Professional Documents
Culture Documents
ESCUELA DE ECONOMÍA
AUTORES:
Docente:
2018 1
Contenido
Introducción....................................................................................................................................... 3
Estimación Puntual ........................................................................................................................... 6
a) Estimación puntual y Estimadores puntuales..................................................................... 9
Propiedades de los Estimadores ....................................................................................................... 9
a) Estimador Insesgado ........................................................................................................... 10
b) Estimador Eficiente ............................................................................................................. 11
c) Estimador Consistente ........................................................................................................ 12
d) Estimador Suficiente ........................................................................................................... 13
Estimación por intervalos de confianza......................................................................................... 13
Intervalos de confianza para la media 𝝁 de una población : .................................................. 15
a) Varianza 𝝈𝟐conocida ...................................................................................................... 15
b) Con varianza 𝝈𝟐 desconocida ........................................................................................ 18
c) Intervalo de confianza para la media de una población pequeña ............................... 21
d) Intervalo de confianza para la diferencia de medias en dos poblaciones normales
independientes ......................................................................................................................... 22
e) Intervalo de confianza para la diferencia de medias. ................................................... 23
f) Intervalo de confianza para la proporción.................................................................... 26
g) Estimación del intervalo de confianza para la proporción en el caso de que la
población sea pequeña. ........................................................................................................... 27
h) Intervalos de confianza para la diferencia de dos proporciones 𝒑𝟏 y 𝒑𝟐 en dos
poblaciones independientes .................................................................................................... 29
i) Intervalos de confianza para la diferencia de dos proporciones 𝒑𝒊 y 𝒑𝒋 en una sola
población grande ..................................................................................................................... 31
Aplicaciones ..................................................................................................................................... 32
ANEXO ............................................................................................................................................ 36
REFERENCIAS BIBLIOGRÁFICAS .......................................................................................... 37
2
Introducción
numéricas de una o más poblaciones. Las estimaciones de parámetros, como el ingreso medio
esenciales para el mejor diseño de las muestras y de este modo la mejor obtención de la
información. En este capítulo se abordan inicialmente los conceptos relacionados con las
propiedades de ciertas variables que se obtienen a partir de las muestras y que son útiles en
la estimación de parámetros.
Para mejorar sus procesos, las empresas necesitan conocerlos, lo que implica el estudio de la
manera como sus resultados varían. Pizzarun es un restaurante de comida italiana que, con el
fin de “volverse más competitivo”, decidió hacer entregas a domicilio de las pizzas
entrega llegaba después de este tiempo máximo la empresa entregaba gratis el pedido. Con
el fin de evitar, en lo posible, este tipo de entregas, Luiggi, gerente de Pizzarun, deberá
conocer una serie de parámetros que caracterizan el proceso que comienza con el pedido,
sigue con la preparación y termina con la entrega del pedido. Luiggi deberá recurrir a
Una presentación más formal del asunto de la estimación puede encuadrarse en la necesidad
de conocer la distribución que sirve como modelo de los datos que se desea analizar. Estas
distribuciones, que muchas veces se determinan a partir del análisis exploratorio de los datos
y del conocimiento que el investigador tiene del problema que se estudia, están descritas por
3
expresiones que dependen de parámetros que generalmente no se conocen y que deberán ser
la producción de una empresa, se puede elegir 100 artículos fabricados, observar el número
de defectuosos que hay entre los 100 y a partir de ello estimar el parámetro deseado. La
población la forman todos los artículos que la fábrica produce, mientras que la muestra está
El ejemplo anterior ilustra la necesidad del uso de muestras para obtener estimadores de los
parámetros. Claro está que se trata de obtener buenas estimaciones, y esto dependerá de la
la muestra está relacionada con el error que se produce al estimar el parámetro. Como el
parámetro no se conoce, habrá que recurrir a la probabilidad para medir este error; de ahí que
Existen diversos tipos de muestreo probabilístico, entre ellos se tiene el muestreo aleatorio
simple o básico. El muestreo aleatorio simple o básico (m.a.s.) es la técnica más fácil para
obtener muestras aleatorias y sirve como base para la aplicación de otros tipos de muestreo
muestreos polietápicos. Para el m.a.s., cada grupo de n elementos de la población tiene igual
oportunidad de ser seleccionado. Hay dos tipos de muestreo aleatorio simple: con reemplazo
y sin reemplazo. El m.a.s. con reemplazo consiste en reemplazar cada elemento seleccionado
antes de realizar una nueva selección. Es de imaginar de qué se trata el m.a.s. sin reemplazo.
