Академический Документы
Профессиональный Документы
Культура Документы
INDICE
Contenido Página
I UNIDAD
1 Variables aleatorias 3
2 Distribución Binomial 10
3 Distribución Geométrica 19
4 Distribución Hipergeométrica 21
5 Distribución de Poisson 28
6 Aproximación de la distribución de Poisson a la Binomial 35
Ejercicios propuestos 1 39
2
3
Esta asignatura comprende la teoría de estimación tanto puntual como por intervalos
de confianza, las pruebas de hipótesis paramétricas para la media y proporciones,
también comprende algunas pruebas para datos categóricos como la independencia
de criterios o la homogeneidad entre dos o más poblaciones, finalmente se incluye las
técnicas de pronósticos a través de la Regresión lineal simple y múltiple.
Ejemplo. Sea el experimento aleatorio = Lanzar tres monedas legales sobre una
superficie regular, entonces el espacio muestral debe ser
ccc, ccs , csc, scc, css, scs, ssc, sss, considere también que la variable aleatoria X =
Número de caras al lanzar tres monedas legales sobre una superficie regular, entonces el
Rango o conjunto de valores que podría tomar esta variable será: RX 0,1,2,3
3
4
Por extensión:
Por Compresión:
3
𝑃(𝑥) = ( ) × (0.5)3 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 = {0, 1, 2, 3}
𝑥
una variable discreta, siempre que cumpla con las dos condiciones siguientes:
i) p( xi ) 0 , i 1,2,3,4,....
ii) p( xi ) 1
4
5
Donde:
4
El número de formas en que pueden aparecer x caras es ; por lo tanto:
x
4
p( x) 4 ;
x
x 0,1,2,3,4
2
4
p( x) 4 0
x
i)
2
4
x 1
4 4
ii)
x 0
p( x)
x 0 24
4
Por lo que concluimos que p ( x) 4 es una función de cuantía.
x
2
5
6
Podemos calcular los valores de la función de cuantía para cada uno de los
valores de X:
4
4 4 4!
1 entonces p(0) 4 0.0625
0 1
Para x 0 :
x 0 0!4! 2 16
4
1 4
4 4 4!
Para x 1 : 4 entonces p(0) 4 0.25
x 1 1!3! 2 16
4
4 4 4!
6 entonces p(2) 4 0.375
2 6
Para x 2 :
2 2 2!2! 2 16
4
4 4 4!
4 entonces p(3) 4 0.25
3 4
Para x 3 :
x 3 3!1! 2 16
4
4 4 4!
1 entonces p(4) 4 0.0625
4 1
Para x 4 :
x 4 4!0! 2 16
6
7
Y al graficarlo tenemos:
Conviene resaltar que p(x) da las frecuencias relativas con que se presenta cada
uno de los valores de x . Así, si suponemos que las cuatro monedas se lanzan un
gran número de veces, debemos esperar que no aparezcan caras ( x 0 ) en 1 16
aproximadamente de las tiradas; esperamos que aparezca una cara ( x 1 ) en la
cuarta parte aproximadamente de las tiradas, y así sucesivamente. Decimos
aproximadamente porque ya estamos familiarizados con las fluctuaciones que
acompañan los sucesos aleatorios.
