ESTADISTICA INFERENCIAL I

TAREA 1
EQUIPO:
MIGUEL GONZALEZ DIAZ
HERNANDEZ FUENTES OLIVER
TEZOCO ZEPAHUA PABLO OSWALDO
RAMIREZ MARIANO

ESTADISTICA INFERENCIAL I

1.1 Ejemplos de poblacin finita

1.2 Ejemplos de poblacin infinitas..

1.3 Que es y cmo se representa las medidas de estadstica.

1.4 En que consiste la representatividad de una muestra

1.5 Ejemplos de variable discreta.

1.6 Ejemplos de variable contina ...

1.7 Teoremas de probabilidad y estadstica

1.8 formulas.

1.9 Formulas ms importantes.

Qu es la estadstica?

La estadstica es la parte de las matemticas que se ocupa de los mtodos para recoger, organizar,
resumir y analizar datos, as como para sacar conclusiones vlidas y tomar decisiones razonables
basadas en tal anlisis
Poblacin Finita: es el conjunto compuesto por una cantidad limitada de elementos, como el nmero de
especies, el nmero de estudiantes, el nmero de obreros.
Ejemplo 1: Calcule la media de los siguientes nmeros:
10, 11, 12, 12, 13

1. Sumar las cantidades

< 10 + 11 + 12 + 12 + 13 = 58>
2. Dividir la suma por la cantidad de elementos < 58/5>
3. El resultado es la media <11.6>

Ejemplo 2: Buscar la moda de:

14

16

18

16

15

12

14

14

16

18 20 16 16

El 14 se repite 3 veces.
El 18 se repite 2 veces.
El 16 se repite 5 veces.
Por lo tanto, la moda es 16.

Ejemplo 3: Buscar la moda de:

23

35

45

33

47

31

29

22

Como ningn nmero se repite, no tiene moda.

Poblacin infinita
Ejemplo 1: Desde la perspectiva de un modelo de espera, la situacin de espera se genera del siguiente
modo:
1.- Cuando un cliente llega a la instalacin se forma una cola de espera (fila o lnea).
2.-El servidor elige un cliente de la lnea de espera para comenzar a prestar el servicio.
3.-Al finalizar un servicio, el cliente abandona el servicio y se repite el proceso de elegir un cliente (en
espera).

Ejemplo 2:
Cuntas palabras de tres letras se pueden formar con cinco consonantes y tres vocales de modo que
cada palabra comience y termine en consonante?
C V C
--- --- ---

5.3.4 = 60 (regla del producto)

5 3 4
Ejemplo 3:
Un estudiante que realiza un examen debe responder 7 de las 10 preguntas. El orden no importa. De
cuntas formas puede responder el examen?
Existen
10 10! 10.9.8
C7 = --- = ------ = 120
7!3! 3.2.1
Combinaciones posibles de preguntas que puede contestar.

MEDIDAS DE ESTADSTICA
Medidas descriptivas

Las medidas descriptivas son valores numricos calculados a partir de la muestra y que nos resumen la
informacin contenida en Ella.

Medidas

es

decir,

de
cuartiles,

de Posicin: Cuantiles
Los cuantiles son valores de la distribucin que la dividen
en partes iguales,
en intervalos, que
comprenden el mismo nmero
valores. Los ms usados son los
los deciles y los percentiles.

PERCENTILES: son 99 valores que dividen en cien partes iguales el conjunto de datos
ordenados. Ejemplo, el percentil de orden 15 deja por debajo al 15% de las observaciones,
y por encima queda el 85%

CUARTILES: son los tres valores que dividen al conjunto de datos ordenados en cuatro partes iguales,
son un caso particular de los percentiles:
- El primer cuartil Q 1 es el menor valor que es mayor que una cuarta parte de
los datos
- El segundo cuartil Q 2 (la mediana), es el menor valor que es mayor que la
mitad de los datos
- El tercer cuartil Q 3 es el menor valor que es mayor que tres cuartas partes
de los datos
DECILES: son los nueve valores que dividen al conjunto de datos ordenados en diez partes iguales, son
tambin un caso particular de los percentiles.
Ejemplo:

Dada la siguiente distribucin en el nmero de hijos (Xi) de cien familias, calcular sus cuartiles.
xi

ni

Ni

14

14

10

24

15

39

26

65

20

85

15

100

n=100

Solucin:
1.
Primer cuartil:
2.
Segundo cuartil:
3.
Tercer cuartil:

Medidas de Centralizacin
Nos dan un centro de la distribucin de frecuencias, es un valor que se puede tomar como representativo
de todos los datos. Hay diferentes modos para definir el "centro" de las observaciones en un conjunto de
datos. Por orden de importancia, son:
MEDIA: (media aritmtica o simplemente media). es el promedio aritmtico de las observaciones, es
decir, el cociente entre la suma de todos los datos y el nmero de ellos. Si xi es el valor de la variable y
ni su frecuencia, tenemos que:

Si los datos estn agrupados utilizamos las marcas de clase, es decir c i en vez de xi.

MEDIANA (Me): es el valor que separa por la mitad las observaciones ordenadas de menor a mayor, de
tal forma que el 50% de estas son menores que la mediana y el otro 50% son mayores. Si el nmero de
datos es impar la mediana ser el valor central, si es par tomaremos como mediana la media aritmtica
de los dos valores centrales.

MODA (M0): es el valor de la variable que ms veces se repite, es decir, aquella cuya frecuencia absoluta
es mayor. No tiene porque ser nica.

Medidas de Dispersin
Las medidas de tendencia central tienen como objetivo el sintetizar los datos en un valor representativo,
las medidas de dispersin nos dicen hasta que punto estas medidas de tendencia central son
representativas como sntesis de la informacin. Las medidas de dispersin cuantifican la separacin, la
dispersin, la variabilidad de los valores de la distribucin respecto al valor central. Distinguimos entre

medidas de dispersin absolutas, que no son comparables entre diferentes muestras y las relativas que
nos permitirn comparar varias muestras.
MEDIDAS DE DISPERSIN ABSOLUTAS
VARIANZA ( s2 ): es el promedio del cuadrado de las distancias entre cada observacin y la media
aritmtica del conjunto de observaciones.

Haciendo operaciones en la frmula anterior obtenemos otra frmula para calcular la varianza:

Si los datos estn agrupados utilizamos las marcas de clase en lugar de X i.

DESVIACIN TPICA (S): La varianza viene dada por las mismas unidades que la variable pero al
cuadrado, para evitar este problema podemos usar como medida de dispersin la desviacin tpica que
se define como la raz cuadrada positiva de la varianza

Para estimar la desviacin tpica de una poblacin a partir de los datos de una muestra se utiliza la
frmula (cuasi desviacin tpica):

RECORRIDO O RANGO MUESTRAL (Re). Es la diferencia entre el valor de las observaciones mayor y
el menor. Re = xmax - xmin
MEDIDAS DE DISPERSIN RELATIVAS
COEFICIENTE DE VARIACIN DE PEARSON: Cuando se quiere comparar el grado de dispersin de
dos distribuciones que no vienen dadas en las mismas unidades o que las medias no son iguales se
utiliza el coeficiente de variacin de Pearson que se define como el cociente entre la desviacin tpica y el
valor absoluto de la media aritmtica

CV representa el nmero de veces que la desviacin tpica contiene a la media aritmtica y por lo tanto
cuanto mayor es CV mayor es la dispersin y menor la representatividad de la media.

Medidas de Forma
Comparan la forma que tiene la representacin grfica, bien sea el histograma o el diagrama de barras
de la distribucin, con la distribucin normal.
Medida de asimetra
Diremos que una distribucin es simtrica cuando su mediana, su moda y su media aritmtica coinciden.
Diremos que una distribucin es asimtrica a la derecha si las frecuencias (absolutas o relativas)
descienden ms lentamente por la derecha que por la izquierda.
Si las frecuencias descienden ms lentamente por la izquierda que por la derecha diremos que la
distribucin es asimtrica a la izquierda.
Existen varias medidas de la asimetra de una distribucin de frecuencias. Una de ellas es el Coeficiente
de Asimetra de Pearson:

Su valor es cero cuando la distribucin es simtrica, positivo cuando existe asimetra a la derecha y
negativo cuando existe asimetra a la izquierda.

