“AÑO DEL DIALOGO Y RECONCILIACION NACIONAL”

UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

FACULTAD DE INGENIERÍA QUÍMICA
ESCUELA PROFESIONAL DE INGENIERÍA QUÍMICA y
ESCUELA PROFESIONAL DE INGENIERIA QUIMICA
INDUSTRIAL

DISTRIBUCION T-STUDENT
CÁTEDRA:
Estadística y Diseño de Experimentos
CATEDRÁTICO:
Ing. Henrry R. Ochoa Leon
PRESENTADO POR:
 BARRERA CONTRERAS, Yanela (IQ)
 COSSIO SIERRA, Krugger (IQ)
 ENRIQUEZ LAURA, Jhatsell Lisbet (IQ)
 HURTADO BARRIENTOS, Lesly Jennyfer (IQ)
 MALDONADO SEDANO, Bladimir (IQ)
 PAUCAR CCOICCA, Estefani (IQ)
 QUISPE VELARDE, Caroline Dayana (IQ)
 SURICHAQUI RAMOS, Litman Uriel (IQI)

SEMESTRE: III
FECHA DE ENTREGA: 11 de junio del 2018

2018 - HY0
 RESUMEN
El objetivo de esta monografía es analizar las características y aplicación de la
Distribución “T de Student”, que aporta a nuestra formación profesional
información orientada a la aplicación al campo estudiantil, promoviendo y
orientando a la investigación.

En la siguiente monografía empleamos un diseño de recopilación de información

con la finalidad de examinar, comprender y analizar la Distribución “T de
Student”.

Al finalizar el trabajo apoyado con diferentes fuentes de información podríamos

decir que la Distribución T de Student surge, en la mayoría de los estudios
estadísticos prácticos, cuando la desviación típica de una población se
desconoce y debe ser estimada a partir de los datos de una muestra.

ii
 ABSTRACT
The objective of this monograph is to analyze the characteristics and application
of the "T de Student" Distribution, which contributes to our professional training
information oriented to the application to the student field, promoting and guiding
the investigation.

In the following monograph, we use a design of information collection with the

purpose of examining, understanding and analyzing the "T-Student" Distribution.

At the end of the work supported by different sources of information, we could

say that the Student's Distribution T arises, in most practical statistical studies,
when the standard deviation of a population is unknown and must be estimated
from the data of a sample.

iii
 I. INTRODUCCION

La Distribución “T de Student” se utiliza cuando nos encontramos con la dificultad

de no conocer la desviación típica poblacional y nuestra muestra es menor de
30. Es similar a la curva normal, pero la distribución “T de Student” tiene mayor
área a los extremos y menos en el centro.
Esta fue descubierta por un especialista en estadística de una empresa
irlandesa, cuyo nombre era William S. Gossel hizo inferencias acerca de la media
cuando la desviación poblacional fuese desconocida, y ya que a los empleados
de dicha entidad no les era permitido publicar el trabajo de investigación bajo sus
propios nombres, Gosset adopto el seudónimo de “Student”.
Sus funciones se basan en establecer un intervalo de confianza, utilizando un
nivel de confianza y grados de libertad, obteniendo valores de una tabla dada
con respecto a estas variables y aplicarla en la formula.

iv
 OBJETIVOS

 Reconocer cuando se emplea la Distribucion T-Student

 Conocer sus aplicaciones en la inferencia estadística
 Identificar el tipo y la forma de la Distribucion T-Student

