ESTADÍSTICA

“UNIVERSIDAD Y PROBABILIDADES
NACIONAL HERMILIO VALDIZAN”
------------------------------------------------------------------------------------------------------------------------------

E. A. P. DE INGENIERIA CIVIL

CURSO
ESTADÍSTICA Y PROBABILIDADES

INFORME
FUNCIÓN DE PROBABILIDADES Y FUNCIÓN DE
DISTRIBUCIÓN DE UNA VARIABLE CONTINUA

DOCENTE:
ING. RODRIGUEZ GONZALES, JAVIER H.

ALUMNO:
1. CONCHA OLIVARES, ROBERTO FÉLIX.
2. ZEVALLOS TRINIDAD, JHAMES.

2019

------------------------------------------------------------------------------------------------------------------------------

1
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

CONTENIDO

1. Dedicatoria

2. Introducción

3. Objetivos

3.1 Objetivos generales

3.2 Objetivos específicos

4. Marco Teórico

4.1 Variables estadísticas

4.1.1 Cualitativas

4.1.1.1 Ordinales

4.1.1.2 Nominales

4.1.2 Cuantitativas

4.1.2.1 Discretas

4.1.2.2 Continuas

4.2 Variables aleatorias continuas

4.2.1 Función de densidad

4.2.1.1 Propiedades de la función de densidad

4.2.2 Función de distribución

4.2.2.1 Continuas

4.3 Distribuciones de probabilidad continua

5. Conclusiones

6. Recomendaciones

7. Bibliografías

8. Páginas webs

------------------------------------------------------------------------------------------------------------------------------

2
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

DEDICATORIA

Al único Dios Omnisciente, Omnipresente,

Al único Dios Omnisciente, Omnipresente,
Omnipotente, por darnos la fuerza
espiritual cada día para seguir adelante y
Omnipotente
no caer en los vicios que atentan y
deterioran a las personas, para tratar de
lograr nuestros objetivos.

A mis padres por la motivación

constante, por su gran amor y su apoyo
incondicional, cada día inculcándonos
de valores, para ser una persona de
bien.

A nuestro docente por su gran apoyo y

motivación para que podamos culminar
nuestros estudios profesionales, por su
apoyo ofrecido al transmitirnos gran
cantidad de conocimientos para obtener
un mejor aprendizaje.

------------------------------------------------------------------------------------------------------------------------------

3
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

2. Introducción

Los valores de una variable sirven para describir o clasificar individuos o distinguir entre
ellos. La mayoría de nosotros hacemos algo más que simplemente describir, clasificar
o distinguir, porque tenemos ideas respecto a las frecuencias relativas de los valores de
una variable. En estadística decimos que la variable tiene una función de probabilidad,
una función de densidad de probabilidad o simplemente una función de distribución
(Badii & Castillo, 2007).
Las distribuciones de probabilidad están relacionadas con la distribución de frecuencias.
De hecho, podemos pensar en la distribución de probabilidad como una distribución de
frecuencias teórica. Una distribución de frecuencias teórica es una distribución de
probabilidades que describe la forma en que se espera que varíen los resultados.
Debido a que estas distribuciones tratan sobre expectativas de que algo suceda,
resultan ser modelos útiles para hacer inferencias y tomar decisiones de incertidumbre
(Badii et al., 2007a, 2007b).

------------------------------------------------------------------------------------------------------------------------------

4
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

3. Objetivos

3.1. Objetivos Generales

 El objetivo de este informe es brindar información teórico-práctico de manera

que los estudiantes de ingeniería logren comprender la función de
probabilidades y función de distribución de una variable continua; que son de
importancia en nuestra carrera profesional.

3.2. Objetivos Específicos

 Definir el concepto y clasificación de variables estadísticas.

 Definir el concepto de variable aleatoria continua.
 Definir el concepto de función de densidad.
 Definir el concepto de distribución de probabilidad continua.
 Resolver ejercicio relacionado a la función de densidad y función de distribución.

