Y


Y
 
Y
   

Y
Y
Y
Y
Y
Y 
YY  YY
 
 Y
Y
Y
Y
Y
 Y


Y
 Y 
YY !Y
"
Y

Y#

Y
"

Y$

Y$
 %
Y
" Y %%

Y !Y
Y
&Y
'Y( Y)
*Y
+%

YY%
Y
Y%Y
 %Y
Y
Y
Y
Y
+,#Y"
%Y$ 'Y
*
YY
Y
Y
Y
Y
$Y--Y
UNIDAD 4. MUESTREO Y ESTIMACIONES

4.1 Definición de muestreo

Es un procedimiento empleado para obtener una o más muestras de una

población. Por ejemplo: religión y sexo de los estudiantes de educación del núcleo
San Carlos de la UNESR.

Muestra: Es la parte de la población a estudiar que sirve para representarla.

4.1.1 Tipos de muestreo aleatorio, sistematizado, estratificado y

conglomerados

Muestreo aleatorio simple

Para población finita: Una muestra seleccionada de tal manera que cada muestra
posible de tamaño á tiene la misma probabilidad de ser seleccionada.

Para población infinita: Una muestra seleccionada de tal manera que cada
elemento proviene de la misma población y los elementos sucesivos se
seleccionan en forma independiente.

EJEMPLO

Un muestreo aleatorio de todos los profesores de secundaria de California puede

resultar en la selección (altamente improbable, por cierto) de 20 profesoras de
francés. De hecho, nunca se puede tener la seguridad de que tal muestreo sea
representativo o no de la población y lo único que se puede afirmar es que, bajo
todo aspecto, es
  á 
á de ella.

Una característica mas importante del muestreo al azar es que puede

determinarse el tipo de ³no representatividad´ que, a la larga, cabe esperar de
numerosos muestreos similares, cosa que no es posible con otros tipos de
selección.

Muestreo aleatorio simple estratificado

Método para seleccionar una muestra en el que primero se divide a la población

en estratos y a continuación se toma una muestra aleatoria simple de cada
estrato.

EJEMPLO

Una base de formación de los estratos puede ser por departamentos, ubicación,
edad, giro industrial, etc., queda a discreción de quien diseña la muestra, sin
embargo los mejores resultados se obtienen cuando los elementos dentro de cada
estrato son tan semejantes como sea posible.
Después de formar los estratos se toma una muestra aleatoria simple de cada
uno. Se dispone de formulas para combinar los resultados para la muestra de
estrato individual en un estimado del parámetro poblacional de interés. El valor del
muestreo aleatorio estratificado depende de cuán homogéneos sean los
elementos dentro de los estratos. Si son similares, los estratos tendrán bajas
varianzas. Si los estratos son homogéneos, el procedimiento de muestreo
aleatorio estratificado producirá resultados tan precisos como el muestreo
aleatorio simple, pero con menor tamaño total de muestra.

Muestreo sistemático

Método para elegir una muestra seleccionando al a los primeros X elementos y a

continuación cada X

 elemento.

EJEMPLO

Si se desea una muestra de tamaño de 50 de una población con 5,000 elementos,

podríamos muestrear un elemento de cada 5,000/50 = 100 en la población. Una
muestra sistemática en este caso implica seleccionar al azar uno de los primeros
100 elementos de la lista de la población. Se identifican los demás elementos de la
muestra comenzando por el primero obtenido al azar y a continuación
seleccionando cada 100 . elementos. En efecto, se identifica la muestra de 50
recorriendo la población en forma sistemática, e identificando cada 100 .
elemento después del primero que se selecciono al azar.

Muestreo por conglomerados

Método probabilístico de muestreo en el cual primero se divide la población en

conglomerados y después se selecciona uno o mas conglomerados para
muestrearlos.
EJEMPLO

Cuando se realiza el muestreo de áreas, en los que los conglomerados son

manzanas urbanas, u otras áreas, bien definida. Por lo general, el muestreo de
conglomerados requiere un tamaño de muestra total mayor que el muestreo
aleatorio simple o el muestreo aleatorio estratificado. Sin embargo, puede originar
ahorros porque cuando se manda a un entrevistador a aplicar un cuestionario a un
conglomerado muestreado (por ejemplo, una manzana urbana), se puede obtener
muchas observaciones muéstrales en un tiempo relativamente corto. En
consecuencia, se puede obtener un mayor tamaño de muestra con un costo
bastante menor por elemento, y por ende, probablemente un costo total menor.

