INSTITUTO POLITÉCNICO

NACIONAL
ESIME Unidad Azcapotzalco

ALUMNO: BENITEZ HERNANDEZ ALBERTO

BOLETA: 2019361251

PROFESOR: AGUIRRE BUITRON VLADIMIR

PROYECTO: MODELOS CONTINUOS DE

PROBABILIDAD.

GRUPO: 6MM3

“La técnica al servicio de la patria”

 Distribución exponencial.

La distribución exponencial es una distribución continua que se utiliza para modelar

tiempos de espera para la ocurrencia de un cierto evento. Esta distribución al igual
que la distribución geométrica tiene la propiedad de pérdida de memoria. Esto
quiere decir que no importan los resultados anteriores de que ocurriera el evento.
De hecho la distribución exponencial puede derivarse de
un proceso experimental de Poisson con las mismas
características que las que enunciábamos al estudiar la
distribución de Poisson, pero tomando como variable
aleatoria, en este caso, el tiempo que tarda en producirse
un hecho.
Esta ley de distribución describe procesos en los que:
Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra
en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha
pasado nada.
A pesar de lo dicho sobre que la distribución exponencial puede derivarse de un
proceso de Poisson, vamos a definirla a partir de la especificación de su función. de
densidad:
Dada una variable aleatoria X que tome valores reales no negativos {x ³ 0} diremos
que tiene una distribución exponencial de parámetro a con a ³ 0, si y sólo si su
función de densidad tiene la expresión: f(x)= a e^ ax
En consecuencia, la función de distribución será:

La función de Supervivencia se define cómo la probabilidad de que la variable

aleatoria tome valores superiores al valor dado X:

“La técnica al servicio de la patria”

Si el significado de la variable aleatoria es
"el tiempo que transcurre hasta que se
produce el fallo": la función de
distribución será la probabilidad de que el
fallo ocurra antes o en el instante X: y, en
consecuencia la función de supervivencia
será la probabilidad de que el fallo ocurra
después de transcurrido el tiempo X ; por
lo tanto, será la probabilidad de que el
elemento, la pieza o el ser considerado
"Sobreviva" al tiempo X ; de ahí el
nombre.
Como se puede observar las funciones son muy diferentes cuando se ven
gráficamente.

Concretando, si una v.a. continua X distribuida a lo largo de, es tal que su función
de densidad es:

Un cálculo inmediato nos dice que si x>0,

luego la función de distribución es:

Para calcular el valor esperado y la varianza de la distribución exponencial,

obtenemos en primer lugar la función característica

“La técnica al servicio de la patria”

para después, derivando por primera vez (obtenemos la media)

y derivando por segunda vez,

Entonces la varianza vale

“La técnica al servicio de la patria”

Ejemplo:
En una refinería los tubos acero galvanizado que transportan el crudo tienen una
distribución exponencial con media de 30 años. Encuentre la probabilidad de que el
circuito dure más de 60 años.
1 1
𝛽 = 30 → ‫= ג‬ =
𝛽 30
60
𝑃(𝑡 > 𝑐) = 𝑒 −‫ 𝑒 = 𝑐ג‬−30 = 0.1353 = 13.53%

Estimación de parámetros (intervalos de confianza para la media e intervalos

de confianza para la proporción)

La estimación de parámetros es un método que consiste en asignar un valor al

parámetro o al conjunto de parámetros que caracterizan el campo sujeto a estudio.
La fórmula matemática que lo determina se denomina estimador.
Al ser una estimación existe cierto error.
Incluso, aunque el estimador tenga todas las
propiedades óptimas. Por pequeño que sea,
siempre existirá un error.
Así pues, para obtener estimaciones
adaptadas a esa realidad, se crean intervalos
de confianza. Es decir, rangos entre los que
están esos valores estimados con cierto
grado de confianza. El grado de confianza (fiabilidad) se puede modificar. Cuando
mayor sea el grado de confianza, más grande será el intervalo. Eso sí, cuanto
menos error tenga la estimación inicial, más acotado será el intervalo de confianza.
Intervalos de confianza para la media.

