INSTITUTO

POLITCNICO NACIONAL

ESCUELA SUPERIOR DE
INGENIERA Y
ARQUITECTURA

Fecha:______

MATEMTICAS IV

Tarea:_____

Venegas Cruz Mario Adn

Profesor: Apolinar Garcia Hernndez

Grupo: 4CM12
 TEORA DE CONJUNTOS Y SU ALGEBRA
Esta teora nos dice que un conjunto ser una agrupacin bien definida de objetos
de cualquier clase, por lo cual se puede diferenciar y determinar los elementos que
pertenecen a ese conjunto.
Para identificar como estn definidos los conjuntos es necesario saber que se
encierran en llaves sus elementos y que si estn dados por su extensin deben
estar enumerados todos los elementos ya que cuando es por la compresin deben
indicar la propiedad que los caracteriza.
Algebra de Conjuntos.
Al momento de que se agrupan los datos dentro de los conjuntos se dan una
serie de eventos entre los grupos que se pueden expresar de la siguiente
forma:
Unin. La unin de dos conjuntos A y B es el conjunto A B que indica que
todos los elementos de ambos conjuntos se unen.
Interseccin. La interseccin de dos conjuntos A y B es el conjunto A B que
solo muestra los elementos iguales entre ambos conjuntos.
Diferencia. La diferencia entre dos conjuntos A y B es el conjunto A \ B que
indica que se deben tomar en cuenta solo los elementos de A menos los de B.
Complemento. El complemento de un conjunto A es el conjunto AC que indica
que el conjunto busca todos los elementos del espacio muestral menos A.
Ejemplo:
En la cuantificacin de acero para un cimiento nos muestran 3 opciones con las
cuales hacer la estructura, cabe decir que varan el nmero de varilla y no el
espacio intercalado.
Opcin A: 1, 2, 3, 3.4, 4
Opcin B: 0.5, 1, 1.5, 2, 2.5
Opcin C: 1.2, 2,2.8, 3.2, 4
Encuentre:
AuBuC para saber cuntos nmeros de varilla tenemos, as como AnBnC para
saber cul es el nmero ptimo para la construccin.
AC, BC, CC para descartar el que utilizara ms varillas. Y una vez que se tiene el
descartado por complemento tomar el perteneciente de los otros dos para que al
intesectar su resultado u unirlo a AnBnC, la opcin cuyos tres dgitos aparezcan
ser la elegida.
AuBuC = {0.5,1,1.2,1.5,2,2.5,2.8,3,3.2,3.4,4}
AnBnC = {2} BC\AC = {3, 3.4, 4}
AC = {0.5, 1, 1.5, 2.5, 1.2, 2.8, 3.2} CC\AC = {3, 3.4}
BC = {3, 3.4, 1.2, 2.8, 3.2, 4} BC\AC n CC\AC = {3, 3.4}
CC = {1, 3, 3.4, 0.5, 1.5, 2.5} AnBnC u BC\AC n CC\AC = {3, 3.4}
C C C C
.: Si AnBnC u AnBnC u B \A n C \A = {2,3,3.4}Entonces la opcin elegida es A.
 Eventos mutuamente excluyentes
La probabilidad dice que 2 o ms eventos en un mismo espacio son excluyentes si
la ocurrencia de uno implica la no ocurrencia del otro, en pocas palabras dice que
solo puede ocurrir un evento de todos los que existan ya que este har que la
probabilidad de que ocurran los dems sea excluyente o mejor dicho nula, es por
ello que no habr interseccin entre ellos.
Ejemplo:
Suceso 1 extraer una bola con rayas:
Suceso 2 extraer una bola verde con puntos:
No hay ninguna pelota en comn entre los dos sucesos, es decir, no hay
interseccin entre ambos sucesos. Y sacar una pelota implica que el segundo
evento no ocurra.
Evento 1 Evento 2

Teorema de la adicin.
Se basa en la distribucin normal y nos dice que se presenta frente a dos eventos
totalmente independientes de tal manera que estos se unan y as se pueda
obtener una probabilidad ms certera o cercana de obtener un resultado favorable.
El nico problema al que se apega la adicin es que para poder unir los eventos
es necesario tener los datos de la media y la varianza de los mismos.

