You are on page 1of 49

1

INSTITUTO TECNOLGICO SUPERIOR DE


COATZACOALCOS


INGENIERA INFORMTICA SISTEMA ABIERTO

GRUPO: 3A

ALUMNO:
Manuel Santiago Jos Augusto.
MATERIA:
Fundamentos de sistemas de informacin
Unidad 2
Actividad 2
Tema: Aplicaciones del software.
DOCENTE:
Lic. Zofia Bentez Alonso
Introduccin



2

Fundamentos de la teora de probabilidad.

ndice
Tema Pgina


Introduccin.3
2.1 Teora elemental de probabilidad..4
2.2 Probabilidad de Eventos: Definicin de espacio muestral, definicin de evento,
simbologa, unin, interseccin, diagramas de Venn.10
2.3 Probabilidad con Tcnicas de Conteo:
Axiomas, Teoremas....18
2.4 Probabilidad condicional: Dependiente, Independiente..25
2.5 Ley multiplicativa...26
2.6 Eventos independientes: Regla de Bayes....29
2.7 Variable aleatoria.......33
2.8 Variables aleatorias conjuntas..34
2.9 Modelos analticos de fenmenos aleatorios discretos...38
2.10 Modelos analticos de fenmenos aleatorios continuos...49
Conclusiones.50
Fuentes de informacin51










3

Introduccin


El uso de las tcnicas de conteo no se limita a la realizacin de actividades
complejas para el calculo de probabilidades




Fundamentos de la teora de probabilidad.

2.1 Teora elemental de probabilidad.

Probabilidad

En ocasiones cuando se habla de probabilidad o posibilidad de que un evento
ocurra, se pierde la credibilidad acerca del evento en cuestin, pero es posible
tener siempre la certeza total en todo proyecto o actividad que se desea realizar?,
es muy difcil tenerla, debido a que el llevar a efecto un proyecto cualquiera por
ms simple que este sea, ste est sujeto a una gran diversidad de factores que
afectan su ocurrencia, entonces qu es lo ms aconsejable para predecir su
ocurrencia?, la probabilidad es la que nos ayuda en estos casos, ya que
basndose en estadsticas, podemos cuantificar la posibilidad de ocurrencia de los
eventos y por consiguiente tomar una buena decisin basados en esta
informacin.

A) CONCEPTO.

La probabilidad se encarga de evaluar todas aquellas actividades en donde se
tiene incertidumbre acerca de los resultados que se pueden esperar, esto quiere
4

decir que la probabilidad est presente en casi en todas las actividades que se
pretenda realizar, ejemplos:
-Cualquier proyecto de Ingeniera o de otras reas
-Competencias deportivas
-Juegos de azar, etc., etc.





Cmo podemos calcular probabilidades?
1. Haciendo uso de las estadsticas.
En este caso, se hace uso de la informacin que se ha acumulado acerca del
evento que nos interesa, y despus de esto se procede a calcular las
probabilidades requeridas.

Ejemplo. Determine la probabilidad de que en cierta lnea de produccin se
manufacture un producto defectuoso, si se toma como referencia que la
produccin de la ltima semana en esta lnea fue de 1,500 productos, entre los
que se encontraron 8 productos defectuosos.

p(producto defectuoso) = No de productos defectuoso /Total de productos
producidos en la semana
= 18 / 1500 = 0.012

Lo anterior nos indica que es muy probable que 1.2 productos de cada 100 que se
manufacturen en esa lnea sern defectuosos.

Porqu se utiliz para calcular las probabilidades la informacin de la semana
inmediata anterior?. Debido a que esta refleja la situacin que guarda actualmente
la produccin de la lnea mencionada.
5


2. Basndose en la experimentacin. Hay casos en los que despus de repetir un
nmero muy grande de veces un experimento, es posible determinar las
probabilidades de ocurrencia de algunos eventos, tales como: La probabilidad de
que aparezca guila al lanzar una moneda equilibrada, la probabilidad de que
aparezca el nmero 3 en un dado, etc., etc.




Ejemplos:

p(guila) =1/2 = 0.5

p(aparezca el nmero 3)= 1 / 6 = 0.1666

3. Asignando probabilidades. En este caso se hace uso de las probabilidades
obtenidas mediante estadsticas y la experimentacin y se asignan a los eventos
previamente descritos y a partir de ellas se determinan probabilidades de otros
eventos.

A continuacin se definen algunas cuestiones implcitas en el clculo de
probabilidades.

a) Espacio muestral (o).- Es el conjunto de todos los resultados posibles de un
experimento. Es nuestro Universo.

Ejemplos:
1. Se lanza al aire un dado normal (perfectamente equilibrado), enumere los
posibles resultados de este experimento.

6

o= {1, 2, 3, 4, 5, 6 }

2. Se lanza al aire dos veces una moneda normal, defina su espacio muestral.

o = {AA, AS, SA, SS}

Evento A.- El evento A es un subconjunto del espacio muestral.



Ejemplos:
1. Sea A el evento de que aparezca un nmero par en el lanzamiento de un dado,
entonces;
A = {2, 4,6}



Es un nmero entre 0 y 1 inclusive, que mide la creencia que se tiene de
que llegue a ocurrir un evento especfico que sea resultado de un
experimento.


El concepto de probabilidad es manejado por mucha gente. Frecuentemente se
escuchan preguntas como las que se mencionan a continuacin:

Cul es la probabilidad de que me saque la lotera o el melate?
Qu posibilidad hay de que me pase un accidente automovilstico?

Qu posibilidad hay de que hoy llueva?
Para llevar mi paraguas o no.

7

Existe alguna probabilidad de que repruebe el primer parcial?


El conocimiento de probabilidad es de suma importancia en todo estudio
estadstico

El clculo de probabilidades proporciona las probabilidades

Fenmenos Aleatorios y Fenmenos Deterministicos.
Fenmeno Aleatorio.- Es un fenmeno del que no se sabe que es lo que va a
ocurrir, estn relacionados con el azar o probabilidad.

