16 de agosto de 2017
2
Captulo 1
ESTADISTICA
Figura 1.1:
Es una ciencia que nos ayuda a recolectar, procesar, analizar datos para sacar conclusiones.
MUESTRA O POBLACION
No existe un analisis especfico, todo depende del tipo del estudio, del contexto
3
4 CAPITULO 1. ESTADISTICA
ESTADISTICA DESCRIPTIVA: Nos permite describir algo que paso hoy o antes
(Analizar los datos que ya existen)
VARIABLES estadisticas.jpg
CUANTITATIVAS Son posibles codificarlas con numeros, pero estos numeros no los
podemos hacer calculos
CONTINUO Suele ser mas exacto. Cuando no existe un incremento fijo. Estos valores los
obtenemos midiendo, ya que depende del objeto de medicion
Nominal Usa nombres para establecer categoras, son solo cualitativas, no se necesita un
orden
de medidas.jpg
NUMERO DE CLASES
k es el numero minimo
1) Primera forma 2k n
como k=5 entonces 25 32
k Z+
K = 1 + Ln(n)/Ln(2)
K = 1 + Ln(32)/Ln(2)
K = 6,09 aproximar a entero superior
K=7
TABLA 33
MEDIDAS DESCRIPTIVAS
descriptivas.jpg
valores o
numeros que permiten caracterizar los datos de una muestra. Tenemos cuatro tipos de medidas:
8 CAPITULO 1. ESTADISTICA
de tendencia central.jpg
9
2) MEDIDAS DE DISPERSION:
de dispersion estadisticas.jpg
3) MEDIDAS DE POSICION:
de forma.jpg
11
Si los datos los tenemos agrupados o en clases, entonces aplicaremos la siguiente formula:
definicion.jpg
de la mediana.jpg
Si tenemos datos agrupados o en clases, aplicamos la siguiente formula:
13
ESTADISTICA.jpg
ejercicio.jpg
15
POSICIONES RELATIVAS
relativas.jpg
16 CAPITULO 1. ESTADISTICA
MEDIDAS DE DISPERSION
VARIANZA: La varianza sera mayor mientras mas lejos estan los valores de la media
poblacional.jpg
grupal.jpg
de variacion.jpg
mientras mas pequeno es el coeficiente es mejor. Podemos calcular con la siguiente formula:
formula.jpg
18 CAPITULO 1. ESTADISTICA
simetrica.jpg
VARIANZA: Es la diferencia del valor de la variable respecto a la media.
estandar.jpg
Se calcula con la siguiente formula:
estandar for.jpg
19
1.jpg
QUARTIL:Uno de los tres puntos que dividen un conjunto de datos numericamente
ordenados en cuatro partes iguales. A estos tres puntos se les llama primer cuartil (tambien
llamado el cuartil inferior), segundo cuartil (el cuartil medio; es la mediana) y el tercer cuartil
(cuartil superior), respectivamente.
n
Posicion Q1=
4
2n
Posicion Q2=
4
3n
Posicion Q3=
4
21
iq.jpg
DECIL: En estadstica descriptiva, el concepto decil se refiere a cada uno de los 9 valores que
dividen un grupo de datos (clasificados con una relacion de orden) en diez partes iguales, y de
manera que cada parte representa un decimo de la poblacion. En resumen, los deciles son
cada uno de los nueve valores que dividen un conjunto de datos en diez grupos con iguales
n
efectivos. Son los nueve valores que dividen la serie de datos en diez partes. Posicion D1=
10
2n
Posicion D2=
10
3n
Posicion D3=
10
in
Posicion Di=
10
Para el calculo de cuartiles con datos grupales o con clases se utiliza la siguiente formula: con
grupos.jpg
DIAGRAMA DE CAJAS O BIGOTES:Un diagrama de caja, tambien conocido como
diagrama de caja y bigotes, es un grafico que esta basado en cuartiles y mediante el cual se
visualiza la distribucion de un conjunto de datos. Esta compuesto por un rectangulo (la
((caja))) y dos brazos (los ((bigotes))).
Es un grafico que suministra informacion sobre los valores mnimo y maximo, los cuartiles Q1,
Q2 o mediana y Q3, y sobre la existencia de valores atpicos y la simetra de la distribucion.
