TEMA III

VARIABLES ALEATORIAS CONJUNTAS

INTRODUCCIÓN
En el capítulo anterior se estudiaron variables aleatorias unidimensionales; es decir, se estudió cada variable de
manera independiente; sin embargo, en muchas ocasiones es necesario estudiar dos o más características (variables)
de un experimento. En cualquier sistema físico, económico o social, que se estudie a través de modelos aleatorios,
pueden existir varias variables, y debido a la interrelación entre ellas, deben estudiarse modelos que describan el
comportamiento probabilístico conjunto de dichas variables.

Definición 3.1
Si son variables aleatorias definidas sobre un mismo espacio muestral, dichas
variables aleatorias reciben el nombre de VARIABLES ALEATORIAS CONJUNTAS.

Así como se dijo en el tema anterior, que una variable aleatoria responde a una pregunta de interés en un
fenómeno, las variables aleatorias conjuntas se puede decir que representan varias características (o responden a
varias preguntas) de interés en un mismo fenómeno. Y al igual que en el tema anterior, existen variables aleatorias
conjuntas discretas y continuas.

VARIABLES ALEATORIAS CONJUNTAS DISCRETAS

Definición 3.2
Si son variables aleatorias conjuntas discretas, se define su función de
probabilidad conjunta como:

Es bastante común utilizar para denotar la función de probabilidad conjunta; sin embargo, aquí se
prefiere la notación , puesto que también es una función y facilita la generalización de diversas
expresiones.

En particular si

S))))))))))))))))))))))))))))))))))))Q

Ejemplo 3.1

Considérese el lanzamiento de dos dados.

El espacio muestral es

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 2

Si interesa el resultado del primer dado y la suma de los puntos en los dos lanzamientos, entonces
Sea
: El resultado del primer lanzamiento
: La suma de los resultados de los dos lanzamientos.

La función de probabilidad conjunta para y para se construye de la siguiente forma:

Anotando las probabilidades en una tabla se tiene:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 3

GRÁFICA DE UNA FUNCIÓN DE PROBABILIDAD CONJUNTA

Al igual que para las variables aleatorias unidimensionales, lo más común es dibujar rectas verticales cuya altura
representa la probabilidad, también se pueden dibujar los puntos; sin embargo, como puede observarse, la lectura
de una gráfica de una función de probabilidad conjunta se complica y sólo puede hacerse para el caso de dos
variables.

Gráfica 3.1. Gráfica del ejemplo 3.1

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 4

CARACTERÍSTICAS DE LA FUNCIÓN DE PROBABILIDAD CONJUNTA

Si , son dos variables aleatorias conjuntas discretas. Su función de probabilidad conjunta tiene las siguientes
características, basadas en los axiomas de la probabilidad

1) La función siempre está entre cero y uno.

2) La suma de la función para todos los valores de las variables es la unidad.

3) La probabilidad de que las variables se encuentren en un intervalo, es la suma de la función de probabilidad

par dicho intervalo.

FUNCIONES DE PROBABILIDAD: MARGINAL Y CONDICIONAL

Partiendo de un función de probabilidad conjunta de dos variables aleatorias, puede interesarnos el comportamiento
aleatorio de una sola de las variables, ya sea porque la otra variable no nos interese en absoluto o porque ya tomó
algún valor. Esto da origen a las funciones de probabilidad marginales y las funciones de probabilidad
condicionales, que puede generalizarse para funciones de variables aleatorias.

Si y son dos variables aleatorias conjuntas discretas, entonces se pueden hacer las siguientes
definiciones.

La función de probabilidad marginal de ( función de probabilidad de al margen de ) como

La función de probabilidad marginal de ( función de probabilidad de al margen de ) como

La función de probabilidad condicional de dado que es:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 5

La función de probabilidad condicional de dado que es:

S))))))))))))))))))))))))))))))))))))Q

Ejemplo 3.2

Para la función de probabilidad conjunta discreta estudiada anteriormente, del lanzamiento de dos dados,
obtener las marginales.

Resolución
Una forma de escribir las marginales es agregando una columna y un renglón a la tabla de la función de
probabilidad.