Fenmeno Determinista.- Es el fenmeno en el cual de antemano se sabe cual
ser el resultado.

Experimento aleatorio.- Una accin que se realiza con el propsito de
analizarla. Tiene como fin ltimo determinar la probabilidad de uno o de varios
resultados.
Se considera como aleatorio y estocstico, si sus resultados no son
constantes.

Puede ser efectuado cualquier nmero de veces esencialmente en las
mismas condiciones.


Un experimento es aleatorio si se verifican las siguientes condiciones:

1. Se puede repetir indefinidamente, siempre en las mismas condiciones;
2. Antes de realizarlo, no se puede predecir el resultado que se va a obtener;
3. El resultado que se obtenga, s, pertenece a un conjunto conocido
previamente de resultados posibles.
8


Ejemplos de experimentos

Tirar dardos en un blanco determinado
Lanzar un par de dados
Obtener una carta de una baraja
Lanzar una moneda
Seleccionar a una persona

Otros ejemplos de eventos:

A: Que al nacer un bebe, ste sea nia

B: Que una persona de 20 aos, sobreviva 15 aos ms

C: Que la presin arterial de un adulto se incremente ante un disgusto
Probabilidad e Inferencia.

Se presentan dos candidatos X e Y al cargo de la presidencia de la Ciudad, y se
desea determinar si el candidato X puede ganar.
Poblacin de inters: Conjunto de respuestas de los habitantes que votarn el da
de las elecciones.

Criterio de gane: Si obtiene el ms del 50% de los votos.

Supngase que todos los ciudadanos van a las urnas y se elige de manera
aleatoria, una muestra de 20 personas.
Si los 20 estudiantes apoyan al candidato X
Qu concluye respecto a la posibilidad que tiene el candidato X de ganar las
elecciones?

9


1.- El candidato x ganara

2.- El candidato y ganara

3.- No se puede concluir nada



2.2.- Probabilidad de eventos.

La probabilidad matemtica comenz como un intento de responder a varias
preguntas que surgan en los juegos de azar; por ejemplo, saber cuntos
dados hay que lanzar para que la probabilidad de que salga algn seis supere
el 50%.

La probabilidad de un resultado se representa con un nmero entre 0 y 1,
ambos inclusive. La probabilidad 0 indica que el resultado no ocurrir nunca, y
la probabilidad 1, que el resultado ocurrir siempre.

El clculo matemtico de probabilidades se basa en situaciones tericas en las
cuales puede configurarse un espacio muestral cuyos sucesos elementales
tengan todos la misma probabilidad.

Por ejemplo, al lanzar un dado ideal, la probabilidad de cada una de las caras
es 1/6. Al lanzar dos dados, la probabilidad de cada uno de los resultados es
1/36.
Sin embargo, la aplicacin de esta regla en experimentos ms complejos
requiere el uso de la combinatoria.

10

Por ejemplo, al extraer tres cartas de una baraja y ver la probabilidad de que
las tres sean trboles, el nmero total de sucesos elementales es C523 =
(525150)/(321) = 22.100. Los casos favorables son C133=
(131211)/(321) = 286. Por tanto, la probabilidad pedida es:






P [TRES TRBOLES] = 286/22.100 = 143/11.050
La resolucin de este tipo de problemas se simplifica notablemente si
consideramos sacar tres naipes como una experiencia compuesta por tres
experiencias simples: sacar un naipe y despus otro y despus otro.

Definicin de espacio muestra.

Espacio muestral (E): es el conjunto de los diferentes resultados que pueden
darse en un experimento aleatorio.
Suceso: subconjunto del espacio muestral. Se representa con una letra
mayscula, con sus elementos entre llaves y separados por comas.
Operaciones con sucesos:
Unin: la unin de dos sucesos es el suceso que ocurre cuando se da uno de
ellos. Interseccin: la interseccin dos sucesos es el suceso que ocurre cuando
se dan ambos a la vez.


- Suceso Seguro: se tiene la certeza de que se producir porque contiene
todos los resultados posibles de la experiencia (coincide con el espacio
muestral).
11

- Suceso Imposible: se tiene la certeza de que nunca se puede presentar, ya
que no tiene elementos (es el conjunto vaco).
- Suceso Contrario de A: es el que ocurre cuando no se da A; es su
complementario respecto al espacio muestral (A).
- Suceso Elemental: es el que tiene un solo resultado, es un conjunto
unitario.
- Sucesos incompatibles: la interseccin es conjunto vaco, es decir, no
pueden los dos sucesos darse al mismo tiempo.
- Sucesos Compatibles: la interseccin de dos sucesos contiene algn
elemento.

Discreto y continuo.

- Espacio muestral discreto: si contiene un nmero finito o infinito
numerable de puntos mustrales.

Ejemplo: se tiene una urna con bolillas del 1 al 20. Se extrae una. S
= { 1, 2, 3 , 20 } (finito) .
- Espacio muestral continu: si contiene una infinidad no numerable de
puntos mustrales.

Ejemplo: su utiliza una balanza de precisin para pesar partculas
metlicas. S= { X : 0 < X < infinito ) .

Distribuciones de variable discreta

Se denomina distribucin de variable discreta a aquella cuya funcin de
probabilidad slo toma valores positivos en un conjunto de valores de X finito o
infinito numerable.

12

A dicha funcin se le llama funcin de masa de probabilidad. En este caso la
distribucin de probabilidad es el sumatorio de la funcin de masa, por lo que
tenemos entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta
expresin representa la suma de todas las probabilidades desde hasta el valor x







Definicin de evento.


Un evento es un subconjunto de un espacio muestral.

Evento o Suceso. Se llama evento o suceso a todo subconjunto de un espacio
muestral.

Por ejemplo; en el espacio muestral E = {1, 2, 3, 4, 5, 6} del lanzamiento de un
dado, los siguientes son eventos:

1. Obtener un nmero primo A = {2, 3, 5}

2. Obtener un nmero primo y par B = {2}
3. Obtener un nmero mayor o igual a 5 C = {5, 6}


13

Eventos mutuamente excluyentes.- Dos eventos son mutuamente excluyentes si
no pueden ocurrir en forma simultnea, esto es, si y slo si su interseccin es
vaca.
Por ejemplo, en el lanzamiento de un dado los eventos
B = {2} y C = {5, 6} son mutuamente excluyentes por cuanto B C =








Simbologa, uniones e intersecciones.