4. Marco Teórico

4.1 Variables estadísticas

Es cada una de las características o cualidades que poseen los individuos de una
población
Por ejemplo: Si hablamos de las bebidas gaseosas, una variable estadística podría
ser el color de las bebidas, hay bebidas amarillas, negras, naranjas, etc.
Otra característica podría ser el contenido de las botellas de gaseosas, hay botellas que
tienen de capacidad de 0.5L, 1L, 3L.

4.1.1 Cualitativas
Son aquellas que expresan características o cualidades y no pueden ser medidas con
números.
Por ejemplo: Las marcas de autos que existen en mi país.
Esta variable puede tomar como las marcas HILUX, NISSAN, TOYOTA, etc.

4.1.1.1 Ordinales
Son aquellas que presentan valores no numéricos, pero hay un orden.
Por ejemplo: Medallas conseguidas en una competencia, pueden ser de oro, de plata
o de bronce; pero hay un orden.

------------------------------------------------------------------------------------------------------------------------------

5
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

4.1.1.2 Nominales
Son aquellas que presentan valores no numéricos, pero no hay un orden.
Por ejemplo: La ciudad de nacimiento de tus amigos, algunos nacieron en Lima, en
Huánuco, en Piura, etc.

4.1.2 Cuantitativas
Son aquellas que expresan características o cualidades y pueden ser expresados con
números.
Por ejemplo: El número de hijos en una familia, pueden haber 2 hijos, 3 hijos, 5 hijos,
etc.

4.1.2.1 Discretas
Son aquellas que presentan un número contable de valores.
Por ejemplo: El número de dedos que tenemos en una mano.

4.1.2.1 Continuas
Son aquellas que presentan un número incontable de valores.
Por ejemplo: Las estaturas de los habitantes de una ciudad.

4.2 Variable Aleatoria Continua

Para una variable continua, X, no tiene sentido definir una función de probabilidad, ya
que P(X = x) = 0 para todo “x”. No obstante, es razonable definir la función de
distribución, F(x) como anteriormente, con la única diferencia que supongamos que ésta
función es ya una función continua en lugar de una función escalera.
En las variables aleatorias continuas, ya no se tienen un número finito de valores, sino
infinito. Por tanto no tiene sentido hablar de la probabilidad de obtener un valor concreto,
pues ésta será siempre cero. Por ejemplo, si consideramos el experimento de
seleccionar al azar un número real comprendido en el intervalo [3,4]. ¿Cuál es la
probabilidad de elegir el número π (3.1416...). Al haber infinitos valores todos con las
mismas posibilidades de ser seleccionados, tendremos que P(3,1416...)=1/∞ = 0. Y
similar resultado se obtiene para cualquier variable continua.
Por tanto, no tiene sentido definir una variable aleatoria continua utilizando la función de
probabilidad. Con variables continuas, hablaremos de probabilidades de obtener valores
en cierto intervalo. Por ejemplo, la probabilidad de tardar más de 10 minutos en realizar
una tarea, o la probabilidad de que una pieza manufacturada tenga una longitud
comprendida entre 7.5 y 7.8 centímetros. Para calcular probabilidades con una variable

------------------------------------------------------------------------------------------------------------------------------

6
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

aleatoria continua usaremos la llamada función de densidad así como la función de

distribución.

4.2.1 Función de Densidad

Como se observó anteriormente, no se puede definir una función de probabilidad para
variables continuas. No obstante, existe una función con características parecidas. Para
una variable continua, X, con función de distribución F(·), se define la función de
densidad de X como:
𝑑𝐹
𝑓(𝑥) =
𝑑𝑥

Supongamos que generamos una muestra grande de datos (x1, x2, … , xn), de una
variable con función de distribución F y que construimos un histograma con la área
normalizada a 1.

