3.1. Definición de variable aleatoria discreta.

Se denomina variable aleatoria discreta aquella que sólo puede tomar un número
finito de valores dentro de un intervalo. Por ejemplo, el número de componentes de
una manada de lobos, puede ser 4 ó 5 ó 6 individuos pero nunca 5,75 ó 5,87. Otros
ejemplos de variable discreta serían el número de pollos de gorrión que llegan a
volar del nido o el sexo de los componentes de un grupo familiar de babuinos.

Una variable aleatoria discreta es una modelización teórica de una característica X

de tipo discreto, en la que nos quedamos con lo esencial que se obtendría en un
proceso de muestreo. Recordemos que una característica X es de tipo discreto
cuando puede tomar una serie de valores claramente separados x1,..., xk. En una
muestra concreta de tamaño n, cada uno de estos valores aparece n1, ..., nk veces
(frecuencias absolutas). La frecuencia relativa de cada valor es fi = ni/n. Ejemplo.-
Vamos a motivar la definición de variable aleatoria discreta mediante un ejemplo
sencillo. Consideramos la variable X=“Resultado obtenido al lanzar un dado
equilibrado con seis caras”. Los valores posibles de esta variable son 1, 2,... , 6. Si
lanzamos el dado 60 veces, las frecuencias absolutas de cada valor pueden ser,
por ejemplo, 8, 11, 14, 7, 11 y 9 y, por tanto, las frecuencias relativas, en este caso,
serian:

8/60 11/60 14/60 7/60 11/60 Si a continuación volvemos a lanzar el mismo dado
otras 60 veces, en las mismas condiciones, las frecuencias relativas serian
parecidas, pero difícilmente iguales. Eso sí, en general, dichas frecuencias relativas
serian seguramente bastante parecidas a 1/6, y serian seguramente más parecidas
a 1/6 cuanto más aumentemos el número de lanzamientos. Lo que hacemos al
definir una variable aleatoria discreta es quedarnos con la esencia del proceso
estudiado, sustituyendo las frecuencias relativas por una función de probabilidad,
prescindiendo así de los resultados de una muestra concreta: 9/60

Definición.- Una variable aleatoria, X, decimos que es de tipo discreto cuando puede
tomar los valores x1,..., xk con probabilidades P(x1),..., P(xk). Estas probabilidades
reciben el nombre de función de masa o función de probabilidad
3.2. Función de probabilidad y de distribución, valor esperado, varianza
y desviación estándar

Una fracción en la que el numerador es igual al número de apariciones del suceso

y el denominador es igual al número total de casos en los que es suceso pueda o
no pueda ocurrir. Tal fracción expresa la probabilidad de que ocurra el suceso". El
enfoque clásico de la probabilidad está basado en la suposición de que todos los
resultados del experimento son igualmente posibles. La probabilidad se calcula de
la siguiente manera:

Ejemplo: El experimento es lanzar un dado. ¿Cuál es la probabilidad de que caiga

un dos hacia arriba? Las caras el dado están numeradas del 1 al 6, entonces hay
una posibilidad de un total de seis de que el número 2 quede hacia arriba:

La principal dificultad que presenta esta interpretación de la probabilidad es que se

basa en sucesos equiprobables, siendo fácil para problemas sencillos, como los de
cartas, dados o urnas, es casi imposible para problemas más complejos.

Frecuencia relativa, es la relación o cociente entre la frecuencia absoluta y el

número total de observaciones. Es la proporción entre la frecuencia de un intervalo
y el número total de datos.

Hay que advertir que el concepto de función de probabilidad sólo tiene sentido para
variables aleatorias que toman un conjunto discreto de valores. Para variables
aleatorias continuas el concepto análogo es el de función de densidad.

Probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho

suceso.
3.3. Distribución Binomial.

En estadística, la distribución binomial es una distribución de probabilidad discreta

que cuenta el número de éxitos en una secuencia de n ensayos
de Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del
éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser
dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se denomina
éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribución binomial el anterior experimento se
repite n veces, de forma independiente, y se trata de calcular la probabilidad de un
determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho, en
una distribución de Bernoulli.