4.2 Concepto de distribución de muestreo de la media

Una distribución muestral de medias o una distribución en el muestreo de la media

se define como el conjunto de todas las medias que se pueden calcular en todas
las muestras posibles que se pueden extraer, con o sin reemplazo, de una
determinada población. Para detectar las relaciones a que nos hemos referido,
partiremos de un ejemplo con una población pequeña.

4.2.1 Distribución muestral de la diferencia entre dos medias

Estadístico de la prueba de la diferencia entre dos medias con muestras grandes.

Formula:

 
 
ù
 
  
 
EJEMPLO 1:

En un estudio de una tienda de departamentos diseñado para probar el saldo

promedio en las cuentas de 30 días es el mismo en sus dos sucursales


  
 
       
suburbanas, muestras tomadas al azar arrojaron los siguientes resultados:

  

 
 
ù
 
  
 

   
ù   
   
 

 

Y como este valor es menor que -1.96, se deduce que la diferencia observada de
$7.21 entre los saldos promedio de las dos sucursales es significativa. El valor de
z= -2.53 es de 0.0057.

Estadístico de la prueba de muestra pequeña.

Formula:

 
 
 

 
  
 
  
  
     

EJEMPLO 2:

Las siguientes son mediciones de la capacidad de producción (en millones de

calorías por tonelada) de muestras aleatorias ejemplares cada una de carbón
proviene de dos minas:

Mina 1: 8380 8210 8360 7840 7910

Mina 2: 7540 7720 7750 8100 7690

Utilice un nivel de significación de 0.05 para probar si es importante la diferencia

Las medias de las muestras son



  y para calcular ³t´ de
entre las medias de estas dos muestras.

acuerdo a la formula anterior, primero se determina.

 z
 
   

 
  !  
 


z
 
        !   

Y

Ahora bien, al sustituir estas sumas junto con    


 
 
 en la fórmula de ³t´, se obtiene:

  
  

    
   

4.3 Teorema del límite central

  Entonces, si  es suficientemente grande,
tiene aproximadamente una

Sea X1, X2,..., Ö una muestra aleatoria de una distribución con media
y varianza

distribución normal con,

  " $# y T tiene también aproximadamente

una distribución normal con 
  %
 

 %   . Cuanto mas grande sea el
valor de n, mejor será la aproximación.

El Teorema del Límite Central garantiza una distribución normal cuando n es

suficientemente grande.
Si n > 30, se puede usar el Teorema de Limite Central.
Si la distribución madre es normal, la distribución de la media muestral también es

& '
   () & 
   

normal, independientemente del tamaño.

Ejemplo 1:
Si se sabe que la dureza Rockwell de pernos de cierto tipo tiene un valor medio de
50 y desviación estándar de 1,5.

a) Si la distribución es normal, ¿cuál es la probabilidad de que la dureza muestral

media para una muestra aleatoria de 9 pernos sea por lo menos 52?

b) ¿Cuál es la probabilidad (aproximada) de que la dureza muestral media para

una muestra aleatoria de 40 pernos sea al menos 52?
x = 50
ı = 1,5
x § N(50; 1,5)
a)
n=9
x = 52

z =

**+
x § N(50; 1,5.¥9)

La probabilidad de que la media muestral sea superior a 52 es:

P(x • 52) =

 
  
, -  . /. 0 (12 /  

+ +!

Con el valor de z obtenido de y tablas:

P(x1 ” x ” x2) =

 

,ù . 3  3 ù (14  3 4 3 4  54
+

Tener en cuenta que los valores para:

ĭ (z) = P (z ” z1)
b)
n = 40

Con el valor de z obtenido de tablas:

P(x • 52) =

 
  
, -  . /. 0 (12 /
 Y

+ +

EJEMPLO 2:

En una asignatura del colegio la probabilidad de que te saquen a la pizarra en

cada clase es del 10%. A lo largo del año tienes 100 clases de esa asignatura.
¿Cuál es la probabilidad de tener que salir a la pizarra más de 15 veces? Se
vuelve a aplicar el Teorema Central del Límite.
Salir a la pizarra es una variable independiente que sigue el modelo de distribución
de Bernoulli:
Salir a la pizarra, le damos el valor 1 y tiene una probabilidad del 0,10
No salir a la pizarra, le damos el valor 0 y tiene una probabilidad del 0,9
La media y la varianza de cada variable independiente es:

  % ! !

