PROBABILIDADES Y DISTRIBUCIONES DE

PROBABILIDADES

Introducción.-
En el tema anterior, nos preocupamos únicamente en procesar y relatar un conjunto de
valores observados. A partir de este capítulo, el enfoque dado sufre una profunda
modificación, la necesidad de tomar la decisión donde las inseguridades deben ser tomadas
en cuenta.
La definición de probabilidad se produjo debido al deseo del ser humano por conocer con
certeza los eventos que sucederán en el futuro.
La probabilidad expresa el grado de certeza en que ocurrirá un determinado suceso al hacer
un determinado experimento aleatorio.

Definición Informal
Informalmente la probabilidad de un suceso es un número real entre 0 y 1 o (0% y100%), si
la probabilidad es 0, se sabe que el suceso no ocurrirá, si la probabilidad es 1, se sabe que el
suceso ocurrirá, es decir el 0 y el 1 son los casos límite.
Para valores intermedios, el suceso puede o no ocurrir. En general diremos que una
probabilidad cercana a 0 es baja, y que una probabilidad cercana a 1 es alta.
Notación: Dado un suceso A, escribimos su probabilidad como P(A)

Espacio Muestral
En la teoría de probabilidades, el espacio muestral o espacio de muestreo, consiste en el
conjunto de todos los posibles resultados de un experimento aleatorio, junto con una
estructura sobre el mismo. A cada resultado en un espacio muestral se le llama elemento o
miembro del espacio muestral, o simplemente punto muestral.
Si el espacio muestral tiene un número finito de elementos, podemos listar los miembros
separados por comas y encerrarlos entre llaves.

Conjunto De Los Resultados Posibles.-

Vimos que los resultados de un experimento son imprevisibles, pero, es posible caracterizar
el conjunto de todos los resultados posibles que lo vamos a llamar de R. En caso de una
medida de dureza, por ejemplo, la lectura individual x i puede variar entre 0 (cero) y un
valor máximo U, asi el conjunte de R corresponde a los puntos x 1, x 2, x 3 … , x n, tal que:

0 ≤ x1 ≤ U
Variables Aleatorias.-
Una variable aleatoria es una función que asigna un valor, usualmente numérico, al
resultado de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado
dos veces o un número real (la temperatura máxima medida a lo largo del día en una ciudad
concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de
un experimento aún no realizado, o los posibles valores de una cantidad cuyo valor
actualmente existente es incierto (como resultado de medición incompleta o imprecisa).
Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo valor no es
fijo pero puede tomar diferentes valores; una distribución de probabilidad se usa para
describir la probabilidad de que se den los diferentes valores. En términos formales una
variable aleatoria es una función definida sobre un espacio de probabilidad.
Al describir una pieza manufacturada, podemos emplear las categorías “defectuosas” y
“perfectas”. También, al observar la temperatura de algún horno de fundición, en un
periodo de cuatro horas, podemos registrar los valores en una curva. De todas maneras, en
la mayoría de las situaciones experimentales, estaremos interesados en la medida o registro
de un número real.
Así, si llamáramos de un experimento £ cualquiera y de R el conjunto de los resultados
posibles, o sea, del espacio de muestras, la función x que asocia cada observación
individual a un número real x (R) es denominada variable aleatoria. La variable aleatoria es
de gran importancia y asegura cada observación individual x i pertenezca al conjunto R y
variando de 0 a U. Debido a que la función es univoca, es importante comprender que a
cada valor r corresponderá exactamente un valor de x(R). Pero diferentes valores de r
pueden tener el mismo valor x(R).

X
R
x (R)

Espacio muestral R= Valores posibles de X

Por Ejemplo:
Si consideramos un experimento £ = a el lanzamiento de dos monedas y que C: {cara} y E:
{escudo}, el espacio de muestra asociado a £ será: R: {CC, CE, EC, EE}. Definiendo: la
variable aleatoria x:{número de caras en las dos monedas}, podemos afirmar que x (CC)=2
x(EE)= 0 y x(CE)= 1. El espacio R también recibe la denominación de contradominio.