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 6

O bien, escribiendo las tablas por separado

1 2 3 4 5 6

2 3 4 5 6 7 8 9 10 11 12

S))))))))))))))))))))))))))))))))))))Q

Ejemplo 3.3

Cierto artículo se fabrica en dos líneas de producción diferentes. La capacidad en cualquier día dado para
cada línea es de dos artículos. Supóngase que el número de artículos producidos por la línea uno en un día
cualquiera es una variable aleatoria y que el número de artículos producidos por la línea dos está dado
por . Con base en datos estadísticos se obtuvo la siguiente tabla que corresponde a la función de
probabilidad conjunta de y .

a) Calcular la probabilidad de que en un día dado el número de artículos producidos en la línea uno
sea mayor que el número de artículos producidos en la línea dos .
b) Obtener las funciones de probabilidad marginales de y
c) Determinar la función de probabilidad condicional de dado
d) Calcular

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 7

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 8

VARIABLES ALEATORIAS CONJUNTAS CONTINUAS

Cuando nos interesa el comportamiento probabilístico de dos o mas variables aleatorias continuas, es necesario
estudiar la función de densidad conjunta.

Definición 3.3
Si son variables aleatorias conjuntas continuas, entonces su función de densidad
conjunta se define como una función con las siguientes propiedades

1) La función no es negativa

2) La integral múltiple sobre todo el rango de las variables aleatorias es la unidad.

3) La probabilidad de que las variables se encuentren en una región es igual a la integral de la función
de densidad integrada sobre dicha región

Al igual que en los casos anteriores, las primeras dos propiedades nos sirven para identificar a una función
de densidad conjunta, mientras que la tercera propiedad nos sirve para calcular probabilidades.

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 3.4
Sean , dos variables aleatorias conjuntas con función de densidad

a) Calcular el valor de para el cual es función de densidad

b)
c)

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 9

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 10

))))))))))))))))))))))))))))))))))))Q

FUNCIONES DE DENSIDAD: MARGINAL Y CONDICIONAL

Al igual que para las variables aleatorias conjuntas discretas, para las continuas también se definen las funciones
de densidad marginal y condicional.

Si y son dos variables aleatorias conjuntas continuas, entonces se define:

La función de densidad marginal de ( función de probabilidad de al margen de ) como

La función de densidad marginal de ( función de probabilidad de al margen de ) como

La función de densidad condicional de dado que es:

La función de densidad condicional de dado que es:

Obsérvese que la distribución condicional, se obtiene con la misma expresión tanto para variables aleatorias
discretas como continuas.

S))))))))))))))))))))))))))))))))))))Q

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 11

Ejemplo 5.5

Sean y las proporciones de dos sustancias distintas que se encuentran en una muestra de una mezcla
de reactivos que se usa como insecticida. Supóngase que y tienen una densidad de probabilidad
conjunta representada por

a) Calcular .

b) Determinar .

c) Calcular .

Resolución
a) La región es

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 12

b) La región es:

c)

La región de integración para es:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 13

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 14

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 3.6

Sea la función de densidad conjunta

a) Obtener el valor de .
b) Calcular .
c) Obtener las funciones marginales y .
d) Obtener las funciones de densidad condicional y .

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 15

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 16

S))))))))))))))))))))))))))))))))))))Q

FUNCIÓN DE DISTRIBUCIÓN CONJUNTA

Proporciona el comportamiento probabilístico acumulado conjunto de una serie de variables aleatorias.

Definición 3.4
Si y son dos variables aleatorias conjuntas se define como
.
Si y son dos variables aleatorias conjuntas discretas o continuas, entonces:

para [Link]. discretas

para [Link]. continuas

Y tiene las siguientes propiedades:

Propiedades de la Función de distribución Conjunta

1) es una función no decreciente

2)

3)

4)

5) Para [Link]. continuas, si tiene derivadas parciales de orden superior a dos.

S))))))))))))))))))))))))))))))))))))Q

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 17

Ejemplo 3.7

Utilizando la función de probabilidad conjunta del ejemplo 3.3, obtener su función de distribución conjunta.

Resolución

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 18

S))))))))))))))))))))))))))))))))))))Q
Obsérvese que para construir la tabla de una función de distribución conjunta discreta sólo se requiere
sumar todos los valores por arriba y hacia la izquierda (incluyendo valores diagonales) de la posición que se desea
obtener de la tabla de la función de la probabilidad conjunta.

INDEPENDENCIA DE VARIABLES ALEATORIAS CONJUNTAS

Después de estudiar las funciones de probabilidad y de densidad marginales, se observa que el conocimiento (o la
información) sobre el valor de una de las variables aleatorias puede modificar el comportamiento probabilístico de
la otra variable. Esto sólo sucede si las variables conjuntas son dependientes.

