UNIVERSIDAD DEL GOLFO DE MEXICO

CAMPUS MARTINEZ DE LA TORRE, VER

ESTADISTICA APLICADA A LA EDUCACION 2
TRABAJO DE INVESTIGACION

ING. LAZARO GONZALES BACILIO

ALUMNAS:
JESSICA GARCIA GABRIEL
JESSCA A. SAGARDI CADENA
YESENIA RAMIRES HERRERA
CARLOS ERASMO REYES VASQUEZ
LIC. PEDAGOGIA 501

INDICE:

Introduccin ___________________________________________________3


2
Unidad 1 Distribucin de probabilidad para variable aleatorias discretas
1.1 Valor no esperado y varianza __________________________________4
1.2 La distribucin binomial______________________________________4
1.3 La distribucin______________________________________________6
1.4 La distribucin de Poisson_____________________________________7
1.5 Aplicaciones en computadora___________________________________9

Unidad 2 Distribucin de probabilidad para variable aleatorias continas
2.1 Variables aleatorias continuas_________________________________10
2.2 La distribucin normal de probabilidades________________________12
2.3 Aproximacin normal a probabilidad binomial____________________13
2.4 Aproximacin normal a probabilidad de Poisson___________________15
2.5 Aproximacin de Poisson a probabilidad binomial__________________16

Clculos matematicos____________________________________________17
Conclusiones___________________________________________________18
Bibliografa ____________________________________________________19




INTRODUCCION:
Los eventos experimentales de mayor inters con frecuencia son numricos, es decir,
realizamos un experimento y observamos el valor numrico de alguna variable. Si
repetimos el experimento n veces, obtenemos una muestra de datos cuantitativos. Como
ejemplo, supongamos que un producto fabricado en una empresa, se vende en lotes de 20
cajas, cada una de las cuales contiene 12 artculos. A fin de verificar la calidad del

3
producto, el jefe de control de procesos de la empresa selecciona al azar cuatro de entre los
240 artculos de un lote y determina si los artculos estn defectuosos o no. Si ms de uno
de los artculos muestreados resulta defectuoso, se rechazar todo el lote.

Una variable aleatoria es una funcin que cuantifica los resultados de un experimento
aleatorio. Una variable aleatoria discreta X slo puede asumir una cantidad de valores
susceptible de contarse. En estadstica la distribucin de probabilidad para una variable
aleatoria discreta X es una tabla, grfica o frmula que da la probabilidad P(X = x) asociada
a cada posible valor de X. Si consideremos el experimento de lanzar dos veces una moneda
balanceada y se observa el nmero X de caras. Calculemos la distribucin de probabilidad
para X. Sean Ci y Si la observacin de una cara y un sello, respectivamente, en el i simo
lanzamiento, para i = 1, 2. Los cuatro eventos simples y los correspondientes valores de X
se muestran en la tabla.

EVENTO SIMPLE DESCRIPCION P(E) NUM. DE CARAS X
E1 C1C2 1/4 2
E2 C1S2 1/4 1
E3 S1C2 1/4 1
E4 S1S2 1/4 0

El evento x = 0 es la coleccin de todos los eventos simples que producen un valor de
x = 0 en este caso es el nico evento E4, luego la probabilidad de que x asuma el valor
cero es: P(x = 0) = p( 0 ) = P(E4) = . El evento x = 1 contiene dos eventos simples, E2 y
E3. Por tanto, P(x = 1) = p( 1 ) = P(E2) + P(E3) = 1/4 + 1/4 =







UNIDAD #1 DISTRIBUCION DE PROBABILIDAD
PARA VARIABLE ALEATORIAS DISCRETAS.

1.1 VALOR NO ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA
DISCRETA


Esperanza. Sea x una variable aleatoria discreta con distribucin de probabilidades p(x).

4
Entonces el valor esperado o medio de x es = m= E(x)= E xp(x)

Varianza. Sea x una variable aleatoria discreta con distribucin de probabilidades p(x).
Entonces, la varianza de x es s 2 = E[(x -m )2 ]= E(x2 ) -m 2 . La desviacin estndar de x
es la raz cuadrada positiva de la varianza de x.