R x (R)
x
(CC)
(CE)
(EC)
(EE) 2
1
2 0
1
0
EE )

Probabilidad.-
La probabilidad es una medida de la certidumbre asociada a un suceso o evento futuro y
suele expresarse como un número entre 0 y 1 (o entre 0 % y 100 %).
Una forma tradicional de estimar algunas probabilidades sería obtener la frecuencia de un
acontecimiento determinado mediante la realización de experimentos aleatorios, de los que
se conocen todos los resultados posibles, bajo condiciones suficientemente estables. Un
suceso puede ser improbable (con probabilidad cercana a 0), probable (probabilidad
intermedia) o seguro (con probabilidad uno).
La teoría de la probabilidad se usa extensamente en áreas como la estadística, la física, la
matemática, las ciencias, la administración, contaduría, economía y la filosofía para sacar
conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecánica
subyacente discreta de sistemas complejos, por lo tanto es la rama de las matemáticas que
estudia, mide o determina los experimentos o fenómenos aleatorios.
 Definición De Laplace

numero de casos favorables de ( A)

P ( A )= 0 ≤ P (A )≤ 1
numero de casos posibles

P ( A )=1 → evento seguro

P ( A )=0 → evento imposible

En la definición de Laplace es útil para hallar la probabilidad de un suceso simple, lo que se

hace es tomar la cantidad de casos posibles, y luego la cantidad de casos contenidos en el
suceso y responder que la probabilidad era el cociente entre la cantidad de casos favorables
al suceso y la cantidad de casos totales

Por Ejemplo: Si consideramos un experimento £ = a el lanzamiento de dos monedas y que

C: {cara} y E: {escudo}, el espacio de muestra asociado a £ será: R: {CC, CE,EC, EE}.
Definiendo: la variable aleatoria x:{número de caras en las dos monedas}, podemos afirmar
que x(CC)=2 x(EE)= 0 y x(CE)= 1. Determine la función de probabilidad a cada recorrido
de la variable aleatoria X asociada al número de caras en el lanzamiento de dos monedas.
Por Ejemplo: Considerando el experimento al lanzar un dado. Si nos interesa el número
que aparece en la cara superior, el espacio muestral sería
R¿ { 1,2,3,4,5,6 }

Considerando el experimento al lanzar dos dados:

R x (R) P()
x
(CC)
(CE)
(EC) 0.25
(EE) 2 0.5
1 0.25
2 0 0
1
0
EE )
Consideremos el problema de un industrial que desea caracterizar la calidad de la
producción de una determinada máquina. Por criterios preestablecidos, el clasifica cada
ejemplar producido en : perfecto y defectuoso .vamos a suponer que de una muestra de 25
piezas, se encontraron 4 piezas defectuosas Este número, denominado: frecuencia
absoluta Fa, no podrá ser usado para la caracterización de la producción, pues depende
directamente de tamaño n de la muestra. Para un número de observaciones, ciertamente,
obtendríamos una frecuencia absoluta mayor. El cociente entre la frecuencia absoluta y n,
denominado frecuencia relativa Fr, representa mejor la calidad de la producción, debido a
que su variación es menor.
De la frecuencia relativa se desprenden dos conclusiones:
La primera es que la frecuencia relativa va a estar acotada entre 0 y 1, debido a que la
frecuencia de los valores de la muestra, siempre va a ser menor al tamaño de la muestra.
La segunda es que la suma de todas las frecuencias relativas va a ser 1 si se mide en tanto
por 1, o 100 si se mide en tanto por ciento.
La frecuencia relativa se representa con las letras Fr y su fórmula de cálculo es la siguiente:

𝑭𝒓=𝑭𝒂/𝒏

Fr   = Frecuencia relativa de la observación

Fa    = Frecuencia absoluta de la observación
N     = Número total de observaciones de la muestra
 Por consiguiente la frecuencia relativa nos informa acerca de la proporción o el peso que
tiene algún valor u observación en la muestra. Esto la hace de especial utilidad, dado que a
diferencia de la frecuencia absoluta, la frecuencia relativa nos va a permitir hacer
comparaciones entre muestras de tamaños distintos. Esta se puede expresar como un valor
decimal, como fracción o como porcentaje.
Resolviendo el problema del industrial.
Fr=Fa/n=4/25=16%
Si el industrial examina otras muestras de 25 piezas, encontrara otros valores para la
frecuencia relativa de piezas defectuosas, como muestra la tabla a seguir:
N 25
Fr % 16 4 0 2 4 4 8 0 4 4

Aunque el industrial retire muestras mayores, digamos de 250, 2500, la frecuencia relativa
variara de muestra para muestra, como indica la tabla a seguir:
N 250
Fr% 4,8 5,6 6,8 4,4 8,8 3,6 6,0 5,6 8,4 3,2

N 2500
Fr% 6,3 6,1 6,3 5,4 6,1 5,4 5,7 6,4 5,9 6,1

Como vimos en la tabla anterior podemos ver que Fr posee una variación menor a medida
que el tamaño de la muestra aumenta.

Variacion de frecuencia de "n"

18

16
n=25 n=250 n=2500
14
FRECUENCIA RELATIVA EN %

12

10

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
X
A partir del grafico anterior, tanto el industrial como nosotros, podemos verificar la
existencia de un valor que caracteriza la producción del equipo, la Fr de las piezas
defectuosas se aproximara aún más de un valor, mientras sea mayor el número de
observaciones.
Este valor, representará “probabilidad producción de piezas defectuosas” para el equipo
en estudio. Por esta razón podemos decir que Fr comprende una estimativa de la
probabilidad, donde:
P(x)=Lim Fr (x)
n −> ∞
Esta definición, didácticamente es inconveniente, por hacer difícil la demostración de los
teoremas que definen las propiedades, por esta razón, se adopta una definición axiomática
para la probabilidad

Axiomas De La Probabilidad:
Los axiomas de probabilidad son las condiciones mínimas que deben verificarse para que una
función definida sobre un conjunto de sucesos determine consistentemente sus probabilidades.
Las definiciones anteriores presentan serias dificultades: o bien se necesita repetir el
experimento un número muy grande de veces, o se ha de estar seguro que todos los sucesos
elementales son equiprobables (local no siempre es obvio). Por estos motivos se utiliza la
siguiente definición, más correcta, de probabilidad:
Dado un experimento aleatorio con un espacio muestral “S” y representando por “A” a un
suceso, o subconjunto, cualquiera del espacio muestral, se define la probabilidad P(A) como
una función real que hace corresponder a cada “A” un número real de forma que se cumplen
los cuatros axiomas siguientes:
Propiedades De Los Axiomas:
A partir de los axiomas anteriores se pueden deducir algunas propiedades importantes de la
probabilidad.
Estas propiedades van a ser útiles para calcular la probabilidad de sucesos a partir delas
probabilidades conocidas de otros sucesos más sencillos, simplificando así el cálculo. Hay
que indicar además que estas propiedades son consistentes con las propiedades de las
frecuencias relativas
 Primer Axioma:
La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno
Ejemplo: La probabilidad de sacar par en un dado equilibrado es 0,5. P(A)=0,5
0 ≤ p ( A )≤ 1
 Segundo Axioma:
Probabilidad de un evento cierto o verdadero.
p ( A )=1

 Tercer Axioma:
Probabilidad de un evento imposible.
p ( A )=0
  Cuarto Axioma: 
Si A y B son eventos mutuamente excluyentes, entonces:
p ( A ∪ B ) =p ( A )+ p ( B )

Probabilidad Del Suceso Complementario O Contrario:

La probabilidad del suceso “AC” contrario del suceso A, es igual a 1 menos la probabilidad
del suceso A.
p( A¿¿ C )=1− p( A)¿