Un intervalo de confianza es una técnica

de estimación utilizada en inferencia
estadística que permite acotar un par o
varios pares de valores, dentro de los
cuales se encontrará la estimación
puntual buscada (con una determinada
probabilidad).
Un intervalo de confianza nos va a permitir calcular dos valores alrededor de una
media muestral (uno superior y otro inferior). Estos valores van a acotar un rango

“La técnica al servicio de la patria”

dentro del cual, con una determinada probabilidad, se va a localizar el parámetro
poblacional.
Intervalo de confianza = media +- margen de error
Cuando se nos presentan casos donde tenemos
que trabajar con una gran cantidad de datos, se
hace más factible seleccionar una muestra
estadística. Por ejemplo, 500 personas. Y sobre
dicha muestra, calcular la media. Aunque
seguiríamos sin saber el verdadero valor
poblacional, podríamos suponer que este se va a
situar cerca del valor muestral. A esa media le sumamos el margen de error y
tenemos un valor del intervalo de confianza. Por otro lado, le restamos a la media
ese margen de error y tendremos otro valor. Entre esos dos valores estará la media
poblacional.
En conclusión, el intervalo de confianza no sirve para dar una estimación puntual
del parámetro poblacional, si nos va a servir para hacernos una idea aproximada de
cuál podría ser el verdadero de este. Nos permite acotar entre dos valores en dónde
se encontrará la media de la población.
Factores de los que depende un intervalo de confianza:

• Tamaño de la muestra seleccionada: Dependiendo de la cantidad de datos

que se hayan utilizado para calcular el valor muestral, este se acercará más
o menos al verdadero parámetro poblacional.
• Nivel de confianza: Nos va a informar en qué porcentaje de casos nuestra
estimación acierta. Los niveles habituales son el 95% y el 99%.
• Margen de error de nuestra estimación: Este se denomina como alfa y nos
informa de la probabilidad que existe de que el valor poblacional esté fuera
de nuestro intervalo.
• Lo estimado en la muestra (media, varianza, diferencia de medias…): De esto
va a depender el estadístico pivote para el cálculo del intervalo.
Cálculo del intervalo de confianza.
Paso 1: empieza con
o el número de observaciones n
o la media X
o la Desviación Estándar s

“La técnica al servicio de la patria”

Paso 2: decide qué intervalo de confianza quieres: 95% o 99% son opciones
comunes. Luego encuentra el valor "Z" para ese intervalo de confianza aquí:
Intervalo de
Z
Confianza
80% 1,282
85% 1,440
90% 1,645
95% 1,960
99% 2,576
99,5% 2,807
99,9% 3,291

Paso 3: usa ese valor Z en esta fórmula para el intervalo de confianza

X ± Z (s / √n)
Donde:

o X es la media
o Z es el valor Z elegido de la tabla anterior
o s es la desviación estándar
o n es el número de observaciones
Ejemplo:
En una industria automotriz un ingeniero que supervisa el sellado de neumáticos
quiere calcular un intervalo de confianza de una muestra de 200 neumáticos que
sella una cierta maquina si en promedio diariamente sella 40 neumáticos con una
desviación estándar de 3. Use un intervalo de confianza del 95%.
ẋ= 40 N= 200 σ= 3
De las tablas distribución normal estandarizada a 47.5% o 97.5%
Z= 1.96
𝜎 3
𝐸𝑟𝑟𝑜𝑟 = 𝑧 ∗ = 1.96 ∗ = 0.4158
2 √𝑁 √200
IC95%= (ẋ-error; ẋ+error) = (40-0.4158;40+0.4158)
IC95%= (39.5842;40.4158)

“La técnica al servicio de la patria”

 Intervalos de confianza para la proporción.

Siendo

Tamaño de la muestra:

Ejemplo:
En un control de calidad se analizó una muestra aleatoria de 750 tornillos resultando
defectuosos 80 de ellos. Hallar:

a) Un intervalo de confianza para la proporción de tornillos defectuosos en el

conjunto de producción con 99% de confianza.
b) ¿Cuál es el error máximo cometido en la estimación anterior?
c) Si deseamos que el error cometido, con el mismo nivel de confianza, sea la
décima parte del apartado anterior, ¿cuál ha de ser el tamaño de la muestra?

“La técnica al servicio de la patria”

“La técnica al servicio de la patria”
 Prueba de hipótesis (para la media y para la proporción)
Prueba de hipótesis para la media.

En vez de estimar el valor de un parámetro, a veces se debe decidir si una

afirmación relativa a un parámetro es verdadera o falsa. Es decir, probar una
hipótesis relativa a un parámetro. Se realiza una prueba de hipótesis cuando se
desea probar una afirmación realizada acerca de un parámetro o parámetros de una
población.