Existen muchas situaciones en las que se presenta una experiencia binomial. Cada
uno de los experimentos es independiente de los restantes (la probabilidad del
resultado de un experimento no depende del resultado del resto). El resultado de
cada experimento ha de admitir sólo dos categorías (a las que se denomina éxito y
fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos
los experimentos (se denotan como p y q o p y 1-p).

Cuando se dispone de una expresión matemática, es factible calcular la probabilidad

de ocurrencia exacta correspondiente a cualquier resultado específico para la
variable aleatoria.

La distribución de probabilidad binomial es uno de los modelos matemáticos

(expresión matemática para representar una variable) que se utiliza cuando la
variable aleatoria discreta es el número de éxitos en una muestra compuesta por n
observaciones.

Cada observación se clasifica en una de dos categorías, mutuamente

excluyentes (los eventos no pueden ocurrir de manera simultánea. Ejemplo: Una
persona no puede ser de ambos sexos) y colectivamente exhaustivos (uno de los
eventos debe ocurrir. Ejemplo: Al lanzar una moneda, si no ocurre cruz, entonces.
3.4. Distribución Hipergeométrica

Suponga que está seleccionando una muestra de elementos de una población y

anota si cada uno posee cierta característica o no. Usted está registrando los
datos característicos de "éxito" ó "fracaso" encontrados en el experimento
binomial. Si el número de elementos en la población es grande en relación con el
número en la muestra, la probabilidad de seleccionar un éxito en un solo ensayo
es igual a la proporción p de éxitos en la población. Debido a que la población es
grande con respecto al tamaño de la muestra, esta probabilidad permanecerá
constante (para fines prácticos) de un ensayo a otro, y el numero x de éxitos en la
muestra seguirá una distribución de probabilidad binomial. Sin embargo, si el
número de elementos en la población es pequeño con respecto al tamaño de la
muestra (n/N 2>05), la probabilidad de un éxito para un ensayo dado depende de
los resultados de ensayos anteriores. Entonces el numero x de éxitos sigue una
distribución de probabilidad hipergeométrica.

Es fácil visualizar la variable aleatoria hipergeométrica x si se piensa en un

recipiente que contiene M pelotas rojas y N - M pelotas blancas, para un total de N
pelotas en el recipiente. Usted selecciona n pelotas del recipiente y anota x, el
número de pelotas rajas que ve. Si ahora define que una pelota raja es un "éxito",
tiene un ejemplo de variable aleatoria hipergeométrica x. La fórmula para calcular
la probabilidad de exactamente k éxitos en n ensayos se da a continuación.

DISTRIBUCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA Una población

contiene M éxitos y N - M fracasos. La probabilidad de exactamente k éxitos en
una muestra aleatoria de tamaño n es:

Características de la distribución hipergeométrica

La distribución hipergeométrica se utiliza en lugar de la binomial cuando n es
relativamente grande en comparación de N.
3.4.1 Aproximación de la Hipergeométrica por la Binomial.

Cuando N es grande y n es relativamente pequeña entonces la distribución correcta

a utilizar es la binomial. Se puede probar que la función de probabilidad
hipergeométrica converge a la función de probabilidad binomial cuando N es grande

Generalmente el muestreo se hace a partir de una población grande, por lo que la

distribución hipergeométrica es mucho menos usada en la vida real que la binomial.
Sin embargo, si la población es pequeña, entonces la distribución correcta a utilizar
será la hipergeométrica.

Es uno de los modelos matemáticos que se utiliza cuando la variable aleatoria

discreta es el número de éxitos en una muestra compuesta por n observaciones.
Cada observación se clasifica en una de dos categorías, mutuamente excluyentes
y colectivamente exhaustivos. A estas categorías se le denomina éxito y fracaso.

Es una distribución discreta relacionada con muestreos aleatorios y sin reemplazo.

Supóngase que se tiene una población de N elementos de los cuales, d pertenecen
a la categoría A y N-d a la B. La distribución hipergeométrica mide la probabilidad
de obtener x elementos de la categoría A en una muestra sin reemplazo de n=1.55

Ejemplo
Un cargamento de 100 grabadoras contiene 25 defectuosas. Si 10 de ellas son
aleatoriamente escogidas para revisión, ¿cuál es la probabilidad de que 2 estén
defectuosas?

Ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas ¿Cuál es la
probabilidad de que 3 sean blancas?

Donde es el tamaño de población, es el tamaño de la muestra extraída, es el número

de elementos en la población original que pertenecen a la categoría deseada y es
el número de elementos en la muestra que pertenecen a dicha categoría. La
notación hace referencia al coeficiente Binomial, es decir, el número de
combinaciones posibles al seleccionar elementos de un total.
3.5. Distribución Geométrica.

En teoría de probabilidad y estadística, la distribución geométrica es cualquiera de

las dos distribuciones de probabilidad discretas siguientes:

La distribución de probabilidad del número X del ensayo de Bernoulli necesaria para

obtener un éxito, contenido en el conjunto { 1, 2, 3,...} o la distribución de
probabilidad del número Y = X − 1 de fallos antes del primer éxito, contenido en el
conjunto { 0, 1, 2, 3,... }.

Como su análoga continua, la distribución exponencial, la distribución geométrica

carece de memoria. Esto significa que si intentamos repetir el experimento hasta el
primer éxito, entonces, dado que el primer éxito todavía no ha ocurrido, la
distribución de probabilidad condicional del número de ensayos adicionales no
depende de cuantos fallos se hayan observado. El dado o la moneda que uno lanza
no tiene "memoria" de estos fallos. La distribución geométrica es de hecho la única
distribución discreta sin memoria.

De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,... } con un valor

esperado dado μ, la distribución geométrica X con parámetro p = 1/μ es la de mayor
entropía. La distribución geométrica del número y de fallos antes del primer éxito es
infinitamente divisible, esto es, para cualquier entero positivo n, existen variables
aleatorias independientes Y 1,..., Y distribuidas idénticamente la suma de las cuales
tiene la misma distribución que tiene Y.

Estas no serán geométricamente distribuidas a menos que n = 1.

3.6. Distribución Multinomial.

En teoría de probabilidad, la distribución multinomial es una generalización de la

distribución binomial. La distribución binomial es la probabilidad de un número de
éxitos en N sucesos de Bernoulli independientes, con la misma probabilidad de éxito
en cada suceso. En una distribución multinomial, el análogo a la distribución de
Bernoulli es la distribución categórica, donde cada suceso concluye en únicamente

un resultado de un número finito K de los posibles, con probabilidades

Se debe destacar que este modelo es un ejemplo de distribución multivariante, es

decir, de distribución conjunta de varias (r) variables aleatorias. En efecto, si
definimos la variable aleatoria X1 como número de veces que se produce el suceso
A1 de un total de n experiencias, y así sucesivamente, tenemos un conjunto
de r variables aleatorias discretas cuya función de densidad conjunta (valorada a la
vez) viene definida por la anterior fórmula. Nótese que si consideramos cada una
de estas variables Xi (i = 1, 2, ..., r) por separado, su distribución es la Binomial de
parámetros n y pi.
3.7. Distribución de Poisson.

Se trata de un modelo discreto, pero en el que el conjunto de valores con

probabilidad no nula no es finito, sino numerable. Se dice que una variable
aleatoria X sigue la distribución de Poisson si su función de densidad viene dada
por:

Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser
positivo. Esta distribución suele utilizarse para contajes del tipo número de
individuos por unidad de tiempo, de espacio, etc. Este resultado se extiende
inmediatamente al caso de n variables aleatorias independientes con distribución
de Poisson. En este caso, la variable suma de todas ellas sigue una distribución de
Poisson de parámetro igual a la suma de los parámetros. Un criterio fácil y rápido
para calcular un intervalo de confianza aproximada de λ es propuesto por Guerriero
(2012).1 Dada una serie de eventos k (al menos el 15 - 20) en un periodo de tiempo
T, los límites del intervalo de confianza para la frecuencia vienen dadas por:

La distribución de Poisson se aplica a varios fenómenos discretos de la naturaleza

(esto es, aquellos fenómenos que ocurren 0, 1, 2, 3,... veces durante un periodo
definido de tiempo o en un área determinada) cuando la probabilidad de ocurrencia
del fenómeno es constante en el tiempo o el espacio.
3.8. Aproximación de la Binomial por la de Poisson.