Por tanto, la suma de las 100 variables se distribuye según una normal cuya
media y varianza son:

Media: n * m = 100 * 0,10 = 10

Varianza: n * s2 = 100 * 0,09 = 9

Para calcular la probabilidad de salir a la pizarra más de 15 veces, calculamos el

valor equivalente de la variable normal tipificada:

6 
789
:9

Luego:

,; <  ,6 <   ! 

Es decir, la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo

del curso es tan sólo del 4,75%.

4.4 Determinación del tamaño de la muestra de una población

El tamaño de la muestra para un diseño de encuesta basado en una muestra

aleatoria simple, puede calcularse mediante la siguiente fórmula:

ù  =>
  
?
Donde:
n= Tamaño de la muestra,
z= 1.96 para el 95% de confianza, 2.56 para el 99%
p= Frecuencia esperada del factor a estudiar
q= 1- p
B= Precisión o error admitido
El valor de n obtenido por esta fórmula indica el tamaño de la muestra para una
población infinita, a efectos prácticos se considera población infinita cuando la
muestra supone menos del 5% de la población total.
EJEMPLO 1:

Supongamos que se desea realizar una encuesta sobre la brucelosis ovina. Se

estima una prevalencia del 15% y se requiere un 5% de precisión sobre una
población de 2.000.000 de cabezas. El nivel de confianza se fija en el 95%.


Formula:

ù  =>
   
?

Datos:

Z= 1.96, p=0.15, q=0.85, B=0.05

!     

  

 
!

  !
 

@ !ABCADEFFEDEGGBHAIHF

EJEMPLO 2:

En un proyecto realizado en una determinada comunidad se ha calculado que

cerca del 30% (0,3) de los niños de la zona del proyecto padecen de malnutrición
crónica. Este dato se basa en estadísticas nacionales sobre malnutrición en las
zonas rurales. Si el nivel de confianza se fija en el 95%.


Formula:

ù  =>
   
?

Datos:
Z= 1.96, p=0.30, q=0.70, B=0.05

!    
  



  
 

@ BJHFFEDEGGBHAIHF
4.5 Intervalos de confianza para la media, con el uso de la distribución
Normal y la ³t´ student

Distribución normal

EJEMPLO 1:

Se encuentra que la concentración promedio de zinc que se saca del agua a partir
de la muestra de mediciones de zinc en 36 sitios diferentes es de 2.6 gramos por
mililitro. Encuentre el intervalo de confianza de 95% para la concentración media
de zinc en el rio. Suponga que la desviación estándar de la población es de 0.3


Datos:

 

 
Z = .90/2=.475=1.96

ù


K
Formula:

+
 ! 

 K 
+

EJEMPLO 2:

Una empresa eléctrica fabrica focos que tienen una duración aproximadamente
distribuida de forma normal con una distribución estándar de 40 horas. Si una
muestra de 30 focos tiene una duración promedio de 780 horas, encuentre un
intervalo de confianza de 96% para la media de la población de todos los focos
que produce esta empresa.



Datos:

 

 
Z = .96/2=.48=2.06

ù


K
FORMULA:

+



 K !
+
³t´ student.

EJEMPLO 1:

Un fabricante de llantas desea investigar la durabilidad de sus productos. Una

muestra de 10 llantas para recorrer 50000 millas revelo una media muestral de
.32 pulgadas de cuerda restante con una desviación estándar de .09 pulgadas.
Constituya un intervalo de confianza de 95% para la media poblacional.

 
Datos:

 
  !
L !M


Formula:

K N L$  #  
+


 !
 K   !$    
+ 


 !
 K  !
+ 


 !
 K 
+ 


 K 
  


EJEMPLO 2:

El dueño de una tienda de abarrotes desea estimar la cantidad madia que gastan
los clientes que le consumen sus productos. Una muestra de 20 clientes revelo
que gastan $50, con una desviación estándar de 9.01. Determine un intervalo de
95% de confianza para la media poblacional.

