Академический Документы
Профессиональный Документы
Культура Документы
1.
Clases de experimentos
1.1 Determinsticos
1.2 Aleatorios
2. Objeto de la teora de probabilidades
2.1 Espacio muestral
2.2 Sigma algebra (-algebra)
2.3 Evento (suceso)
2.4 Algebra de eventos
3. Medida de probabilidad
4. Eventos independientes
5. Elementos de anlisis combinatorio
5.1 Principios de la multiplicacin
5.2 Principios de la adicin
5.3 Muestras ordenadas
5.4 Muestras no ordenadas
5.5 Particin de un conjunto
6. Probabilidad condicional
7. Regla de multiplicacin
8. Probabilidad total
9. Regla de Bayes
10. Ejercicios propuestos
CAPITULO II VARIABLES ALEATORIAS
1. Variable aleatoria discreta
1.1 funcin de probabilidad (de cuanta).
1.2 funcin de distribucin
2. Variable aleatoria continua
3. Variables aleatorias mixtas
4. Funcin de una variable aleatoria
5. Otras caractersticas de las variables aleatorias
5.1 Valor esperado de variables y funciones aleatorias
5.2Varianza y desviacin estndar de una variable aleatoria
5.3 Otras medidas de variables aleatorias
5.4 Desigualdad de Tchebyshev
5.5 Momentos de una variable aleatoria
5.6 Funcin generadora de momentos
5.7 Funcin generadora de momentos factoriales
5.8 Funcin caracterstica de una variable aleatoria
6. Ejercicios propuestos
CAPITULO III MODELOS PROBABILISTICOS
1. Modelos probabilisticos
1.1 Modelo uniforme
1.2 Ensayo de bernoulli
1.3Mmodelo binomial
1.4 Distribucin hipergeomtrica
1.5 Distribucin geomtrica
1.6 Distribucin de pascal
1.7 Distribucin poisson
1.8 Aproximacin de la binomial a la poisson
2. Modelos de variable continua
Estadstica II Pgina 1
Carrera:
ESTADISTICA II
Estadstica II Pgina 2
Carrera:
Carrera:
Carrera:
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_2.html
2.2 Sigma algebra (-algebra)
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_3.html
2.3 Evento (suceso) 2.4 Algebra de eventos
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_4.html
3. Medida de probabilidad
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_5.html
4. Eventos independientes
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_10.html
5. Elementos de anlisis combinatorio
5.1. Principio de la
multiplicacin 5.2.Principio de la adicin 5.3. Muestras ordenadas
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_11.html
5.4 Muestras no ordenadas
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_12.html
5.5 Particin de un conjunto
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_13.html
6. Probabilidad condicional
Estadstica II Pgina 4
Carrera:
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_15.html
7. Regla de multiplicacin
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_16.html
8. Probabilidad total 9. Regla de Bayes
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap1/cap_1_pag_17.html
10.Ejercicios propuestos
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/ejercicios
/ejercap1/ejercap1pag_1.html
CAPITULO II VARIABLES ALEATORIAS
1.
Variable aleatoria discreta 1.1. Funcin de probabilidad (de
cuantia
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap2/cap_2_pag_1.html
1.2 Funcin de distribucin
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap2/cap_2_pag_2.html
2.
Variable aleatoria continua
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap2/cap_2_pag_3.html
3.
Variables aleatorias mixtas
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap2/cap_2_pag_5.html
4.
Funcin de una variable aleatoria
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap2/cap_2_pag_6.html
5.
Otras caractersticas de las variables aleatorias 5.1 Valor esperado
de variables y funciones aleatorias 5.2Varianza y desviacin estndar
de una variable aleatoria
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap2/cap_2_pag_7.html
Estadstica II Pgina 5
Carrera:
Distribucin de pascal
Estadstica II Pgina 6
Carrera:
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_4.html
1.7 Distribucin Poisson
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_6.html
1.8 Aproximacin de la binomial a la Poisson
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_7.html
2.
Modelos de variable continua 2.1. Distribucin uniforme 2.2.
Distribucin normal
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/leccione
s/cap3/cap_3_pag_8.html
2.3 Aproximacin binomial a la normal 2.4. Distribucin beta
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_10.html
2.5 Distribucin exponencial
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_12.html
2.6 Distribucin gama
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_13.html
2.7 Distribucin weibull
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_14.html
2.8 Distribucin logaritmo normal (lognormal)
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_15.html
2.9 Distribucin de Rayleigh 2.10 Distribucin deCauchy
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_16.html
2.11 Distribuciones truncadas
Estadstica II Pgina 7
Carrera:
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones
/cap3/cap_3_pag_17.html
3. Ejercicios propuestos
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/ejercicios
/ejercap3/ejercap3pag_1.html
PROBABILIDAD.