Si n es “grande” y p es “pequeño” tenemos la siguiente aproximación:

k
 n  k n k np ( np)
 p q e
k  k!

Teorema

Si n y p0 en forma tal que npa entonces C(n,k) pkqnk  ea ak / k!

Demostración

Definimos an = np así que ana. Tenemos que:

 n  k nk n( n  1)  ( n  k  1) k nk
 p q  p q 
k  k!

n
k 1  2  k 1  an 
n  1   1     1   k 1   k
 n  n   n  an  n 

a
e
a
k k
k! n  a  k!
1  n 
=  n 
▼

Ejemplo

Se distribuyen al azar n bolillas entre n cajas. ¿ Cual es la probabilidad de encontrar

k bolillas en una dada caja ?

C(n,k) (1/n)k (1 1/n)nk  e1 / k!

Ejemplo

Durante la segunda guerra mundial cayeron sobre Londres 537 bombas voladoras.
El área afectada fué dividida en 576 sectores iguales. Sea Nk el número real de
sectores en los cuales cayeron k bombas. Suponiendo que las bombas cayeron al
azar, el número esperado de bombas por sector es 537/576= 0.932. La probabilidad
que caigan k bombas en un sector, según la aproximación Poisson , es Pk= e0.932
(0.932)k / k! La tabla adjunta muestra la comparación entre real y teórico:

k 0 1 2 3 4 5

Nk 22 21 93 35 7 1
9 1

576 22 21 99 31 7 2
Pk 6 1

Proceso Poisson

A lo largo del eje positivo del tiempo (t>0) se presentan aleatoriamente eventos. Por
ejemplo, una sustancia radioactiva emite partículas o llegan llamadas a una central
telefónica. El modelo más simple para describir este tipo de proceso es el que se
describe a continuación.

Para 0u<t llamemos Ak(u,t] = {en el intervalo (u,t] se emiten k partículas}.

Haremos las siguientes hipótesis.

I) El proceso es homogéneo con respecto al tiempo:

P{A(u,t]} = Pk(tu)

II) Lo que ocurre en intervalos disjuntos es independiente:

Ak(u,t] y Ak(t,v] son independientes.

III) La probabilidad que se presenten simultáneamente 2 o más eventos es

imposible. Esto se puede expresar imponiendo la condición de que la probabilidad
que se presenten 2 o más eventos en el.
3.9. Distribución Binomial Negativa

La distribución Binomial es una distribución de probabilidad discreta que mide el

número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre
sí, con una probabilidad p de ocurrencia de éxitos en los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotómico, es decir, sólo son

posibles dos resultados( A y no A).

La variable aleatoria es el número de ensayos Bernoulli necesarios para obtener el

primer éxito. Si deseamos conocer el número de estos para conseguir n exitos, la
variable aleatoria es binomial negativa.

Este proceso consta de varias condiciones:

El proceso tiene un número indefinido de pruebas y este concluirá cuando se tenga

un número determinado de resultados favorables K.

Las pruebas pueden dar dos resultados posibles y excluyentes a su vez, es decir,
A y no A.

La probabilidad de obtener un resultado A en las pruebas es p, y la de conseguir no

A es q, de forma que p+q=1.

p y q son constantes en cada prueba y a su vez estas son independientes.

Derivación de la distribución: si la variable aleatoria x es "el número de pruebas

necesarias para conseguir K éxitos o resultados A " ; entonces x seguirá una
distribución binomial negativa con parámetros p y k.

Esta distribución puede considerarse como una extensión o ampliación de la

distribución geométrica. La distribución binomial negativa es un modelo adecuado
para tratar aquellos procesos en los que se repite un determinado ensayo o prueba
hasta conseguir un número determinado de resultados favorables (por vez primera)
.Es por tanto de gran utilidad para aquellos muestreos que procedan de esta
manera. Si el número de resultados favorables buscados fuera 1 estaríamos en el
caso de la distribución geométrica. Está implicada también la existencia de pares.
3.10 Distribución uniforme (discreta)

Si una variable aleatoria puede tomar n valores distintos con iguales probabilidades,
decimos que esta tiene una distribución uniforme discreta; en forma simbólica