 
Datos:


 !
L !M


Formula:

K  L$    
+


!
 K   !$    
+


!
 K   !
+


 !
 K !
+


 K 4.22
 


4.5.1 Determinación de la muestra con grado de confianza y estimación de Þ

Partiendo del primer ejemplo dado con la distribución ³z´ tenemos:

õ 
Datos:

 

 
Z = .90/2=.475=1.96

Formula:
ù
OP 
K
+
 ! 
OP  K 
+

Para nuestro segundo ejemplo tomaremos los datos del ejemplo N°2 ³z´:

õ 

Datos:

 

 
Z = .96/2=.48=2.06

Formula:
ù
OP 
K
+

OP 
 K !
+

4.6 Intervalo de confianza para la diferencia entre dos medias Þ  Þ
con







 pero conocidas, con el uso de la distribución normal y la
³t´ student

Si
 y
  son las medidas de muestras aleatorias independientes de tamaño
 y

 tomadas de poblaciones normales que tienen las medidas
y
 y la varianza
 y  , entonces
  
  es una variable aleatoria que tiene una distribución
normal con la media

 Q 8 R 
  



SQR SRR
Y la varianza.
Q 8R
TQ TR

Se deduce que


 
     
 
 
ù
 

 

Tiene una distribución normal estándar. Sustituyendo esta expresión por z en:

, UùV W ù W  ùV X A

 

El método de pivotes nos lleva a

   

, Y
 
    ùV*   W
 
 W 
 
   ùV*    AZ
   

Y, por consiguiente, al siguiente intervalo de confianza de
  
 [

(Intervalo de confianza para
 
 ,   conocidas). Si
 
  son valores de
las medias de muestra aleatorias independientes de tamaño   tomadas de
poblaciones normales con las varianzas conocidas   , un intervalo de
confianza del (1-‹) 100% para
 
 esta dado por

   

 
     ùV*     W
 
 W 
 
  ùV*     
   

Así mismo, en virtud del teorema del límite central, este resultado puede usarse

varianzas conocidas   , siempre que   sean lo suficientemente

con muestras aleatorias independientes de poblaciones no normales con las

grandes, esto es, cuando   / 

EJEMPLO 1:

Construya un intervalo de confianza del 94% de la diferencia real entre las

duraciones en promedio de dos tipos de focos eléctricos, dado que una muestra
tomada al azar de 40 focos de un tipo duro en promedio 418 horas de uso

desviaciones estándar de las poblaciones, según se sabe, son   .

continuo y 50 focos de otra clase duraron en promedio 402 horas. Las

Solución

Para ‹=0.06, tenemos a partir de la tabla III que ù9: 

 por lo tanto, el
intervalo de confianza del 94% de
 
 EF

   


   

\ W 
 
 W 
  

 
   
Que se reduce a

 W 
 
 W 

Por lo tanto, tenemos el 94% de confianza en que el intervalo de 6.3 a 25.7

contiene la diferencia verdadera entre las duraciones en promedio de los dos tipos
de focos eléctricos. El hecho que ambos limites de confianza sean positivos
sugiere que, en promedio, el primes tipo de focos es superior al del segundo tipo.

EJEMPLO 2.

Construya un intervalo de confianza de 94% de la diferencia real entre las

duraciones en promedio de dos tipos de pilas, dado que una muestra tomada al
azar de 50 focos de un tipo duro en promedio 518 horas de uso continuo y 60

poblaciones, según se sabe   

pilas de otra clase duraron en promedio 502. Las desviaciones estándar de las

Solución:

confianza del 94 % de
 
 es:

Para ‹ = 0.06, tenemos a partir de la tabla z=1.88. Por lo tanto, el intervalo de

   


   

  W
 
 W 
   

 
   

Que se reduce a
Por lo tanto, tenemos el 94% de confianza en que el intervalo de 7.1 a 64.5 a
contiene la diferencia verdadera entre las duraciones en promedio de los dos tipos
de pilas. El hecho de que ambos límites de confianza sean positivos sugiere que,
en promedio la primera pila es superior al segundo tipo.

Con el fin de sustituir un intervalo de confianza del (1-‹) 100% para
 


cuando se desconoce   pero   / , sustituimos   por los
valores de las desviaciones estándar de la muestra F F y continuamos como

se desconoce   y los tamaños de la muestra son pequeños, no es directo a

antes. El procedimiento de estimaciones de la diferencia entre dos medias, cuando

monos que las desviaciones estándar desconocidas de las dos poblaciones

normales sean iguales. Si   , entonces.


 
    
 
 
ù


 
]

Es una variable aleatoria que tiene una distribución normal estándar y   puede
obtenerse ponderando las desviaciones cuadradas (o elevadas al cuadrado) de
las medias de las dos muestras.