La densidad es como el límite del polígono de frecuencias cuando la muestra es muy

grande y las barras son muy finas.
Sea X una variable aleatoria continua que toma valores en la recta real. La función de
densidad, o función de densidad de probabilidad, de X en el punto X = x es una función
f(x) ≥ 0 tal que la probabilidad de obtener un valor entre x1 y x2 es:
𝑥2

P(x1 < X < x2) = ∫ 𝑓(𝑥)𝑑𝑥

𝑥1

La función de densidad de probabilidad es similar a cualquier otra función de densidad

en física. Por ejemplo, la densidad de masa de un cuerpo es su peso por unidad de
volumen, mientras que la función de densidad de probabilidad es la probabilidad por
unidad de medida de la variable X. De esta forma, sumando (integrando) la densidad a

------------------------------------------------------------------------------------------------------------------------------

7
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

lo largo de un número de unidades de medida conseguimos la probabilidad. A

continuación se muestran algunos ejemplos de funciones de densidad de probabilidad.

No es fácil, en general, construir una función de densidad que se adecúe perfectamente

a un problema concreto. Lo que se suele hacer en la práctica es utilizar alguna función
de densidad de las ya existentes en la literatura de forma que describa a nuestra variable
aleatoria suficientemente. En el capítulo siguiente se propondrán funciones de densidad
que pueden usarse como modelos útiles en muchas situaciones reales. En posteriores
capítulos aprenderemos a seleccionar una función de densidad para una población a
partir del análisis de una muestra de datos. Por tanto, en este capítulo, la función de
densidad será una función que nos proporcione un analista, y de la que intentaremos
sacar el máximo de información sobre la variable aleatoria que representa.
La función de densidad puede interpretarse como el polinomio de frecuencias (ver Tema
1) que se obtendría si hiciésemos un histograma con todos los valores posibles de la
variable aleatoria X, es decir con los infinitos valores de la población. Al haber tantos
datos, los intervalos del histograma se podrían hacer entonces muy estrechos, con lo
que el polígono de frecuencias podría ser una función suave. La función de densidad
sería entonces el polinomio de frecuencias límite cuando los intervalos son de ancho dx,
como se ilustra en la siguiente figura.

------------------------------------------------------------------------------------------------------------------------------

8
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

En esta figura, el eje de ordenadas representa las unidades de medida de la variable

aleatoria, por ejemplo los segundos que se tarda en ejecutar una tarea, o los centímetros
de un artículo. En este caso, la figura muestra en el eje de ordenadas de la izquierda las
frecuencias absolutas de cada rectángulo del histograma, pero también podrían ser
frecuencias relativas. Es importante notar que dichas unidades del eje de ordenadas del
histograma no deben confundirse con las unidades de la función de densidad (eje de la
derecha), que son las de probabilidad por unidad de medida. Veamos esta diferencia.
Supongamos un histograma realizado con una muestra de n individuos. Imaginemos un
rectángulo de dicho histograma de altura nc =número de individuos que hay en dicho
rectángulo y anchura a. Denotemos por xc al valor central del rectángulo de forma que
el intervalo de anchura a comprender los valores [xc −a/2; xc +a/2]. Entonces, la
probabilidad de que un individuo tenga un valor dentro de dicho intervalo es:

La función de densidad es entonces una función matemática que permite calcular

mediante integración la probabilidad de sucesos, siendo estos sucesos intervalos de
valores de la variable aleatoria X. Por tanto, una función de densidad debe cumplir:
∞

∫ 𝑓(𝑥)𝑑𝑥 = 1
−∞

Al tratarse de función de densidad, y no de probabilidad, es posible que una función de

densidad pueda valer más de 1 en algún punto.

4.2.1.1 Propiedades de la Función de Densidad

Estas propiedades son semejantes a las propiedades de la función de probabilidad para

una variable discreta pero observamos que la densidad no está restringida a ser menor
de 1.

------------------------------------------------------------------------------------------------------------------------------

9
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

Por ejemplo:
Sea X = longitud de cierta pieza, que se distribuye según la siguiente función de
densidad.

¿Cuál debe ser el valor de k para que f(x) sea una función de densidad?. Para calcular
k podemos aplicar la restricción. Se tiene entonces que

La siguiente figura representa esta función de densidad.