v
 INDICE
RESUMEN ................................................................................................................................................ ii
ABSTRACT ............................................................................................................................................... iii
I. INTRODUCCION.............................................................................................................................. iv
OBJETIVOS ............................................................................................................................................... v
II. MARCO TEORICO ........................................................................................................................... 1
2.1 HISTORIA ...................................................................................................................................... 1
2.2 DEFINICION .................................................................................................................................. 1
2.3 EMPLEO DE LA DISTRIBUCION DE “T DE STUDENT” (USOS PARA LOS CUALES ES IDONEA ESTA
DISTRIBUCION) ................................................................................................................................... 1
2.4 CARACTERISTICAS ........................................................................................................................ 2
2.5 GRADOS DE LIBERTAD.................................................................................................................. 2
2.6 DIFERENCIAS CON OTRAS DISTRIBUCIONES ............................................................................... 2
2.7 TEORIA DE LAS PEQUEÑAS MUESTRAS ....................................................................................... 3
2.8 DISTRIBUCION DE PROBABILIDAD DE T DE STUDENT ................................................................. 3
2.9 PROPIEDADES............................................................................................................................... 4
2.10 CALCULO DE UNA DISTRIBUCION T DE STUDENT ..................................................................... 4
2.11 TABLAS DE DISTRIBUCION DE T-STUDENT ................................................................................ 6
2.11.1 DIFERENCIAS DE OTRAS TABLAS DE DISTRIBUCION .......................................................... 8
2.11.2 USOS DE LAS TABLA DE DISTRIBUCION T ........................................................................... 8
2.12 IMPORTANCIA DEL ESTUDIO DE LA DISTRIBUCION T ............................................................... 8
2.13 EJEMPLO: UTILIZANDO MINITAB ............................................................................................... 9
CONCLUSIONES .................................................................................................................................... 11
BIBLIOGRAFIA ....................................................................................................................................... 12

vi
 II. MARCO TEORICO

2.1 HISTORIA
Pues en realidad Student no era el nombre o el apellido del responsable de
esta distribución de probabilidad, sino que era un seudónimo. El verdadero
nombre del creador dela t de Student es William Sealy Gosset, y todo lo
que rodeó al desarrollo de la misma y a la utilización de un seudónimo
conforma una historia cuanto menos curiosa.
La distribución t de Student es una distribución deprobabilidad asociada a
la distribución normal. Aparece cuando se quiere estimar la media de una
población distribuida según una normal cuando el tamaño de la muestra
utilizada para la estimación es pequeño y la varianza de la población es
desconocida. William Sealy Gosset fue un estadístico, mejor conocido por
su sobrenombre literario Student.
William Sealy Gosset era un matemático y químico inglés que después de
terminar sus estudios comenzó a trabajar en las destilerías Guinness, en lo
que se refiere a control de calidad en el proceso de creación de la cerveza.
Los bajos tamaños de muestra con los que habitualmente contaba fueron
los “culpables” de sus estudios, y los que a la postre lo llevaron a desarrollar
la distribución “T”.

2.2 DEFINICION
También llamada teoría exacta de muestreo.
Es una distribución de probabilidad que surge del problema de estimar la
media de una población normalmente distribuida cuando el tamaño de la
muestra es pequeño.
La distribución T, es más ancha y más plana en el centro que la distribución
normal estándar, como resultado de esto se tiene una mayor variabilidad
en las medias de muestra calculadas a partir de muestras más pequeñas.

2.3 EMPLEO DE LA DISTRIBUCION DE “T DE STUDENT” (USOS

PARA LOS CUALES ES IDONEA ESTA DISTRIBUCION)
 Para determinar el intervalo de confianza dentro el cual se puede
estimar la media de una población a partir de muestras pequeñas (n <
30).
 Para probar hipótesis cuando una investigación se basa en muestreos
pequeño.
 Para probar si dos muestras provienen de una misma población

1
2.4 CARACTERISTICAS
La distribución se denomina distribución de Student o distribución “t”.
o La media es igual a cero, la variancia es mayor que 1.
𝑣
o La varianza es igual a donde v es el numero de grados de
𝑣−2
libertad.
o La varianza es siempre mayor que 1, aunque es muy cercana a 1
cuando se tienen muchos grados de libertad.
o Es más achatada que la normal y adopta diferentes formas , según
el número de grados de libertad.
o No tiene valores negativos, el valor mínimo es 0.
o Todas las curvas son asimétricas.
o A medida que aumenta el tamaño de la muestra la curva es menos
asimétrica, aproximándose a una curva normal.
o Cuando aumentan los grados de libertad las curvas son menos
elevadas y más extendidas a la derecha.
o Con infinitos grados de libertad la distribución t es igual a la normal