Medida de apuntamiento o curtosis

Miden la mayor o menor cantidad de datos que se agrupan en torno a la moda. Se definen 3 tipos de
distribuciones segn su grado de curtosis:
Distribucin mesocrtica: presenta un grado de concentracin medio alrededor de los valores
centrales de la variable (el mismo que presenta una distribucin normal). Distribucin leptocrtica:
presenta un elevado grado de concentracin alrededor de los valores centrales de la
variable. Distribucin platicrtica: presenta un reducido grado de concentracin alrededor de los valores
centrales de la variable.

Representatividad de una muestra

Cuando hablamos de Representatividad de una muestra, a qu nos referimos?
- tendr que ver con un porcentaje determinado del tamao de la poblacin
- un 20% es suficiente?
- con un 50% alcanzar?,
- o tendr que ver con la variabilidad de la caracterstica a analizar en la poblacin?
Veamos el siguiente ejemplo que nos ayudar a no olvidar de que trata la Representatividad de una
muestra.
"Si tenemos dos cortes de telas de unos 8 metros cada uno para hacer unas cortinas, una es lisa de color
amarillo y la otra estampada con flores de diversos colores y tipos, y necesitamos elegir unos botones
adecuados para adornarlas, el color del barral para colgarlas y el hilo para coserlas, al salir de casa para
ir a buscar todo lo que necesitamos no cargaramos con los cortes de telas; tan solo con llevar una
muestrita de cada una tendramos idea exacta de la tela, la pregunta es:
- la muestra a cortar de tela amarilla ser del mismo tamao que de la estampada?
Claro que NO, con un cortecito pequeo que hagamos en la punta del corte de tela amarillo tenemos idea
clara del color, sin embargo de la estampada necesitamos obtener un pedazo de tela ms grande y as
tener idea de todos los colores que tiene y que me pudieran servir a la hora de elegir los accesorios.

10

Tamao de una muestra

En estadstica el tamao de la muestra es el nmero de sujetos que componen la muestra extrada de una
poblacin, necesarios para que los datos obtenidos sean representativos de la poblacin.
Objetivos de la determinacin del tamao adecuado de una muestra
Estimar un determinado con el nivel de confianza deseado.
1. Detectar una determinada diferencia, si realmente existe, entre los grupos de estudio con un mnimo de
garanta.
2. Reducir costes o aumentar la rapidez del estudio.
La determinacin de un tamao adecuado de la muestra tendra como objetivo su factibilidad. As:
1. Si el nmero de sujetos es insuficiente habra que modificar los criterios de seleccin, solicitar la
colaboracin de otros centros o ampliar el perodo de reclutamiento. Los estudios con tamaos mustrales
insuficientes, no son capaces de detectar diferencias entre grupos, llegando a la conclusin errnea de que
no existe tal diferencia.
2. Si el nmero de sujetos es excesivo, el estudio se encarece desde el punto de vista econmico y humano.
Adems es poco tico al someter a ms individuos a una intervencin que puede ser menos eficaz o
incluso perjudicial.
Una frmula muy extendida que orienta sobre el clculo del tamao de la muestra para datos globales es la
siguiente:

N: es el tamao de la poblacin o universo (nmero total de posibles encuestados).

K: es una constante que depende del nivel de confianza que asignemos. El nivel de confianza indica la
probabilidad de que los resultados de nuestra investigacin sean ciertos: un 95,5 % de confianza es lo mismo que
decir que nos podemos equivocar con una probabilidad del 4,5%. Los valores de k se obtienen de la tabla de la
distribucin normal estndar N (0,1).
Representatividad de una muestra

Muestra estadstica
En estadstica una muestra estadstica (tambin llamada muestra aleatoria o simplemente muestra) es un
subconjunto de casos o individuos de una poblacin estadstica.
Las muestras se obtienen con la intencin de inferir propiedades de la totalidad de la poblacin, para lo
cual deben ser representativas de la misma. Para cumplir esta caracterstica la inclusin de sujetos en la
muestra debe seguir una tcnica de muestreo. En tales casos, puede obtenerse una informacin similar a