1.2 LA DISTRIBUCION BINOMIAL

Muchos experimentos en la vida real consisten en efectuar una serie de pruebas de
Bernoulli y son anlogos al lanzamiento de una moneda no balanceada un nmero n de
veces. Suponga que el 20% de los artculos que produce una mquina son defectuosos. En
este caso seleccionar una muestra aleatoria de 10 artculos y analizarlos para determinar si
son defectuosos sera anlogo a lanzar una moneda no balanceada 10 veces, siendo la
probabilidad de obtener una cara (artculo defectuoso) en una sola prueba igual a 0,20.


Las encuestas de opinin pblica o preferencias de los consumidores que generan dos
respuestas (s o no, aprueba o desaprueba, etc.) tambin son anlogas al experimento de
lanzar un moneda no balanceada si el tamao N de la poblacin es grande y el tamao de la
muestra n es relativamente pequeo, digamos 0,10N o menos. Todos estos experimentos
son ejemplos particulares de un experimento binomial.


La distribucin binomial es una distribucin de probabilidades que surge al cumplirse cinco
condiciones:

1. Existe una serie de N ensayos,
2. En cada ensayo hay slo dos posibles resultados,
3. En cada ensayo, los dos resultados posibles son mutuamente excluyentes,
4. Los resultados de cada ensayo son independientes entre si, y
5. La probabilidad de cada resultado posible en cualquier ensayo es la misma de un
ensayo a otro.
Cuando se cumple estas condiciones, la distribucin binomial proporciona cada resultado
posible de los N ensayos y la probabilidad de obtener cada uno de estos resultados.
Para este tipo de distribucin de probabilidad, la funcin matemtica es la siguiente:


Donde: P(X) = probabilidad de X xitos dados los parmetros n y p


5
n = tamao de la muestra
p = probabilidad de xito
1 p = probabilidad de fracaso
X = numero de xitos en la muestra ( X = 0, 1, 2, .. n)

El trmino indica la probabilidad de obtener X xitos de n observaciones en
una secuencia especfica. En trmino indica cuantas combinaciones de los X
xitos entre n observaciones son posibles.
Entonces dado el nmero de observaciones n y la probabilidad de xito p, la probabilidad
de X xitos es:
P(X) = (numero de de secuencia posibles) x (probabilidad de un secuencia especifica)
Por eso que llegamos a la funcin matemtica que representa esta distribucin.













1.3 LA DISTRIBUCION HIPERGEOMETRICA
En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta
relacionada con muestreos aleatorios y sin reemplazo. Supngase que se tiene una
poblacin de N elementos de los cuales, d pertenecen a la categora A y N-d a la B. La
distribucin hipergeomtrica mide la probabilidad de obtener x ( ) elementos
de la categora A en una muestra de n elementos de la poblacin original.
Propiedades:

6
La funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica
puede deducirse a travs de razonamientos combinatorios y es igual a

donde N es el tamao de poblacin, n es el tamao de la muestra extrada, d es el nmero
de elementos en la poblacin original que pertenecen a la categora deseada y x es el
nmero de elementos en la muestra que pertenecen a dicha categora. La notacin
hace referencia al coeficiente binomial, es decir, el nmero de combinaciones posibles al
seleccionar b elementos de un total a.
El valor esperado de una variable aleatoria X que sigue la distribucin hipergeomtrica es

y su varianza,

En la frmula anterior, definiendo

y


se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y la binomial a
muestreos con reemplazo. En situaciones en las que el nmero esperado de repeticiones en

7
el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es
as cuando N es grande y el tamao relativo de la muestra extrada, n/N, es pequeo.

1.4 LA DISTRIBUCION DE POISSON

Se dice que existe un proceso de Poisson si podemos observar eventos discretos en un rea
de oportunidad un intervalo continuo (de tiempo, longitud, superficie, etc.) de tal
manera que si se reduce lo suficiente el rea de oportunidad o el intervalo,
1. La probabilidad de observar exactamente un xito en el intervalo es constante.
2. La probabilidad de obtener ms de un xito en el intervalo es 0.
3. La probabilidad de observar un xito en cualquier intervalo es estadsticamente
independiente de la de cualquier otro intervalo.
Esta distribucin se aplica en situaciones como:
- El numero de pacientes que llegan al servicio de emergencia de un hospital en un
intervalo de tiempo.
- El numero de radiaciones radiactivas que se recibe en un lapso de tiempo,
- El numero de glbulos blancos que se cuentan en una muestra dada.
- El numero de partos triples por ao
Su utilidaden el rea de la salud es muy amplia.
La expresin matemtica para la distribucin de Poisson para obtener X xitos, dado que se
esperan l xitos es:

Donde: P(X) = probabilidad de X xitos dado el valor de l
l = esperanza del nmero de xitos.
e = constante matemtica, con valor aproximado 2.711828
X = nmero de xitos por unidad
La distribucin de Poisson se considera una buena aproximacin a la distribucin binomial,
en el caso que np < 5 y p < 0.1 n > 100 y p < 0.05 y en ese caso l = np. El interes por
sustituir la distribucin Binomial por una distribucin de Poisson se debe a que esta ultima
depende unicamente de un solo parmetro, l , y la binomial de dos, n y p.

Veamos un ejemplo:
Si en promedio, llegan tres pacientes por minuto al servicio de emergencia del hospital del
Nio durante la hora del almuerzo. Cul es la probabilidad de que en un minuto dado,

8
lleguen exactamente dos pacientes? Y Cul es la probabilidad de que lleguen ms de dos
pacientes en un minuto dado?
Datos: l = 3 pacientes por minuto
P(X=2) = ?

Otro ejemplo:
Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribucin de Poisson. En este caso concreto, k
es 5 y , , el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto,
la probabilidad buscada es

Este problema tambin podra resolverse recurriendo a una distribucin binomial de
parmetros k = 5, n = 400 y =0,02.
La distribucin de Poisson, se aplica a varios fenmenos discretos de la naturaleza (esto es,
aquellos fenmenos que ocurren 0, 1, 2, 3, ... veces durante un periodo definido de tiempo o
en un rea determinada) cuando la probabilidad de ocurrencia del fenmeno es constante en
el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la
distribucin de Poisson incluyen:
- El nmero de autos que pasan a travs de un cierto punto en una ruta
(suficientemente distantes de los semforos) durante un periodo definido de tiempo.
- El nmero de errores de ortografa que uno comete al escribir una nica pgina.
- El nmero de llamadas telefnicas en una central telefnica por minuto.
- El nmero de servidores web accedidos por minuto.
- El nmero de animales muertos encontrados por unidad de longitud de ruta.
- El nmero de mutaciones de determinada cadena de ADN despus de cierta
cantidad de radiacin.

1.5 APLICACIONES EN COMPUTADORA
Para resolver esto utilizamos al Excel. De las funciones estadsticas, seleccionamos la
funcin POISSON. Ingresamos la informacin que tenemos: y listo, tenemos el resultado:
P(X=2) = 0.2240

9

Para resolver la segunda parte del problema P(X>2) = ?
Con el Excel encontraremos P(X 2) y hacemos el siguiente clculo:
P(X > 2 ) = 1 - P(X 2)


UNIDAD#2 DISTRIBUCION DE PROBABILIDAD PARA VARIABLES
ALEATORIAS CONTINUAS

2.1 VARIABLES ALEATORIAS CONTINUAS


10
Si una variable discreta toma los valores x
1
, ..., x
k
, la proposicin de la pgina afirma que
las probabilidad de que al hacer un experimento, X tome uno de esos valores es 1, de modo
que cada posible valor x
i
contribuye con una cantidad f(x
i
) al total:




Aun cuando la variable tomase un nmero infinito de valores, x
1
, x
2
, ..., no hay ningn
problema en comprobar que cada x
i
contribuye con una cantidad f(x
i
) al total de modo que




Cuando la variable es continua, no tiene sentido hacer una suma de las probabilidades de
cada uno de los trminos en el sentido anterior, ya que el conjunto de valores que puede
tomar la variable es no numerable. En este caso, lo que generaliza de modo natural el
concepto de suma ( ) es el de integral ( ). Por otro lado, para variables continuas no
tiene inters hablar de la probabilidad de que , ya que esta debe de valer
siempre 0, para que la suma infinita no numerable de las probabilidades de todos los
valores de la variable no sea infinita.
De este modo es necesario introducir un nuevo concepto que sustituya en v.a. continuas, al
de funcin de probabilidad de una v.a. discreta. Este concepto es el de funcin de densidad
de una v.a. continua, que se define como una funcin integrable, que verifica
las dos propiedades siguientes:


y que adems verifica que dado a<b, se tiene que

11


Para determinar la ley de una variable aleatoria continua, hay que calcular su densidad. De
manera equivalente, la ley de una variable continua se determina dando la probabilidad de
que ella pertenezca a un intervalo cualquiera. Es lo que hemos hecho para nuestro
ejemplo de base, el llamado a Random, que es una variable aleatoria continua, de densidad
.
Una variable aleatoria continua de densidad , cae entre y con una
probabilidad igual a :


Mientras ms grande sea la densidad en un segmento, mayores sern las
probabilidades de que caiga en ese segmento, lo cual justifica el trmino ``densidad''.