Una hipótesis es un enunciado acerca del valor de un parámetro (media, proporción,

etc.).

Prueba de Hipótesis es un procedimiento basado en evidencia muestral

(estadístico) y en la teoría de probabilidad (distribución muestral del estadístico)
para determinar si una hipótesis es razonable y no debe rechazarse, o si es
irrazonable y debe ser rechazada.

La hipótesis de que el parámetro de la población es igual a un valor determinado se

conoce como hipótesis nula. Una hipótesis nula es siempre una de status quo o de
no diferencia.
En toda prueba de hipótesis se presentan 3 casos de zonas críticas o llamadas
también zonas de rechazo de la hipótesis nula, estos casos son los siguientes:

“La técnica al servicio de la patria”

En toda prueba de hipótesis se pueden cometer 2 tipos de errores:

“La técnica al servicio de la patria”

Las pruebas de dos muestras se utilizan para decidir si las medias de dos
poblaciones son iguales. Se requieren dos muestras independientes, una de cada
una de las dos poblaciones. Considérese, por ejemplo, una compañía investigadora
que experimentan con dos diferentes mezclas de pintura, para ver si se puede
modificar el tiempo de secado de una pintura para uso doméstico. Cada mezcla es
probada un determinado número de veces, y comparados posteriormente los
tiempos medios de secado de las dos muestras. Una parece ser superior, ya que
su tiempo medio de secado (muestra) es 30 minutos menor que el de la otra
muestra.
Pero ¿son realmente diferentes los tiempos medios de secado de las dos pinturas,
o esta diferencia muestral es nada más la variación aleatoria que se espera, aun
cuando las dos fórmulas presentan idénticos tiempos medios de secado? Una vez
más, las diferencias casuales se deben distinguir de las diferencias reales.
Con frecuencia se utilizan pruebas de dos muestras para comparar
dos métodos de enseñanza, dos marcas, dos ciudades, dos distritos escolares y
otras cosas semejantes.

“La técnica al servicio de la patria”

La hipótesis nula puede establecer que las dos poblaciones tienen medias iguales:

Para tamaños más pequeños de muestra, Z estará distribuida normalmente sólo si

las dos poblaciones que se muestrean también lo están.

Ejemplo:
La duración media de una muestra de 300 focos producidos por una compañía
resulta ser de 1620 horas.

“La técnica al servicio de la patria”

Como se tiene como dato el tamaño de la población se tiene que verificar si cumple
con la condición para utilizar el factor finito de corrección.

Los cálculos en Excel se muestran en la siguiente imagen:

“La técnica al servicio de la patria”

El gráfico elaborado en la siguiente imagen:

Prueba de hipótesis para la proporción.

Las pruebas de proporciones son adecuadas cuando los datos que se están
analizando constan de cuentas o frecuencias de elementos de dos o más clases. El
objetivo de estas pruebas es evaluar las afirmaciones con respecto a una proporción
(o Porcentaje) de población. Las pruebas se basan en la premisa de que una
proporción muestral (es decir, x ocurrencias en n observaciones, o x/n) será igual a
la proporción verdadera de la población si se toman márgenes o tolerancias para la
variabilidad muestral. Las pruebas suelen enfocarse en la diferencia entre un
número esperado de ocurrencias, suponiendo que una afirmación es verdadera, y
el número observado realmente. La diferencia se compara con la variabilidad
prescrita mediante una distribución de muestreo que tiene como base el supuesto
de que es realmente verdadera.

En muchos aspectos, las pruebas de proporciones se parecen a las pruebas de

medias, excepto que, en el caso de las primeras, los datos muestrales se consideran

“La técnica al servicio de la patria”

como cuentas en lugar de como mediciones. Por ejemplo, las pruebas para medias
y proporciones se pueden utilizar para evaluar afirmaciones con respecto a:

1) Un parámetro de población único (prueba de una muestra)