PN= (, ) dnde: = media (distribucin)

= varianza (parmetros)
Ejemplo:
Sean X e Y dos variables aleatorias independientes y tales que:

X N [ x ; x ] Donde: x = 3

Y N [ y ; y ] x=2

y=6

y=4

Queremos comprobar que la variable U=X +Y es tal que:

La cual se podr obtener con la distribucin y parmetros ya que X e Y son
normales e independientes.

x + y = 3 + 6 = 9 & x 2+ y2 22+ 42
4.472
Por lo que U = N (9; 4.472)
PROBABILIDAD AXIOMTICA
Se entiende que es la probabilidad que indica las condiciones mnimas que debe
tener un evento para poder analizar la probabilidad de obtener este mismo evento
en cualquier situacin o en cualquier cambio de variable, pero teniendo en cuenta
que no cambian las condiciones del evento.
De cierta forma solo es obtener todas las probabilidades que puedan ocurrir entre
dos eventos pero acatando las condiciones para una probabilidad lgica y
favorable que se interpretan mediante las propiedades de los axiomas:
Primer axioma.
La probabilidad de que un suceso a sea un nmero real mayor o igual que
0. Quiere decir que la probabilidad de un suceso es un nmero positivo o
nulo.
Segundo axioma.
La probabilidad del total, , es igual a 1 donde representa todas las
posibles alternativas y se denomina suceso seguro.
Tercer axioma.
Si A1, A2... son sucesos mutuamente excluyentes (incompatibles dos a
dos, disjuntos o de interseccin vaca dos a dos).
De las cuales podemos obtener las siguientes formulas.
1.- P (A) 0
2.- P (A) 1
3.- P (Ac) = 1- P (A)
Si A y B son mutuamente excluyentes:
5.- P (AUB) = P A) + P (B)
Si A y B no son mutuamente excluyentes:
6.- P (AUB) = P (A) + P (B) P (AB)
Ejemplo:
Suponga que una gran compaa de construccin se contrata personal con y sin
estudios universitarios para realizar el mismo trabajo. Despus de cierto tiempo, el
personal es calificado por los supervisores. Las probabilidades de calificacin del
desempeo para los dos tipos de empleados se muestran a continuacin.
DESEMPEO
-Con educacin universitaria
-Sin educacin universitaria
Bueno Malo
0.12 0.28
0.18 0.42

Si se selecciona a un empleado al azar, Cul es la probabilidad de que:

a) Tenga educacin universitaria?
b) Tenga desempeo malo?
c) No tenga educacin universitaria y tenga desempeo bueno?
d) Si se sabe que tiene educacin universitaria su desempeo sea bueno?
e) Si se sabe que su desempeo fue malo que tenga educacin universitaria?

A. Tenga educacin universitaria

Ac. No tenga educacin universitaria
B. Tenga desempeo bueno
Bc. No tenga buen desempeo