Primero es necesario encontrar la mediana para luego encontrar los 2 cuartiles restantes
de caja.jpg
23
de asimetria.jpg
de sesgos.jpg
media moda
3 =
S
0 > N ormal
COEFICIENTE DE CURTOSIS
Se analiza el sentido vertical de la distribucion
En teora de la probabilidad y estadstica, la curtosis es una medida que sirve para analizar el
grado de concentracion que presentan los valores de una variable analizada alrededor de la
zona central de la distribucion de frecuencias, sin necesidad de generar el grafico.
formula.jpg
DE CURTOSIS.jpg
25
EJERCICIOS DE EJEMPLO:
26 CAPITULO 1. ESTADISTICA
27
28 CAPITULO 1. ESTADISTICA
29
30 CAPITULO 1. ESTADISTICA
31
32 CAPITULO 1. ESTADISTICA
33
34 CAPITULO 1. ESTADISTICA
35
36 CAPITULO 1. ESTADISTICA
37
38 CAPITULO 1. ESTADISTICA
39
40 CAPITULO 1. ESTADISTICA
41
42 CAPITULO 1. ESTADISTICA
Captulo 2
PROBABILIDAD
n(a)
P (a) =
n
Experimento Aleatorio Dan lugar a varios resultados, sin que pueda ser previsible
enunciar con certeza cual va a ser el resultado.
Cardinalidad Contar los casos favorable dentro de los casos totales o posibles
Espacio Muestral Conjunto que contiene a todos los elementos posibles, conjunto universo
muestral formula.jpg
43
44 CAPITULO 2. PROBABILIDAD
A.jpg
compuestos propiedades.jpg
de a union b.jpg
45
DE CONJUNTOS.jpg
46 CAPITULO 2. PROBABILIDAD
TENICAS DE CONTEO:
Un experimento que contenga un conjunto finito que tenga n resultados, puede ser visto como
una sucesion de kpasos en las que hay n1 resultados posibles para el 1er. caso, n2 resultados
posibles para el 2do.caso y as sucesivamente, entonces el No. total de resultados es:
n(U ) = n1 n1 n3 ...... nk
en k pasos
de conteo.jpg
nP n = n!
nP n = 4! = 24
2.jpg
Al lanzar 3 dados de cuantas formas se puede obtener en uno de ellos el 1 y las dos restantes
numeros diferentes?
5C2=10
3C3*5C2=10
47
P (A B) = P (A) P (B) P (A B)
ejercicios de ejemplo
cual es la posibilidad que salga una carta con trebol?
13 4 1 16
Pt = + =
52 52 52 52
P (A B) = P (A) P (B/A)
P (A B) = P (B A)
P (A B) = P (A) P (B)
n(A) 10 10
P (A) = = 3 = = 4,63
n(U ) 6 216
CONSIDERACIONES
1) Nunca se debe asumir que dos eventos son independientes hasta absolutamente seguros
2) Se puede pensar que son eventos independientes cuando los eventos son fsicamentes
independientes, entonces seran estadsticamente independientes.
CONSIDERACIONES
2) Determinar el valor de P (A B) por cualquier otro metodo que no sea el del paso anterior.
ejercicios de ejemplo
Si se arrojan dos dados, uno rojo y el otro blanco. Determinar si los eventos son
independientes, si se definen los siguientes eventos:
A: Dado Rojo, muestra un numero divisible para 3 (3,6)
B: Dado Blanco, muestra un numero divisible para 2 (2,4,6)
2 3 1
1.P (A) P (B) = =
6 6 6
6 1
P (A B) = =
36 6
A B = (3 2; 3 4; 3 6; 6 2; 6 4; 6 6)
Al demostrar la igualdad podemos indicar que si son independientes
Las tablas de contingencia estan referidas a dos caractersticas que presentan cada una dos o
mas sucesos.
de contingencia.jpg
Dicha tabla adopta la forma del diagrama de arbol del dibujo. En este, a cada uno de los
sucesos A y se les ha asociado los sucesos B y .
de arbol.jpg
ejercicios de ejemplo
Un taller sabe que por termino medio acuden: por la manana 3 automoviles con problemas
electricos, 8 con problemas mecanicos y 3 con problemas de chapa, y por la tarde 2 con
problemas electricos, 3 con problemas mecanicos y 1 con problemas de chapa.