2.2 LA DISTRIBUCION NORMAL DE PROBABILIDADES

En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o
distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que
con ms frecuencia aparece en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto
de un determinado parmetro. Esta curva se conoce como campana de Gauss.

12
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte
de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observacin se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno,
sin explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah
que al uso de la estadstica en psicologa y sociologa sea coocido como mtodo
correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin por
mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la
normal son:
- caracteres morfolgicos de individuos como la estatura;
- caracteres fisiolgicos como el efecto de un frmaco;
- caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de
individuos;
- caracteres psicolgicos como el cociente intelectual;
- nivel de ruido en telecomunicaciones;
- errores cometidos al medir ciertas magnitudes;
- etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por
ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal,
incluso si la distribucin de la poblacin de la cual se extrae la muestra no es normal.
1

Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con
media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin
subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La
distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn
basados en una supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de
probabilidad continuas y discretas
2.3 APROXIMACION NORMAL A PPROBABILIDAD BINOMIAL

La curva normal tiene forma de campana con un solo pico justo en el centro de la
distribucin. La media, mediana y moda de la distribucin aritmtica son iguales y se
localizan en el pico. La mitad del rea bajo la curva est a la derecha del pico, y la otra
mitad est a la izquierda. La distribucin normal es simtrica respecto a su media.
La distribucin normal es asinttica - la curva se acerca cada vez ms al eje x pero en
realidad nunca llega a tocarlo.

13


Utilizar la distribucin normal (una distribucin continua) como sustituto de una
distribucin binomial (una distribucin discreta) para valores grandes de n, parece
razonable porque conforme n aumenta, una distribucin binomial se acerca ms a una
distribucin normal.
La distribucin de probabilidad normal, en general, se considera una buena aproximacin a
la binomial cuando n y n(1 - ) son ambos mayores que 5.
Recuerde el experimento binomial : existen slo dos resultados mutualmente excluyentes
(xito o fracaso) en cada ensayo. Una distribucin binomial es el resultado de contar el
nmero de xitos en una cantidad fija de ensayos. Cada ensayo es independiente. La
probabilidad es fija de un ensayo a otro, y el nmero de ensayos n tambin es fijo.
Distribucin binomial para n igual a 3 y 20, donde p =.50.
El valor .5 se resta o se suma, dependiendo del problema, a un valor seleccionado cuando
una distribucin de probabilidad binomial (una distribucin discreta) se aproxima por una
distribucin de probabilidad continua (la distribucin normal).
Un estudio reciente de una compaa de investigacin de mercados mostr que 15% de las
casas en Estados Unidos poseen una cmara de video. Se obtuvo una muestra de 200 casas.
De las 200 casas en la muestra cuntas se espera que tengan una cmara de video?



14
Cul es la variancia?

Cul es la desviacin estndar?


Cul es la probabilidad de que menos de 40 casas de la muestra tengan cmara de video?
Se necesita P(X<40) = P(X< 39).
As, Al usar la aproximacin normal,
P(X<39.5) P[z (39.5-30)/5.0498] = P(z 1.8812) P(z<1.88)=.5+.4699 +.9699
.

2.4 APROXIMACION NORMAL A LA PROBABILIDAD DE POISSON.

Cuando la media de una distribucin Poisson es relativamente grande, puede utilizarse la
distribucin normal de probabilidad para aproximar probabilidades tipo Poisson. Una regla
prctica consiste en afirmar que esa aproximacin es aceptable cuando 10.0.

La media y la desviacin estn dar de la distribucin normal de probabilidad se basan en el
valor esperado y la varianza del nmero de eventos de un proceso Poisson. Esta media es

15

=
La desviacin estndar es
=


Como consecuencia del teorema central del lmite, para valores grandes de , una variable
aleatoria de Poisson X puede aproximarse por otra normal dado que el cociente

converge a una distribucin normal de media nula y varianza 1.