a) P(A B)= P(A) P(B)= 0.12 / 0.3= 0.4

b) P(Bc) = (A Bc) / P(A) = 0.28 / 0.4= 0.7
c) P(Ac B) = P(Ac) P(B) = (0.6) (0.3) = 0.18
d) P(AB) = P(A B) / P(A) = 0.12 / 0.4 = 0.3
e) P(ABc) = P(A B) / P(Bc) = 0.28 / 0.7 = 0.4
PROBABILIDAD MARGINAL, CONJUNTA Y CONDICIONAL
Para entenderlo se tiene que dar un sentido u orden a estas probabilidades ya que
conforme una se obtiene o es ms simple originar la otra.
Probabilidad Condicional
Como su nombre lo indica se trata de determinar la probabilidad de que ocurra un
evento A (despus) dado que ya aconteci un evento B (antes), y se representa
mediante P (A|B) la cual nos dice que la probabilidad del primer evento est
condicionada por uno anterior.
En la probabilidad condicional consideramos que el espacio muestral S se conoce
nicamente del evento B (un espacio muestral reducido), pero que se desea saber
la posibilidad de que exista el evento A y esto solo es posible por la interseccin
del evento A con el evento B.
Por tanto la expresin para la probabilidad condicional seria:
P (A|B)=P (AB)/P (B), donde P (AB) es el nmero de elementos en la
interseccin de A con B y P (B) es el nmero de elementos en el evento B.
Ejemplo:
Al arrojar dos dados resultan caras iguales, Cul es la probabilidad de que
sumen ocho?
Identificamos los eventos dentro del espacio muestral:
A = {caras iguales} = {(1,1), (2,2), (3,3), (4,4), (5,5), (6,6)}
B = {sumen ms de ocho}={(3,6),(4,5),(4,6),(5,4),(5,5),(5,6),(6,3),(6,4),(6,5),(6,6)}
P (A) = 6, P (B) =10 y P (AB) =2
Aplicando la expresin P (B|A)=P (AB) / P (A)=2/6=1/3=0.333.
Probabilidad Conjunta
Esta se refiere a la probabilidad de que el resultado que se busca pertenezca a
dos eventos diferentes, haciendo que la semejanza entre estos se represente
como una interseccin P (AB).
Ejemplo:
En una caja hay 3 bolas rojas y 5 blancas. Se extraen dos bolas. La probabilidad
de que ambas resulten rojas es:
Solucin:
Los eventos de extraccin son independientes, por lo tanto, la probabilidad pedida
ser el producto de cada una de las probabilidades individuales.
La 1 extraccin tiene 3 casos favorables de un total de 8 bolas. La probabilidad es
3/8. La 2 tiene 2 casos favorables de un total de 7 bolas que quedan. Su
probabilidad es 2/7. As, la probabilidad pedida es:
P= (3/8) (2/7)
P= (3/4) (1/7)
P=3/28
Probabilidad Marginal.
Proporciona la probabilidad de un subconjunto de valores del conjunto sin
necesidad de conocer los valores de las otras variables. Pero requiere de la
distribucin condicional ya que proporciona probabilidades contingentes sobre el
valor conocido de otras variables.
Quiere decir que se obtiene con las repeticiones de los resultados dentro de un
mismo evento, haciendo que las probabilidades de obtener un mismo resultado
varias veces sea ms preciso.
Ejemplo:
Obtener las probabilidades marginales de: x= 1, 2, 3 e y= 1, 2, 3
La probabilidad marginal de x es: La probabilidad marginal de y es:
Px (x) = P (x, y) Py (y) = P (x, y)
Px (1) = 0.10 + 0.10 + 0.05 = 0.25 Py (1) = 0.10 + 0.05 + 0.05 = 0.20
Px (2) = 0.05 + 0.20 + 0.15 = 0.40 Py (2) = 0.10 + 0.20 + 0.10 = 0.40
Px (3) = 0.05 + 0.10 + 0.20 = 0.35 Py (3) = 0.05 + 0.15 + 0.20 = 0.40
Por lo cual se obtiene la siguiente tabla de contingencia:

TEOREMA DE BAYES

An A4

A1
B

A2 A3

Consiste en un mtodo para encontrar la probabilidad especifica cuando se

observa un efecto en particular o mejor dicho cuando un evento haya ocurrido por
causa de otros eventos que tengan una particularidad entre ellos mismos y el
evento creado en cuestin.
De cierta forma quiere decir que es analizar un evento creado a consecuencia de
otros, donde se analiza la probabilidad de que cada evento pueda crear este
nuevo evento.
Por lo cual se da lo siguiente (tomemos un B dado por una variedad de eventos A):
P (B) = P (A1nB) + P (A2nB) + P (A3nB) + P (AnnB) +...
Entonces por regla de cadena tenemos que la probabilidad de que el evento B
sede por alguno de los eventos A es:
 P (B) = P (A1) (B/A1) + P (A2) (B/A2) + P (A3) (B/A3) + P (An) (B/An) +...
Y para saber la probabilidad de que un evento A genere al evento B es:
P ( Ax ) P(B / Ax)
P (Ax/B) = P( B)