2) La igualdad de parámetros de dos poblaciones (prueba de dos muestras), y
3) La igualdad de parámetros de más de dos poblaciones (prueba de k muestras).
Además, para tamaños grandes de muestras, la distribución de muestreo adecuada
para pruebas de proporciones de una y dos muestras es aproximadamente normal,
justo como sucede en el caso de pruebas de medias de una y dos muestras.
Ejemplo:
Un estudio realizado por Retail Management reveló que 131 de 468 mujeres
pagaron sus compras al por menor con una tarjeta de crédito concreta, mientras
que de 237 hombres 57 utilizaron la misma tarjeta
a) ¿Hay datos indicadores de una diferencia en la proporción de mujeres y
hombres que utilizan esa tarjeta? Sea α = 0.05
Datos:
Muestra 1: n= 468 mujeres p= 131 p= 131/468= 0.28
Muestra 2: n 237 hombres p= 57 p= 57/237= 0.24
1.- Planteamiento de hipótesis.

2.- Nivel de significancia.

3.- Valor estadístico de prueba.

“La técnica al servicio de la patria”

4.- Regla de decisión.
Se acepta la hipótesis nula porque el valor calculado es 1.14 siendo menor que el
valor critico de 1.96; por lo que la proporción de las mujeres es igual a la proporción
de los hombres.
b) Supongamos que la hipótesis fuera que π w> π M

“La técnica al servicio de la patria”

 Regresión lineal simple.
Los modelos de regresión lineal se utilizan para mostrar o predecir la relación entre
dos variables o factores. El factor que se predice (el factor que resuelve la ecuación)
se llama variable dependiente. Los factores que se utilizan para predecir el valor de
la variable dependiente se denominan variables independientes.

Los buenos datos no siempre cuentan la historia completa. El análisis de regresión

se usa comúnmente en la investigación, ya que establece que existe una correlación
entre las variables. Pero la correlación no es lo mismo que la causalidad. Incluso
una línea en una regresión lineal simple que se ajusta bien a los puntos de datos,
puede no decir algo definitivo sobre una relación de causa y efecto.

En regresión lineal simple, cada observación consta de dos valores. Un valor es

para la variable dependiente y un valor es para la variable independiente.

Se basa en modelos lineales con la fórmula general:

donde:

• a = punto de corte en el eje de ordenadas

• b = pendiente o gradiente de la recta, que son los coeficientes de regresión
• ϵi corresponde al término de residuos, que representa la diferencia entre el
valor observado y el estimado para el individuo i.
Los coeficientes de regresión los tenemos que estimar de los datos, usando el
método de mínimos cuadrados, basado en las siguientes fórmulas, y el criterio de
optimización de máxima verosimilitud.

“La técnica al servicio de la patria”

Una vez estimados estos coeficientes los sustituimos en la fórmula general de la
recta, definiendo así el modelo lineal que ajustamos en el ejemplo gráfico anterior:
pesoˆ=−87.52+3.45∗altura. Nótese que en este caso el punto de corte no tiene
mucho sentido ya que no encontraremos una persona de 0 pulgadas de altura.
La ecuación de regresión lineal simple se representa así: Ε (y) = (β 0 + β 1 x).

La ecuación de regresión lineal simple se representa gráficamente como una línea

recta.

(β 0 es la intersección y de la línea de regresión.

Β 1 es la pendiente.

Ε (y) es el valor medio o esperado de y para un valor dado de x.

Una línea de regresión puede mostrar una relación lineal positiva, una relación lineal
negativa o ninguna relación. Si la línea graficada en una regresión lineal simple es
plana (no inclinada), no hay relación entre las dos variables. si la línea de regresión
se inclina hacia arriba con el extremo inferior de la línea en la intersección y (eje)
del gráfico, y el extremo superior de la línea se extiende hacia arriba en el campo
del gráfico, lejos de la intersección x (eje) existe una relación lineal positiva. si la
línea de regresión se inclina hacia abajo con el extremo superior de la línea en la
intersección y (eje) del gráfico, y el extremo inferior de la línea se extiende hacia
abajo en el campo del gráfico, hacia la intersección x (eje) existe una relación lineal
negativa.
Ecuación de regresión lineal estimada
Si se conocieran los parámetros de la población, la ecuación de regresión lineal
simple (que se muestra a continuación) podría usarse para calcular el valor medio
de y para un valor conocido de x.

“La técnica al servicio de la patria”

Ε (y) = (β 0 + β 1 x).