11

la de un estudio exhaustivo con mayor rapidez y menor coste (vanse las ventajas de la eleccin de una
muestra, ms abajo).
Por otra parte, en ocasiones, el muestreo puede ser ms exacto que el estudio de toda la poblacin
porque el manejo de un menor nmero de datos provoca tambin menos errores en su manipulacin. En
cualquier caso, el conjunto de individuos de la muestra son los sujetos realmente estudiados.
El nmero de sujetos que componen la muestra suele ser inferior que el de la poblacin, pero suficiente
para que la estimacin de los parmetros determinados tenga un nivel de confianza adecuado. Para que
el tamao de la muestra sea idneo es preciso recurrir a su clculo
Ventajas de la eleccin de una muestra
El estudio de muestras es preferible, en la mayora de los casos, por las siguientes razones:
1. Si la poblacin es muy grande (en ocasiones, infinita, como ocurre en determinados experimentos
aleatorios) y, por tanto, imposible de analizar en su totalidad.
2. Las caractersticas de la poblacin varan si el estudio se prolonga demasiado tiempo.
3. Reduccin de costos: al estudiar una pequea parte de la poblacin, los gastos de recogida y
tratamiento de los datos sern menores que si los obtenemos del total de la poblacin.
4. Rapidez: al reducir el tiempo de recogida y tratamiento de los datos, se consigue mayor rapidez.
5. Viabilidad: la eleccin de una muestra permite la realizacin de estudios que seran imposible
hacerlo sobre el total de la poblacin.
6. La poblacin es suficientemente homognea respecto a la caracterstica medida, con lo cual
resultara intil malgastar recursos en un anlisis exhaustivo (por ejemplo, muestras sanguneas).
7. El proceso de estudio es destructivo o es necesario consumir un artculo para extraer la muestra
(ejemplos: vida media de una bombilla, carga soportada por una cuerda, precisin de

Tamao de una muestra

En estadstica el tamao de la muestra es el nmero de sujetos que componen la muestra extrada de una
poblacin, necesarios para que los datos obtenidos sean representativos de la poblacin.
Objetivos de la determinacin del tamao adecuado de una muestra
1. Estimar un parmetro determinado con el nivel de confianza deseado.
2. Detectar una determinada diferencia, si realmente existe, entre los grupos de estudio con un mnimo de
garanta.
3. Reducir costes o aumentar la rapidez del estudio.

12

Una frmula muy extendida que orienta sobre el clculo del tamao de la muestra para datos globales es la
siguiente:

N: es el tamao de la poblacin o universo (nmero total de posibles encuestados).

K: es una constante que depende del nivel de confianza que asignemos. El nivel de confianza indica la
probabilidad de que los resultados de nuestra investigacin sean ciertos: un 95,5 % de confianza es lo mismo que
decir que nos podemos equivocar con una probabilidad del 4,5%. Los valores de k se obtienen de la tabla de la
distribucin normal estndar N (0,1).

Variables discretas
Una variable discreta es una variable que solo puede tomar valores dentro de un conjunto numerable, es
decir, no acepta cualquier valor sino solo aquellos que pertenecen al conjunto. En estas variables se dan
de modo inherente separaciones entre valores observables sucesivos. Dicho con ms rigor, se define una
variable discreta como la variable que hay entre dos valores observables (potencialmente), hay por lo
menos un valor no observable (potencialmente).
10 ejemplos:
1 El nmero de los alumnos de un saln de clase
2 El nmero de los habitantes de una casa
3 El nmero de los jugadores en un partido de futbol
4 El nmero de animales en una granja
5 El nmero de visitas a un museo

13

6 El nmero de personas en un autobs

7 El nmero de nios en un parque de diversiones
8 Los habitantes de una colonia
9 Nmero de casas en una manzana
10 Los trabajadores de en una rea de trabajo

Variables continuas
Una variable continua puede tomar un valor cualquiera dentro de un rango predeterminado. Y siempre
entre dos valores observables va a existir un tercer valor intermedio que tambin podra tomar la variable
continua. Una variable continua toma valores a lo largo de un continuo, esto es, en todo un intervalo de
valores. Un atributo esencial de una variable continua es que, a diferencia de una variable discreta, nunca
puede ser medida con exactitud; el valor observado depende en gran medida de la precisin de los
instrumentos de medicin. Con una variable continua hay inevitablemente un error de medida.
10 ejemplos:
1 la estatura de una persona
2 el peso de una persona
3 la velocidad de un autobs en un tiempo determinado
4 la Longitud de una lnea
5 El tiempo
6 La capacidad de un recipiente