2.5 GRADOS DE LIBERTAD

Son el número de valores que podemos elegir libremente.
Existe una distribución T distinta para cada uno de los posibles grados de
libertad.
Y cuando se busca en la tabla de valores para la distribución T de Student
se considera como los grados de libertad la suma total de los grados de
libertad de ambos grupos.

2.6 DIFERENCIAS CON OTRAS DISTRIBUCIONES

 La Distribución T Student es menor en la media y más alta en los
extremos que una distribución normal.
 Tiene proporcionalmente mayor parte de su área en los extremos que
la distribución normal.
 La Distribución T Student es similar a la Distribución Z, ambas son
simétricas alrededor de una media de cero.
 Ambas tienen distribuciones de campana pero la distribución T es mas
variable debido a las fluctuaciones en 2 cantidades.
 La Distribución T difiere de Z en la varianza, de T depende del tamaño
de la muestra “n” y siempre es mayor a 1.
 La Distribución T y Distribución Z serán únicamente iguales cuando “n”
tiende al ∞.

2
2.7 TEORIA DE LAS PEQUEÑAS MUESTRAS
En probabilidad y estadística, la distribución T o distribución T de Student
es una distribución de probabilidad que surge del problemas de estimar la
media de una población normalmente distribuida cuando el tamaño de la
muestra es pequeño.

A la teoría de pequeñas muestras también se le llama teoría exacta del

muestreo, ya que también la podemos utilizar con muestras aleatorias de
tamaño grande.

Veremos un nuevo concepto necesario para poder entender la distribución

t student. Este concepto es “grados de libertad”.

Para definir grados de libertad se hará referencia a la varianza maestral:

2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠 =
𝑛−1
Esta fórmula está basada en n-1 grados de libertad. Esta terminología
resulta del hecho de que si bien 𝑆 2 esta basada en n cantidades 𝑥1 − 𝑥̅ , 𝑥2 −
𝑥̅ , … 𝑥𝑛 − 𝑥̅ , estas suman cero, así que especificar los valores de cualquier
n-1 de las cantidades determina el valor restante.
Por ejemplo, si n=4 y 𝑥1 − 𝑥̅ = 8; 𝑥2 − 𝑥̅ = −6 𝑦 𝑥4 − 𝑥̅ = −4, entonces
automáticamente tenemos 𝑥3 − 𝑥̅ = 2, asi que solo tres de las cuatro
medidas de 𝑥𝑖 − 𝑥̅ están libremente determinadas, la otra debe tomar el
valor que haga esta suma cero; es por eso que solo tenemos 3 grados de
libertad.

𝐺𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑖𝑜𝑛𝑒𝑠 − 1

2.8 DISTRIBUCION DE PROBABILIDAD DE T DE STUDENT

Una variable aleatoria se distribuye según el modelo de probabilidad t o T
de Student con 𝑘 grados de libertad, donde 𝑘 es un entero positivo, si su
función de densidad es la siguiente:
𝑘+1
∏( ) 𝑡 2 −(𝑘+1)
2
ℎ𝑘 (𝑡) = (1 + ) 2 − 𝜋 < 𝑡 < 𝜋,
𝑘 𝑘
∏ ( ) √𝜋𝑘
2
𝜋
𝑑𝑜𝑛𝑑𝑒 𝜏(𝑝) = ∫ 𝑒 .𝑥 𝑥 𝑝−1 𝑑𝑥
0
La grafica de esta función de densidad es simétrica, respecto del eje de
ordenadas, con independencia del valor de 𝑘, y de forma algo semejante a
la de una distribución normal:

3
 La siguiente figura presenta la gráfica de varias distribuciones t. La
apariencia general de la distribución t es similar a la de la distribución
normal estándar, ambas son simétricas y unimodales, y el valor máximo de
la ordenada se alcanza en la media 𝜇 = 0. Sin embargo, la distribución t
tiene colas más amplias que la normal. A medida que el número de grados
de libertad tiende al infinito, la forma límite de la distribución t es la
distribución normal estándar.