  F   F

F^

   

Es en realidad un estimador insesgado de   . Ahora bien, por los teoremas 8.10 y

TQ 8_QR TQ 8_RR
SR SR
y
distribuciones ji cuadradas con     grados de libertad, y su sumas
8.8, las variables aleatorias independientes tiene

  F   F    !F^


  

Tienen una distribución ji cuadrada con     grados de libertad. Como se

puede demostrar que las variables aleatorias anteriores ³z´ y ³y´ son
independientes, se deduce del teorema 8.11 que:
`
4
  




 
    
 



ab

 
Tiene una distribución Ô con     grados de libertad. Al sustituir esta
expresión por Ô en:

, UVT W  W  V X   ‹
 Qc TR 8 TQ dTReR

confianza del (1-‹) 100% para
 
 [

Y simplificándolo algebraicamente el resultado. Llegamos al siguiente intervalo de

4.7 Una sola muestra: estimación de la proporción

La información de que suele disponerse al estimar una proporción es el número de

observaciones. La intimación puntual misma suele ser la proporción muestral  es

veces, x, que un evento considerado ocurre en á ensayos, ocasiones y

T
decir, la proporción de las veces que el evento ocurrió en realidad. Si los á
ensayos satisfacen las condiciones fundamentales de la distribución binomial

número de éxitos están dadas por á  y por =  = Si dividimos ambas
citadas en la página 94, sabemos que la media y la desviación estándar del

cantidades entre á encontraremos que la media y la desviación estándar de la

proporción de éxitos (es decir, de la proporción muestral) están dadas por.

= 
T^ T^8^ ^8^
T T T
y

El primero de estos resultados señala que la proporción muestral es un estimador

insesgado del parámetro binomial  es decir, de la proporción real que deseamos
estimar a partir de una muestra.

al sustituir por en =  =. Esto produce

Dado que los cálculos necesarios de complican, haremos una aproximación más

T

   
   
 ùf*   W = W   ù  
   f*


Donde el nivel de confianza es de (1 - ) 100%.

Ejemplo 1:

Si  = 36 de á = 100 entrevistados están familiarizados con los incentivos en los

impuestos que se ofrecen por instalar ciertos dispositivos para ahorrar energía,
constrúyase un intervalo con un nivel de confianza del 95% para la
correspondiente proporción real.

Solución:
 ùf* ! en la fórmula anterior, se obtiene
 :g
T 99
Sustituyendo

  ! v v  !

9:g9gh 9:g9gh
99 99

O bien

 W = W 

Tenemos el 95% de confianza de que puede en el intervalo de 0.266 o 0.454.

Nótese que, de habernos valido de la tabla 9ª), habríamos obtenido

 W = W 

T
La magnitud de error cometido cuando usamos como una estimación de está
dada por ¤  =¤. Empleando nuevamente la distribución normal, podemos

T
asegurar con una probabilidad de 1 ± que la desigualdad.

=  =
¤  =¤ 3 ùf* 
 

Se cumplirá, es decir, que el error será lo mismo de ùf*  . Con  sustituido

^8^ 
T T
por , esto produce

if* k
j j
8 
k
T
 
 á Ò

Ejemplo 2:

En una encuesta en una gran ciudad, 136 de 400 personas respondieron

afirmativamente a la pregunta de si el servicio de transporte público es adecuado.

 se emplea como una estimación de la correspondiente proporcional

Con una confianza del 99%, ¿qué se puede decir acerca del error máximo, si
 :l
T h99
real?

Solución

 y ùf*  en la fórmula anterior, se tiene que el

 :g
T h99
Sustituyendo
error es a lo sumo
 
 

Ò

La fórmula anterior de › puede utilizarse también para determinar el tamaño

muestral que es necesario para alcanzar un grado deseado de precisión.
Despejando á obtenemos

if* 
 =  = m
Ò

Pero esta fórmula no puede utilizarse como se estableció, a menos de que

tengamos alguna información acerca de la posible magnitud de (con base en

información, podemos valernos del hecho de que =  = es a lo sumo 

datos auxiliares; digamos, una muestra previa). Si no se dispone de tal

h
correspondiente a =  como puede mostrarse con métodos de cálculo


elemental. Por tanto, si

if* 
 m
 Ò

Podemos asegurar con una probabilidad al menos de  n que el error al


T
datos, podremos asegurar con una confianza al menos de  n que el error no
servirnos de como una estimación de  no excede a E; una vez obtenidos los

sobrepasa E.