1. Calcula el porcentaje de los que acuden por la tarde.
2. Calcula el porcentaje de los que acuden por problemas mecanicos.
3. Calcula la probabilidad de que un automovil con problemas electricos acuda por la manana.
3.jpg
Las respuestas a las cuestiones planteadas basta leerlas en las tabla. As, se obtiene:
4.jpg
PROBABILIDAD TOTAL
El Teorema de la probabilidad
total nos permite calcular la probabilidad de un suceso a partir de probabilidades condicionadas:
57
de probabilidad total.jpg
ejercicios de ejemplo
En la sala de pediatra de un hospital, el 60 porciento de los pacientes son ninas. De los ninos
el 35 porciento son menores de 24 meses. El 20 porciento de las ninas tienen menos de 24
meses. Un pediatra que ingresa a la sala selecciona un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
total, ya que es el suceso condicionado y las cirugas los condicionantes. Dicho valor sera:
Es decir es el 28 porciento
TEOREMA DE BAYES
E1 B = B E1
P (E1) P (B/E1)
P (E1/B) =
P (B)
P (E1) P (B/E1)
P (E1/B) =
P (E1) P (B/E1) + P (E2) P (B/E2) + ... + P (En) P (B/En)
ejercicios de ejemplo
Una empresa que fabrica camisetas posee tres maquinas, A, B y C, producen el 45, 30 y 25
porciento, respectivamente, del total de las piezas producidas en la fabrica. Los porcentajes de
produccion defectuosa de estas maquinas son del 3,4 y 5 porciento respectivamente.
a. Seleccionamos una camiseta al azar; calcular la probabilidad de que salga defectuosa.
b. Tomamos, al azar, una camiseta y resulta ser defectuosa; calcula la probabilidad de haber
sido producida por la maquina B.
c. Que maquina tiene la mayor probabilidad de haber producido una camiseta defectuosa?
6.jpg
a. Para calcular la probabilidad de que la camiseta elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,
P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C)
P (B) P (D/B)
P (B/D) =
P (A) P (D/A) + P (B) P (D/B) + P (C) P (D/C)
0,30 0,04 12
P (B/D) = = = 0,316
(0,45 ,03) + (0,30 0,04) + (0,25 0,05) 38
501.jpg
60 CAPITULO 2. PROBABILIDAD
502.jpg
61
62 CAPITULO 2. PROBABILIDAD
503.jpg
63
aleatoria discreta.jpg
VARIABLES ALEATORIA
Definida por X. Se define como una funcion que se asigna a un numero real a cada resultado
(evento elemental) del espacio muestral.
Una variable aleatoria es una funcion que asigna un valor, usualmente numerico, al resultado
de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces:
(1, 1), (1, 2), etc. o un numero real (p.e., la temperatura maxima medida a lo largo del da en
una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un
experimento aun no realizado, o los posibles valores de una cantidad cuyo valor actualmente
existente es incierto (p.e., como resultado de medicion incompleta o imprecisa).
Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo
pero puede tomar diferentes valores; una distribucion de probabilidad se usa para describir la
probabilidad de que se den los diferentes valores. En terminos formales una variable aleatoria
es una funcion definida sobre un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores
aleatorios como valores logicos, funciones o cualquier tipo de elementos (de un espacio
64 CAPITULO 2. PROBABILIDAD
medible). El termino elemento aleatorio se utiliza para englobar todo ese tipo de conceptos
relacionados. Un concepto relacionado es el de proceso estocastico, un conjunto de variables
aleatorias ordenadas (habitualmente por orden o tiempo).
c c c
c s c
c c s
s c c
c s s
s s c
s c s
s s s
en donde X=[0;1;2;3]
1
f (0) = P (X = 0) =
8
3
f (1) = P (X = 1) =
8
3
f (2) = P (X = 2) =
8
1
f (3) = P (X = 3) =
8
Si sumamos todo nos da 1
PROPIEDADES
1)f (xi) = P (X = xi)
2)0 f (xi) 1
X
3) f (xi) = 1
65
variables aleatorias.jpg
P (X = 1,5) = @
Ya que 1.5 no pertenece al rango
Si Xv es discreta F (x) = P (X x)
PROPIEDADES
a.F (x) = P (X x)
b,0 F (x) 1
c.P (X > x) = 1 P (X x)
funcion F(x).jpg
F (x) = P (X x)
P (X 1,5) = P (x = 0) + P (x = 1)
66 CAPITULO 2. PROBABILIDAD
ejercicios de ejemplo
El analisis de una caja que contiene frutas puede considerarse en terminos del numero de
ellas o sus caractersticas. Una consideracion particular podra ser por ejemplo el numero de
frutas que estan en mal estado dentro de la caja. Entonces X sera la variable aleatoria que
denota el numero de frutas en mal estado dentro de esta caja.