14

7 la medicin de un terreno
8 El peso un objeto
9 La temperatura en un da soleado
10 El promedio de las asignaturas

TEOREMAS DE PROBABILIDAD
Teorema de la probabilidad total
El teorema de la probabilidad total afirma lo siguiente:
Sea

una particin sobre el espacio muestral y sea

probabilidades condicionales

un suceso cualquiera del que se conocen las

, entonces la probabilidad del suceso

viene dada por la expresin:

Teorema de Bayes
En la teora de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas Bayes en 1763 que
expresa la probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad
condicional del evento B dado A y la distribucin de probabilidad marginal de slo A.
En trminos ms generales y menos matemticos, el teorema de Bayes es de enorme relevancia puesto que
vincula la probabilidad de A dado B con la probabilidad de B dado A. Es decir que sabiendo la probabilidad de
tener un dolor de cabeza dado que se tiene gripe, se podra saber (si se tiene algn dato ms), la probabilidad de
tener gripe si se tiene un dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en cuestin
para la ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la comprensin de la probabilidad de
aspectos causales dados los efectos observados.
Sea
un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales que la
probabilidad de cada uno de ellos es distinta de cero (0). Sea B un suceso cualquiera del que se conocen las

15

probabilidades condicionales

. Entonces, la probabilidad

viene dada por la expresin:

dnde:

son las probabilidades a priori.

es la probabilidad de

son las probabilidades a posteriori.

en la hiptesis

FRMULA DE BAYES

Con base en la definicin de Probabilidad condicionada, obtenemos la Frmula de Bayes, tambin

conocida como la Regla de Bayes:

Teorema del lmite central

El teorema del lmite central o teorema central del lmite indica que, en condiciones muy generales, si Sn
es la suma de n variables aleatorias independientes, entonces la funcin de distribucin de Sn se
aproxima bien a una distribucin normal (tambin llamada distribucin gaussiana, curva de Gauss o
campana de Gauss). As pues, el teorema asegura que esto ocurre cuando la suma de estas variables
aleatorias e independientes es lo suficientemente grande
Definicin
De manera formal, normalizada y compacta el enunciado del teorema es: 3

Teorema del lmite central: Sea ,

, ...,
un conjunto de variables aleatorias, independientes e
idnticamente distribuidas con media y varianza 2 distinta de cero. Sea

Entonces

.
Es muy comn encontrarlo con la variable estandarizada Zn en funcin de la media muestra

16

Puesto que son equivalentes, as como encontrarlo en versiones no normalizadas como puede ser:

Teorema (del lmite central): Sea ,

, ...,
un conjunto de variables aleatoria, independientes e
idnticamente distribuidas de una distribucin con media y varianza 20. Entonces, si n es
suficientemente grande, la variable aleatoria

Tiene aproximadamente una distribucin normal con

Nota: es importante remarcar que este teorema no dice nada acerca de la distribucin de
existencia de media y varianza

, excepto la

Teorema de Bernoulli
El Teorema de Bernoulli es un caso particular de la Ley de los grandes nmeros, que precisa la
aproximacin frecuencia de un suceso a la probabilidad p de que este ocurra a medida que se va
repitiendo el experimento.
Dados un suceso A, su probabilidad p de ocurrencia, y n pruebas independientes para
determinar
la
ocurrencia
o
no-ocurrencia
de
A.
Sea f el nmero de veces que se presenta A en los n ensayos y un nmero positivo
cualquiera, la probabilidad de que la frecuencia relativa f/n discrepe de p en ms de (en
valor absoluto) tiende a cero al tender n a infinito. Es decir:

Teorema de Moivre-Laplace
En probabilidad el teorema de Moivre-Laplace es una aproximacin normal a la
distribucin binomial. Se trata de un caso particular del Teorema central del lmite.
Establece que la distribucin binomial del nmero de xitos en n pruebas independientes
de Bernoulli con probabilidad de xito p en cada intento es, aproximadamente, una
distribucin normal de media np y desviacin tpica
, (cabe aclarar que q = 1-p), si n
es suficientemente grande y se satisfacen determinadas condiciones.
El teorema apareci por primera vez en la segunda edicin de The Doctrine of Chances,
de Abraham de Moivre, publicado en 1738. Los "ensayos de Bernoulli" no se llamaron as
en ese libro, pero De Moivre escribi lo suficiente sobre la distribucin de probabilidad del

17

nmero de veces que apareca "cara" cuando se lanzaba una moneda 1800 veces.
El teorema
Si

, entonces para k en el entorno

-de np, se puede aproximar

En forma de lmite el teorema establece que:

cuando

FORMULAS

18

Moda
La moda, M o , es el valor que tiene mayor frecuencia absoluta.
1 Todos los intervalos tienen la misma amplitud.