  o M
4.8 Tamaño de la muestra con una estimación de P y un grado de confianza

Donde ùV* es el valor ïque corresponde a un área ‹/2 en el extremo derecho de

p >q .se considera

una distribución normal estándarï. puesto que se desconocen los valores de y
, se estiman por medio de los mejores estimadores puntuales:=

normal a la distribución binomial; a saber, cuando =r < >q < .

que el tamaño de la muestra es grande cuando es adecuada la aproximación

=>
=r K ùV* 


EJEMPLO 1:

Una muestra aleatoria de 985 votantes ³probables´ ± aquellos que votarían en las
próximas elecciones²fue encuestada un ³fonatón o encuesta telefónica´ dirigido
por el partido republicano. De los encuestados, 592 indicaron que piensan votar
por el candidato republicano en la próxima elección. Construya un intervalo de
confianza de 90% para =, la proporción de votantes probables en la población, que
piensa votar por el candidato republicano. Con base en esta información,

Solución: la estimación puntual para =es entonces

¿concluirá que el candidato ganara la elección?

!
=r    
 !


Y el error estándar es:

=r >q   !!
    
 !


El valor de ù para un intervalo de confianza de 90% es el valor que tiene el área

‹/2 =.05 en el extremo superior de la distribución de ùHsBEù97 = 1.645 de la
tabla. El intervalo de confianza de 90% para es entonces

=r >q


=r K  

  K 

O   W = W . Usted estima que el porcentaje de votantes probables del

candidato republicano está entre 57.5 y 62.7%. ¿El candidato ganara la elección?
Si se supone que necesita más de 50% de los votas para ganar, y puesto que los
limites de confianza superior e inferior excede este valor mínimo podría decir que
tiene 90% de confianza de que ganara el candidato.

EJEMPLO 2:

Una muestra aleatoria de 999 votantes ³probables´ aquellos que votarían en

próximas elecciones que se van a realizar en el Tecnológico de Estudios
Superiores del Oriente del Estado de México de la Licenciatura en Contaduría
Pública con motivo del día del contador para elegir a su nueva jefa de carrera
fueron encuestadas durante dos días por el grupo 4C11. De los encuestados, 659
indicaron que piensan votar por la jefa de carrera actual en las próximas
elecciones. Construya un intervalo de confianza de 90% para , la proporción de
votantes probables en la población, que piensa votar por la jefa de carrera actual.
Con base en esta información. ¿Concluirá que la jefa de carrera ganará la
elección?

Solución: La estimación para  es:

=r  !
g7l
lll
1-.659= .341
Y el error estándar es:

=r >q  !  
    
 !!!

‹/2=.05 en el extremo superior de la distribución de ï o bien ù97  de la

El valor ï para un intervalo de confianza de 90% es el valor que tiene el ares

tabla. El intervalo de confianza para es entonces.

=r >q
p K  
=

    
 ! K 
 !  

 !   
O   W = W 
 usted estima que el porcentaje de votantes probables del la
jefa de carrera está entre 63.4 y 68.4% la jefa de carrera actual será la ganadora.
BIBLIOGRAFIA

Estadística para administración y economía

David R. Anderson, Dennis J. Sweeney y Thomas A. Williams
Editorial International Thomson Learning
225-227 páginas

Método estadístico aplicado a las ciencias sociales

Gene V. Glas, Julián C. Stanley
Editorial Pretice Hall
Página 243

Estadísticas matemáticas con aplicaciones

John E. Freund, Ronald E. Walpole
Editorial Prendicehall Hispoamericana S.A
380-385 páginas

Técnicas de muestreo
William G. Cochran
Editorial continental S.A
Página 149

Probabilidades y aprobaciones y estadísticas

Paul L. Meyer
Editorial: Addison Wesley Iberoamericana
Página 316

Métodos estadísticos
Said Infante G.I Guillermo P. Zarate de Lara
Editorial Trillas
335-337 páginas

Probabilidad y estadísticas para ingenieros

Irwin R. Miller/ John E. Freund
Editorial Prentice-Hall Hispoamericana S.A
273-277 páginas

Introducción a la probabilidad y estadísticas

William Mendenhall, Robert J.Beaver, Barbara M. Beaver
Editorial Thomson
308-311 Páginas