Definición
Una variable X tiene una distribución uniforme discreta, y se conoce como variable
aleatoria uniforme discreta, si y solo si su distribución de probabilidad está dada por

1
𝑓(𝑥) = Para 𝑋 = x1, x2, x3,….., xn
𝑛

La media y la varianza de esta distribución son, respectivamente:

1 1 1 1
𝜇 = ∑𝑛𝑖=1 𝑥𝑖 ∙ 𝑛 = 𝑛 ∑𝑛𝑖=1 𝑥𝑖 y𝜎 2 = ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2 ∙ 𝑛 = 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2

La desviación estándar, por tanto, está dada por la siguiente expresión:

∑𝑛
𝑖=1(𝑥𝑖 −𝜇)
2
𝜎=√ .
𝑛

En la mayoría de las calculadoras científicas de bolsillo existe una modalidad

estadística con la cual estos dos parámetros se pueden calcular oprimiendo una
tecla. Pero la obtención de la media y la desviación estándar de una variable
aleatoria por medio de la calculadora en general solo funciona para la distribución
uniforme discreta, la cual la calculadora la asume por default. De hecho, la media
de la variable aleatoria con distribución uniforme discreta es el promedio aritmético
común, denotado en las calculadoras por el símbolo x (x testada).

Como la cara del dado que sale hacia arriba. Obtenga la distribución de probabilidad
de esta variable aleatoria, así como su media y su desviación estándar.

Solución. Naturalmente, si el dado no está cargado, entonces cualquiera de las seis

caras tiene la misma probabilidad de salir, así que la función de distribución de
probabilidad de este ejemplo está dada por

1
𝑓(𝑥𝑖 ) = , 𝑝𝑎𝑟𝑎 𝑖 = 1, 2, … … , 6.
6
Introducción:

La estadística es una ciencia referente a la recolección, análisis e interpretación de

datos, ya sea para ayudar en la resolución de la toma de decisiones o para explicar
condiciones regulares o irregulares de algún fenómeno o estudio aplicado, de
ocurrencia en forma aleatoria o condicional. Sin embargo estadística es mucho más
que eso, dado que en otras palabras es el vehículo que permite llevar a cabo el
proceso relacionado con la investigación científica.

Resulta importante conocer la estadística descriptiva sin importar la profesión que

se haya elegido, ya que es una herramienta que permite mostrar a los estudiantes
o profesionistas cómo organizar y resumir datos. La ordenación y la recopilación de
datos puede presentar variabilidad o incertidumbre para los estudios
encomendados y el solo hecho de conocerlos permite en su momento hacer
correcciones ante alguna anomalía, de ahí la importancia de realizar los cálculos de
las medidas de tendencia central o dispersión. Un gran apoyo para la estadística
descriptiva es la presentación de los datos por medio de tablas o de gráficas,
simplemente porque sintetizan un gran acervo de información y es más sencillo
valorar todos los datos de un fenómeno en general con ellas.

Es transversal a una amplia variedad de disciplinas, desde la física hasta las

ciencias sociales, desde las ciencias de la salud hasta el control de calidad. Se usa
para la toma de decisiones en áreas de negocios o instituciones gubernamentales.

Los primeros estudios estadísticos que se hacían eran los censos, que son estudios
descriptivos sobre todos los integrantes de una población. La elaboración de censos
comenzó en la Edad Antigua, y sigue dándose en nuestros días. La Historia ofrece
gran cantidad de ejemplos de actividad estadística. En antiguas civilizaciones como
Babilonia, Egipto, China, Roma etc. era normal que se elaboraran recuentos de la
población. La estadística aparece incluso en los textos sagrados de varias
religiones. Por ejemplo en la Biblia, en el libro de los Números, se menciona la
elaboración de un censo de población, en el que se anotarían específicamente los
varones mayores de 20 años (aptos para ir a la guerra).
Conclusión:

Una distribución de frecuencia es una tabla de resumen en la que los datos se

disponen en agrupamientos o categorías convenientemente establecidas de clases
ordenadas numéricamente.

En esta forma las características más importantes de los datos se aproximan muy
fácilmente, compensando así el hecho de que cuando los datos se agrupan de ese
modo, la información inicial referente a las observaciones individuales de que antes
se disponía se pierde a través del proceso de agrupamiento o condensación.