1. A, B, C=conjuntos.
2. a ,b ,c=elementos de conjuntos
3. U=unin de conjuntos
4. =interseccin de conjuntos
5. A= complemento de un conjunto
6. / =dado que
7. \ diferencia
8. <>=diferente de
9. ( )=Conjunto nulo o vacio.
10. R= conjunto de los nmeros reales.
11. N= conjunto de los nmeros naturales.
12. C= conjunto de los nmeros complejos.
13. n!= factorial de un numero entero positivo.
14. Q= conjunto de los nmeros fraccionarios.
15. I= conjunto de los nmeros irracionales.
16. c= subconjuntos { }= llaves. Conjuntos vacos.
14


1.-Si A y B son dos subconjuntos de un conjunto S, los elementos que pertenecen
a A, a B o a ambos forman otro subconjunto de S llamado unin de A y B, escrito
A U B.

2.- Los elementos comunes a A y B forman un subconjunto de S denominado
interseccin de A y B, escrito A &cap B.
3.- Si A y B no tienen ningn elemento comn se denominan conjuntos disjuntos
ya que su interseccin no tiene ningn elemento, y siendo conveniente representar
esta interseccin como otro conjunto, ste se denomina conjunto vaco o nulo y se
representa con el smbolo .


Por ejemplo;
Si A = {2, 4, 6},
B = {4, 6, 8, 10} y
C = {10, 14, 16, 26},
Entonces A U B = {2, 4, 6, 8, 10},
A U C = {2, 4, 6, 10, 14, 16, 26},
A B = {4, 6} y A C = .

DIAGRAMAS DE VENN.


Los diagramas de Venn son ilustraciones usadas en la rama de la matemtica
conocida como teora de conjuntos.

Estos diagramas se usan para mostrar grficamente la relacin matemtica o
lgica entre diferentes grupos de cosas (conjuntos), representando cada conjunto
mediante un valo o crculo.

15

La forma en que esos crculos se sobreponen entre s muestra todas las posibles
relaciones lgicas entre los conjuntos que representan. Por ejemplo, cuando los
crculos se superponen, indican la existencia de subconjuntos con algunas
caractersticas comunes.






Tipos de diagramas de Venn

Diagrama de dos conjuntos

Considrese el ejemplo a la derecha: supngase que el conjunto A (el crculo
naranja) representa, por ejemplo, a todas las criaturas vivas con solo dos piernas
motrices y que el conjunto B (el crculo azul) contiene a todas las criaturas que
pueden volar. El rea donde ambos crculos se superponen (que recibe el nombre
de interseccin entre A y B, o interseccin A - B) contendra por tanto todas las
criaturas que, al mismo tiempo, pueden volar y tienen slo dos piernas motrices.



16


Diagramas de Venn de Edwards
Los conjuntos resultantes pueden proyectarse de nuevo sobre el plano para
mostrar diagramas de engranaje, con cantidades cada vez mayores de dientes.
Edwards ide estos diagramas mientras diseaba la ventana acristalada en
memoria de Venn que hoy adorna el comedor de su colegio.


Diagramas de tres conjuntos
Los diagramas de tres conjuntos fueron los ms corrientes elaborados por Venn
en su presentacin inicial. Las distintas intersecciones de los tres conjuntos A, B y
C definen SIETE reas diferentes, cuyas posibles uniones suponen 256
combinaciones distintas de los tres conjuntos iniciales.








17















2.3 Probabilidad con Tcnicas de Conteo: Axiomas, Teoremas.

Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y
Teoremas que a continuacin se enumeran.

1) La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y
uno.

0 s p(A) > 1

2) La probabilidad de que ocurra el espacio muestral o debe de ser 1.

p(o) = 1

3) Si A y B son eventos mutuamente excluyentes, entonces la p(AB) = p(A) +
p(B)

18

Generalizando:

Si se tienen n eventos mutuamente excluyentes o exclusivos A
1
, A
2
, A
3
,.....An,
entonces;

p(A
1
A
2
.........A
n
) = p(A
1
) + p(A
2
) + .......+ p(A
n
)







TEOREMAS


TEOREMA 1. Si | es un evento nulo o vaco, entonces la probabilidad de que
ocurra | debe ser cero.


p(|)=0




DEMOSTRACIN:
Si sumamos a |un evento A cualquiera, como | y A son dos eventos mutuamente
excluyentes, entonces p(A|)=p(A) +p(|)=p(A). LQQD


TEOREMA 2. La probabilidad del complemento de A, A
c
debe ser, p(A
c
)= 1 p(A)
A
o
19















DEMOSTRACIN:
Si el espacio muestral o, se divide en dos eventos mutuamente exclusivos, A y A
c

luego o=AA
c
, por tanto p(o)=p(A) + p(A
c
) y como en el axioma dos se afirma que
p(o)=1, por tanto, p(A
c
)= 1 - p(A) .LQQD

TEOREMA 3. Si un evento A c B, entonces la p(A) s p(B).









DEMOSTRACIN:
A

A
c


o

o

A

B\A

B

20

Si separamos el evento B en dos eventos mutuamente excluyentes, A y B \ A (B
menos A), por tanto, B=A(B \ A) y p(B)=p(A) +p(B \ A), luego entonces si p(B \
A)>0 entonces se cumple que p(A)sp(B). LQQD





TEOREMA 4. La p( A \ B )= p(A) p(AB)







DEMOSTRACIN: Si A y B son dos eventos cualquiera, entonces el evento A se
puede separar en dos eventos mutuamente excluyentes, (A \ B) y AB, por tanto,
A=(A \ B)(AB), luego p(A)=p(A \ B) + p(AB), entonces, p(A \ B) = p(A)
p(AB). LQQD


TEOREMA 5. Para dos eventos A y B, p(AB)=p(A) + p(B) p(AB).








