral S, de

los resultados posibles cuando se lanza al aire una moneda, se puede

escribir 𝑆 = [𝐻, 𝑇], donde 𝐻 y 𝑇 corresponden a “caras” y “cruces”,

respectivamente.”(Myers Raymond et al, 1998, p 11)

Por ejemplo, se considera el experimento de lanzar un dado. Si nos

interesamos en el número que muestra en la cara superior, el espacio muestral seria

𝑆1 = {1,2,3,4,5,6}
 Si nos interesamos solo en si el número es par o es impar, el espacio

muestral es simplemente

𝑆2 = {𝑝𝑎𝑟, 𝑖𝑚𝑝𝑎𝑟}

“El ejemplo ilustra que el hecho de que se puede usar más de un

espacio muestral para describir los resultados de un experimento. En

este caso 𝑆1 proporciona más información que 𝑆2 : no obstante, el

conocimiento de lo que pasa en 𝑆2 no es de ayuda en la determinación

de cual elemento en 𝑆1 ocurre. En general se desea utilizar un espacio

muestral que de la mayor información acerca de los resultados del

experimento.” (Myers Raymond et al, 1998, p 11)

2.2.2 Eventos o sucesos

“Es un subconjunto de un espacio muestral(…)(…) el complemento de un evento 𝐴

con respceto a 𝑆 es el subconjunto de todos los elementos de 𝑆 que no están en 𝐴.

Denotamos el complemento de 𝐴 mediante el símbolo 𝐴´ .” (Myers Raymond et al,

1998, p. 14)

Un ejemplo muy notable es cuando se considera el espacio muestral como

𝑠 = {𝑙𝑖𝑏𝑟𝑜, 𝑐𝑎𝑡𝑎𝑙𝑖𝑧𝑎𝑑𝑜𝑟, 𝑐𝑖𝑔𝑎𝑟𝑟𝑖𝑙𝑙𝑜, 𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑑𝑜, 𝑖𝑛𝑔𝑒𝑛𝑖𝑒𝑟𝑜, 𝑟𝑒𝑚𝑎𝑐ℎ𝑒}

Sea 𝐴 = {𝑐𝑎𝑡𝑎𝑙𝑖𝑧𝑎𝑑𝑜𝑟, 𝑟𝑒𝑚𝑎𝑐ℎ𝑒, 𝑙𝑖𝑏𝑟𝑜, 𝑐𝑖𝑔𝑎𝑟𝑟𝑖𝑙𝑙𝑜} . Entonces

𝐴´ = {𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑑𝑜, 𝑖𝑛𝑔𝑒𝑛𝑖𝑒𝑟𝑜}.

Myers Raymond et al,1998. Considera ciertas operaciones con

eventos que tendrán como resultado la formación de nuevo eventos. Estos

 eventos nuevos serán subconjuntos del mismo espacio muestral como los

eventos dados. Supongo que 𝐴 y 𝐵 son dos eventos asociados con un

experimento. En otras palabras, 𝐴 y 𝐵 son subconjuntos del mismo espacio

muestral 𝑆. Por ejemplo en el lanzamiento de un dado podemos hacer que 𝐴

sea el evento de que ocurra un numero par y 𝐵 el evento de que aparezca

un número mayor que 3. Entonces los subconjuntos 𝐴 = {2,4,6} y 𝐵 = {4,5,6}

son subconjuntos del mismo espacio muestral

𝑆 = {1,2,3,4,5,6}

Nótese que 𝐴 y 𝐵 ocurrirán en un lanzamiento dado si el resultado es

un elemento del subconjunto {4,6}, que es precisamente la intersección de 𝐴

y 𝐵.

2.2.3 Variable aleatoria

“Sea 𝑆 un espacio muestral sobre el que se encuentra definida una función

de probabilidad. Sea 𝑋 una función de valor real definida sobre 𝑆, de manera

que transforme os resultados de 𝑆 en puntos sobre la recta de los reales. Se

dice entonces que 𝑋 es una variable aleatoria. Se dice que 𝑋 es “aleatoria”

porque involucra la probabilidad de los resultados del espacio muestral, y 𝑋

es una función definida sobre el espacio muestral, de manera que transforma

todos los posibles resultados del espacio muestral en cantidades

numéricas.”(Canavos George, 1998, p 52)