Ejemplo:
Con base a la experiencia de un estructurita se sabe que al diagnosticar a una
estructura, el 10% se le conoce como falla por cortante, al 20% se le conoce como
falla por momento y el 70% de la estructura no presenta ningn tipo de falla.
P (A1) A1 = falla por cortante -10%
P (A2) A2 = falla por momento - 20%
P (A3) A3 = no presenta falla - 70%
Del tipo de falla A1 el 90% se presenta en muros de forma vertical, el 50% de las
fallas A2 se presenta en columnas y castillos, ocurre lo mismo en el 5% de la
estructura. Si se analiza una estructura tipo B del teorema de Bayes. Cul es la
probabilidad de que est presente fallas por cortante, por momento y de que no
presente fallas?
P (B/A1) = 90%
P (B/A2) = 50%
P (B/A3) = 5%
Probabilidad de que pase la estructura tipo B
P (B) = (0.10) (0.90) + (0.20) (0.50) + (0.70) (0.05) = 0.225
Falla por cortante
P (A1/B) = P (A1) P (B/A1) / P (B) = (0.10) (0.90) / 0.225 = 0.4
Falla por momento
P (A2/B) = P (A2) P (B/A2) / P (B) = (0.20) (0.50) / 0.225 = 0.44
No presenta falla
P (A3/B) = P (A3) P (B/A3) / P (B) = (0.70) (0.05) / 0.225 = 0.1516
EVENTOS INDEPENDIENTES, TEOREMA DE LA MULTIPLICACIN
Eventos independientes
La principal caracterstica de una situacin con eventos independientes es que el
estado original de la situacin no cambia cuando ocurre un evento.
Esto quiere decir que de ninguna manera se modificaran por la accin del otro al
momento de que se evalen, dicho de otra manera que el resultado de uno no se
ve afectado por la interaccin o reaccin del otro.
Esta probabilidad se da por la siguiente expresin:
 P (situacin) = P (primer intento/evento) x P (segundo intento/evento) x...
Los eventos independientes ocurren ya sea cuando:
el proceso que genera el elemento aleatorio no elimina ningn posible
resultado
el proceso que s elimina un posible resultado, pero el resultado es
sustituido antes de que suceda una segunda accin. (A esto se le llama
sacar un reemplazo).
Es este caso el espacio muestral se considera como todas las interacciones
posibles de ambos eventos.
Ejemplo:
Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una
canica es eliminada de la caja y luego reemplazada. Otra canica se saca de la
caja. Cul es la probabilidad de que la primera canica sea azul y la segunda
canica sea verde?
Solucin:
Ya que la primera canica es reemplazada, el tamao del espacio muestral (9) no
cambia de la primera sacada a la segunda as los eventos son independientes.
P (azul luego verde) = P (azul) P (verde)

Teorema de la multiplicacin
En general dice que si A y B son eventos contenidos en el mismo espacio muestral
S, donde P(A) > 0 y P(B) >0, entonces P(A B) = P(A) P(B | A).
Y se entiende que la interseccin de dos eventos dentro del mismo espacio
muestral est dada por la siguiente expresin:
P(A B) = P(A) P (B | A)
Tomando en cuenta que P(A) > 0 y P (B) > 0
Donde se puede observar que la formula parte de la probabilidad condicional
donde la relacin de la interseccin est dada por la probabilidad del primer
evento por la probabilidad de que este mismo evento genere el segundo. Esta se
puede dar con n cantidad de eventos, por ejemplo:
Con 3 eventos: P [A (B C)] = P (B C) P(A | B C).
Y en general cuando se tienen n eventos, la regla de multiplicacin queda:
P (A1 A2 An) = P (A1) P (A2 | A1) P (A3 | A1 A2) P (An | A1 A2 An-1)
Ejemplo:
Se tiene una urna que contiene 4 canicas verdes y 6 rojas. Si se extraen 2 canicas
sin reemplazo Cul es la probabilidad de que la primera sea roja y la segunda
verde?
Solucin:
Sean lo eventos:
C = {x | x la primera canica es roja}
D = {x | x la segunda canica es verde}
En total hay 10 canicas, por lo que para la primera canica que se extrae se tiene
que . En el momento de extraer la segunda canica hay 9 canicas en la
urna, de las cuales 4 son verdes, por lo que .
Aplicando la Regla de multiplicacin queda:

.
DEFINICIN DE VARIABLES ALEATORIAS CONTINUAS Y VARIABLES
ALEATORIAS DISCRETAS.