a)Determinar el rango de x
b)Considere ahora que la variable aleatoria X denota el numero de frutas que seran
necesarias extraer hasta obtener 1 en mal estado. Determine nuevamente el rango de x
c) Suponga que la probabilidad de que una caja contenga frutas en mal estado es del 2
porciento y si las muestras son independientes determinar, la distribucion de la probabilidad
de x
a)v.a.X{a; 1; 2; ....; n}
b)v.a.X{1; 2; 3; ....; n}
c)U = {d; sd; ssd; sssd; ....(n 1)sd}
1 2 3 n
2 n1)
0.02 0.98*0.02 (0,98) 0,02 0,02 (0,98)
0,02 + (0,98 = 0,02 + (0,98)2 0,02 + (0,98)3 0,02 + ... + (0,98)13 0,02 = 0,023
67
ALEATORIAS DISCRETAS
matematica.jpg
del ejercicio anterior
5 15 3 3 3
0 +1 +2 +2 =
14 28 28 28 4
esperanza 2.jpg
varianza.jpg
coef asimetria.jpg
Este coeficiente indica la cantidad de datos que hay cercanos a la media, de manera que a
mayor grado de curtosis, mas escarpada (o apuntada) sera la forma de la curva.
curtosis.jpg
del ejercicio anterior la varianza sera:
varianza.jpg
7.jpg
med esperada.jpg
aXdiscretas (n, p)
n N o.de.experimetos
p exito
q f racaso = (1 p)
X = {0; 1; 2; ....; n} inicia.en,0
f(x) [funcion de masa]
f (x) = P (X = x) = cCx px q nk
69
Esperanza Matematica
E(x) = x = n p
Varianza
V (x) = n p q
Este tipo de ensayos son adecuados cuando los tamanos de poblacion son relativamente
pequenos.
x: No. de exitos en la muestra sin reposicion
N: Numero de observaciones, experimentos o conjunto total del analisis
k: Objetos clasificados como extras dentro del conjunto total que se analiza
n-k: Objetos clasificados como fracasos prob hiperg.jpg
x=(0,1,2,......menos valor
entre n y k)
dis acum.jpg
E(x) = x = n p
70 CAPITULO 2. PROBABILIDAD
N n
V (x) = n p q
N 1
np=
v.a.Discreta P ()
x = {0, 1, 2, ...}
su rango no esta definido en su final
0; = n p
Esperanza matematica
(e ) x
f (x) = P (X = x) =
x!
dis acum.jpg
Esperanza matematica
E(x) = = n p
71
Varianza
V (x) = = n p
n!
= P 1x1 P 2x2 ....P k xk
x1! x2! ....... xk!
recordemos que:
x1 + x2 + x3 + ...... + xk = n
P 1 + P 2 + P 3 + .... + P k = 1
Esperanza matematica
E(Xi) = n pi
Varianza
V (x) = = n pi qi
Desviacion estandar
2
x2 = x = x
uniforme continua.jpg
uniforme continua.jpg
Varianza de una v.a. continua: Definicion: Sea X una v.a. continua con esperanza x y
densidad f (x) , la varianza de X,que se denotara V(X),x2 , es: distribucion uniforme
75
continua.jpg
DISTRIBUCION NORMAL: Una variable aleatoria continua, X, sigue una distribucion
normal de media y desviacion tpica , y se designa por N(,), si se cumplen las siguientes
condiciones:
de distribucion normal.jpg
x x
Z=
x
aleatorias de x.jpg
77
propiedades aleatorias.jpg
distribucion exponencial.jpg
ESTADISTICA INFERENCIAL:inferencial.jpg
Tiene como proposito determinar algo acerca de una poblacion en el analisis de una muestra
extrada de ella, y servira para llegar a conclusiones a tomar decisiones en general se divide en
2 partes:
1) Estimacion de parametros
2) Prueba de hipotesis
Con una muestra aleatoria, de tamano n, podemos efectuar una estimacion de un valor de un
parametro de la poblacion; pero tambien necesitamos precisar un:
80 CAPITULO 2. PROBABILIDAD
Intervalo de confianza
Se llama as a un intervalo en el que sabemos que esta un parametro, con un nivel de
confianza especfico.
Nivel de confianza
Probabilidad de que el parametro a estimar se encuentre en el intervalo de confianza.