Sin embargo, en la práctica, los valores de los parámetros no se conocen, por lo

que deben estimarse utilizando datos de una muestra de la población. Los
parámetros de la población se estiman utilizando estadísticas de muestra. las
estadísticas de muestra están representadas por b 0 + b 1. cuando las estadísticas
de muestra se sustituyen por los parámetros de la población, se forma la ecuación
de regresión estimada.

La ecuación de regresión estimada se muestra a continuación.

(ŷ) = (β 0 + β 1 x

(ŷ) se pronuncia y hat.

El gráfico de la ecuación de regresión simple estimada se llama línea de regresión

estimada.

La b 0 es la intersección y.

El b 1 es la pendiente.

La ŷ) es el valor estimado de y para un valor dado de x.

Nota importante: el análisis de regresión no se utiliza para interpretar las relaciones

de causa y efecto entre variables. Sin embargo, el análisis de regresión puede
indicar cómo se relacionan las variables o en qué medida las variables están
asociadas entre sí. Al hacerlo, el análisis de regresión tiende a establecer relaciones
sobresalientes que justifiquen que un investigador conocedor eche un vistazo más
de cerca.

“La técnica al servicio de la patria”

Ejemplo:
Los datos de la siguiente tabla representan las herramientas (X, cm) y los pesos (Y,
kg) de una muestra de 12 almacenes. Para cada herramienta fijada previamente se
observó el peso de una herramienta seleccionada de entre el grupo con dicha
herramienta, resultando:
X 152 155 152 155 157 152 157 165 162 178 183 178
Y 50 61.5 54.5 57.5 63.5 59 61 72 66 72 84 82

Con estos datos vamos a plantear una ecuación de regresión simple que nos
permita pronosticar los pesos conociendo las herramientas. Utilizaremos a = 0.05,
y contrastaremos nuestra hipótesis con la prueba F.
estatura pesos Regresión lineal I.C. para la I.C. individual
media
datos x y x ^2 y ^2 xy y est. Residual L. I. L. S. L. I. L. S.
1 152 50 23104 2500 7600 56.43 -6.43 53.07 59.79 47.30 65.56
2 155 61.5 24025 3782.3 9532.5 59.03 2.47 56.09 61.97 50.05 68.02
3 152 54.5 23104 2970.3 8284 56.43 -1.93 53.07 59.79 47.30 65.56
4 155 57.5 24025 3306.3 8912.5 59.03 -1.53 56.09 61.97 50.05 68.02
5 157 63.5 24649 4032.3 9969.5 60.77 2.73 58.05 63.48 51.85 69.68
6 152 59 23104 3481 8968 56.43 2.57 53.07 59.79 47.30 65.56
7 157 61 24649 3721 9577 60.77 0.23 58.05 63.48 51.85 69.68
8 165 72 27225 5184 11880 67.71 4.29 65.17 70.24 58.85 76.57
9 162 66 26244 4356 10692 65.11 0.89 62.65 67.56 56.27 73.94
10 178 72 31684 5184 12816 78.99 -6.99 74.65 83.33 69.45 88.52
11 183 84 33489 7056 15372 83.32 0.68 78.01 88.64 73.31 93.34
12 178 82 31684 6724 14596 78.99 3.01 74.65 83.33 69.45 88.52

Representación Gráfica

“La técnica al servicio de la patria”

HIPÓTESIS
HO: No hay relación entre la variable peso y la variable herramientas.
HA: Hay relación entre la variable peso y la variable herramientas.

Se obtiene un valor F = 73.08 > 4.96, con lo cual se rechaza la hipótesis nula y
aceptamos que la variable estatura está relacionada con la variable peso con un
95% de confianza.
• De acuerdo con el desarrollo matemático hemos obtenido los siguientes
cálculos:

Lo que nos permite obtener los coeficientes a y b.

b = 1223 / 1409.667 = 0.8676
a = 65.25 – (0.8676) (162.167) = -75.446
INTERPRETACIÓN

• La ecuación de regresión estimada es:

Coeficiente de correlación: R= 0.9379
Coeficiente de determinación: R²=0.8796

“La técnica al servicio de la patria”

El valor de b = 0.8676 indica el incremento del peso en kilogramos, en promedio,
por cada herramienta de aumento.
El valor de a no tiene interpretación práctica en el ejemplo, se interpretaría como el
valor obtenido, en promedio, para el peso Y, cuando la herramienta es 0.
Utilizando la ecuación de regresión para estimar o predecir valores de la variable Y:
Para una herramienta de 180 se obtiene un peso de 80.7 kg.
¿Cuánto se espera que pese (en promedio) 1.60 herramientas?
Sustituyendo el valor de interés en la ecuación:

Se obtiene:

La ecuación de Regresión Lineal estimada para las variables herramientas y peso

muestran, de acuerdo con la prueba F, relación.
Esta relación se ha estimado en un R = 93.7, que indica una fuerte relación positiva.
Además si consideramos el coeficiente de determinación R² = 87.9 podemos indicar
que el 87.9% de las variaciones que ocurren en el peso se explicarían por las
variaciones en la variable de herramientas.