Es el estudio de experimentos aleatorios o elementos libres de determinacin. Es
decir, si se tiene un suceso denotado por E y existe n casos posibles n
oportunidades, para todos estos con la misma posibilidad o factibilidad,
entonces puede presentarse solo en h de todos los casos.
PROBABILIDAD SIMPLE.
Teora de Conjuntos
La Teora de Conjuntos es una divisin de las matemticas que estudia las
propiedades y relaciones de los conjuntos.
El concepto de conjunto es intuitivo y se podra definir como una "agrupacin
bien definida de objetos no repetidos y no ordenados"; as, se puede hablar de
un conjunto de personas, ciudades, gafas, lapiceros o del conjunto de objetos
que hay en un momento dado encima de una mesa. Un conjunto est bien
definido si se sabe si un determinado elemento pertenece o no al conjunto. El
conjunto de los bolgrafos azules est bien definido, porque a la vista de un
bolgrafo se puede saber si es azul o no. El conjunto de las personas altas no
est bien definido, porque a la vista de una persona, no siempre se podr decir si
es alta o no, o puede haber distintas personas, que opinen si esa persona es alta
o no lo es.
Se entiende por conjunto a la agrupacin en un todo de objetos bien
diferenciados de nuestra intuicin o nuestro pensamiento.
Estadstica II Pgina 8
Carrera:
Notacin
Usualmente los conjuntos se representan con una letra mayscula:
Se llama elemento a cada uno de los objetos que forman parte de un conjunto,
estos elementos tienen carcter individual, tienen cualidades que nos permiten
diferenciarlos, y cada uno de ellos es nico, no habiendo elementos duplicados o
repetidos. Los representaremos con una letra minscula:
De esta manera, si
escribir:
para definir a tal conjunto A. Esta notacin empleada para definir al conjunto A
se llama notacin por extensin.
Estadstica II Pgina 9
se escribe
Carrera:
no pertenece a
, esto es:
. La caracterstica
de un conjunto
satisfacen alguna
propiedad, misma que pueda ser expresada como una proposicin p(x), con la
indeterminada x, usamos la notacin por comprensin, y se puede definir:
Estadstica II Pgina 10
Carrera:
Igualdad de conjuntos
Dos conjuntos A y B se dicen iguales, lo que se escribe A = B si constan de los
mismos elementos. Es decir, si y solo si todo elemento de A est tambin
contenido en B y todo elemento de B est contenido en A. En smbolos:
Subconjuntos
Un subconjunto es un Conjunto que consta de elementos en el cual cada
elemento que posee esta tambin en otro conjunto como en elgrafico
Estadstica II Pgina 11
Carrera:
es un
. Es decir
Estadstica II Pgina 12
si y slo si
Carrera:
Para cada par de conjuntos A y B existe un conjunto unin de los dos, que se
denota como
Interseccin
Son los elementos que se encuentran en un conjunto y a la vez en otro
Esto significa que
si y slo si
Estadstica II Pgina 13
Carrera:
A y B, representado por
. Es decir,
Diferencia
Los elementos de un conjunto A que no se encuentran en otro conjunto B, forman
Estadstica II Pgina 14
si y slo si
. Es decir:
Carrera:
Complemento
El complemento de un conjunto A es el conjunto de todos los elementos que no
pertenecen a A.
Diferencia simtrica
La diferencia simtrica de dos conjuntos A y B viene dada por los elementos que
pertenecen a uno y slo uno de los dos:
Estadstica II Pgina 15
Carrera:
DISTRIBUCIONES DE PROBABILIDADES
En teora de la probabilidad y estadstica, la distribucin de probabilidad de
una variable aleatoria es una funcin que asigna a cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin
de probabilidad est definida sobre el conjunto de todos los eventos rango de
valores de la variable aleatoria.
Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales,
la distribucin de probabilidad est completamente especificada por la funcin
de distribucin, cuyo valor en cada real x es la probabilidad de que la variable
aleatoria sea menor o igual que x.
DISTRIBUCIONES DISCRETAS Y CONTINUAS.
Distribucin de Bernoulli.