Todo dato estadstico es una variable aleatoria que depende de los resultados que se obtengan
de cada muestra, de las muestras que se puedan tomar.
Si por ejemplo se considera unicamente los valores dela media obtenida de cada muestra, este
estadstico sera entonces una v.a. que tomara sus valores de acuerdo a los resultados que se
obtenga de cada muestra particular. Por tanto como se trata de v.a. entonces tendra una
Distribucion de probabilidad.
E(x) = x x
x2 N n
V (x) = (
n N 1)
x2
V (x) =
n
para infinitos
x2
x N (x , )
n
t = x x ; n 1 gl
x2
Sx = = x2
n
PRUEBA DE HIPOTESIS Tenemos que empezar por definir que es una hipotesis y que
es prueba de hipotesis.
Hipotesis es una aseveracion de una poblacion elaborado con el proposito de poner aprueba,
para verificar si la afirmacion es razonable se usan datos.
82 CAPITULO 2. PROBABILIDAD
En el analisis estadstico se hace una aseveracion, es decir, se plantea una hipotesis, despues se
hacen las pruebas para verificar la aseveracion o para determinar que no es verdadera.
prueba de hipotesis.jpg
En las pruebas de hipotesis para la media (), cuando se conoce la desviacion estandar ()
poblacional, o cuando el valor
de la muestra es grande (30 o mas), el valor estadstico de prueba es Z y se determina a partir de:
(x1 x2 ) (x1 x2 )
Z= r
2 2
x1 x2
+
n1 n2
83
INTERVALOS DE CONFIANZA:
En la
practica no siempre es posible conocer a toda la poblacion, por lo tanto la informacion sobre
ella se obtiene de una muestra, es decir los parametros poblacionales no se conocen por lo que
es necesario estimar sus valores a partir de las estadsticas muestrales.
Se debe considerar que una estimacion puntual debe ser la mas cercana posible al parametro
poblacional, por lo tanto para poder determinar que tan cercanas estan en realidad estos
valores se emplean intervalos de confianza.
En general se pueden decir que una estimacion por intervalos de un parametro desconocido
sera:
l<
En medias muestrales:
P (xl x ) = 1
Nos indica que tan probable que mi este entre xl y x Intervalo de confianza general:
p(l U = 1 )
v.a.X = x
cualquier valor de x
DE INTERVALO DE CONFIANZA.jpg
85
bilaterales de IC 1.jpg
Unilaterales de IC 2.jpg
de IC 3.jpg
siempre 0 1
INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA
POBLACIONAL CONOCIDA
Suponer que se tiene una poblacion con media desconocida (x ) y varianza conocida (x2 ) si
de esta poblacion se toma una muestra aleatoria (x1,x2,...,xn) de tamano n, la media muestral
(x) sera un estimador puntual dela media desconocida (x ).
de intervalo de confianza.jpg
P (x1 x x ) = 1
x x
P (x Z ( ) (x x + Z ( )) = 1
n n
2 2
x x
en donde: x2 = x Z ( ) y xu = x + Z ( de confianza para la Media Poblacional
n n)
2 2
varianza conocida.jpg
87
DE MEDIAS IC.jpg
88 CAPITULO 2. PROBABILIDAD
2.jpg
90 CAPITULO 2. PROBABILIDAD
3.jpg
91
4.jpg
92 CAPITULO 2. PROBABILIDAD
6.jpg
94 CAPITULO 2. PROBABILIDAD
7.jpg
95
8.jpg
96 CAPITULO 2. PROBABILIDAD
9.jpg
97