7
8
4
P( x 2) p(2) 4
2 6
0.375
2 16
4 4 4
p( x) p(0) p(1) p(2) 4 4 4
2
0 1 2 1 4 6 11
P( x 3) 0.6875
x 0 2 2 2 16 16 16 16
4 4 4
p( x) p(1) p(2) p(3) 4 4 4
3
1 2 3 4 6 4 14
P(1 x 3) 0.875
x1 2 2 2 16 16 16 16
A x : x 0,1,2
B x : x 0,1,2,3
P( A B)
P( A / B)
P( B)
8
9
Ahora bien:
A B x : x 0,1,2
Luego
2
4
x
11
2
P( A B) p ( x) x 0
x 0 24 16
También
3
4
x
15
3
P( B) p( x) x 0
x 0 24 16
De donde:
11 / 16 11
P( A / B) P( x 3 / x 4)
15 / 16 15
El valor esperado de una variable aleatoria se define como un número real al cual
tienden los valores de la variable en el largo plazo; también se suele entender como
el centro de masa de su distribución de probabilidades y matemáticamente el valor
esperado se define como la suma de los productos de cada uno de los valores de
la variable por sus correspondientes probabilidades, así:
𝐸(𝑋) = 𝜇 = ∑𝑚
𝑖=1 𝑥𝑖 . 𝑝(𝑥𝑖 ),
𝑖=1
9
10
2. La distribución Binomial:
Sea un experimento aleatorio de Bernoulli, es decir que tiene las siguientes
características:
1 : Éxito (E)
xi
0 : Fracaso (F)
p si xi 1 para todo 0≤ p ≤ 1
P( xi )
q si xi 0 para todo q=1–p y p+q=1
10
11
n
X x1 x2 ... xn xi , Es decir que:
i 1
Esta variable así definida es discreta y se llama variable aleatoria Binomial, la cual
sigue la ley de probabilidades Binomial, caracterizada por:
La forma de la función de cuantía depende del valor de p. Así por ejemplo para una
Binomial con n=10 y tres valores de p=0.2, 0.5 y 0.8, tenemos que la función de
cuantía es
11
12
Ejemplo. Sea el experimento aleatorio = Lanzar una moneda legal tres veces sobre una
superficie regular, y deseamos estudiar la variable aleatoria X = Número de caras en dicho
experimento.
El experimento de Bernoulli básico es = Lanzar una moneda legal, en donde los posibles
resultados son Ω = {C , S}, donde C = cara y S = Sello. En este espacio muestral,
definimos la variable aleatoria de Bernoulli
1 : Cara (Éxito)
xi
0 : Sello (Fracaso)
Entonces la variable aleatoria X = Número de caras al lanzar tres monedas legales sobre una
superficie regular se puede expresar como:
12
13
3
X x1 x2 x3 xi donde, cada xi puede ser 0 ó 1, por lo que el rango de
i 1
x
13
14
f. Determine el valor esperado y desviación estándar del número de días en que encuentra
el puente elevado.
SOLUCIÓN
E, F
7
ser ,
7
X x1 . . . x7 xi donde cada xi puede ser 0 ó 1, por lo que el
i 1
Esta variable seguirá una distribución Binomial B(7, 0.2), con función de cuantía:
x
7 7 7
b) P( X 7) p(7) 0.2 0.8 0.000013
7
7
14
15
7 7 3
c) P( X 3) p(3) 0.2 0.8 0.114688
3
3
7 71
d) P( X 1) p(1) 0.2 0.8 0.367002
1
1
15
16
Ejemplo 3: Un auditor de registros contables sabe por larga experiencia que el 10%
de los registros contables tendrán algún tipo de defecto que requerirá un ligero
reajuste. Suponga que el total de registros que el auditor debe examinar son N=
500, pero por diversas razones decide examinar una muestra de n = 20 registros
contables:
SOLUCIÓN
16
17
Población N = 500
Muestra sin reemplazo n = 20
Fracción de muestreo f = n/N = 20/500 = 0.04 < 0.05
x
20
P( X 0) p(0) 0.1 .0.9 0.920 0.12157665
0 200
b) i.
0
iii.
P( X 3) 1 P( X 2) 1 0.67692681 0.32307317
P( X 3) 1 P( X 0) P( X 1) P( X 2)
P( X 3) 1 0.121576655 0.270170344 0.285179807
P( X 3) 1 0.676926805 0.323073195
17
18
18
19
3. Distribución Geométrica
3.1. Definición. Se denomina experimento geométrico a las repeticiones
independientes de un experimento de Bernoulli hasta obtener el primer éxito,
En cada ensayo de Bernoulli puede ocurrir un éxito (E) con probabilidad p o
un fracaso (F) con probabilidad q=1-p, siendo 0<p<1.