Definición 3.5
Si y son variables aleatorias conjuntas, se dice que son independientes si y sólo si

para todo y .

En general, para variables aleatorias conjuntas , ,... , con función de probabilidad o de densidad
conjunta y marginales para , son independientes si y sólo si

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 3.8
Determinar si las [Link]. conjuntas y con función de densidad conjunta dada por:

son independientes o no. Justificar su respuesta.

Resolución

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 19

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 20

S))))))))))))))))))))))))))))))))))))Q

CARACTERÍSTICAS NUMÉRICAS DE LAS VARIABLES

ALEATORIAS CONJUNTAS
Las características numéricas de las variables aleatorias conjuntas son valores que describen el comportamiento
probabilístico conjunto.

MEDIDAS DE TENDENCIA CENTRAL: VALOR ESPERADO Y CURVA DE

REGRESIÓN
Cuando se estudian variables aleatorias conjuntas, el valor esperado sigue siendo de gran importancia, pero como
es de suponerse, se pueden generar infinidad de valores esperados a partir de cualquier función de las variables
aleatorias.

Definición 3.6
Si , son variables aleatorias conjuntas con función de probabilidad o de densidad conjunta
y si es una función de dichas variables aleatorias. Entonces el valor esperado
de se define como:

PROPIEDADES DEL VALOR ESPERADO

a)
b)
c) Si , son variables aleatorias independientes entonces

S))))))))))))))))))))))))))))))))))))Q

Ejemplo 3.9
En un proceso de extracción de cierto mineral se han identificado varios tipos de impurezas. En una muestra
específica de este mineral, denota la proporción de impurezas en la muestra y la proporción de la
impureza tipo I entre todas las impurezas encontradas. Supóngase que se puede elaborar un modelo de la
distribución conjunta de y mediante la función de densidad de probabilidad siguiente:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 21

Encontrar el valor esperado de la proporción de impurezas tipo I.

Resolución

Puesto que es la proporción de impurezas en la muestra y la proporción de impurezas de tipo I en

relación al total de las impurezas muestrales, tenemos que es la proporción de impurezas tipo I en la
muestra entera. Es decir, se debe obtener

La muestra tendrá de impureza tipo I.

))))))))))))))))))))))))))))))))))))Q

Es importante observar que si , son variables aleatorias conjuntas, aún cuando se imponga la
condición a la variable aleatoria , la otra variable aleatoria conjunta sigue siendo una variable
aleatoria, y como tal posee un comportamiento probabilístico propio, descrito por , y por lo
tanto también se pueden determinar sus características numéricas.

Esto mismo ocurre con la condición .

Así, si y son dos variables aleatorias conjuntas y se conoce con certeza el valor que tomará , el
mejor pronóstico que se puede realizar del valor que tomará es el valor esperado, calculado desde luego a partir
de la distribución condicional correspondiente. Por lo tanto, si se sabe que , el valor pronosticado para
que se denota por es

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 22

Definición 3.7
Si , son variables aleatorias conjuntas, se define el valor esperado condicional como:

La curva de regresión de dado , es el lugar geométrico de los valores esperados de las distribuciones
condicionales de . Su ecuación es:

La curva de regresión de dado , es el lugar geométrico de los valores esperados de las distribuciones
condicionales de . Su ecuación es:

El concepto de curva de regresión tiene su principal utilidad en los pronósticos, puesto que para cada
proporciona el valor esperado (o pronóstico) de , o viceversa. En un curso de Estadística, puede estudiarse un caso
particular de la curva de regresión, llamado regresión por mínimos cuadrados.

S))))))))))))))))))))))))))))))))))))Q

Ejemplo 3.10
Sea la función de densidad conjunta

Obtener las esperanzas condicionales para cualquier valor (curvas de regresión).

Resolución
De un ejemplo anterior se sabe que para la función de densidad conjunta, las condicionales son:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 23

siempre que

siempre que

Y las esperanzas condicionales están dadas por:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 24

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 25

S))))))))))))))))))))))))))))))))))))Q

Las funciones marginales y las curvas de regresión pueden interpretarse con mayor facilidad a través de sus
gráficas.