4
En este desarrollo se utiliza, para comenzar, el m.a.s. con reemplazo para construir las
muestras. Con este tipo de muestreo resultan eventos que son más fáciles de tratar y de
posibles errores que se cometen. Sin embargo, es preferido por los menores costos que
produce y la facilidad del diseño. Entre los diversos tipos de muestreo no probabilísticos
centro de votación (a “boca de urna”), etc.; el muestreo según el criterio, que se hace
institución para que proporcione la información); el muestreo de bola de nieve, que se realiza
población que se estudia, para luego entrevistarlas y así aumentar la muestra); y el muestreo
por cuotas, que se realiza dándole al entrevistador la libertad de elegir los elementos de la
muestra pero bajo ciertos criterios, como las características y el número de personas a
entrevistar.
5
Estimación Puntual
Esencialmente, hay dos maneras de estimar los parámetros de una población: puntualmente,
cuando se usa un único número como el valor más representativo del parámetro desconocido,
y por intervalos de confianza, cuando se utiliza un intervalo o rango de valores que con cierta
la variable, obteniéndose los valores x1, x2, “xn”. Cualquier función de los valores x1, x2,
“xn” es una estimación puntual del parámetro. Como la muestra es aleatoria, la estimación
puntual de un parámetro es el valor de una variable aleatoria. Esta variable se llama estimador
puntual del parámetro.En la tabla 7.2 se presenta una muestra aleatoria simple de 30 gerentes
notación x1, x2, etc., se usa para denotar el sueldo anual del primer gerente de la muestra,
6
del segundo, y así sucesivamente. La participación en el programa de capacitación se indica
de la muestra, a lo que se le conoce como estadístico muestral. Por ejemplo, para estimar la
gerentes de EAI, se emplean los datos de la tabla 7.2; y se calculan los estadísticos muestrales
Con las fórmulas para ambas categorías, presentadas anteriormente, se obtiene que la media
muestral es
∑ 𝑥𝑖 1554420
𝑥̅ = = = $ 51814
𝑛 30
∑(𝑥𝑖 − 𝑥̅ )2 325009260
𝑠=√ =√ = $ 3348
𝑛−1 29
𝑥 19
𝑝̅ = = = 0.63
𝑛 30
7
Al efectuar los cálculos anteriores, se lleva a cabo el proceso estadístico conocido como
estimación puntual. Así, en la muestra aleatoria simple de 30 gerentes de EAI que se presenta
se comparan las estimaciones puntuales con los valores de los parámetros poblacionales.
Como se observa en la tabla 7.3, las estimaciones puntuales difieren un poco de los
elaborar las estimaciones muestrales se usa una muestra, y no un censo de toda la población.
8
a) Estimación puntual y Estimadores puntuales
información de la muestra que genera un único número llamado estimación puntual. Por
uno de estos estadísticos muestrales sean los estimadores puntuales de sus correspondientes
estimador puntual, se verifica si éste tiene ciertas propiedades que corresponden a un buen
estimador puntual. En esta sección se estudian las propiedades que deben tener los buenos
9
En esta notación, θ es la letra griega theta y la notación 𝜃̂ se lee “theta sombrero”. En general,
a) Estimador Insesgado
poblacional. Por tanto, el valor esperado, o media, de todos los posibles valores de un
𝐸(𝜃̂) = 𝜃
En la fi gura 7.10 se exponen los casos de los estimadores puntuales sesgados e insesgado.