10.jpg
98 CAPITULO 2. PROBABILIDAD
11.jpg
99
13.jpg
101
14.jpg
102 CAPITULO 2. PROBABILIDAD
16.jpg
104 CAPITULO 2. PROBABILIDAD
17.jpg
105
18.jpg
106 CAPITULO 2. PROBABILIDAD
PRUEBAS DE HIPOTESIS
Consiste en que alguien de un valor para un parametro para hacer una comprobacion. 1.jpg
107
2.jpg
108 CAPITULO 2. PROBABILIDAD
3.jpg
109
4.jpg
110 CAPITULO 2. PROBABILIDAD
5.jpg
111
6.jpg
112 CAPITULO 2. PROBABILIDAD
7.jpg
113
8.jpg
114 CAPITULO 2. PROBABILIDAD
9.jpg
115
10.jpg
116 CAPITULO 2. PROBABILIDAD
11.jpg
117
12.jpg
118 CAPITULO 2. PROBABILIDAD
13.jpg
119
14.jpg
120 CAPITULO 2. PROBABILIDAD
15.jpg
121
16.jpg
122 CAPITULO 2. PROBABILIDAD
17.jpg
123
18.jpg
124 CAPITULO 2. PROBABILIDAD
19.jpg
125
20.jpg
126 CAPITULO 2. PROBABILIDAD
21.jpg
127
22.jpg
128 CAPITULO 2. PROBABILIDAD
REGRESION LINEAL
Consiste en encontrar una recta que cumpla con la regla de los mnimos cuadrados 1.jpg
129
2.jpg
130 CAPITULO 2. PROBABILIDAD
3.jpg
131
4.jpg
132 CAPITULO 2. PROBABILIDAD
5.jpg
133
6.jpg
134 CAPITULO 2. PROBABILIDAD
7.jpg
135
8.jpg
136 CAPITULO 2. PROBABILIDAD
9.jpg
137
10.jpg
138 CAPITULO 2. PROBABILIDAD
11.jpg
139
101.jpg
141
102.jpg
142 CAPITULO 2. PROBABILIDAD
103.jpg
143
104.jpg
144 CAPITULO 2. PROBABILIDAD
105.jpg
145
106.jpg
146 CAPITULO 2. PROBABILIDAD
107.jpg
147
108.jpg
148 CAPITULO 2. PROBABILIDAD
109.jpg
149
110.jpg
150 CAPITULO 2. PROBABILIDAD
111.jpg
151
112.jpg
152 CAPITULO 2. PROBABILIDAD
112.jpg
153
113.jpg
154 CAPITULO 2. PROBABILIDAD
114.jpg
155
115.jpg
156 CAPITULO 2. PROBABILIDAD
116.jpg
157
117.jpg
158 CAPITULO 2. PROBABILIDAD
118.jpg
159
119.jpg
160 CAPITULO 2. PROBABILIDAD
120.jpg
161
121.jpg
162 CAPITULO 2. PROBABILIDAD
122.jpg
163
123.jpg
164 CAPITULO 2. PROBABILIDAD
124.jpg
165
125.jpg
166 CAPITULO 2. PROBABILIDAD
126.jpg
167
127.jpg
168 CAPITULO 2. PROBABILIDAD
128.jpg
169
129.jpg
170 CAPITULO 2. PROBABILIDAD
130.jpg
171
131.jpg
172 CAPITULO 2. PROBABILIDAD
132.jpg
173
133.jpg
174 CAPITULO 2. PROBABILIDAD
134.jpg
175
135.jpg
176 CAPITULO 2. PROBABILIDAD
136.jpg
177
137.jpg
178 CAPITULO 2. PROBABILIDAD
138.jpg
179
139.jpg
180 CAPITULO 2. PROBABILIDAD
140.jpg
181
141.jpg
182 CAPITULO 2. PROBABILIDAD
142.jpg
183
143.jpg
184 CAPITULO 2. PROBABILIDAD
201.jpg
186 CAPITULO 2. PROBABILIDAD
202.jpg
187
203.jpg
188 CAPITULO 2. PROBABILIDAD
204.jpg
189
205.jpg
190 CAPITULO 2. PROBABILIDAD
206.jpg
191
207.jpg
192 CAPITULO 2. PROBABILIDAD
208.jpg
193
209.jpg
194 CAPITULO 2. PROBABILIDAD
210.jpg
195
211.jpg
196 CAPITULO 2. PROBABILIDAD
212.jpg
197
213.jpg
198 CAPITULO 2. PROBABILIDAD
214.jpg
199
215.jpg
200 CAPITULO 2. PROBABILIDAD
216.jpg
201
217.jpg
202 CAPITULO 2. PROBABILIDAD
218.jpg
203
219.jpg
204 CAPITULO 2. PROBABILIDAD
220.jpg
205
221.jpg
206 CAPITULO 2. PROBABILIDAD
222.jpg
207
223.jpg
208 CAPITULO 2. PROBABILIDAD
224.jpg
209
225.jpg
210 CAPITULO 2. PROBABILIDAD
226.jpg
211
227.jpg
212 CAPITULO 2. PROBABILIDAD
228.jpg
213
229.jpg
214 CAPITULO 2. PROBABILIDAD
230.jpg
215
LATEX