Función de densidad conjunta

Su gráfica desde dos perspectivas es:

Las funciones condicionales dibujadas junto a la función de densidad son:

Debe observarse que las funciones condicionales se dibujan en el plano (y cada una en su plano); sin
embargo, aquí se dibujan junto con la función de densidad conjunta para que se observe que tienen la misma
tendencia. Es decir, para cada valor
la condicional acumula la probabilidad de la función conjunta para el valor constante
y luego la refiere a la unidad.

Las esperanzas condicionales son:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 26

Que igualmente deben dibujarse en el plano. La función debe dibujarse en el plano ,

mientras que debe dibujarse en el plano .

Por otro lado, un teorema de gran aplicación cuando se están estudiando variables aleatorias independientes es el
siguiente.

Teorema 3.1
Sean ,variables aleatorias independientes cada una con función generadora de
momentos , respectivamente.
Si , entonces:

Demostración

Utilizando la definición de la función generadora de momentos se tiene:

Por independencia

El teorema anterior indica que si sumamos variables aleatorias independientes, entonces la función
generadora de momentos de la suma es la multiplicación de las funciones generadoras de momentos. Este teorema
es de utilidad cuando se definen variables aleatorias a partir de la suma de otras variables aleatorias, como se
estudiará en los temas 4 y 5 y en el curso de Estadística.

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 3.11

Sean y dos variables aleatorias conjuntas independientes, con funciones de densidad y generadores
de momentos:

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 27

Obtener la función generadora de momentos de la variable aleatoria definida mediante:

Resolución

Por independencia

S))))))))))))))))))))))))))))))))))))Q

MEDIDAS DE DISPERSIÓN DE VARIABLES ALEATORIAS CONJUNTAS:

COVARIANCIA Y CORRELACIÓN

COVARIANCIA

La covariancia es una medida de dispersión que indica, en promedio, qué tanto se alejan conjuntamente los valores
de sus medias respectivas, i.e. qué tanto varían en conjunto (qué tanto covarían).

Definición 3.8
Si y son variables aleatorias conjuntas, entonces se define la covariancia
como:

Aplicando las propiedades del valor esperado, se tiene que la covariancia se puede calcular mediante:

Teorema 3.2
Si y son dos variables aleatorias conjuntas independientes, entonces:

El valor esperado de la covariancia depende de la escala en la que están y . Para referir la relación
entre y a una escala fija se debe utilizar el coeficiente de correlación.
)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 28

Definición 3.9
El coeficiente de correlación, denotado por es:

El coeficiente de correlación es una cantidad adimensional que mide la asociación lineal entre las dos
variables aleatorias, el valor de está contenido en el intervalo .

El coeficiente de correlación tiene las siguientes propiedades.

1) Si , son variables aleatorias independientes, entonces

2) Para cualesquiera variables aleatorias conjuntas
3) , si y sólo si para y constantes.

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 29

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 3.12

Dada la función de densidad conjunta

Obtener:

a) Las densidades marginales de y

b) Las funciones de densidad condicional de y
c) La expresión de las esperanzas condicionales de y
d) El coeficiente de correlación.

Resolución

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 30

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 31

S))))))))))))))))))))))))))))))))))))Q

Definición 3.10

El coeficiente de determinación lineal, denotado por es:

El coeficiente de determinación, proporciona el grado de explicación de una variable (generalmente y)

respecto a la otra (generalmente x), es decir, qué tanto se explica , conociendo .

Teorema 3.3
Sean variables aleatorias con parámetros

y son constantes. Entonces la variable aleatoria con la combinación lineal

siguiente

tiene como parámetros

La obtención de la variancia de una combinación lineal se facilita si se utiliza la forma matricial

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 32

donde la matriz

recibe el nombre de matriz de varianza-covarianza, y tiene diversas aplicaciones en ingeniería.

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 3.13

Supóngase que , y son variables aleatorias con

Obtener y

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 33

S))))))))))))))))))))))))))))))))))))Q

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 34

AUTOEXAMEN TEMA III

1.- El valor de la constante , para que la función

sea una función de densidad conjunta es:

A) B) C) 1 D) 4

E) Ninguna de las anteriores.

2.- Sean y dos variables aleatorias conjuntas con función de densidad

Entonces es:
A) 0.03125 B) 0.75 C) 0.25 D) 0.6562
E) Ninguna de las anteriores.