Estadstica II Pgina 16
Carrera:
1 --- xito
X(w)=
0 --- fracaso (el evento A no ocurre)
Por lo tanto el espacio muestral de la distribucin de Bernoulli (w) es discreto
mostrando solamente dos valores, queda definida conociendo la probabilidad de
A y la probabilidad de A complemento
P(A)=P
P(
)=1-p=q
X(w):1 0
P(w): p q
Estadstica II Pgina 17
Carrera:
Distribucin binomial
si definimos una variable aleatoria X en el espacio muestral omega asociada a
un espacio de probabilidad, se dice que X es binomial si y solo si:
i) r(x)=(0,1,2,3.n)
ii) P(x=x) =
)=1-p=q
b) Las probabilidades(A)=p y P(
Figura es la grfica de una distribucin binomial(n, 0.5) para n = 20, 40, 60, 80, 100.
Estadstica II Pgina 18
Carrera:
Distribucin de Poisson
Se dice que X es una variable aleatoria tipo Poisson si :
Grfico de la
Distribucin de
Poisson.
k de eventos
ocurriendo en
un tiempo fijo
si estos
eventos
ocurren con
Estadstica II Pgina 19
Carrera:
Distribucin geomtrica.
En este caso estamos interesados en la concurrencia o no de un evento A y como
en el caso de la distribucin binomial para cada repeticin permanecen
constantes
P(A)=p
P(
)= q=1-p
Estadstica II Pgina 20
Carrera:
Distribucin hipergeomtrica
Esta distribucin se dice que X es una variable aleatoria hipergeometrica si:
i) r(x)={0,1,2,3....n}
Distribucin Normal
Una variable aleatoria continua X sigue una distribucin normal de media y
desviacin tpica si su funcin de densidad es:
Estadstica II Pgina 21
Carrera:
proporcional a .
Sabemos que la curva de cualquier distribucin continua de probabilidad o
funcin de densidad esta construya de forma que el rea bajo la curva limitada
por los puntos x = x1 y x = x2 es igual a la probabilidad de que la variable
aleatoria X asuma un valor entre x = x1 y x = x2. Como la resolucin de las
integrales para cada curva normal no es fcil, es aconsejable utilizar tablas.
Para no tener que presentar estas tablas para todos los posibles valores de y
se utiliza una variable normal tipificada Z definida como Z = (X .)/ con lo que
sustituyendo nos queda la funcin de densidad de X:
Estadstica II Pgina 22
Carrera:
Grafico N2
Como se puede observar en el 2do grafico la Distribucin Normal y la Binomial tienen una
cierta similitud
Distribucin T de Student.
En probabilidad y estadstica, la distribucin t (de Student) es una distribucin
de
probabilidad que
surge
del
problema
de estimar la media de
Carrera:
Donde:
Z y V son independientes
Donde:
Estadstica II Pgina 24
Carrera:
donde es igual a n 1.
La
distribucin
de T se
llama
ahora
la distribucin-t de
Student.
El
Estadstica II Pgina 25
Carrera:
Distribucin F de Fisher.
Usada
en teora
una distribucin
de
de
probabilidad y estadstica,
probabilidad
continua.
la distribucin
Tambin
se
la
F es
conoce
Donde:
Estadstica II Pgina 26
Carrera:
Distribucin Gama.
Los tiempos que tardan en revisar un motor de un automvil avin tienen una
distribucin de frecuencias sesgadas. Las poblaciones asociadas a estas
variables aleatorias frecuentemente tienen distribuciones que se pueden modelar
adecuadamente por la funcin de densidad tipo gamma.
Funcin de densidad de probabilidad para una variable aleatoria tipo gamma:
, 0;0 y
y 1e y /
f ( y)
( )
0
En donde:
( ) y 1e
0
dy
Carrera:
donde
y 1 e y /
dy
( )
Y por lo tanto es importante obtener las reas bajo la funcin de densidad tipo
gamma mediante integracin directa.
Hay dos casos especiales de las variables aleatorias tipo gamma que merece
consideracin particular:
Una variable aleatoria tipo gamma que tiene una funcin de densidad con
parmetros alfa igual a v entre dos y beta igual a dos se denomina variable
aleatoria ji - cuadrada.
0;0 y
Estadstica II Pgina 28
Carrera:
1 y /
f ( y) e
0
En cualquier punto.
La funcin de densidad exponencial muchas veces es til en los modelos de
duracin de componentes elctricos.