“Para ilustrar la noción de variable aleatoria, considérese el

lanzamiento de una moneda. El espacio muestral esta constituido por dos

 resultados, “cara” y “cruz”. Sea 𝑋(𝑐𝑟𝑢𝑧) = 0 y 𝑋(𝑐𝑎𝑟𝑎) = 1; de esta manera

se han transformado los dos posibles resultados del espacio muestral en

puntos sobre la recta de los reales. Por 𝑃(𝑋 = 0) se entenderá la probabilidad

de que la variable aleatoria tome el valor 0, de manera equivalente, la

probabilidad de que caiga cruz cuando se lance la moneda. Como ejemplo

adicional, considérese el lanzamiento de dos dados indistinguibles y los 36

posibles resultados. Se define como variable 𝑋 a la suma de los valores de

las dos caras de los dados.” (Canavos George, 1998, p 52-53)

2.2.4 Variable aleatoria continua

(Maibaum Gert, 1988) Una variable 𝑋 se llama continua, si existe una función 𝑓𝑥 no

negativa definida sobre el conjunto R de los números reales, al menos continua a

trozos, de modo que

𝑏
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎

para todos los números reales 𝑎 y 𝑏 con 𝑎 ≤ 𝑏

Desde el punto de vista del cálculo de las probabilidades, podemos entender

que una variable continua 𝑋 esta dada cuando conocemos la función 𝑓𝑥 . La función
𝑓𝑥 se llama densidad de probabilidad (también: densidad de distribución, densidad

o función de densidad) de la variable aleatoria 𝑋. El teorema siguiente muestra que

mediante la función de densidad está fijada realmente la función de distribución de

la variable aleatoria considerada.

Teorema 1. Sea 𝑋 una variable aleatoria continua con la función de densidad

𝑓𝑥 entonces se cumplen las proposiciones siguientes:

00
1. 𝑓𝑥 (𝑥) ≥ para todo 𝑥𝜖𝑅, ∫−00 𝑓𝑥 (𝑥)𝑑𝑥 = 1

𝑥
2. 𝐹𝑥 (𝑥) = ∫−00 𝑓𝑥 (𝑡)𝑑𝑡

3. La función de distribución 𝐹𝑥 es una función continua, que es diferenciable en

todos los puntos de continuidad de 𝑓𝑥 cumpliéndose 𝐹𝑥 (𝑥) = 𝑓𝑥 (𝑥),

Tomamos como ejemplo esto consideramos la función dada por

2 2 𝑎+𝑏
𝑓(𝑥) = {𝑏−𝑎 (1 − 𝑏−𝑎 |𝑥 − |) para 𝑎 ≤ 𝑥 ≤ 𝑏,
2
0

para los demás.

 00
Esta función es no negativa y se cumple que ∫−00 𝑓𝑥 (𝑥)𝑑𝑥 = 1. Si una variable

aleatoria continua 𝑋 posee una función 𝑓 como una función de densidad (𝑓𝑥 = 𝑓),

entonces se cumple que, por ejemplo,

𝑎+𝑏 𝑎+𝑏 1
𝑃(𝑋 ≤ 𝑎) = 0, 𝑃 (𝑎 ≤ 𝑋 ≤ ) = 𝑃( ≤ 𝑋 ≤) = ,
2 2 2

𝑃(𝑋 ≥ 𝑏) = 1

Para la función de distribución 𝐹 correspondiente a esta variable aleatoria se

obtiene que

0 𝑝𝑎𝑟𝑎 𝑥 ≤ 𝑎,
𝑥−𝑎 2 𝑎+𝑏
𝑥 2( ) 𝑝𝑎𝑟𝑎 𝑎 ≤ 2 ,
𝑏−𝑎
𝐹(𝑥) = 𝑃(𝑋 < 𝑥) = ∫ 𝑓(𝑡)𝑑𝑡 =
−00 𝑏−𝑥 2 𝑎+𝑏
1 − 2( ) 𝑝𝑎𝑟𝑎 2 ≤ 𝑥 ≤ 𝑏,
𝑏−𝑎
{ 1 𝑝𝑎𝑟𝑎 𝑥 ≥ 𝑏.

La distribución de probabilidad caracterizada por la densidad de probabilidad

𝑓 o la función distribución 𝐹 , se denomina distribución triangular.