El espacio muestral del experimento geométrico es el conjunto:
Ω = { 𝐸, 𝐹𝐸, 𝐹𝐹𝐸, 𝐹𝐹𝐹𝐸, … , }
Se trata de un conjunto infinito numerable
3.3. Definición. Se dice que una variable geométrica X que se define como el
número de repeticiones independientes de un ensayo de Bernoulli hasta que
ocurra el primer éxito, tiene distribución de probabilidad Geométrica con parámetro
p y se escribe 𝑋~𝐺(𝑝), si su función de probabilidad es:
1
∑∞ 𝑘 2 3
𝑘=0 𝑟 = 1 + 𝑟 + 𝑟 + 𝑟 + ⋯ = , 𝑆𝑖 |𝑟| < 1
1−𝑟
1 1
En efecto, ∑∞
𝑘=1 𝑞
𝑘−1
𝑝 = 𝑝(1 + 𝑞 + 𝑞 2 + 𝑞 3 + ⋯ . ) = 𝑝 (1−𝑞) = 𝑝 (𝑝) = 1
1
Valor esperado: 𝐸(𝑋) = 𝜇 = 𝑝
Prueba
1
Utilizando la identidad: ∑∞
𝑘=1 𝑘𝑞
𝑘−1
= (1−𝑞)2
se obtiene:
∞ ∞
1 1 1
𝐸(𝑋) = ∑ 𝑘𝑞 𝑘−1 𝑝 = 𝑝 ∑ 𝑘𝑞 𝑘−1 = 𝑝 2
=𝑝 2=
(1 − 𝑞) 𝑝 𝑝
𝑘=1 𝑘=1
19
20
𝑞
Varianza: 𝑉(𝑋) = 𝜎 2 = 𝑝2
Prueba
1+𝑞
Utilizando la identidad: ∑∞ 2 𝑘−1
𝑘=1 𝑘 𝑞 = (1−𝑞)3
, se tiene:
∞
1+𝑞 2−𝑝
𝐸(𝑋 2 ) = 𝑝 ∑ 𝑘 2 𝑞 𝑘−1 = 𝑝 ( ) =
(1 − 𝑞)3 𝑝2
𝑘=1
2 2−𝑝 1 𝑞
Luego: 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 𝑝2
− 𝑝2 = 𝑝2
SOLUCIÓN
Sea X el número de llamadas hasta conseguir una venta. Sus posibles valores
son: 1, 2, 3, …, etc. El modelo de probabilidad de X es Geométrica de parámetro
p=0.02, esto es:
c. El evento “Sabiendo que ya hizo tres llamadas sin éxito y se quiere conocer
la probabilidad hacer más de cinco llamadas hasta que obtenga un éxito”,
entonces:
20
21
𝑃(𝑋 ≥ 6) 𝑝[𝑞 5 + 𝑞 6 + 𝑞 7 + 𝑞 8 + ⋯ ]
𝑃(𝑋 > 5⁄𝑋 > 3) = = =
𝑃(𝑋 ≥ 4) 𝑝[𝑞 3 + 𝑞 4 + 𝑞 5 + ⋯ ]
𝑞5 + 𝑞6 + 𝑞7 + 𝑞8 + ⋯ 𝑞 2 (𝑞3 + 𝑞 4 + 𝑞 5 + ⋯ . )
𝑃(𝑋 > 5⁄𝑋 > 3) = =
𝑞3 + 𝑞4 + 𝑞5 + ⋯ 𝑞3 + 𝑞4 + 𝑞5 + ⋯ .
= 𝑞 2 = 0.982 = 0.9604
4. La distribución Hipergeométrica:
Sea N una población finita formada por un número pequeño de individuos, objetos
o medidas, de los cuales una parte A de estos elementos tienen una cualidad que
estamos interesados en estudiar. Considere que de esta población se selecciona
una muestra aleatoria sin reemplazamiento tamaño n.
21
22
nA
Valor Esperado: E( X )
N
N n nA A
Varianza: V (X ) 1
N 1 N N
SOLUCIÓN
22
23
N=9
A=6
n=3
X = Número de tabletas que contiene narcóticos
El rango de X será:
La distribución de X es:
RX: {0, 1, 2, 3}
X ~
6 3
x 3 x
P( X x ) p( x )
9
3
P(X ≥ 1) = 1 - P(X = 0)
6 9 6
0 3 0
P( X 1) 1 1 0.011905 0.988095
9
3
nA 3 6 18
E( X ) 2
N 9 9
9 3 3 6 6
DE X V X 1 0.5 0.7071
9 1 9 9
23
24
SOLUCIÓN
N = 9, A = 6, n=5 y X = Número de tabletas que contiene narcóticos
El rango de X será:
Máx {X} = Mín {n, A } = Mín {5, 6} = 5
Mín {X} = Máx { 0, (n-(N-A)) } = Máx { 0, (5-(9-6) } = Máx {0, 2 } = 2
La distribución de X es:
RX: {2, 3, 4, 5}
X ~
6 3
x 5 x
P( X x ) p( x )
9
5
6 9 6
2 5 2
P ( X 2) 0.11905
9
5
6 9 6
3 5 3
P( X 3) 0.47619
9
5
24
25
6 9 6
4 5 4
P ( X 4) 0.35714
9
5
6 9 6
5 5 5
P( X 5) 0.04762
9
5
nA 5 6 30
E( X ) 3.3333
N 9 9
9 5 5 6 6
DE X V X 1 0.55556 0.74536
9 1 9 9
Ejemplo 2. Considere que una caja que contiene 15 artículos, 10 de los cuales son
aceptables. Se selecciona una muestra de 4.