igual al valor del parámetro poblacional. En este caso los errores de estimación se equilibran,
ya que algunas veces el valor del estimador puntual 𝜃̂ puede ser menor que θ y otras veces es
mayor que el valor del parámetro poblacional. En la gráfica B de la figura 7.10, E (𝜃̂) es
mayor que θ; así, la probabilidad de que los estadísticos muestrales sobreestimen el valor del
vio que E(x) =μ y que E (p) =p. Por tanto, x y p son estimadores insesgados de sus
10
correspondientes parámetros poblacionales μ y p. En cuanto a la desviación estándar muestral
s y la varianza muestral s2, se puede demostrar que E (s2) =σ2. Por consiguiente, se concluye
b) Estimador Eficiente
Suponga que se usa una muestra aleatoria simple de n elementos para obtener dos
circunstancias, se preferirá usar el estimador puntual con el menor error estándar, ya que
tenderá a dar estimaciones más cercanas al parámetro poblacional. Se dice que el estimador
puntual con menor error estándar tiene mayor eficiencia relativa que los otros. En la figura
θˆ1 y θˆ2. Observe que el error estándar de θˆ1 es menor que el error estándar de θˆ2; por
11
tanto, los valores de θˆ1 tienen más posibilidades de estar cerca del parámetro θˆ que los
valores de θˆ2. Como el error estándar del estimador puntual θˆ1 es menor que el del
estimador puntual θˆ2, θˆ1 es relativamente más eficiente que θˆ2 y se prefiere como
estimador puntual.
c) Estimador Consistente
manera sencilla, un estimador puntual es consistente si su valor tiende a estar más cerca del
parámetro poblacional a medida que el tamaño de la muestra aumenta. En otras palabras, una
12
muestra grande tiende a proporcionar mejor estimación puntual que una pequeña. Observe
que en el caso de la media muestral 𝑥̅ , el error estándar de 𝑥̅ está dado por 𝜎𝑥̅ =𝜎⁄√𝑛 . Puesto
que 𝜎𝑥̅ está vinculado con el tamaño de la muestra, de manera que muestras mayores dan
valores menores de 𝜎𝑥̅ , entonces las de tamaño grande tienden a proporcionar estimadores
proporción poblacional p.
d) Estimador Suficiente
estimador puede extraer información adicional acerca del parámetro de población que se está
estimando.
Una estimación de punto no nos dice cuan próximo esta la estimación al parámetro que se
estima, por lo tanto, no es muy significativa, sino se tiene cierto grado de confianza de que
describe un rango de valores dentro del cual es posible que esté un parámetro de la población.
como nivel de confianza. Esta probabilidad indica qué tanta confianza tenemos de que la
estimación de intervalo incluya al parámetro de población. Una probabilidad más alta implica
grado de confianza; sus valores más utilizados son 0.95, 0.98 y 0.99. al número 𝛼 se le
13
denomina riesgo de estimación por intervalo. El intervalo de confianza es el rango de la
𝑃[𝐴1 ≤ 𝜃] = 1 − 𝛼
Se concluye que el intervalo [𝑎1 , +∞[ es un intervalo de estimación unilateral del parámetro
𝜃 del (1- 𝛼)x 100%, donde 𝑎1 es el valor de 𝐴1 que se obtiene a partir de la muestra.
𝑃[𝜃 ≤ 𝐵1 ] = 1 − 𝛼
La interpretación del intervalo de confianza es como sigue: si a partir de los datos de una
repetidamente 100 muestras del tamaño n , tendremos 100 intervalos semejantes al intervalo
14
Intervalos de confianza para la media 𝜇 de una población :
a) Varianza 𝝈𝟐 conocida
Primero suponemos que se toma una muestra aleatoria de una población que sigue
una distribución normal y que tiene una media desconocida y una varianza conocida.
estimar una media poblacional. Este problema a veces es poco realista, ya que en
media es desconocida. A veces sí ocurre, sin embargo, que se han hecho tantas
es bastante grande, pueden utilizarse los métodos desarrollados para el caso en el que
que permite hacer una exposición bastante fácil de los métodos necesarios para hallar
intervalos de confianza.
Sea x1, x2, ..., xn una muestra aleatoria de n observaciones extraídas de una población
15
Se puede utilizar , entonces, la distribución muestral de la media 𝑋̅ para determinar
N(𝜇, 𝜎 2 ⁄𝑛 ).
𝑋̅ − 𝜇
𝑍=
𝜎⁄√𝑛
𝑃[−𝑍1−𝛼⁄2 ≤ 𝑍 ≤ 𝑍1−𝛼⁄2 ] = 1 − 𝛼
16
𝑋̅ − 𝜇
𝑃 [−𝑍1−𝛼⁄2 ≤ ≤ 𝑍1−𝛼⁄2 ] = 1 − 𝛼
𝜎⁄√𝑛
De donde resulta,
𝜎 𝜎
𝑃 [𝑋̅ − 𝑍1−𝛼⁄2 ≤ 𝜇 ≤ 𝑋̅ + 𝑍1−𝛼⁄2 ]=1−𝛼
√𝑛 √𝑛
𝑃[𝐴 ≤ 𝜇 ≤ 𝐵] = 1 − 𝛼
contenga al parámetro 𝜇.