A

B

A\B

AB

o

A

B

AB

o

21



DEMOSTRACIN:
Si AB = (A \ B) B, donde (A \ B) y B son eventos mutuamente excluyentes, por
lo que p(A B) = p(A \ B) + p(B) y del teorema anterior tomamos que p(A \ B) =
p(A) p(AB), por tanto, p(AB) = p(A) + p(B) p(AB). LQQD

COROLARIO:

Para tres eventos A, B y C, p(ABC) = p(A) + p(B) + p(C) p(AB) p(AC)
(BC) + p(ABC).



2.4 Probabilidad condicional: Dependiente, Independiente.

Probabilidad condicional.
Sea o un espacio muestral en donde se ha definido un evento E, donde
p(E)>0, si deseamos determinar la probabilidad de que ocurra un evento A (el
que tambin es definido en el mismo espacio muestral), dado que E ya ocurri,
entonces deseamos determinar una probabilidad de tipo condicional, la que se
determina como se muestra;

Donde:

p(A|E) = probabilidad de que ocurra A dado que E ya ocurri
p(AE) = probabilidad de que ocurra A y E a un mismo tiempo
p(E) = probabilidad de que ocurra E
Luego;
) E ( p
) E A ( p
) E | A ( p

=
A

B

C

o

AB
ABC
BC

AC

22




Por tanto:

Donde:

|AE|= nmero de elementos comunes a los eventos A y E
|E|= nmero de elementos del evento E
Luego entonces podemos usar cualquiera de las dos frmulas para calcular la
probabilidad condicional de A dado que E ya ocurri.


Eventos Independientes:

Se dice que los eventos A y B son independientes si se cumplen:






Si no se cumplen, se dice que los eventos son dependientes.
Ejemplos:
1. Se lanza al aire dos dados normales, si la suma de los nmeros que
aparecen es de por lo menos siete.
a. Determine la probabilidad de que en el segundo dado aparezca el nmero
cuatro.
b. Determine la probabilidad de que ambos nmeros sean pares.
I I
I I
=
o
E A
) E A ( P
I I
I I
=
o
E
) E ( P
I I
I I
=
E
E A
) E | A ( P
) ( ) ( ) (
) ( ) / (
) ( ) / (
B P A P B A P
B P A B P
A P B A P
=
=
=
23

c. Determine la probabilidad de que en el primer dado aparezca el nmero dos.

Solucin:
El espacio muestral es el mismo que cuando se lanza un dado dos veces y se
muestra a continuacin;
(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
o = (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
a. Para calcular una probabilidad condicional es necesario definir los
eventos A y E, siendo estos,
b.
A = evento de que en el segundo dado aparezca el nmero cuatro,
E = evento de que la suma de los nmeros que aparecen sea de por lo menos
siete, (que es que es el evento que est condicionando)
E = {21 elementos, los que suman siete o ms}
(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
A = {6 elementos, los que en el segundo dado aparece el cuatro}
A = {(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)}
Luego,
AE = {(3,4) (4,4) (5,4) (6,4)}, |AE|= 4 elementos
Por tanto;
p(A|E) = |AE|/ |E|= 4/21 = 0.19048
24

b. E = evento de que la suma de los nmeros que aparecen sea de por lo
menos siete
(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
A = evento de que ambos nmeros sean pares
(2,2) (4,2) (6,2)
A = (2,4) (4,4) (6,4)
(2,6) (4,6) (6,6)

(6,2)
AE = (4,4) (6,4) |AE|= 6 elementos
(2,6) (4,6) (6,6)


p(A|E) = |AE|/ |E|
= 6/ 21
= 0.28571

c. E = evento de que la suma de los nmeros que aparecen sea de por lo
menos siete

(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
25



A = evento de que en el primer dado aparezca el nmero dos


(2,1)
(2,2)
A = (2,3)
(2,4)
(2,5)
(2,6)
AE = {(2,5)}, |AE|= 1 elemento
P(A|E) = |AE|/|E|
= 1/21
= 0.04762
2.5 Ley multiplicativa.


Teorema de la multiplicacin para probabilidad condicional.
Tomando como referencia la frmula de probabilidad condicional,


Despejando,
p(AE) = p(E)p(A|E) Teorema de la multiplicacin para probabilidad
condicional donde:
p(AE) = probabilidad de que ocurran A y E
p(E) = probabilidad de que ocurra E
p(A|E) = probabilidad de que ocurra el evento A dado que el evento E ya
ocurri

) E ( p
) E A ( p
) E | A ( p

=
26

Ejemplos:
1. En un lote de produccin hay 25 productos, 5 de los cuales tienen defectos
menores y 9 tienen defectos mayores, si se toman de este lote tres productos uno
tras otro, determine la probabilidad de que: a. El primer producto no tenga
defectos y que el segundo y tercero tengan defectos mayores, b. El primer
producto tenga defectos menores, el segundo tenga defectos mayores y que el
tercero no tenga defectos, c. El primer producto y el tercero no tengan defectos.
Solucin:
a. Definiremos algunos eventos;
B
1
= evento de que el primer producto seleccionado no tenga defectos
DM
2
= evento de que el segundo producto seleccionado tenga defectos
mayores
DM
3
= evento de que el tercer producto seleccionado tenga defectos
mayores

p(B
1
DM
2
DM
3
) = p(B
1
)p(DM
2
|B
1
)p(DM
3
|B
1
DM
2
)
=(11/25)*(9/24)*(8/23)
= 0.44*0.375*0.347826
= 0.05739
b. Dm
1
= evento de que el primer producto seleccionado tenga defectos
menores
DM
2
= evento de que el segundo producto seleccionado tenga defectos
mayores
B
3
= evento de que el tercer producto seleccionado no tenga defectos
P(Dm
1
DM
2
B
3
) = p(Dm
1
)p(DM
2
|Dm
1
)p(B
3
|Dm
1
DM
2
)
= (5/25)*(9/24)*(11/23)=
= 0.2*0.375*0.4782608= 0.03587
c. B
1
= evento de que el primer producto seleccionado no tenga defectos
B
2
= evento de que el segundo producto seleccionado no tenga defectos
Dm
2
= evento de que el segundo producto seleccionado tenga defectos
menores
27