SOLUCIÓN
25
26
La distribución de X es:
10 15 10
3 4 3
P( X 3) 0.4396
15
4
10 15 10
4 4 4
P( X 4) 0.1538
15
4
P(X ≥ 1) = 1- P(X = 0)
10 15 10
0 4 0
P( X 1) 1 P( X 0) 1 1 0.0037 0.9963
15
4
SOLUCIÓN
26
27
N = 15
A=6
n=5
X = Número de productos con fecha de vencimiento pasada.
La distribución de X es:
6 15 6 6 9
2 5 2 2 3
P( X 2) p(2) 0.41958
15 15
5 5
SOLUCIÓN
N = 15
A = 10
n=8
X = Número de productos con fecha de vencimiento pasada.
27
28
Encontramos las probabilidades para cada uno de los valores de la variable, y lo graficamos
5. Distribución de Poisson:
Sea una variable aleatoria X = Número de ocurrencias por unidad de medición (minuto, hora,
centímetro, metro cuadrado, etc,) de la cual se conoce la tasa media de ocurrencias por unidad
denotada por λ, la cual se mantiene constante durante el período de estudio. Esta
variable sigue una distribución de Poisson, la cual debe su nombre a su creador, el
Matemático Francés Simenon Poisson (1781–1840). La distribución de Poisson tiene
como parámetro a la tasa media de ocurrencias λ, y mide la probabilidad de un evento
aleatorio sobre algún intervalo de tiempo o espacio.
28
29
Rango: Rx = {0, 1, 2, 3, 4, …. }
X ~
e x
Función de cuantía P( X x) p( x)
x!
X : Número de veces que ocurre el evento
: Número promedio de ocurrencias por unidad de tiempo o de espacio (o tasa
promedio de ocurrencias por unidad de tiempo o de espacio)
Varianza : V[x] = λ
29
30
SOLUCIÓN
Rango: Rx = {0, 1, 2, 3, 4, 5, 6, …. }
X ~
e1010 x
Función de cuantía P( X x) p( x)
x!
30
31
e10105
P( X 5) p(5) 0.0378
5!
Otros cálculos
5
e 10105
P( X 5) 0.067085
x 0 5!
P X 5 1 P( X 5) 1 0.067085 0.93915
31
32
SOLUCIÓN
e2 23
P( X 3) p(3) 0.1804
3!
Rango: Rx = {0, 1, 2, 3, 4, 5, 6, …. }
32
33
X ~
e t (t ) x
Función de cuantía P( X x) p( x)
x!
Rango: Rx = {0, 1, 2, 3, 4, 5, 6, …. }
X ~
e23 (2 3) x e6 6 x
Función de cuantía P( X x) p( x)
x! x!
e 6 65
P( X 5) p(5) 0.16062
5!
5.1. Propiedades de la distribución de Poisson:
5.1.1. Si X es una variable con distribución de Poisson con parámetro λ y Y es otra
variable también con distribución de Poisson pero con parámetro µ, entonces
la suma de estas variables generan una nueva variable Z = X + Y con la misma
distribución de Poisson, pero con parámetro dado por (λ + µ).
33
34
5.2. Sea Z una variable aleatoria con distribución de probabilidades Poisson con
parámetro λ. Sea “p” una probabilidad de que la variable Z adquiera un atributo
particular y “(1-p)” es la probabilidad de que no lo adquiera, entonces se generan
dos variables X y Y con la misma distribución de Poisson cada una de ellas, pero
con parámetros (pλ) y (1-p)λ respectivamente.
Estas dos características son conocidas como la propiedad de reproducción de
la distribución de Poisson.