Variables Aleatorias Continuas

Una variable aleatoria X es continua si su funcin de distribucin es una funcin
continua.
O mejor dicho que por medio de una funcin contina analiza una serie de datos
dentro de un rango y se determina el rea bajo la curva del mismo rango u otra
parte que este dentro de la original, pero que nos permita visualizar la varianza (el
intervalo ms alto dentro del rango) y la desviacin estndar (el intervalo ms bajo
dentro del rango).
Debe cumplir las siguientes condiciones:
F(x) = > 0
F(x) dx = 1
Donde utilizaremos las siguientes ecuaciones
E(x) = Valor Esperado
E(x) = x F(x) dx
V(x) = Varianza
V(x) = v(x) (E(x))2
v(x) = x2 F(x) dx
r = desviacin estndar
r = (V(x))1/2
Ejemplo:
Estatura de una persona elegida al azar en una poblacin. El valor que se obtenga
ser una medicin en cualquier unidad de longitud (m, cm, etc.) dentro de unos
lmites condicionados por la naturaleza de la variable. El resultado es impredecible
con antelacin, pero existen intervalos de valores ms probables que otros debido
a la distribucin de alturas en la poblacin. Ms adelante veremos que,
generalmente, variables biomtricas como la altura se adaptan un modelo de
distribucin denominado distribucin Normal y representada por una campana de
Gauss.
Variables Aleatorias Discretas
Se dice que una variable aleatoria es discreta si toma un nmero finito o a lo ms
numerable de valores:
En este caso la ley de la variable aleatoria es la ley de probabilidad sobre el

conjunto de los valores posibles de que asocia la probabilidad al

singleton .
En la prctica el conjunto de los valores que puede tomar X es N o una parte de
N.
Determinar la ley de una variable aleatoria discreta es:
Determinar el conjunto de los valores que puede tomar .

Calcular para cada uno de estos valores .

DISTRIBUCIONES DIRECTAS DE PROBABILIDAD BINOMIAL, MULTINOMIAL,

DE PASCAL, HIPERGEOMTRICA Y DE POISSON.
Distribucin directa de Probabilidad Binomial
Se presenta cuando se realiza una prueba en la que slo puede haber dos
posibles resultados: xito y fracaso. Teniendo en cuenta que cada prueba es
independiente de los resultados anteriores.
La distribucin binomial se expresa por B(n, p)
Clculo de probabilidades en una distribucin binomial

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
El nmero combinatorio
Considerando lo que caracteriza esta distribucin:
La suma de las potencias k y n-k deben ser igual a n
Si no se proporcionan valores para q y p se tomaran con valores de 0.5
respectivamente.
p+q=1
q = 1- p
p = 1- q
q= 1-p = probabilidad desfavorable
qn = al menos un xito

Parmetros de la distribucin binomial

Media Varianza Desviacin tpica

Ejemplo:
En una empresa constructora se tiene un banco de datos para realizar una grfica
de desviacin estndar de un concreto Fc = 400 kg/cm2 y cuyos datos del banco
estn divididos en 6 partes Cul es la probabilidad de que 2 partes de los 6
tantos sean una distribucin estndar buena?
N= 6
n
K=2 b (k, n, p) = ( K ) pk en-k

65
P = 0.5 b (2, 6, 0.5) = ( 2 1 ) x (0.52) x (e6-2) = (15) (1/4) (1/16) =

0.234
Distribucin directa de Probabilidad Multinomial
En general se trata de que en un espacio de trabajo se realicen una serie de
eventos (A1, A2, A3) al mismo tiempo donde cada uno tiene una probabilidad de
ser un resultado en el evento (P1, P2, P3), o sea que en un nmero de pruebas (n)
que se realizan tambin se analiza la probabilidad de que un evento A1 suceda y
se repita ciertas veces como K1, K2, K3 y as consecutivamente:
(n/K1 X K2 X Kn)P1K1 X P2K2 X PnKn
A veces las probabilidades no son definitivas porque un evento est siendo
afectado por la aparicin de 2 o ms factores que alteran al espacio muestral por
lo cual se usa esta expresin:
 (n /X1 x X2 x Xn)
Para aplicar la formula se consideran los siguientes parmetros:
La suma de las K = n
La suma de las probabilidades es igual a 1