DM
2
= evento de que el segundo producto seleccionado tenga defectos
mayores
B
3
= evento de que el tercer producto seleccionado no tenga defectos
En este caso como no se especifica de que tipo debe ser el segundo producto,
se considera que este puede ser no defectuoso, con defectos menores o con
defectos mayores; por lo tanto;

p(B
1
B
2
B
3
) + p(B
1
Dm
2
B
3
) + p(B
1
DM
2
B
3
)

= p(B
1
)p(B
2
|B
1
)p(B
3
|B
1
B
2
) + P(B
1
)p(Dm
2
|B
1
)p(B
3
|B
1
Dm
2
) +
p(B
1
)p(DM
2
|B
1
)p(B
3
|B
1
DM
2
)

=(11/25)*(10/24)*(9/23) + (11/25)*(5/24)*(10/23) +
(11/25)*(9/24)*(10/23)
=(0.44)(0.41666)(0.39130) + (0.44)(0.20833)(0.43478) +
(0.44)(0.375)(0.43478)

= 0.07173 + 0.03985 + 0.07174
= 0.18332
2. Doce personas (6 mujeres, 4 hombres y dos nios) realizan un paseo en un
pequeo autobs, al llegar a cierto lugar, bajan del autobs cuatro personas
una tras otra, determine la probabilidad de que; a. La primera y segunda
persona que bajen sean mujeres, el tercero sea un nio y por ltimo baje un
hombre, b. Que baje un nio, luego un hombre, luego otro nio y por ltimo que
baje una mujer, c. Que baje una mujer, luego un hombre, despus otra mujer y
por ltimo otro hombre.
Solucin:
a. M
1
= evento de que baje del autobs primero una mujer
M
2
= evento de que baje en segundo lugar una mujer
N
3
= evento de que baje en tercer lugar un nio
H
4
= evento de que baje en cuarto lugar un hombre
28

P(M
1
M
2
N
3
H
4
) = p(M
1
)p(M
2
|M
1
)p(N
3
|M
1
M
2
)p(H
4
|M
1
M
2
N
3
) =
= (6/12)*(5/11)*(2/10)*(4/9)
= 240/11,880 = 0.0202
b. N
1
= evento de que baje en primer lugar un nio
H
2
= evento de que baje en segundo lugar un hombre
N
3
= evento de que baje en tercer lugar un nio
M
4
= evento de que baje en cuarto lugar una mujer
p(N
1
H
2
N
3
M
4
) = p(N
1
)p(H
2
|N
1
)p(N
3
|N
1
H
2
)p(M
4
|N
1
H
2
N
3
) =
= (2/12)*(4/11)*(1/10)*(6/9)
= 48/11,880
= 0.00404
c. M
1
= evento de que baje en primer lugar una mujer
H
2
= evento de que baje en segundo lugar un hombre
M
3
= evento de que en tercer lugar baje una mujer
H
4
= evento de que en cuarto lugar baje un hombre
p(M
1
H
2
M
3
H
4
) = p(M
1
)p(H
2
|M
1
)p(M
3
|M
1
H
2
)p(H
4
|M
1
H
2
M
3
)
= (6/12)*(4/11)*(5/10)*(3/9)
= 360/11,880
= 0.0303

2.6 Eventos independientes: Regla de Bayes.

Sea o un espacio muestral que est formado por los eventos A
1
, A
2
, A
3
,.....,A
n

mutuamente excluyentes, luego,
o = A
1
A
2
A
3
.....A
n





Luego si ocurre un evento B definido en o, observamos que;
A
1

A
2

A
3

A
4

A
n

o

B

29

B = oB = (A
1
A
2
A
3
.....A
n
)B =
(A
1
B)(A
2
B)(A
3
B).....(A
n
B)
Donde cada uno de los eventos A
i
B son eventos mutuamente excluyentes, por lo
que
p(B) = p(A
1
B) + p(A
2
B) + p(A
3
B) +......+ p(A
n
B)
y como la p(A
i
B) = p(A
i
)p(B|A
i
) , o sea que la probabilidad de que ocurra el
evento Ai y el evento B es igual al teorema de la multiplicacin para probabilidad
condicional, luego;
p(B) = p(A
1
)p(B|A
1
) + p(A
2
)p(B|A
2
) + p(A
3
)p(B|A
3
) + p(A
n
)p(B|A
n
)
Si deseamos calcular la probabilidad de que ocurra un evento A
i
dado que B ya
ocurri, entonces;


La expresin anterior es el teorema de Bayes, que como se observa es una simple
probabilidad condicional.
Ejemplos:
1. 1. Tres mquinas denominadas A, B y C, producen un 43%, 26% y 31%
de la produccin total de una empresa respectivamente, se ha detectado
que un 8%, 2% y 1.6% del producto manufacturado por estas mquinas es
defectuoso, a. Se selecciona un producto al azar y se encuentra que es
defectuoso, cul es la probabilidad de que el producto haya sido fabricado
en la mquina B?, b. Si el producto seleccionado resulta que no es
defectuoso, cul es la probabilidad de que haya sido fabricado en la
mquina C?
Solucin:
Para resolver este problema nos ayudaremos con un diagrama de rbol;

8% D
43% A
92% ND
) A B ( p ) An ( p .... ) A B ( p ) A ( p ) A B ( p ) A ( p
) Ai B ( p ) Ai ( p
) B ( p
) B Ai ( p
) B | Ai ( P
n
I + + I + I
I
=

=
2 2 1 1
30


26% B 2% D
98% ND

31% C 1.6% D

98.4% ND

a. a. Definiremos los eventos;
D = evento de que el producto seleccionado sea defectuoso (evento que
condiciona)
A = evento de que el producto sea fabricado en la mquina A
B = evento de que el producto sea fabricado por la mquina B
C = evento de que el producto sea fabricado por la mquina C