Propiedad Aditiva General:

La probabilidad de que el evento A o el evento B ocurran es igual a la probabilidad de que
el evento A ocurra más la probabilidad de que el evento B ocurra menos la probabilidad de
que ambos ocurran.
p ( A ∪ B ) =p ( A )+ p ( B )− p( A ∩ B)

Un suceso puede estar contenido en otro; entonces la probabilidad del primer suceso será
menor que la del suceso que la contiene.
p( A) ≤ p(B)
INTERSECCIÓN DE SUCESOS: Es aquel suceso compuesto por los elementos comunes
de los dos o más sucesos que interceptan. La probabilidad será igual a la probabilidad de
los elementos comunes.

Ejemplo1.- “Quiero ganar la lotería”

9 amigos y yo compramos 10 boletos de lotería

a) ¿Cuál es la probabilidad que tengo de ganar la lotería?

número de casos favorables cantidad de boletos que compre 1

p ( loteria ) = = = =0.0001=0.01 %
número de casos posibles numeros de boletos vendidos 10000

b) ¿Cuál es la probabilidad de que mis amigos y yo ganemos la lotería si

compartiéramos el premio?

número de casos favorables cantidad de boletos que compramos 10

p ( loteria ) = = = =0.001=0.1 %
número de casos posibles numeros de boletos vendidos 10000

Ejemplo2: En una bolsa hay 10 bolas numeradas del 11 al 20, algunas rojas y otras verdes.

a) Sacamos sin mirar una bola, ¿Cuál es la probabilidad de sacar un número primo?
Empezamos calculando el número de casos favorables y el número de casos posibles.
Número de casos favorables = número de primos = 4 son los números primos dentro de los
resultados posibles (Los números 11, 13, 17 y 19 son primos)
Número de casos posibles = 10 (Todos los números del 11 al 20)
La probabilidad de sacar un número primo entre las 10 bolas, es de 4/10 que simplificado
es 2/5.
Solución: P (número primo) =2/5

b) ¿Cuántas bolas hay de cada color?

Si sabemos que la probabilidad de que salga verde es 3/5.
El número de casos posibles, es decir, el número de bolas que pueden salir, sigue siendo 10.

El número de casos favorables, es decir, el número de bolas de color verde (nuestro

suceso) es una de las cosas que queremos calcular.
Sabemos que 3/5 es equivalente a 6/10. Por lo tanto, si aplicamos la Ley de Laplace, en
total hay 6 bolas verdes en la bolsa. Así que podemos deducir que el resto, 4, son bolas
rojas.
Solución: Hay 6 bolas verdes y 4 bolas rojas
Tablas De Contingencia:
Las tablas de contingencia y las tablas de probabilidad son útiles al calcular probabilidad de
eventos.
La tabla de contingencia es una tabla de doble entrada, en donde cada casilla figurara el
número de casos o individuos que posee un nivel de uno de los factores o características
analizadas y otro nivel del otro factor analizado.

Ejemplo: De un total de 80 docentes de una gran universidad privada de Santa Cruz,

hay 36 varones, de los cuales 27 provienen de la UAGRM y hay 44 mujeres, de las
cuales 33 provienen de la UAGRM. La universidad tiene en total 60 profesores
provenientes de la UAGRM. Si un profesor se elige de forma aleatoria.
Solución: Construimos la matriz de los eventos

Hombre Mujer Total

UAGRM 27 33 60
NO-UAGRM 9 11 20
Total 36 44 80

Determinar la tabla de probabilidades de la matriz de eventos.

a) ¿Cuál es la probabilidad de que no sea varón? R=44/80=0.55

b) ¿Cuál es la probabilidad que sea mujer y venga de la UAGRM? R=33/80=0.4125
 Hombre Mujer Total
UAGRM 27/80=0.3375 33/80=0.4125 60/80=0.7500
NO-UAGRM 9/80=0.1125 11/80=0.1375 20/80=0.2500
Total 36/80=0.45 44/80=0.5500 80/80=1.0000

Probabilidad Condicional, Independencia Y Regla Del Producto

Probabilidad Condicional: 
La probabilidad de que ocurra un evento B cuando se sabe que ya ocurrió algún evento A
se llama probabilidad condicional y se denota con P(B|A). El símbolo P(B|A) por lo general
se lee como “la probabilidad de que ocurra B, dado que ocurrió A”, o simplemente, “la
probabilidad de B, dado A.