Un fusible es un ejemplo de un componente para el cual este supuesto suele
cumplirse.
Grafica 1
En funcin a los parmetros
Grafica N 2
Estadstica II Pgina 29
Carrera:
Distribucin Beta.
La distribucin de probabilidad beta es una funcin de densidad con dos
parmetros definida en el intervalo cerrado 0 <= y <= 1. Se utiliza
frecuentemente como modelo para fracciones, tal como la proporcin de
impurezas en un producto qumico o la fraccin de tiempo que una maquina est
en reparacin.
y 1 (1 y) 1
f ( y) {
B( , )
En cualquier otro punto donde
B ( , ) y 1 (1 y ) 1 dy
Estadstica II Pgina 30
( ) ( )
( )
Carrera:
F ( y)
t 1 (1 t ) 1
dt I y ( , )
B ( , )
Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la
funcin de probabilidad binomial. Cuando y = p, se puede demostrar que
F ( p)
n
y 1 (1 y ) 1
dy p y (1 p ) n y
B ( , )
y
Estadstica II Pgina 31
Carrera:
la distribucin
(de
Pearson)
es
una distribucin
de
varianza
Estadstica II Pgina 32
Carrera:
REGRESIN Y CORRELACIN.
La Regresin y la correlacin son dos tcnicas estadsticas que se pueden
utilizar para solucionar problemas comunes en los negocios. Muchos estudios se
basan en la creencia de que es posible identificar y cuantificar alguna Relacin
Funcional entre dos o ms variables, donde una variable depende de la otra
variable. Se puede decir que Y depende de X, en donde Y y X son dos variables
cualquiera en un modelo de Regresin Simple.
"Y es una funcin de X"
Y = f(X)
Como Y depende de X,
Y es la variable dependiente, y
X es la variable independiente.
Estadstica II Pgina 33
Carrera:
REGRESIN SIMPLE.
Son cuando se dan dos variables numricas continuas X e Y, se dice que estn
correlacionadas si entre ambas variables hay cierta relacin, de modo que puede
predecirse (aproximadamente) el valor de una de ellas conocido el valor de la
otra en este sentido decimos que la correlacin es positiva al aumentar una de
las variables aumenta tambin otra y negativa en caso contrario
Si queremos predecir el valor de Y a partir de X, decimos que X es el regresor, e
Y la variable explicada. Si X e Y no estn relacionas en modo alguno se dice que
son incorreladas.
Estadstica II Pgina 34
Carrera:
REGRESIN MLTIPLE.
El principio de la regresin multiple, se buscar aislar en una familia de
funciones de varios parmetros, una funcin que ''explique'' por la relacin:
Estadstica II Pgina 35
Carrera:
son afines:
parmetros
Polinomial.
Es cuando varios caracteres son explicativos se puede an realizar una
regresin sobre una familia de polinomios en los diferentes caracteres, con
grado fijo. Los trminos que hacen intervenir productos del tipo
sern
Estadstica II Pgina 36
Carrera:
Modelo de orden
, sin interaccin:
Modelo de orden
, sin interaccin:
Modelo de orden
, con interaccin:
Modelo de orden
, con interaccin:
Potencial.
Es aquella en la que la funcin de ajuste sea una funcin potencial del tipo:
y = a. xb
Tambin en este caso se resuelve linealizando la funcin tomando logaritmos ya
que:
log y = log a + b log x
Exponencial.
Es aquella en la que la funcin de ajuste ser una funcin exponencial del tipo
Estadstica II Pgina 37
Carrera:
y = a*bx
La regresin exponencial aunque no es lineal es linealizable tomando logaritmos
ya que haciendo el cambio de variable
v = log y tendremos que la funcin anterior nos generara:
Logartmica.
La curva logartmica
, est referida a
ya
Multinomial.
La regresin multinomial analiza datos distribuidos binomial mente de la forma
Estadstica II Pgina 38
Carrera:
un intercepto en
el
modelo.
Los
parmetros
ESTADSTICA INFERENCIAL
Valores Esperados y Momentos.