P(B|D) = p(BD)/p(D) = p(B)p(D|B)/p(A)p(D|A) + p(B)p(D|B)
+ p(C)p(D|C)
P(B|D) = (0.26*0.02)/(0.43*0.08 + 0.26*0.02 + 0.31*0.016)
= 0.0052/0.04456
=0.116697

b. b. ND = evento de que el producto seleccionado no sea defectuoso
(evento que condiciona)
A = evento de que el producto sea fabricado en la mquina A
B = evento de que el producto sea fabricado por la mquina B
C = evento de que el producto sea fabricado por la mquina C

P(C|ND)=p(CND)/p(ND)=p(C)p(ND|C)/p(A)p(ND|A) +
p(B)p(ND|B) + p(C)p(ND|C)
= 0.31*0.984/(0.43*0.92 + 0.26*0.98 + 0.31*0.984)
= 0.30504/0.95544
31

=0.31927
Una empresa recibe visitantes en sus instalaciones y los hospeda en cualquiera
de tres hoteles de la ciudad; Palacio del Sol, Sicomoros o Fiesta Inn, en una
proporcin de 18.5%, 32% y 49.5% respectivamente, de los cuales se ha tenido
informacin de que se les ha dado un mal servicio en un 2.8%, 1% y 4%
respectivamente, a. Si se selecciona a un visitante al azar cul es la probabilidad
de que no se le haya dado un mal servicio? ,b. Si se selecciona a un visitante al
azar y se encuentra que l no se quej del servicio prestado, cul es la
probabilidad de que se haya hospedado en el Palacio del Sol?, c. Si el visitante
seleccionado se quej del servicio prestado, cul es la probabilidad de que se
haya hospedado en el hotel Fiesta Inn?



Solucin: Haciendo uso de un diagrama de rbol;
2.8% Q

18.5% PS
97.2% NQ
1.0% Q

32% S
99.0% NQ

4.0% Q
49.5% FI
96.0% NQ


a. a. NQ = evento de que un visitante no se queje del servicio
32

PS = evento de que un visitante haya sido hospedado en el hotel Palacio
del Sol
S = evento de que un visitante haya sido hospedado en el hotel Sicmoro
FI = evento de que un visitante haya sido hospedado en el hotel Fiesta Inn

P(NQ) = p(PS)p(NQ|PS) + p(S)p(NQ|S) + p(FI)p(NQ|FI) =
= 0.185*0.972 + 0.32*0.99 + 0.495*0.96
= 0.17982 + 0.3168 + 0.4752
= 0.97182
b. b. NQ = evento de que un visitante no se queje del servicio
PS = evento de que un visitante haya sido hospedado en el hotel Palacio
del Sol
S = evento de que un visitante haya sido hospedado en el hotel Sicomoro
FI = evento de que un visitante haya sido hospedado en el hotel Fiesta Inn

P(PS|NQ)=p(PSNQ)/p(NQ)
=(0.185*0.972)/(0.185*0.972+0.32*0.99+0.495*0.96)=
= 0.17982/(0.17982 + 0.3168 + 0.4752)
= 0.17982/0.97182
= 0.1850342
c. c. Q = evento de que un visitante se queje del servicio
FI = evento de que un visitante haya sido hospedado en el hotel Fiesta Inn
P(FI|Q) = p(FIQ)/p(Q)
= 0.495*0.04/(0.185*0.028 + 0.32*0.01 + 0.495*0.04)
=0.0198/( 0.00518 + 0.0032 + 0.0198)
= 0.0198/0.02818
= 0.7026



2.7. Variable aleatoria.
33


Variable aleatoria

Se dice que hemos definido una variable aleatoria para un experimento aleatorio
cuando hemos asociado un valor numrico a cada resultado del experimento.
Sea E el espacio muestral asociado a un experimento. Se llama variable aleatoria
a toda aplicacin del espacio muestral E en el conjunto de los nmeros reales (es
decir, asocia a cada elemento de E un nmero real).
Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y las
respectivas minsculas (x, y, ...) para designar valores concretos de las mismas.
Si un experimento con espacio muestral E, tiene asociada la variable aleatoria X,
es natural que se planteen preguntas como: Cul es la probabilidad de que X
tome un determinado valor?, esto nos lleva a establecer, por convenio, la
siguiente notacin:
(X=x) representa el suceso "la variable aleatoria X toma el valor x", y
p(X=x) representa la probabilidad de dicho suceso.
(X<x) representa el suceso "la variable aleatoria X toma un valor menor a x", y
p(X<x) representa la probabilidad de que la v.a. X tome un valor menor a x.
(X ) representa el suceso "la variable aleatoria X toma un valor menor o igual
a x", y
p(X ) representa la probabilidad de que la v.a. X tome un valor menor o igual a
x.
Si una variable aleatoria slo toma valores enteros, es decir, un nmero finito de
valores o infinito numerable diremos que es discreta (los dos primeros ejemplos).
Si tericamente, puede tomar todos los valores de un intervalo de R, diremos que
son continuos (los dos ltimos ejemplos).



2.8. Variables aleatorias conjuntas

34


Definicin de variable aleatoria discreta.

VARIABLES ALEATORIAS DISCRETAS

En gran cantidad de experimentos aleatorios es necesario cuantificar los
resultados, es decir, asignar a cada resultado del experimento un nmero, con el
fin de poder realizar un estudio matemtico.
Ejemplos
- Consideremos el experimento aleatorio que consiste en lanzar tres
monedas, supongamos que a cada elemento de su espacio muestral
E={ccc, ccx, cxc, xcc, cxx, xcx, xxc, xxx} le asignamos un nmero real, el
correspondiente al nmero de caras (discreta).
Esta correspondencia que acabamos de construir es una funcin del espacio
muestral E en el conjunto de los nmeros reales R. A esta funcin la llamaremos
variable aleatoria y la denotaremos por X.