Luego, el valor 𝑍1−𝛼 se busca en la tabla normal N(0, 1) tal que 𝑃[𝑍 ≤ 𝑍1−𝛼⁄2 ] = 1 −
𝛼⁄2.
Ejemplo
Se han registrado los tiempos que 100 clientes, tomados al azar, utilizan en sus distintas
real µ del tiempo utilizado por los clientes con un intervalo al nivel de confianza de 99%.
17
Solución
𝑋̅ = 10
n=100
𝜎=3
Los clientes utilizan para realizar sus operaciones en un banco local, en promedio, entre
En la práctica se considera que el tamaño de la muestra debe ser mayor que 30.
18
∑𝑛 (𝑥1 − 𝑥̅ )2
𝑠 = √ 𝑖=1
𝑛−1
Esta estimación origina una disminución del grado de confianza del intervalo, por
𝑠
3. Calcular el margen de error para la media muestral, en este caso es 𝑡1−𝛼⁄2,𝑛−1
√𝑛
𝑠 𝑠
4. El intervalo de confianza es [𝑋̅ − 𝑡1−𝛼⁄2,𝑛−1 , 𝑋̅ + 𝑡1−𝛼⁄2,𝑛−1 ]
√𝑛 √𝑛
𝑠
El intervalo puede escribirse como 𝑋̅ ± 𝑡1−𝛼⁄2,𝑛−1
√𝑛
Cuando la muestra es grande (mayor que 30), el cuantil 𝑡1−𝛼⁄2,𝑛−1 se aproxima con el cuantil
𝑠 𝑠
[𝑥̅ − 1.96 , 𝑥̅ + 1.96 ]
√𝑛 √𝑛
19
y el intervalo al nivel de confianza de 99% se aproxima con:
𝑠 𝑠
[𝑥̅ − 2.58 , 𝑥̅ + 2.58 ]
√𝑛 √𝑛
Ejemplo
Para una muestra de 25 corredores de bolsa se encontró que la media de los precios cobrados
poblacional fue $ 2.1. Hallar el intervalo de confianza de 95% para la media de todos los
precios cobrados por una transacción de 5 acciones a $ 20 la acción. Se supone que los precios
Solución
𝑡1−0.05⁄2,24 = 2.797.
El intervalo de confianza es :
𝑠 𝑠 2.1 2.1
[𝑥̅ − 𝑡1−0.05,24 , 𝑥̅ + 𝑡1−0.05,24 ] = [10 − 2.797 ( ) , 10 + 2.797 ( )]
√𝑛 √𝑛 √25 √25
[8.83, 11.17]
20
El promedio de los precios cobrados por una transacción de 5 acciones, a $ 20 la acción, está
las poblaciones son pequeñas y se usa el m.a.s. con reemplazo; sin embargo, lo real es que
1 𝑁−𝑛 1 𝑁−𝑛
𝑃 [𝑥̅ − (𝑍1−𝛼⁄2 )𝜎√ ( ) ≤ 𝜇 ≤ 𝑥̅ + (𝑍1−𝛼⁄2 )𝜎√ ( )] = 1 − 𝛼
𝑛 𝑁−1 𝑛 𝑁−1
𝑁−𝑛 𝑛
Es el factor de corrección por población finita, se puede aproximar a 1 − 𝑁, y el intervalo
𝑁−1
de confianza seria:
1 𝑛 1 𝑛
𝑃 [𝑥̅ − (𝑍1−𝛼⁄2 )𝜎√ (1 − ) ≤ 𝜇 ≤ 𝑥̅ + (𝑍1−𝛼⁄2 )𝜎√ (1 − ) ] = 1 − 𝛼
𝑛 𝑁 𝑛 𝑁
21
Si la población es grande, en la práctica mayor que 100,000, y el tamaño de la muestra es
menor que el 10% de la población, el factor de corrección por población finita puede obviarse
Ejemplo
Para estimar el promedio de los salarios de 100 empleados de una compañía se tomó una
muestra aleatoria de 50 de ellos. Para esta muestra se halló 𝑥̅ = 84.1 y s = 11.0653. Encontrar
un intervalo al nivel de confianza del 95% para estimar la media de los salarios de todos los
trabajadores de la compañía.