Parmetros de distribucin multinomial

Media M=
Varianza r2 =
Desviacin estndar r= ( )
Ejemplo:
La gestin de control de obra tiene 1000 expedientes sin clasificar, el 30% son
pertenecientes a los trabajadores de obra, el 50% a los asistentes o chalanes y
20%
los tcnicos en construccin.
El ingeniero solicita 20 expedientes Cul es la probabilidad de que 4 expedientes
sean de los trabajadores sean de obra, 8 de asistentes o chalanes y el resto que
sean los tcnicos en construccin?
Datos:
n = 20 P1 = 0.30
X1 = 4 P2 = 0.50
X2 = 8 P3 = 0.20
X3 = 8
20
( 4 8 8 ) (0.30)2 (0.50)8 (0.20)8 = 5.05x10-3

Distribucin directa de Probabilidad Pascal

En esta se analiza K repeticiones hasta que la probabilidad arroje un resultado
exitoso, considerando que K es una variable aleatoria en todo momento, dicho
de otra manera es repetir un evento hasta que la probabilidad nos arroje los
resultados exitosos que deseemos y tambin analizar en cuantas repeticiones
obtendremos una cierta probabilidad, esta est demostrada por la siguiente
expresin:
( k1 )
P (Y=K) = ( ( r 1 ) ) (pr) (qk-r)

Dnde:
r= nmero de repeticiones Nota: K=r+1
k= probabilidad de que sea exitoso Valor esperado = r/p
p= resultado exitoso V(y) = rq/p2
q= resultado de fracaso varianza, donde: q= (1-p)
Parmetros de distribucin de Pascal
Media m=
Varianza r2 =
Desviacin estndar R= ( )1/2

Ejemplo:
La probabilidad de que un experimento sea exitoso es de 0.80, si el experimento
se repite hasta que ocurran 4 resultados exitosos Cul es el nmero esperado de
repeticiones necesarias para que sea exitoso?
r= 4
P= 0.80
q= 0.20
E (y)= 4 0.80 = 5
V (y) = 4 (0.20) 0.64 = 1.2
 Distribucin directa de Probabilidad Hipergeomtrica
Es una distribucin discreta que modela el nmero de eventos en una muestra de
tamao fijo cuando se conoce el nmero total de elementos en la poblacin de la
cual proviene la muestra.
Cada elemento de la muestra es diferente y cuando se elige un elemento de la
poblacin, no se puede volver a elegir es por ello que la probabilidad de que un
elemento en particular sea seleccionado aumenta cada vez que escogemos un
elemento.

Su funcin es:
Dnde:
p(x, n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados
Muestras de n objetos,donde hay x que son defectuosos y n-x sin
defectos.

Todas las muestras posibles.

Parmetros de la distribucin hipergeomtrica
Media m=
Varianza r2 =
Desviacin estndar r= ( )1/2
Ejemplo:
Cul es la probabilidad de que en una mezcla se deba usar cemento en malas
condiciones si se sabe que solo 5 costales de entre 9 estn en buenas
condiciones y que 4 no estn en buenas condiciones?
N = 9 total de costales
a = 4 costales de cemento en malas condiciones
n = 5 costales revisados
x = variable que nos define el nmero de costales que estn en malas condiciones
x = 0, 1, 2, 3 o 4

Distribucin directa de Probabilidad Poisson

Est a diferencia de las otras trabaja con un nmero infinito de probabilidades
dependientes de los eventos y repeticiones en el espacio muestral.
En esta se encuentran las probabilidades que pueden ocurrir en un determinado
tiempo, con el detalle que deben ser muy pequeos o raros los eventos.

Su funcin se expresa como:

Dnde: k es el nmero de repeticiones del evento
Es el nmero de veces que se espera que ocurra el evento o fenmeno
Parametro de la distribucion de Poisson
Media M=
Varianza r2 =
Desviacin estndar r= ( )1/2
Ejemplo:
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al
banco en un da cualquiera = 0, 1, 2, 3, ....., etc.
l = 6 cheques sin fondo por da
e = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al
banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos
Nota: l siempre debe de estar en funcin de x.