La probabilidad de B dado que A, que se denota P(B/A), se define como:

P( A ∩ B)
P( B/ A)
P( A)

P( A)>0
Eventos Independientes: En el experimento del lanzamiento de un dado que señalamos
anteriormente que P(B|A) =2/5, mientras que P (B)=1/3. Es decir, P (B|A) ≠ P(B), lo cual
indica que B depende de A. Consideremos ahora un experimento en el que se sacan 2
cartas, una después de la otra, de una baraja ordinaria, con reemplazo. Los eventos se
definen como
A: la primera carta es un as,
B: la segunda carta es una espada.
Como la primera carta se reemplaza, nuestro espacio muestral para la primera y
segunda cartas consta de 52 cartas, que contienen 4 ases y 13 espadas. Entonces,
Es decir, P(B|A) =P(B). Cuando esto es cierto, se dice que los eventos A y B son
independientes.

La Regla De Producto O Regla Multiplicativa: Al multiplicar la fórmula de la definición

de la probabilidad condicional por P(A), obtenemos la siguiente regla multiplicativa
importante (o regla de producto), que nos permite calcular la probabilidad de que ocurran
dos eventos.

Por consiguiente, la probabilidad de que ocurran A y B es igual a la probabilidad de que

ocurra A multiplicada por la probabilidad condicional de que ocurra B, dado que ocurre A.
Como los eventos A ∩B y B ∩A son equivalentes, del teorema de la probabilidad
condicional se deduce que también podemos escribir
En otras palabras, no importa qué evento se considere como A ni qué evento se considere
como B.

Distribuciones discretas de Probabilidad

¿Qué es una distribucion de probabilidad?

Una distribucion de probabilidad es una organización de toso los resultados de un

experimento y la probabilidad de que ocurra cada uno de ellos.

Variable aleatorio
Una variable aleatorio representa todos los valores que resultan de una experimentoque ,
por azar puede tomar diferentes valores.

Existen dos tipos de variables aleatorios

Discretas: que son aquellos que adoptan solo valores puntuales o finitos

Continuas: que son aquellos que adoptan una infinidad de valores que pueden estar en un
intervalo.

Ejemplos de variables aleatorios discretas

1. X = variable que nos define el número de productos defectuosos en un lote de 25

productos.
2. X = variable que nos define el número de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos.

Co los ejemplo anteriores nos damos cuenta claramente que los valores de la variable x
siempre serán enteros nunca fraccionarios.

Característica de distribución de probabilidad discreta

a) Es generado por una variable discreta (x)

X = es una variable discreta que solo toma números enteros como son los numero enteros
que van a partir de cero.

X= 0, 1, 2, 3, 4, 5, 6, 7, 8,… etc.,
Como por ejemplo al lanzar uno o varios dados siempre el resultado de dicho evento será
un entero sin importar el número de veces que sea repetido el lanzamiento de los dados.

b) p(x) ≥0 las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero

c) ∑p(x) = 1, la sumatoria de las probabilidades asociadas a cada uno de los valores que
toma x deben ser iguales a 1.