- Supongamos el experimento aleatorio que consiste en lanzar dos dados,
podemos asignar a cada resultado la suma de los puntos aparecidos en
cada dado (discreta).
- Consideremos el experimento que consiste en elegir al azar 500 personas y
medir su estatura. La ley que asocia a cada persona con su talla es una
variable aleatoria (continua).
- Consideremos el experimento que consiste en elegir al azar 100 sandias de
una plantacin y pesarlas. La ley que asocia a cada sanda su peso es una
variable aleatoria (continua).



Definicin de variable aleatoria continua.
Distribuciones de probabilidad.
35


Toda distribucin de probabilidad es generada por una variable aleatoria x, la
que puede ser de dos tipos (variables aleatorias continuas y variables
aleatorias discretas):
1. Variable aleatoria continua (x). Se le denomina variable porque
puede tomar diferentes valores, aleatoria, porque los valores que
toma son totalmente al azar y continua porque puede tomar tanto
valores enteros como fraccionarios y un nmero infinito de ellos.





Ejemplos:

xVariable que nos define el dimetro de un engrane en pulgadas
x5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96

xVariable que nos define la longitud de un cable o circuito utilizado en un arns
de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0

xVariable que nos define la concentracin en gramos de plata de algunas
muestras de mineral
x14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de
una variable continua es que esta variable nos permite medirla o evaluarla,
mientras que una variable discreta no es medible, es una variable de tipo atributo,
36

cuando se inspecciona un producto este puede ser defectuoso o no, blanco o
negro, cumple con las especificaciones o no cumple, etc.


Variables aleatorias continuas

Si en un experimento aleatorio a cada suceso aleatorio elemental le asignamos un
valor numrico obtenemos una variable aleatoria. Es decir, una variable que lleva
asociada una probabilidad. La probabilidad de un valor concreto de la variable es
la probabilidad que corresponde a los sucesos aleatorios elementales a los que
hemos asignado ese valor numrico.


Por ejemplo: En el experimento aleatorio "lanzar un dado" asignamos a cada cara
del dado su valor numrico (esta asignacin aparece de forma natural). As
generamos una variable aleatoria que toma seis valores, del 1 al 6 con igual
probabilidad (1/6) cada uno de ellos. Pero, con este mismo experimento, podemos
generar otras variables aleatorias (no tan naturales) como puede ser: asignar el
valor 1 a las caras que son mltiplos de tres y el valor 0 a las que no lo son,
apareciendo una variable aleatoria que tiene dos valores, el 1 con probabilidad 1/3
y el 0 con probabilidad 2/3.
Crear una variable aleatoria no tiene mucho sentido sino la vamos a utilizar en un
determinado contexto, por ejemplo, podemos utilizar la segunda variable aleatoria
que hemos creado para apostar si sale o no mltiplo de tres.
Resumiendo, una variable aleatoria se construye al atribuir un nmero (positivo,
negativo o cero) a cada uno de los sucesos aleatorios que forman el espacio
muestral de un experimento aleatorio. La probabilidad de cada valor de la variable
es la probabilidad conjunta de los sucesos que dan lugar a ese valor. Es decir,
definimos una variable aleatoria como una aplicacin
el conjunto de los nmeros reales R.

37

Segn la amplitud del campo de variacin de la funcin podemos distinguir:
variables aleatorias discretas y variables aleatorias continuas. De la misma forma
que en estadstica descriptiva, una variable aleatoria es discreta si toma valores en
un conjunto finito o infinito numerable. Y una variable aleatoria es continua si
puede tomar valores en un conjunto infinito no numerable. Como ejemplo tpico de
variable aleatoria discreta tenemos la distribucin binomial, y como ejemplo tpico
de variable aleatoria continua vamos a ver ahora la distribucin normal.

Como hemos visto hay variables aleatorias que pueden tomar cualquier valor de
- -
las variables de este tipo se las denomina variables aleatorias continuas.


Por ejemplo: Supongamos que vamos a realizar un experimento aleatorio que
consiste en seleccionar una persona y apuntar su peso. Podemos crear una
variable aleatoria cuyos valores sean el nmero de kilogramos que pesa la
persona observada.

En este caso, el rango de valores posibles se extiende entre los lmites naturales,
pero la continuidad de esta variable aleatoria radica en el carcter continuo de lo
que medimos, el peso, es decir, en el hecho de que entre dos valores posibles se
podran obtener infinitos valores intermedios, tambin posibles si utilizramos
aparatos con suficiente precisin. Estos "infinitos" en el interior del rango de la
variable es lo que diferencia a las variables continuas de las discretas.
Sin entrar en profundidades, consideramos que una distribucin de probabilidad es
cualquier mecanismo que nos ayuda a obtener las probabilidades de los valores
de una variable si es discreta, o las probabilidades de intervalos de la variable si
es continua. Si la variable aleatoria es discreta es posible asignar probabilidades a
cada uno de los valores puntuales de la variable. En contra, cuando es continua
cada uno de los infinitos valores posibles tendr probabilidad cero y slo
podremos hablar de probabilidad dentro de intervalos.
38



2.9 Modelos analticos de fenmenos aleatorios Discretos.

Definicin de variables aleatoria discreta.
Variable aleatoria discreta (x). Se le denomina variable porque puede
tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al
azar y discreta porque solo puede tomar valores enteros y un nmero finito de
ellos.




Ejemplos:

generadas en un proceso dado.

25
productos.


de probabilidad en un grupo de 40 alumnos.
dad

Con los ejemplos anteriores nos damos cuenta claramente que los valores
de la variable x siempre sern enteros, nunca fraccionarios.

Funcin de probabilidad y de distribucin, valor esperado, varianza y
desviacin estndar.

Funcin de probabilidad
39

En teora de la probabilidad, una funcin de probabilidad (tambin
denominada funcin de masa de probabilidad) es una funcin que asocia a cada
punto de su espacio muestral X la probabilidad de que sta lo asuma.
En concreto, si el espacio muestral, E de la variable aleatoria X consta de
los puntos x1, x2, ..., xk, la funcin de probabilidad P asociada a X es donde pi es
la probabilidad del suceso X = xi.