La principal ventaja de usar una de estas tablas de resumen es que las principales
características de los datos se hacen evidentes inmediatamente para el lector.
La principal desventaja de tal tabla de resumen es que no podemos saber como se
distribuyen los valores individuales dentro de un intervalo de clase particular sin
tener acceso a los datos originales. El punto medio de la clase, sin embargo, es el
valor usado para representar todos los datos resumidos en un intervalo particular.

El punto medio de una clase (o marca de clase) es el punto a la mitad de los límites
de cada clase y es representativo de los datos de esa clase.

La probabilidad es la posibilidad u oportunidad de que suceda un evento particular.

La probabilidad involucrada es una porción o fracción cuyo valor varía entre cero y
uno exclusivamente. Observamos un evento que no tiene posibilidad de ocurrir (es
decir, el evento nulo), tiene una probabilidad de cero, mientras que un evento que
seguramente ocurrirá (es decir, el evento cierto), tiene una probabilidad de uno.

La regla más evidente para las probabilidades es que deben variar en valor de 0 a
Un evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto tiene
una probabilidad uno de ocurrir. La probabilidad simple se refiere a la probabilidad
de ocurrencia de un evento simple.
Bibliografía

Referencias Bibliográficas:

1.Cabrera, F.A. y Espin, J.V. (1990):. Ámbito Estadistico .Barcelona: P.P.U.

2. Pearson y Addison, W. (2005). Modern organization. Boston: Narcea.

3. Ortega, A.E. martinez , J.V. (2002): Medición y evaluación . Madrid: P.P.U.

4. Tschohl, John (2008); Servicio al estadista; 5a. Edición. ISBN 968-860-752-5.

5. Lovelock, Christopher (2009).Conceptos de la estadistica. Sexta Edición.

Editorial Pearson.

6.Anderson, d. sweeney d. y Williams, T. (1982, 2005).

Estadística para administración y economía. México: Thomson editores.

7.Sote, A. (2005) Principios de Estadística. Caracas: Panapo de

Venezuela.

8.Enciclopedia barda educativa. (2009).Argentina: Arquetipo

grupo editorial.

9.De la horra, j. (2003). Estadística aplicada. Ediciones Díaz

De santos.

10.Blair C., Taylor R. Bioestadística. Peason. Prentice Hall. 2008

11.Walpole R., Myers R., Myers S., Ye K. Probabilidad y Estadística para ingeniería
y ciencias. Octava Edición. Pearson, Prentice Hall. 2007

12.Zimmermann F., Estadística para investigadores. Editorial Escuela Colombiana

de Ingeniería. 2004
Índice:

Introducción 1

3.1. Definición de variable aleatoria discreta. 2

3.2. Función de probabilidad y de distribución, valor 3

Esperado, varianza y desviación estándar.

3.3. Distribución Binomial. 4

3.4. Distribución Hipergeométrica 5

3.4.1 Aproximación de la Hipergeométrica por la 6

Binomial.

3.5. Distribución Geométrica. 7

3.6. Distribución Multinomial. 8

3.7. Distribución de Poisson. 9

3.8. Aproximación de la Binomial por la de Poisson. 10

3.9. Distribución Binomial Negativa 11

3.10 Distribución Uniforme (Discreta) 12

Conclusión 13

Bibliografías 14
 Instituto Tecnológico Superior de Coatzacoalcos

División de ingeniería industrial

Asignatura: Calculo Vectorial

Actividad: Sopa de Letras

Docente: Nila Candelaria de la Cruz Tadeo

Alumno: Orozco Ambrosio Enrique Everardo

Numero de control: 16081176

Grado y Grupo: 3° “A”

Coatzacoalcos, Veracruz a 1 de septiembre del 2017

 Instituto Tecnológico Superior de Coatzacoalcos

División de ingeniería industrial

Asignatura: Calculo Vectorial

PROBLEMAS DE LA 5-8

Docente: Nila Candelaria de la Cruz Tadeo

Alumno: Orozco Ambrosio Enrique Everardo

Numero de control: 16081176

Grado y Grupo: 3° “A”

Coatzacoalcos, Veracruz a 12 de octubre del 2017