2.9 PROPIEDADES
 Cada curva t tiene forma de campana con centro en 0.
 Cada curva t , está más dispersa que la curva normal estándar.
 A medida que 𝑘 aumenta, la dispersión de curvas t correspondientes
disminuye.
 A medida que 𝑘−> ∞, la secuencia de curvas t se aproxima a la curva
normal estándar.

2.10 CALCULO DE UNA DISTRIBUCION T DE STUDENT

Está diseñada para pruebas de hipótesis en estudios con muestras
pequeñas (menores de 30)

4
La prueba de hipótesis para medias usando Distribucion T de Student se
usa cuando se cumplen las siguientes dos condiciones:
o Es posible calcular las media y desviación estándar a partir de la
muestra.
o El tamaño de la muestra es menor de 30

La fórmula general para la T de Student es la siguiente:

𝑋̅ − 𝜇
𝑡∗ =
𝑆𝑥
√𝑛
En donde el numerador representa la diferencia a probar y el denominador
la desviación estándar de la diferencia llamado también Error Estándar.
Donde:
 T: valor estadístico que se desea calcular
 X: media, promedio de la variable analizada de la muestra
 𝜇: valor a analizar, promedio poblacional de la variable estudiada
 𝑆: desviación estándar de la muestra
 𝑛: tamaño de la muestra

Grados de libertad: El número de grados de libertad es igual al tamaño de

la muestra (número de observaciones independientes) menos 1.
𝑔𝑟𝑎𝑑𝑜 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑 = 𝑑𝑓 = (𝑛 − 1)
Si pudiera expresar en un cierto número de pasos para resolver un
problema de T de student tendría que declarar los siguientes:

PASO 1
Plantear las hipótesis nula (H0) y la hipótesis alternativa (Hi).
 La hipótesis alternativa plantea matemáticamente lo que queremos
demostrar, en tanto que la hipótesis nula plantea exactamente lo
contrario.

PASO 2
Determinar el nivel de significancia (rango de aceptación de la hipótesis
alternativa), α .
Se considera un nivel alfa de:
 0.05 para proyectos de investigación
 0.01 para aseguramiento de la calidad
 0.10 para estudios o encuestas de mercadotecnia.

PASO 3
Evidencia muestral, se calcula la media y la desviación estándar a partir
de la muestra.

5
 PASO 4
Se aplica la distribución T de Student para calcular la probabilidad de error
(P) por medio de la fórmula general, se contrasta con el valor T obtenido
de la tabla correspondiente.
PASO 5
En base a la evidencia disponible se acepta o se rechaza la hipótesis
alternativa.
 Si la probabilidad de error (P) es mayor que el nivel de significancia
se RECHAZA la hipótesis alternativa.
 Si la probabilidad de error (P) es menor que el nivel de significancia
se ACEPTA la hipótesis alternativa.

Por supuesto que al final lo que tenemos que contrastar es el valor de T

que hayamos obtenido en el problema contra el valor T crítico que
obtenemos de la tabla de T de Student.

2.11 TABLAS DE DISTRIBUCION DE T-STUDENT

La tabla da áreas 𝟏 − 𝜶 y valores 𝒄 = 𝒕𝟏−𝜶 , 𝒓, donde, 𝑷[𝑻 ≤ 𝒄] = 𝟏 − 𝜶, y
donde T tiene distribución t-Student con r grados de libertad.