3.- La ganancia de un almacén de la central de abastos depende del tiempo de llegada del proveedor (que llega
entre 1 y 4 a.m.) y la calidad del producto (que convencionalmente varía de 1 a 2). Llamemos al tiempo
de llegada y a la calidad.
Ambas variables tienen una función de densidad conjunta

Entonces la función de densidad de probabilidad del tiempo de llegada es:

A) B) C) D) E) 1

4.-- Si , son variables aleatorias conjuntas con función de densidad

entonces la densidad condicional de dado cuando , es:

A) B) C) D)

E) Ninguna de las anteriores

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 35

5.- Sean y dos variables aleatorias conjuntas con función de probabilidad

1 2
0 0.1 0.3
1 0.4 0.2
Entonces, el valor esperado de es:
A) 0.6 B) 0.8 C) 0.9 D) 1.5
E) Ninguno de los anteriores.

6.- Dos líneas de ensamble producen cierto número de piezas en un día según la distribución de probabilidad
conjunta siguiente

0 1 2
0 0.2 0.1 0.05
1 0.1 0.15 0.1
2 0.05 0.12 0.13

Entonces el número esperado de piezas que producen las dos líneas en un día cualquiera es:
A) 2 B) 0.93 C) 1.86 D) 1.88
E) Ninguna de las anteriores.

7.- Si dos variables aleatorias tienen la densidad conjunta

entonces su covariancia, , es:

A) B) C) D)

E) Ninguna de la anteriores.

8.- Si y son variables aleatorias conjuntas con , , , ,

entonces es:
A) B) C) D) E)

9.- Las variables aleatorias y representan los rendimientos de las acciones de dos empresas. Sus parámetros
son: , , , ,y . La media y la desviación estándar de la

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 36

combinación lineal son respectivamente:

A) 12.86, 18 B) 13, 18 C)13, 13.41

D) 13, 12.86 E) Ninguna de las anteriores.

10.- Si las variables aleatorias conjuntas y tienen la función de probabilidad conjunta

0 1
1 0.1 0.3
2 0.4 0.2
Entonces el coeficiente de correlación entre y es:
A) -0.408 B) 0.7 C) -0.1
D) -1.66 E) Ninguna de las anteriores.
S))))))))))))))))))))))))))))))))))))Q

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG
Probabilidad Tema III Pág. 37

BIBLIOGRAFÍA

Hines, William W. y Montgomery, Douglas C. - Probabilidad y Estadística para ingeniería, cuarta edición..-
CECSA.- México, 2005.

Milton, Susan J. Y Arnold, Jesse C.- Probabilidad y Estadística para con aplicaciones para ingeniería y ciencias
computacionales, cuarta edición.- McGraw-Hill.- México, 2004.

Devore, Jay L.- Probabilidad y Estadística para ingeniería y ciencias, séptima edición.- Cengage Learning.- México,
2008.

Mendenhall, William III. et al.- Introducción a la Probabilidad y Estadística.- Décimo cuarta edición.- Cengage
Learning.- México 2015.

Wackerly Dennis D.- Mendenhall, William, et al.- Estadística Matemática con Aplicaciones, sexta edición.-
Editorial Thomson.- México, 2002.

Walpole, Ronald E., et al.- Probability and Statistics for Engineers and Scientists.- Pearson.- USA, 2007.

Montgomery, Douglas C. y Runger, George C.-Probabilidad y Estadística aplicadas a la Ingeniería, segunda

edición.- Limusa-Wiley.- México, 2002.

Scheaffer, Richard L. y McClave, James T.- Probabilidad y Estadística para Ingeniería.- Grupo Editorial
Iberoamérica.- México, 1993.

Canavos, George C.- Probabilidad y Estadística Aplicaciones y Métodos.- McGraw-Hill.- México, 1988.

Meyer, Paul L.- Probabilidad y Aplicaciones Estadísticas.- Addison Wesley Iberoamericana.- México, 1992.

Spiegel, Murray R. et al.- Probabilidad y Estadística, cuarta edición.- Mc Graw-Hill.-México 2013.

Borras García, Hugo E., et al.- Apuntes de Probabilidad y Estadística.-Facultad de Ingeniería.- México, 1985.

Rosenkrantz, Walter A.- Introduction to Probability and Statistics for Scientists and Engineers.- McGraw-Hill.-
[Link]., 1997.

Ziemer, Rodger E.- Elements of Engineering Probability & Statistics.- Prentice Hall.- USA 1997.

Lipschutz, Seymour.- Teoría de Conjuntos y Temas Afines.- McGraw-Hill.- México, 1991.

)))))))))))))))))))))))))))))))))))))))))))))))))))
ALBS / NMG