2.5 APROXIMACION DE POISSON A PROBABILIDAD BINOMIAL

Si n es grande y p es pequeo tenemos la siguiente aproximacin:
Teorema
Si n y p0 en forma tal que npa entonces C(n,k) p
k
q
nk
e
a
a
k
/ k!
Demostracin
Definimos a
n
= np as que a
n
a. Tenemos que:
!
) (
k
k
np
np
e
k n
q
k
p
k
n

~

|
.
|

\
|

16
=

+
=

|
.
|

\
| k n
q
k
p
k
k n n n
k n
q
k
p
k
n
!
) 1 ( ) 1 (

=
a
e
k
k
a
k
n
n
a
n
n
n
a
k
n
k
n
a
k
n
k
n n
k
n

|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
!
1
1
!
1
1
2
1
1
1

Ejemplos
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)
nk
~ e
1
/ k!
Durante la segunda guerra mundial cayeron sobre Londres 537 bombas voladoras. El rea
afectada fu dividida en 576 sectores iguales. Sea N
k
el nmero real de sectores en los
cuales cayeron k bombas. Suponiendo que las bombas cayeron al azar, el nmero esperado
de bombas por sector es 537/576= 0.932. La probabilidad que caigan k bombas en un
sector, segn la aproximacin Poisson , es P
k
= e
0.932
(0.932)
k
/ k! La tabla adjunta muestra
la comparacin entre real y terico:
k 0 1 2 3 4
>
5
N
k
22
9
21
1
9
3
3
5
7 1
576
P
k

22
6
21
1
9
9
3
1
7 2

CALCULOS MATEMATICOS

1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin
fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da
cualquiera = 0, 1, 2, 3, .., etc, etc.
l = 6 cheques sin fondo por da
e = 2.718

17
b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos
das consecutivos = 0, 1, 2, 3, , etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos
Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar
de lo mismo que x.
2. En la inspeccin de hojalata producida por un proceso electroltico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de
identificar a) una imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos,
c) cuando ms una imperfeccin en 15 minutos.
Solucin:
a) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3, ., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
b) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 5
minutos = 0, 1, 2, 3, ., etc., etc.
l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata
=1-(0.367918+0.367918) = 0.26416
c) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3, .., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
CONCLUSIONES
Entendimos que es una poderosa herramienta estadstica que bien aplicada nos podr
ayudar a facilitar los clculos para la solucin de problemas. Lo cual contina con el
propsito esencial: Ahorro de costos y mejora contina en cualquier mbito en que nos
desarrollemos. Aprendimos que no es limitativa el rea en que nos desempeemos en
nuestro trabajo ya que tanto en Ingeniera como Materiales, en Recursos Humanos como en
un Negocio Propio, en Comercio o en Industria, o bien por puro pasatiempo en el panorama
de la probabilidad estadstica, estas herramientas sern siempre de gran utilidad.

Para esta presentacin aprendimos la aplicacin y manejo de las Distribuciones de

18
Probabilidades ms comunes, la Binomial, la de Poisson y finalmente la distribucin
Normal.

Una de las distribuciones tericas mejor estudiadas en los textos de bioestadstica y ms
utilizada en la prctica es la distribucin normal, tambin llamada distribucin
gaussiana2,3,4,5. Su importancia se debe fundamentalmente a la frecuencia con la que
distintas variables asociadas a fenmenos naturales y cotidianos siguen, aproximadamente,
esta distribucin. Caracteres morfolgicos (como la talla o el peso), o psicolgicos (como
el cociente intelectual) son ejemplos de variables de las que frecuentemente se asume que
siguen una distribucin normal. No obstante, y aunque algunos autores6,7 han sealado
que el comportamiento de muchos parmetros en el campo de la salud puede ser descrito
mediante una distribucin normal, puede resultar incluso poco frecuente encontrar variables
que se ajusten a este tipo de comportamiento.





BIBLIOGRAFIA
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_hipergeom%C3%A9trica
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
http://www-ljk.imag.fr/membres/Bernard.Ycart/emel/cours/mp/node13.html
http://www.bioestadistica.uma.es/libro/node58.htm

19
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
http://www.vadenumeros.es/sociales/aproximacion-binomial-normal.htm
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/guia_estadistica/modulo_7.htm
www.dm.uba.ar/materias/optativas/procesos.../ProcesoPoisson.doc
http://www.mitecnologico.com/Main/AproximacionDeBinomialPorDePoisson