1
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032

6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707

7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169

11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106

12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947

6
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845

21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831

22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787

26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779

27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704

60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576

1
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032

6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707

7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169

11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106

12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947

16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921

17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845

21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831

22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787

26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779

27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771

7
 28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704

60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576

2.11.1 DIFERENCIAS DE OTRAS TABLAS DE DISTRIBUCION

 La tabla de distribución T es más compacta que Z y muestra

las áreas y valores de T para unos cuantos porcentajes
exclusivamente (10%, 5%, 2% y 1%).
 Una segunda diferencia de la tabla es que no se centra en la
probabilidad de que el parámetro de la población que está
siendo estimado caiga dentro del intervalo de confianza. Por
el contrario, mide la probabilidad de que ese parámetro no
caiga dentro del intervalo de confianza.
 Una tercera diferencia en el empleo de la tabla consiste en
que hemos de especificar los grados de libertad con que
estamos trabajando.

2.11.2 USOS DE LAS TABLA DE DISTRIBUCION T

 Los grados de libertad en una T de Student se indicaran como
´v’.
 De manera análoga a la definición utilizada para la Normal, si
X es una tv,α de Student con v grados de libertad, entonces
P(X≤ tv,α)= α
 El valor tv,α se buscan en las tablas de t-Student.

2.12 IMPORTANCIA DEL ESTUDIO DE LA DISTRIBUCION T

La T de Student está relacionada con el estudio de poblaciones muy
grandes a partir de una muestra comparativamente muy pequeña.
Si al aplicar muestreo no es posible extraer muestras mayores a 30
elemento, la utilización de distribución normal presenta grandes riesgo
estadísticos. Para ello, la teoría de las pequeñas muestras presenta como
alternativa a la distribución T-Student, en el entendido de que conforme el
tamaño de la muestra tienda a 30 elementos, la distribución T-Student
tiende a la distribución normal.
Por ello es importante el estudiar la distribución T de Student ya que toda
inferencia estadística que se desee realizar con muestras pequeñas tiene
más validez si se hace con la distribución T.

8
2.13 EJEMPLO: UTILIZANDO MINITAB

En un estudio sobre presión sanguínea se mide la presión diastólica de

37 pacientes hipertensos al principio del estudio. Se someten a
tratamiento y al cabo de dos semanas se mide de nuevo la presión
diastólica. La variable descenso presenta una media en la muestra de 2.36
mmHg y una desviación estándar de 4,80. ¿puede decirse, con un nivel
de significación del 5% que el tratamiento produce un descenso
estadísticamente significativo en la presión diastólica media de los
pacientes hipertensos?

GRAFICA DE DISTRIBUCION:

9
RESULTADOS:
El descenso medio de la presión diastólica basal tras dos semanas de
tratamiento esta entre 0.76 y 3.96 mmHg con un nivel de confianza del
95%.
La diferencia de medias es significativamente distinta de cero (p=0.002);
o sea que hay una diferencia estadísticamente significativa entre la media
basal y la media al cabo de 2 semanas

10
 CONCLUSIONES

 Es una distribución de probabilidad que se usa cuando el tamaño de la

muestra es menor de 30 datos, no se conoce la desviación estándar de la
población y cuando la población de la que se extrae la muestra es normal.
 Sus aplicaciones en la inferencia estadística son para estimar y probar una
media y una diferencia de medias (independientes y pareada)
 Es una distribución continua, tiene forma acampanada.

11
 BIBLIOGRAFIA

 McCLAVE, S., “Probabilidad y Estadística para Ingeniería”. Grupo Editorial

Ibeoamericana.
 MILLER, I., FREUND, J.E., JOHNSON, R. A, “Probabilidad y Estadística para
Ingenieros”. Quinta Edición. Prentice Hall Hispanoamericana. México. 1997.
 DEVORE, J.L., “Probabilidad y Estadística para Ingeniería y Ciencias”.
Grupo Editorial International Thon Editores.
 MONTGOMERY, D. C., RUNGER, G.C. “Probabilidad y Estadística Aplicada
a la Ingenieria”. Primera edición. McGraw Hill, México. 1996.

12