Una vez definida la función de densidad se pueden calcular probabilidades. Estas piezas
se consideran válidas si su longitud está comprendida entre 1.7 cm y 2.4 cm. ¿Cuál es
la probabilidad de que una pieza sea útil? Esta probabilidad será el área bajo la curva
f(x) que está comprendida en el intervalo [1.7;2.4], es decir:

------------------------------------------------------------------------------------------------------------------------------

10
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

Por tanto, algo más del 50 % de las piezas serán válidas. Este resultado indica que el
proceso de producción es muy deficiente, pues casi la mitad de las piezas son
defectuosas, como puede verse en la figura siguiente; mientras que en un proceso que
tenga un funcionamiento adecuado la proporción de piezas defectuosas es mínima.
Nótese que al tratarse de variables continuas, es irrelevante utilizar el signo = en las
desigualdades. Por ejemplo, se cumple que P(X ≥ x) = P(X>x).

4.2.2 Función de Distribución

La definición de función de distribución en variables aleatorias continuas es la misma
que en el caso de variables discretas. Es decir, la función de distribución en el punto x
es F(x) = P(X ≤ x). Usando la función de densidad para calcular probabilidades se tiene
que:

De esta expresión se deduce también que:

Si conocemos la función de distribución, es también sencillo calcular la probabilidad de

obtener un valor en cierto intervalo:

------------------------------------------------------------------------------------------------------------------------------

11
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

Por ejemplo:
Sea X una variable aleatoria con función de densidad

Siendo “a” una constante. Calcularemos en primer lugar el valor de a para que f sea una
función de densidad. Posteriormente calcularemos la función de distribución de
probabilidad.

La siguiente figura muestra esta densidad f(x):

Como la función de densidad está definida por tramos, habrá que calcular F(x) en cada
uno de esos tramos.

------------------------------------------------------------------------------------------------------------------------------

12
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

------------------------------------------------------------------------------------------------------------------------------

13
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

4.3 Distribuciones de Probabilidad Continua

Entre las funciones de probabilidad continuas están: Distribución Uniforme, Distribución
Normal, Distribución Beta, Distribución Gamma, Distribución Exponencial, Distribución
Ji-cuadrado, Distribución t de Student, Distribución F de Snedecor.

4.3.1 Distribución normal

 La curva normal tiene forma de campana con un solo pico justo en el centro de
la distribución.
 La media, mediana y moda de la distribución aritmética son iguales y se
localizan en el pico.
 La mitad del área bajo la curva está a la derecha del pico, y la otra mitad está a
la izquierda.
 La distribución normal es simétrica respecto a su media.
 La distribución normal es asintótica - la curva se acerca cada vez más al eje x
pero en realidad nunca llega a tocarlo.

------------------------------------------------------------------------------------------------------------------------------

14
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

4.3.2 Distribución “t” de Student

 Desarrollada con base en distribuciones de frecuencia empíricas por William

Gosset, (a) “Student”.

 Distribución muestral del promedio se ajusta muy bien a la distribución Normal

cuando se conoce s. Si n es grande, esto no presenta ningún problema, es
razonable sustituirla por s cuando es desconocida.

 Sin embargo, en el caso de usar valores de n < 30, o sea en el caso de

pequeñas muestras, esto no funciona tan bien.

 Es continua, tiene forma de campana y es simétrica respecto al cero como la

distribución z.

 La distribución “t” está más dispersa y es más plana en el centro que la

distribución z, pero se acerca a ella cuando el tamaño de la muestra crece.

------------------------------------------------------------------------------------------------------------------------------

15
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

4.3.3 Distribución Chi-Cuadrada

 Asimétrica y asintótica al eje x por la derecha; Su dominio va de 0 a + y el

area bajo la curva desde 0 a + =1
 Tiene parámetro  = n-1 (g.l.)
 Al aumentar n se aproxima a la normal.
 Representa distribución muestral de varianza.
Entre las aplicaciones:

 Determinación intervalos confianza para varianzas.

 Pruebas de hipótesis para una varianza.
 Tablas de contingencia.
 El ajuste de datos a una distribución dada conocida.
 Las pruebas de independencia.