L i -1 es el lmite inferior de la clase modal.

f i es la frecuencia absoluta de la clase modal.
f i - - 1 es la frecuencia absoluta inmediatamente inferior a la en clase modal.
f i - + 1 es la frecuencia absoluta inmediatamente posterior a la clase modal.
a i es la amplitud de la clase.
Tambin se utiliza otra frmula de la moda que da un valor aproximado de sta:

2 Los intervalos tienen amplitudes distintas.

En primer lugar tenemos que hallar las alturas.

La clase modal es la que tiene mayor altura.

La frmula de la moda aproximada cuando existen distintas amplitudes es:

Mediana
Es el valor que ocupa el lugar central de todos los datos cuando stos estn ordenados de menor
a mayor.
1 Si la serie tiene un nmero impar de medidas la mediana es la puntuacin central de la misma.

19

2 Si la serie tiene un nmero par de puntuaciones la mediana es la media entre las

dos puntuaciones centrales.
Mediana para datos agrupados

Es la semisuma de las frecuencias absolutas.

L i -1 es el lmite inferior de la clase donde se encuentra

F i - 1 es la frecuencia acumulada anterior a la clase mediana.

a i es la amplitud de la clase.
Media aritmtica
La media aritmtica es el valor obtenido al sumar todos los datos y dividir el resultado entre
el nmero total de datos.

Cuartiles
Los cuartiles son los tres valores de la variable dividen a un conjunto de datos
ordenados en cuatro partes iguales.
Clculo de los cuartiles
1 Ordenamos los datos de menor a mayor.

20

2 Buscamos el lugar que ocupa cada cuartil mediante la expresin

Clculo de los cuartiles para datos agrupados

En primer lugar buscamos la clase donde se encuentra

frecuencias acumuladas.

, en la tabla de las

Deciles
Los deciles son los nueve valores que dividen la serie de datos en diez partes iguales.
Clculo de deciles
Ordenamos los datos de menor a mayor.
Buscamos la puntuacin, en la serie, o la clase, en la tabla de las frecuencias acumuladas, donde se
encuentra

,.

Percentiles
Los percentiles son los 99 valores que dividen la serie de datos en 100 partes iguales.
Clculo de percentiles
Ordenamos los datos de menor a mayor.
Buscamos la puntuacin, en la serie, o la clase, en la tabla de las frecuencias acumuladas, donde se
encuentra

,.

21

Desviacin media
La desviacin media es la media aritmtica de los valores absolutos de las desviaciones
respecto a la media.

Desviacin media para datos agrupados

Varianza
La varianza es la media aritmtica del cuadrado de las desviaciones respecto a la media de
una distribucin estadstica.

Varianza para datos agrupados

Para simplificar el clculo de la varianza vamos o utilizar las siguientes expresiones que son
equivalentes a las anteriores.

22

Varianza para datos agrupados

Desviacin tpica
La desviacin tpica es la raz cuadrada de la varianza.

Desviacin tpica para datos agrupados

Para simplificar el clculo vamos o utilizar las siguientes expresiones que son equivalentes a las
anteriores.

Desviacin tpica para datos agrupados

Coeficiente de variacin
El coeficiente de variacin es la relacin entre la desviacin tpica de una muestra y su media.

Coeficiente de variacin en tanto por ciento

23

Puntuaciones diferenciales
Las puntuaciones diferenciales resultan de restarles a las puntuaciones directas la media
aritmtica.
xi = Xi X
Puntuaciones tpicas
Las puntuaciones tpicas son el resultado de dividir las puntuaciones diferenciales entre
la desviacin tpica. Este proceso se llama tipificacin.

FORMULAS MS IMPORTANTES

24

25

26

27