Solución
𝑍0.975 = 1.96
11.0653 50 11.0653 50
[84.1 − 1.96 × × √1 − 100 , 84.1 + 1.96 × × √1 − 100] =
√50 √50
[81.9312, 86.2688]
Se tiene la confianza del 95% de que la media de la población esté entre los valores 81.9312
y 86.2688.
22
Consideramos dos variables aleatorias independientes X1 y X2 con distribuciones normales
de parámetros (μ1, σ1) y (μ2, σ2), respectivamente, de las que vamos a tomar muestras
Nuestro objetivo, en este caso, es obtener un intervalo de confianza para la diferencia de las
medias de ambas distribuciones, es decir, para μ1 – μ2. Pero previo al cálculo de este
sus desviaciones típicas, σ1 y σ2, aun siendo desconocidas, pueden asumirse iguales o no. El
cálculo del intervalo de confianza se realiza de forma diferente dependiendo El cálculo del
X N ( , ) , Y N ( , )
23
a) Si y 22 son conocidas, como X Y N , , el intervalo
n n
de confianza será:
X Y z ,X Y z
n n n n
X Y
b) Si y son desconocidas pero iguales, como t
n s n s 1 1
n n 2 n n
X Y n s n s 1 1 n s n s 1 1
t
, X Y t
n n 2 n n 2
n n
n n
Ejemplo: Dos universidades públicas tienen dos métodos distintos para inscribir a sus alumnos.
Los dos desean comprobar el tiempo promedio que toma la inscripción de los alumnos. En cada
universidad se tomaron los tiempos de inscripción de 31 alumnos tomados al azar. Las medias y
desviaciones típicas muestrales fueron: x 20 ' 3, s 2' 5, y 23 , s 3. Si se supone que el
muestreo se llevó a cabo en dos poblaciones normales e independientes, obtener los intervalos de
confianza al nivel de riesgo 0'05 para la diferencia entre las medias del tiempo de inscripción para las
dos universidades,
24
a) suponiendo que las varianzas poblacionales son 9 , 10 .
Para el apartado a 0 05 1 0 ' 95 1 0 ' 975 z 1' 96
2
9 10 9 10
20 ' 3 23 1' 96 , 20' 3 23 1' 96
31 31 31 31
25
tenemos que la proporción muestral P=X/n se distribuye aproximadamente como una normal
pq
N p , y podremos usar el teorema central del límite.
n
p(1-p) por P(1-P). un intervalo de confianza aproximado para p a nivel 1 sería:
P (1 P ) P (1 P )
P z , P z
n n
Ejemplo: Uno de los líderes de un colectivo laboral desea plantear una cuestión a todos
los miembros del grupo. Si más de la mitad respondieran NO entonces preferiría no plantearla
para no minar su prestigio. Para salir de dudas, elige aleatoriamente a 100 trabajadores a los
26
que hace la pregunta y sólo 30 responden NO. ¿Entre qué límites se hallará la verdadera
Como el tamaño muestral es grande, podemos aplicar el teorema central del límite.
Tenemos 1 0 ' 95 1 0 ' 975 z 1' 96
2
Por tanto, la verdadera proporción está en el intervalo 0' 2102 , 0 ' 3898 con un nivel
de confianza del 95%.
27
corrección por población finita. El intervalo aproximado, al nivel de confianza del (1
− α) 100%, es:
𝑝(1 − 𝑝) 𝑛 𝑝(1 − 𝑝) 𝑛
[𝑝 − 𝑍1−∝/2 √ √1 − ; 𝑝 + 𝑍1−∝/2 √ √1 − ]
𝑛 𝑁 𝑛 𝑁
Para conocer la intención de voto en un grupo de 500 personas se tomó una muestra
sin restitución de 250 personas, resultando que 42 “votarán por el candidato A”.
Solución
valores son: 0 y 1. Así resulta que el tamaño de muestra n requerido para estimar a p,
Observación:
𝑛
Como en el caso de la media, la expresión equivale a 1−𝑛𝑖𝑛𝑓 /𝑁, en donde 𝑛𝑖𝑛𝑓 ; es el
𝑖𝑛𝑓
independientes.