Por definicin de probabilidad,

Hay que advertir que el concepto de funcin de probabilidad slo tiene
sentido para variables aleatorias que toman un conjunto discreto de valores.
Para variables aleatorias continuas el concepto anlogo es el de funcin de
densidad.

Distribucin de probabilidad

En teora de la probabilidad y estadstica, la distribucin de probabilidad de
una variable aleatoria es una funcin que asigna a cada suceso definido
sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La
distribucin de probabilidad est definida sobre el conjunto de todos los eventos
rango de valores de la variable aleatoria.

Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la
distribucin de probabilidad est completamente especificada por la funcin
de distribucin, cuyo valor en cada real x es la probabilidad de que la
variable aleatoria sea menor o igual que x.
Definicin de funcin de distribucin
Dada una variable aleatoria todos son puntos , su funcin de distribucin, ,
es


40


Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice y
se escribe, simplemente, .

Propiedades
Como consecuencia casi inmediata de la definicin, la funcin de distribucin:


Adems, cumple




y


Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos
y son mutuamente excluyentes y su unin es el suceso , por lo que tenemos
entonces que:


y finalmente



Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores
41

de la variable aleatoria x conoceremos completamente la distribucin de
probabilidad de la variable.

Para realizar clculos es ms cmodo conocer la distribucin de
probabilidad, y sin embargo para ver una representacin grfica de la
probabilidad es ms prctico el uso de la funcin de densidad.

Esperanza matemtica
En estadstica la esperanza matemtica (tambin llamada esperanza, valor
esperado, media poblacional o media) de una variable aleatoria X, es el
nmero E(X) que formaliza la idea de valor medio de un fenmeno aleatorio.


Cuando la variable aleatoria es discreta, la esperanza es igual a la suma
de la probabilidad de cada posible suceso aleatorio multiplicado por el valor
de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como
resultado de un experimento aleatorio cuando la probabilidad de cada suceso
se mantiene constante y el experimento se repite un elevado nmero de veces.
Cabe decir que el valor que toma la esperanza matemtica en algunos casos
puede no ser"esperado" en el sentido ms general de la palabra - el valor
de la esperanza puede ser improbable o incluso imposible.

Definicin
Para una variable aleatoria discreta con valores posibles y sus
probabilidades representadas por la funcin de probabilidad p(xi) la esperanza se
calcula como:

Propiedades
La esperanza es un operador lineal, ya que:

42



DESVIACIN ESTANDAR DE UNA VARIABLE ALEATORIA DISCRETA
Se dice que un modelo es la representacin en miniatura de algunos fenmenos
relevantes.
En particular, un modelo matemtico es una expresin matemtica que
representa algn fenmeno relevante.

Para variables aleatorias discretas, esta expresin matemtica se conoce como
funcin de distribucin de probabilidad.





Distribuciones y otros (Discreto).

Distribucin Binomial.

Supongamos que un experimento aleatorio tiene las siguientes caractersticas:
En cada prueba del experimento slo son posibles dos resultados: el
suceso A (xito) y su contrario (fracaso).
El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
La probabilidad del suceso A es constante, la representamos por p, y no vara de
una prueba a otra. La probabilidad es 1- p y la representamos por q .
43


El experimento consta de un nmero n de pruebas.
Todo experimento que tenga estas caractersticas diremos que sigue el modelo de
la distribucin Binomial. A la variable X que expresa el nmero de xitos
obtenidos en cada prueba del experimento, la llamaremos variable aleatoria
binomial.
La variable binomial es una variable aleatoria discreta, slo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como hay
que considerar todas las maneras posibles de obtener k-xitos y (n-k) fracasos
debemos calcular stas por combinaciones (nmero combinatorio n sobre k).




La distribucin Binomial se suele representar por B(n,p) siendo n y p
los parmetros de dicha distribucin.

Funcin de Probabilidad de la v.a. Binomial
Funcin de probabilidad de la distribucin Binomial o tambin denominada funcin
de la distribucin de Bernoulli (para n=1). Verificndose:

Probabilidad de obtener k-exitos


Como el clculo de estas probabilidades puede resultar algo tedioso se han
construido tablas para algunos valores de n y p que nos facilitan el trabajo.

Parmetros de la Distribucin Binomial
44


Funcin de Distribucin de la v.a. Binomial









Distribucin hipergeomtrica.

Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan
dos tipos de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c) Cada ensayo o repeticin del experimento no es independiente de
los dems.
d) El nmero de repeticiones del experimento (n) es constante.


45

















DISTRIBUCIN GEOMETRICA
Esta distribucin indica exactamente el nmero de repeticiones del
experimento hasta lograr la caracterstica de inters.

46





Se genera la simulacin de variables aleatorias tipo Geomtrica a partir del
mtodo de la transformada inversa.










47



DISTRIBUCIN POISSON

Sirve para trabajar en teora de colas.




Aproximacin de la binomial por la de poisson.

Aproximacin de Poisson a la binomial.

En este caso se determinarn probabilidades de experimentos Binomiales, pero
que dadas sus caractersticas, es posible aproximarlas con la distribucin de
Poisson, estas caractersticas son, n ( n es muy grande) y p0 (p es muy pequea),
por lo que:

48






La expresin anterior solo se cumple cuando n-ininito y p->0, solo en este caso, si
esto no se cumple, la aproximacin no se puede llevar a efecto, por lo que la
frmula a utilizar en este caso sera:








2.10 Modelos analticos de fenmeno Aleatorios continuos.

Definicin de variables aleatorias continuas.
Variable aleatoria continua (x). Se le denomina variable porque puede
tomar diferentes valores, aleatoria, porque los valores que toma son totalmente al
49

azar y continua porque puede tomar tanto valores enteros como fraccionarios
y un nmero infinito de ellos.

Ejemplos:


ne la longitud de un cable o circuito utilizado en un arns
de auto


muestras de mineral
15.0, 18.4, 19.0, 21.0, 20.8

Funcin de densidad
Una funcin y=f(x) es una funcin de densidad de una variable aleatoria continua
si cumple las siguientes condiciones :


Conclusiones

You might also like