“La técnica al servicio de la patria”

 Conclusiones.
En el ultimo parcial de probabilidad y estadística con concentramos en 4 temas
principales los cuales son distribución de probabilidad exponencial que nos ayuda
a encontrar probabilidades a partir de una media y si deseamos conocer la
probabilidad pasada esa media, antes de pasar esa media o de alguna cantidad que
dependa con anterioridad de otra, muy útil cuando queremos resolver un problema
sencillo con pocos datos.
También vimos los intervalos de confianza que son aproximaciones a una media
con una desviación estándar donde podamos tener un cierto grado de certeza que
lo que decimos es verdad, lo que llamamos como porcentaje de confianza y
garantiza un intervalo donde tengamos los datos.
Después estudiamos las pruebas de hipótesis donde podemos razonar y hacer uso
de las hipótesis para descartar o aceptar alguna propuesta dependiendo de los
datos que tengamos y los que calculemos, existen 3 casos donde determinamos y
disminuye, aumenta o no existe una variación, nos apoyamos de las tablas de
distribución normal y de los valores estadísticos de prueba calculados.
Por último analizamos el tema de regresión lineal y correlación donde partimos de
una tabla con datos relacionados y los graficamos en un diagrama de dispersión, a
partir de aquí tenemos que apoyarnos de fórmulas y cálculos para obtener
ecuaciones de regresión lineales para predecir datos que no estaban en la tabla
pero se encuentran sobre una línea de regresión lineal; también los coeficientes de
correlación y de determinación para comprender y comprobar si es una línea
ascendente o descendente y que tan exacta puede resultar al ser trazada.

“La técnica al servicio de la patria”

Bibliografía
disfruta de las matematicas. (2020). Obtenido de
http://www.disfrutalasmatematicas.com/datos/intervalo-
confianza.html#:~:text=%20Intervalo%20de%20Confianza%20%201%20C%C3%A1lculo%2
0del,de%20inmediato%2C%20y%20%20hacer%20que...%20More%20

Espitia, M. (8 de octubre de 2013). prezi. Obtenido de https://prezi.com/zaewxkk7uabm/prueba-

de-hipotesis-para-proporciones/

EXPONENCIAL, D. (s.f.). UV. Obtenido de

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/exponencial.htm

Ibujes, M. O. (2012). monografias. Obtenido de

https://www.monografias.com/trabajos91/prueba-hipotesis-medias-excel-y-
winstats/prueba-hipotesis-medias-excel-y-winstats.shtml

López, J. F. (3 de octubre de 2017). economipedia. Obtenido de

https://economipedia.com/definiciones/estimacion-de-
parametros.html#:~:text=La%20estimaci%C3%B3n%20de%20par%C3%A1metros%20es%2
0un%20m%C3%A9todo%20que,f%C3%B3rmula%20matem%C3%A1tica%20que%20lo%20
determina%20se%20denomina%20estimador.

Marco, S. F. (2 de octubre de 2017). economipedia com. Obtenido de

https://economipedia.com/definiciones/intervalo-de-confianza.html

P. Armitage, &. G. (s.f.). Centro de Innovación para el Desarrollo y la Capacitación en Materiales

Educativos. Obtenido de
http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/52distribucin_exponencial.ht
ml

profesor10demates. (27 de 09 de 2013). Obtenido de

https://www.profesor10demates.com/2014/06/intervalo-confianza-proporcion.html

RICARDO, R. (s.f.). exonegocios. Obtenido de https://exonegocios.com/que-es-la-regresion-lineal-

simple-y-como-funciona/

Vinuesa, P. (22 de octubre de 2016). CCG-UNAM. Obtenido de

https://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema9_regresion.html

“La técnica al servicio de la patria”