𝔭1 (𝔭1 − 𝔭2 ) 𝔭2 (𝔭1 − 𝔭2 )
[(𝔭1 − 𝔭2 ) − 𝑧1−∝/2 √ + ; (𝔭1 − 𝔭2 )
𝑛1 𝑛2
𝔭1 (𝔭1 − 𝔭2 ) 𝔭2 (𝔭1 − 𝔭2 )
+ 𝑧1−∝/2 √ + ]
𝑛1 𝑛2
29
Ejemplo (VELIZ, 2009). FUMAR ES DAÑINO PARA LA SALUD
realizó una encuesta anotándose que, de 800 mujeres, 100 fuman, y de 600 hombres,
Solución
100
Los valores respectivos de los estimadores para 𝒑𝟏 y 𝒑𝟐 son: 𝔭1 = 800 = 0.125 y
120
𝔭2 = 600 = 0.2.
0.125(0.875) 0.2(0.8)
[(0.125 − 0.2) − 2.58 √ + ; (0.125 − 0.2)
800 600
0.125(0.875) 0.2(0.8)
+ 2.58√ + ] = [−0.126 ; −0.023]
800 600
menor que 𝒑𝟐 .
30
i) Intervalos de confianza para la diferencia de dos proporciones 𝒑𝒊 y 𝒑𝒋
población y a partir de una sola muestra. Tal caso se tiene cuando se requiere la
Para comparar dos o más proporciones 𝑝𝑖 y 𝑝𝑗 en una población, a partir de los datos
𝔭𝑖 (1 − 𝔭𝑖 ) + 𝔭𝑗 (1 − 𝔭𝑗 ) + 2𝔭𝑖 𝔭𝑗
[(𝔭𝑖 − 𝔭𝑗 ) − 𝑧1−∝/2 √ ; (𝔭𝑖 − 𝔭𝑗 )
𝑛
𝔭𝑖 (1 − 𝔭𝑖 ) + 𝔭𝑗 (1 − 𝔭𝑗 ) + 2𝔭𝑖 𝔭𝑗
+ 𝑧1−∝/2 √ ]
𝑛
Así, para estimar la diferencia de las proporciones de las preferencias por dos
candidatos A y B a la alcaldía de una ciudad, bastará con tomar una muestra aleatoria
31
Ejemplo. CANDIDATURAS
Aplicaciones
Las empresas KCola e ICola son dos de las compañías que surten al mercado local de
refrescos desde hace muchos años. Últimamente han iniciado una serie de anuncios
publicitarios por radio y televisión indicando que cada cual es la poseedora de mayor
participación en el mercado de los refrescos. Los avisos son cada vez más numerosos,
a tal punto que la prensa local ha bautizado a esta situación como la “guerra de las
32
colas”, en clara alusión al famoso film La guerra de las galaxias. En los avisos
publicitarios la KCola indica que a ella “la prefiere el 42% de los clientes, mientras
que a su competidora ICola la prefiere el 40%”. Con letras muy pequeñas, como suele
suceder en estos avisos, se indica que esta afirmación se basa en los siguientes
REFRESCOS PREFERENCIAS
KCola 252
ICola 240
Otros 110
Total 600
Fisher, un avispado lector que ha fijado su atención en las pequeñas letritas de los
avisos de las colas, dice que la diferencia que indica KCola es a nivel de muestra,
33
252 148 240 160 252 240
√(400) (400) + (400) (400) + 2 (400) (400) 252 240
[(252/400 − 240/400) − 1.96 ; ( − )
400 400 400
= [−0.08365; 013364]
Un caso a saber
Refrescola opera en el país desde el 1950, año en que firmó el convenio que le
permitía embotellar y distribuir la bebida gaseosa que “refresca al mundo” hace 120
años en más de 200 países y cuya fórmula “secreta, única, energizante y refrescante”
fue inventada en Atlanta, EE. UU. La planta que Refrescola construyó para
la capital, y desde este punto se reparte la bebida a todos los puntos del país. El
las campañas y promociones publicitarias, que han permitido que la bebida sea la más
34
y sus campañas a favor del medio ambiente han sido suficientes para que sea
35
ANEXO
36
REFERENCIAS BIBLIOGRÁFICAS
37