Estadstica II Pgina 39
Carrera:
Valores Esperados
El valor esperado es un concepto fundamental en el estudio de las distribuciones
de probabilidad. Desde hace muchos aos este concepto ha sido aplicado
ampliamente en el negocio de seguros y en los ltimos veinte aos ha sido
aplicado por otros profesionales que casi siempre toman decisiones en
condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos
cada valor que sta puede asumir por la probabilidad de ocurrencia de ese valor
y luego sumamos los productos. Es un promedio ponderado de los resultados que
se esperan en el futuro. Sea X una Variable Aleatoria que toma valores en un
conjunto discreto (en un conjunto finito de nmeros en uno infinito como: los
naturales, los enteros o los racionales), por ejemplo si la variable aleatoria X
toma los siguientes valores: X = 0, 1, 2, 3, decimos que es discreta
La probabilidad de que X tome cada uno de sus valores viene dada por la
funcin de probabilidad:
P(X = i ), para i = 0, 1, 2, 3, ;
Sea P(X = i ) = pi para i = 0, 1, 2, 3, Se tiene que p1 + p2 + p3 ++ pn +
=1
13. Valor Esperado, Varianza y Desviacin Estndar de Variables Aleatorias
Se define el Valor Esperado de una Variable Aleatoria con distribucin discreta
como: = E(X) = x xf (x)
Y para una variable aleatoria con distribucin continua como
= E(X) = ( ) xf x dx
Momento
En estadstica el momento de orden k de una variable aleatoriaX es la esperanza
matemticaE[(X E[X])k] donde E es el operador de la esperanza. Si una
variable aleatoria no tiene media el momento es indefinido.
Estadstica II Pgina 40
Carrera:
Estadstica II Pgina 41
Carrera:
Un vector aleatorio
Estadstica II Pgina 42
est normalmente
Carrera:
y una matriz
tal que
donde
Estadstica II Pgina 43
Carrera:
est
definida).
Este caso aparece con frecuencia en estadstica; por ejemplo, en la distribucin
del vector de residuos en problemas ordinarios de regresin lineal. Ntese
tambin que los Xi son en general no independientes; pueden verse como el
resultado de aplicar la transformacin lineal Aa una coleccin de variables
normales Z.
Esta distribucin de un vector aleatorio X que sigue una distribucin normal
multivariante puede ser descrita con la siguiente notacin:
Inferencia Estadstica.
La inferencia estadstica o estadstica inferencial es una parte de la Estadstica
que comprende los mtodos y procedimientos para deducir propiedades
(hacerinferencias) de una poblacin, a partir de una pequea parte de la misma
(muestra).
La Teora de muestras.
La estimacin de parmetros.
El Contraste de hiptesis.
El Diseo experimental.
Estadstica II Pgina 44
La Inferencia bayesiana.
Carrera:
hiptesis
nunca
se
aceptan
de
forma
Carrera:
definitiva,
slo
se
aceptan
El hecho de que las hiptesis, tanto la nula cmo la alternativa puedan recoger
en sus planteamientos uno o varios valores, da lugar a hiptesis de carcter
simple, si el nmero de valores plausibles e hipotticos es de uno en ambas, o
bien a hiptesis compuestas si dicho valor no es nico en alguna de ellas.
Estadstica II Pgina 46
Carrera:
Hiptesis/Accin
No Rechazamos
Rechazamos
Es cierta
Correcto
Error Tipo I
Es falsa
Error Tipo II
Correcto
Estadstica II Pgina 47
Carrera:
:.
Distribucin de la Varianza
La distribucin de la varianza de una distribucin se representa mediante
y se
define por
]
donde f(X) representa a la funcin de probabilidad y a la funcin densidad de
probabilidad, respectivamente, de la variable aleatoria.
Claramente
0 porque
Estadstica II Pgina 48
, para todo X, y
, para todo X.
Carrera:
2. Intervalo de confianza
En estadstica, se llama intervalo de confianza a un par de nmeros entre los
cuales se estima que estar cierto valor desconocido con una determinada
probabilidad de acierto. Formalmente, estos nmeros determinan un intervalo,
que se calcula a partir de datos de una muestra, y el valor desconocido es un
Estadstica II Pgina 49
Carrera:
Estadstica II Pgina 50
Carrera:
Si estandarizamos:
Estadstica II Pgina 51
Carrera:
Distribuciones No Paramtricas.
Se denominan pruebas no paramtricas aquellas que no presuponen una
distribucin de probabilidad para los datos, por ello se conocen tambin como
de distribucin libre.
En la mayor parte de ellas los resultados estadsticos se derivan nicamente a
partir de procedimientos de ordenacin y recuento, por lo que su base lgica es
de
fcil
comprensin.
Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si
Estadstica II Pgina 52
Carrera:
Estadstica II Pgina 53