(Myers Raymond et al, 1998) Ejemplo suponga que el error en la temperatura de

reacción, en °C, para un experimento de laboratorio controlado es una variable

aleatoria continua X que tiene la función de densidad de probabilidad

𝑥2 , −1<𝑥 <2
𝑓(𝑥) = {
0, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

a) Verifique la condición 2 de la definición.

b) Encuentre 𝑃(0 < 𝑋 ≤ 1)

Solución

00 2
𝑥2 𝑥2 2 8 1
𝑎) ∫ 𝑓𝑥 (𝑥)𝑑𝑥 = ∫ (𝑥)𝑑𝑥 = | = + =1
−00 −1 3 3 −1 9 9

1
𝑥2 𝑥3 1 1
𝑏)𝑃(0 < 𝑋 ≤ 1) = ∫ 𝑑𝑥 = | =
0 3 9 0 9
2.3 Estadística

“Es el conjunto de métodos y procedimientos que implican recopilación,

presentación, ordenación y análisis de datos, con el fin que a partir de ellos

puedan inferirse conclusiones.

Pueden distinguirse dos ramas diferentes en Estadística:

- Estadística Descriptiva, la cual es la que se utiliza en la descripción y

análisis de conjuntos de datos o población.

- Estadística Inferencial, la cual hace posible la estimación de una

característica de una población, o la toma de decisión con respecto a una

población, con base únicamente en resultados muestrales.”(Estuardo Aaron,

2012, p. 4)

Probablemente el más común de los signicados conocidos de la

palabra sea el segundo, y por ello solemos ver en los medios de

comunicación que cualquier recopilación de cifras referentes a algún asunto

es llamado (de forma muy reduccionista) estadística o estadísticas. Sin

embargo, el valor real de la Estadística como ciencia tiene que ver mucho

más con la primera y la tercera acepción del DRAE. Concretamente, el

primero de los significados se corresponde con lo que vamos a estudiar como

Estadística Descriptiva, donde la Estadística se utiliza para resumir, describir

y explorar datos, y el tercero con lo que denominaremos Inferencia

Estadística, donde lo que se pretende mediante la Estadística

2.4 La estadística en el ámbito de la ciencia

El papel de la Estadística en la Ciencia y la Ingeniería hoy en día es crucial,

fundamentalmente porque al analizar datos recopilados en experimentos de

cualquier tipo, se observa en la mayoría de las ocasiones que dichos datos están

sujetos a algún tipo de incertidumbre. El investigador o el profesional debe tomar

decisiones respecto de su objeto de análisis basándose en esos datos, para lo cual

debe dotarse de herramientas adecuadas. A continuación, vamos a describir una

serie de problemas prácticos en los que se plantean situaciones de este tipo. Vamos

a ponerle un nombre específico porque iremos mencionándolos a lo largo del curso,

conforme seamos capaces de responder a las cuestiones que cada uno de ellos

dejan abiertas.
CONCLUSIÓN
- Se informó sobre los usos y aplicaciones de las integrales en el campo de las

estadísticas y probabilidades.

- Se comprendió el uso de estos en el ámbito probabilístico.

- Se fomentó el uso de estos métodos de análisis.

 I. REFERENCIAS DE INFORMACIÓN

4.1 Bibliográficas

- Ayres, Frank. 1989. Calculo Diferencial e Integral: Teoría y problemas resueltos.

Madrid: Artes Gráficas EMA.

- Canavos George C. 1998. Probabilidades y Estadística: Aplicaciones y Métodos.

México: Programas educativos S.A.

- Estuardo Morales, Aarón. 2012. Probabilidades y Estadística. Chile.

- Maibaum Gert. 1988. Teoría de Probabilidades y Estadística Matemática. Berlín:

Editorial Deustscher Verlag der Wissenschaften.

- Myers Ronal E; Myers Raymond H. y Myers Sharon L. 1999. Probabilidad y

Estadística para Ingenieros. 6ta ed. México: Prentice-Hall

Hispanoamericana, S.A.

4.2 Hemerograficas

4.3 Electrónicas

- CDI.ver_ Calculo de Integrales. Concepto de Integral. http://www.calculoin

tegrales.com/p/concepto-de-integral.html (consultado el 27/06/18).

- Ecured.ver_Integral definida. Definición y propiedades. https://www.ecured.cu/I

ntegral_definida (consultado el 27/06/18).