34
35
Suponga que X es una variable aleatoria Binomial con parámetros n y p, es decir que
X Bn, p . Cuando n y p 0 tal que el producto np se mantiene
constante, el cual lo denotamos por , es decir que np ; entonces la distribución
λ = 50*0.02= 1
X B(50, 0.02) P(λ=1)
0 0.364170 0.367879
1 0.371602 0.367879
2 0.185801 0.183940
3 0.060670 0.061313
4 0.014548 0.015328
5 0.002732 0.003066
6 0.000418 0.000511
7 0.000054 0.000073
8 0.000006 0.000009
9 0.000001 0.000001
10 0.000000 0.000000
λ = 200*0.03= 6
X B(200, 0.03) P(λ=6)
0 0.002261 0.002479
1 0.013987 0.014873
2 0.043043 0.044618
35
36
3 0.087860 0.089235
4 0.133828 0.133853
5 0.162250 0.160623
6 0.163086 0.160623
7 0.139788 0.137677
8 0.104301 0.103258
9 0.068817 0.068838
10 0.040652 0.041303
11 0.021716 0.022529
12 0.010578 0.011264
13 0.004731 0.005199
14 0.001955 0.002228
15 0.000750 0.000891
16 0.000268 0.000334
17 0.000090 0.000118
18 0.000028 0.000039
19 0.000008 0.000012
20 0.000002 0.000004
Por lo tanto es fácil deducir que para las condiciones especificadas anteriormente
de una distribución Binomial, podría utilizarse la Distribución de Poisson como una
distribución aproximada, con la cual se obtendrán probabilidades suficientemente
próximas a su valor verdadero Binomial.
36
37
SOLUCIÓN
e10 (10)0
a) P( X 0) 0.000045
0!
El valor de esta probabilidad con su distribución verdadera es
500
P( X 0) (0.02)0 (0.98)500 0.000041
0
La ventaja de usar la distribución aproximada es solamente por facilidad de
cómputo.
b) E X np 500 0.02 10
2
e10 (10) x
c) P( X 2) 1 P X 2 1
x 0 x!
P( X 2) 1 0.000045 0.000454 0.002270
P( X 2) 1 0.002769 0.997231
37
38
EJERCICIOS PROPUESTOS 1
1. Se venden 500 boletos de una rifa, que consiste en un premio de $200, 4 premios de
$50,y 10 premios de $5. Si cada boleto cuesta 1 $, y si Ud. Adquiere un boleto,
a. Hallar la función de probabilidad
b. ¿Qué probabilidad hay de ganar algún premio?
Respuesta a) Valores: 199, 49, 4, -1, Probabilidad: 1/500, 4/500, 10/500, 485/500, b) 0.03
2. Una caja contiene 8 focos de luz eléctrica, tres de los cuales son defectuosos. De la
caja se selecciona al azar un foco y se la prueba, repitiéndose la operación hasta que
aparezca un defectuoso. Sea X la variable aleatoria que se define como el número
de extracciones necesarias hasta que aparezca el primer foco defectuoso. Determine
la distribución de probabilidades de X, si las extracciones son sin reposición.
Respuesta a) Valores: 1, 2, 3, 4, 5, 6, Probab.: 21/56, 15/56, 10/56, 6/56, 3/56, 1/56
3. Un vendedor puede visitar en un día uno o dos clientes con probabilidades 2/5 y 3/5
respectivamente. De cada visita en forma, independiente, puede resultar una venta
por $500 con probabilidad 1/6, ó ninguna venta con probabilidad 5/6. Si X son las
ventas diarias, calcular la media y varianza de X.
Respuesta a) X: Montos de ventas diarias. Valores: 0, 500, 1000, Probab.: 45/60, 14/60, 1/60,
38
39
7. En una encuesta sobre corretaje reporta que el 30% de los inversionistas individuales
ha utilizado a un corredor de descuento; esto es, uno que no cobra las comisiones
completas. En una muestra seleccionada al azar de nueve inversionistas, ¿Cuál es
la probabilidad de que:
a. Exactamente dos de los individuos de la muestra hayan empleado a un corredor de
descuento?
b. Exactamente cuatro de ellos hayan utilizado a un corredor de este tipo?.
c. Entre tres y cinco individuos inclusive hayan utilizado a un corredor de este tipo?
d. Más de cinco individuos hayan utilizado un corredor de este tipo?