Valores  2 para varios , Área a su derecha = .

1ª columna = 

------------------------------------------------------------------------------------------------------------------------------

16
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

1ª fila: áreas en la cola a la derecha de  2

Cuerpo tabla son los valores de  2

Calcular el valor de  2 después del cual se encuentre el 5% del área en una distribución Ji-
cuadrado con 4 g.l.

------------------------------------------------------------------------------------------------------------------------------

17
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

4.3.4 Distribución F

 Cada miembro de la familia está determinado por dos parámetros: los grados
de libertad (gl) en el numerador y los grados de libertad en el denominador.
 El valor de F no puede ser negativo y es una distribución continua.
 La distribución F tiene sesgo positivo.
 Sus valores varían de 0 a  . Conforme F   la curva se aproxima al eje X.

Tablas independientes de valores de F para =0.01 y =0.05 para varias

combinaciones de 1 y 2. Se escoge la tabla para la probabilidad deseada y se
escoge 1 en la fila superior y 2 en la 1ª columna. La intersección nos da el valor de
F deseado. Determine la probabilidad de tener un valor de F mayor que 9.28 en una
distribución F con 1=3 y 2=3 g.l.

------------------------------------------------------------------------------------------------------------------------------

18
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

4.3.5 Distribución Uniforme

Es una distribución en el intervalo [a, b] en la cual las probabilidades son las mismas
para todos los posibles resultados, desde el mínimo de a hasta el máximo de b.
Función de densidad de una distribución uniforme es f(x)= 1/(𝑏−𝑎)
La media, valor medio esperado o esperanza matemática de una distribución uniforme
su fórmula es: μ = (𝑎+𝑏)/2 y varianza: 𝜎 2 = (𝑏−𝑎) 2 /12

4.3.6 Distribución Gamma

La distribución Gamma tiene su origen en la familia de curvas sesgadas propuestas
por Karl Pearson. Las distribuciones estadísticas de muchas variables atmosféricas
son claramente asimétricas y sesgadas. Por ejemplo la precipitación o la rapidez del
viento, las cuales no pueden tomar valores negativos. En instalaciones o aparatos con
posibilidad de fallas durante la vida del sistema.

4.3.7 Distribución Exponencial o Lambda

La distribución Gamma especial para la cual =1 se llama distribución exponencial. La

variable aleatoria continua X tiene una distribución exponencial con parámetro, si su
función de densidad de probabilidad es:
------------------------------------------------------------------------------------------------------------------------------

19
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

4.3.8 Distribución Weibull

La distribución de Weibull se usa con frecuencia para modelar el tiempo hasta que
ocurre una falla en muchos sistemas físicos diferentes. La variable aleatoria continua X
tiene una distribución Weibull con parámetros ⍺ y β, si su función de densidad es:

4.3.9 Distribución Beta

La distribución beta es posible para una variable aleatoria continua que toma valores en
el intervalo [0,1], lo que la hace muy apropiada para modelar proporciones. La
distribución de probabilidad beta es:

------------------------------------------------------------------------------------------------------------------------------

20
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

5. Conclusiones

 Una vez desarrollado el tema sobre probabilidades se puede llegar a las siguientes
conclusiones: A través de esas construcciones teóricas, se podrá experimentar sobre aquello
que la realidad no permitía; se usa extensamente en áreas como la estadística, la física, la
matemática, la ciencia para lograr conclusiones sobre la probabilidad de sucesos potenciales
en sistemas complejos. Debido a la necesidad de modelar lo observable la probabilidad
constituye un importante parámetro en la determinación de las diversas casualidades
obtenidas tras una serie de eventos esperados dentro de un rango estadístico; un modelo
resulta extremadamente útil, siempre que se corresponda con la realidad que pretende
representar o predecir; por ello es necesario conocer cada distribución de la probabilidad
en el caso específico, sus usos y formas de aplicarlas. Asimismo, la probabilidad mide la
frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un
experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones
suficientemente estables; en este sentido se recurre a diferentes distribuciones de
probabilidad como weibull, erlang, exponencial, gamma, continua según el caso y uso.

 Cuando hablamos del valor esperado de una variable aleatoria continua podemos decir que
Las variables aleatorias en si contienen la descripción de su comportamiento en la función
de distribución o en la función de densidad según sea el caso.

 También se concluimos que en la mayoría de las distribuciones de probabilidad si

conociéramos la esperanza y la varianza sabríamos mucho a cerca de la distribución, incluso
en algunos casos..

 Las distribuciones de probabilidad están relacionadas con la distribución de frecuencias;

debido a que las distribuciones tratan sobre expectativas de que algo suceda, resultan ser
modelos útiles para hacer inferencias y tomar decisiones de incertidumbre una distribución;
por ello la distribución de frecuencias teórica es una distribución de probabilidades que
describe la forma en que se espera que varíen los resultados

6. Recomendaciones

 Como recomendación principal se debe realizar una investigación más extensa en estos
temas, tomando como referencia otras ya realizadas.

 Poner en práctica la teoría para distintos campos de aplicación tanto en la física, ingeniería,
hidráulica, demografía, etc.

------------------------------------------------------------------------------------------------------------------------------

21
 ESTADÍSTICA Y PROBABILIDADES
------------------------------------------------------------------------------------------------------------------------------

7. Bibliografía

 BERENSON, Mark L., Levine, David M., Krehbiel, Timothy C., (2006) Estadística
para administración. México: Pearson Educación.
 DEVORE, Jay L. Probabilidad y estadística para ingeniería y ciencias. Thomson
Learning, México, quinta edición 2001.
 FERNÁNDEZ Fernández, Santiago, Cordero Sánchez, José María, Córdoba Largo,
Alejandro., (2002) Estadística descriptiva., Madrid, España: Esic
 GOVINDEN, Lincoyán, (1985), Introducción a la Estadística, Ed. McGraw Hill.
Interamericana
 HINES, W. – Montgomery D. Probabilidad y Estadística para Ingeniería, CECSA,
México, segunda edición, 2002.
 JOHNSON, Robert, (2003), Estadística Elemental, Ed. Math Learning, Ed.
Tercera, México DF.
 KAZMIER, J. Leonard, (1990). Estadística Aplicada a la Administración y
la Economía,
 LEVIN, Richard I., Rubin, David S., (2010) Estadística para administración y
economía. México: Pearson Educación.
 LIND, Marchal, (2005), Estadística Aplicada a los Negocios y a la Economía, Ed.
McGraw- Hill,
 MONTGOMERY, Douglas – Runger George C. Probabilidad y Estadística
Mcgraw-Hill, segunda edición, 2002.
 ROSS, Sheldon, M. Probabilidad y Estadística para ingenieros. Mcgraw-Hill
Primera ed. 2001.
 SPIEGEL, Murray, (2000), Estadística, Serie de Compendios Schaum, Ed.
McGraw-Hill, México.
 WALPOLE R.E., Myers R. H., Myers S. L. Probabilidad y estadística para
ingenieros. Prentice Hall, México, sexta edición 1999.

8. Páginas webs
 http://www.est.uc3m.es/esp/nueva_docencia/comp_col_leg/ing_tec_inf_gestion/estadistica/Doc
umentacion/Temario_sinpres/VariablesAleatorias/Apuntes_VAleatorias.pdf
 http://halweb.uc3m.es/esp/Personal/personas/mwiper/docencia/Spanish/Teoria_Est_El/tema5_o
rig.pdf
 http://lic.mat.uson.mx/programas/probabilidad.pdf
 https://www.fiwiki.org/images/f/f1/5.Tema_5.pdf
 https://es.wikipedia.org/wiki/Variable_estad%C3%ADstica
 http://www.spentamexico.org/v4-n1/4(1)%20149-178.pdf
 https://www.youtube.com/watch?v=Tb3sgUSd2SQ
 https://www.youtube.com/watch?v=fMW5S6JdMzg
 https://www.youtube.com/watch?v=YxLx0jm7SaI
------------------------------------------------------------------------------------------------------------------------------

22