8. Un estudiante debe obtener por lo menos el 60% de respuestas correctas en un
examen con 18 preguntas diseñadas cada pregunta con dos alternativas de
verdadero o falso. Si el estudiante lanza una moneda para determinar la respuesta a
cada pregunta, ¿Cuál es la probabilidad de que el estudiante pase?
9. El 75% de la mercadería que recibe un comerciante del fabricante A es de calidad
excepcional, mientras que el 80% de la mercadería que recibe del fabricante B es de
calidad excepcional. El 60% de la mercadería lo recibe de A y el resto de B. Si
seleccionan 4 unidades de la mercadería, ¿Cuál es la probabilidad que se encuentren
2 unidades que sean de calidad excepcional?.
Rpta. p=0.77, X~B(4,p), P[X=2]=0.188
11. Una empresa de electrodomésticos ha creado una nueva lavadora que realiza una
serie de funciones que no hace ninguna otra. Se está planeando una demostración,
pero les preocupa algunos problemas iniciales de producción que han hecho que, en
un 3% de las nuevas lavadoras aparezcan determinados problemas. Entonces, Si se
seleccionan exactamente 40 lavadoras al azar ¿Qué probabilidad tendrían que por
lo menos 2 no funcionen bien?
12. En un proceso de producción, la probabilidad de que se produzca cada artículo que
cumpla con ciertas especificaciones es de 0.99. En determinado momento se plantea
el objetivo de producir 150 artículos que cumplan con las especificaciones; pero al
mismo tiempo se decide detener el proceso de producción, tan luego se produzca el
primer artículo que no cumpla con las especificaciones.
a. ¿Cuál es la probabilidad de lograr el objetivo
b. Si después de producir 100 artículos, aún no se detenido el proceso. ¿Cuál
sería la probabilidad de lograr el objetivo?
Rpta. X= # de artículos producidos hasta que ocurra el primer defectuoso, X~G(0.01), k =
1, 2, etc. a) P[X>150]=(0.99)150, b) P[X>150/X>100]=(0.99)50
13. Una compañía petrolera ha sido designada para perforar pozos en la amazonía
peruana hasta obtener un resultado exitoso. La compañía estima en 0.7 la
probabilidad de no hallar petróleo en cada pozo que perfora
a. Suponga que la compañía petrolera cree que una serie de exploraciones
será rentable si el número de pozos perforados hasta que ocurra el primer
éxito es menor o igual que 5. Calcule la probabilidad de que la exploración
39
40
14. Como subgerente de una empresa de materias primas Ud. debe contratar a 10
personas entre 30 candidatos, 22 de los cuales tienen título universitario. ¿Cuál es la
probabilidad de que 5 de los que Ud. contrate tengan título universitario?
15. De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se
seleccionan 12 para ser enviados a Japón a estudiar un nuevo proceso de
producción. Ocho de los ejecutivos ya tienen algo de entrenamiento en el proceso.
¿Cuál es la probabilidad de que cinco de los enviados tengan algo de conocimiento
sobre el proceso antes de partir para el lejano oriente?
16. Un determinado producto industrial es embarcado en lotes de 20 unidades. Se
escogen 5 ítems al azar de un lote y se rechaza el lote si se encuentra 2 o más
defectuosos; en caso contrario se acepta el lote. Calcular la probabilidad de aceptar
un lote que tiene tres defectuosos si los ítems se escogen uno por uno:
a. Con reposición
b. Sin reposición
Rpta: a) X~B(5, 0.15), P[X≤1] =0.8352, b) X~H(20, 3, 5), P(X ≤ 1] = 0.8596
40
41
REFERENCIAS BIBLIOGRÁFICAS
1. Bautista, Nelly Patricia. (2011). Proceso de la Investigación Cualitativa. Ed. El Manual
Moderno. Bogotá.
2. Box, G., Hunter, W. G., y Hunter, J. S. (1989). Estadística para investigadores. Barcelona:
Reverté.
3. Glass, G.V. y Stanley, J.C. (1980). Métodos estadísticos aplicados a las ciencias sociales.
Barcelona: Editorial Prentice/Hall Internacional.
5. Hair, Anderson, Tatham y Black. (1999). Análisis Multivariante. Ed. Pearson – Prentice Hall.
España.
10. Sharon L. Lohr. (2000). Muestreo: Diseño y Análisis. Ed. Thomson. México.
41