Luego de identificar lo que es una distribución de probabilidades discreta vamos a calcular

dicha probabilidad con dos operaciones muy útiles como son:

Media, varianza y desviación estándar para una distribución discreta

Media o valor esperado

- También se la conoce como su valor esperado en una distribución de probabilidad
- Registra la ubicación central de los datos
- Es el valor promedio a lo largo plazo de la variable aleatoria

Formula

µ=∑ [ xp( x) ]

 µ = representa la media
 p(x) = es la probabilidad de que x asuma algún valor

Varianza
- La varianza mide el tamaño de la dispersión de una distribución
- La varianza de una distribución discreta es presentación por signa al cuadrado

σ 2=∑ [( x−µ)2 p( x ) ]
- σ 2 = esperanza
- x = valores que toma la varianza x.
- p(x) = probabilidad asociada a cada uno de los valores que toma x.

Desviación estándar

- La desviación estándar mide cuánto se separan los datos

- Es la raíz cuadrada de la varianza recibe el nombre de desviación típica y que
representa por medio de la letra σ.
Ejemplo:

Óscar Alfaro propietario de un negocio de alquiler de vehículos estudio sus registros de

las últimas 20 semanas y reporto el siguiente número de vehículos alquilados por
semana.

Solución:

Número de
vehículos Semanas
alquilados
10 5
11 6
12 7
13 2
20
Distribución de probabilidad
Número de
vehículos Probabilidad
alquilados x p(x)
10 0,25
11 0,30
12 0,35
13 0,10
Total 1
Representacion grafica de distibucion de probabilidades
0.40
0.35
0.30
probabilidad x

0.25
0.20
0.15
0.10
0.05
0.00
10 11 12 13
Numero vehiculos alquilados en semanas

Cuál es el número medio de vehículos alquilados por semana

Calculo de esperanza o valor esperado

x p(x) xp(x)
10 0,25 2,5
11 0,30 3,3
12 0,35 4,2
13 0,10 1,3
11,3
 Calculo de variación y desviación estándar del número de vehículos alquilados
dos por semana

Calculo de variación y desviación estándar

x x-u (x-u)2 p(x) (x-u)2 p(x)
10 -1,300 1,690 0,25 0,4225
11 -0,300 0,090 0,30 0,0270
12 0,700 0,490 0,35 0,1715
13 1,700 2,890 0,10 0,2890
0,9100

Desviación estándar : 0,954

DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Una distribución de probabilidad es una función que asigna a un intervalo de la variable

continúa x su valor de probabilidad correspondiente es decir la probabilidad de que un
evento ocurra en un intervalo de variable.

Características:

1. Es generada por una variable continua (x).

x Es una variable que puede tomar tanto valores enteros como fraccionarios.

x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,

2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x deben
ser mayores o iguales a cero. Dicho de otra forma, la función de densidad de
probabilidad deberá tomar solo valores mayores o iguales a cero. La función de
densidad de probabilidad sólo puede estar definida en los cuadrantes I y II.
 3. La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1. El área definida bajo la función de densidad de probabilidad deberá
ser de 1.

En las distribuciones de probabilidad continuas, la distribución de probabilidad es la

integral de la función de densidad por lo que tenemos entonces que.

FUNCIÓN DE DENSIDAD DE PROBABILIDAD

 Para variables aleatorias continuas, la distribución teórica o función de densidad de

probabilidad puede representarse por una curva continua.
 Por densidad entendemos la concentración de probabilidad dentro de un intervalo de
valores de la variable x.
 Esta probabilidad puede ser interpretada como un area (integral) bajo la curva f(x),
llamada curva de densidad, limitada por las ordenadas en dos puntos de un
intervalo.

Sea x una variable continua, una distribución de probabilidad o función de densidad de

probabilidad de x es una función f(x) tal que, para cualesquiera dos números a y b
sabiendo a  b

La gráfica de f(x) se conoce a veces como curva de densidad, la probabilidad de que x tome
un valor en el intervalo (a, b) es el área bajo la curva de la función de densidad; así, la
función mide concentración de probabilidad alrededor de los valores de una variable
aleatoria continua.
Para f(x) que sea una función de densidad de probabilidad debe satisfacer las siguientes dos
condiciones:

Media, varianza y desviación estándar para una distribución continua

Media o valor esperado

La media también llamada esperanza matemática es un valor representativo de todos los

valores que toma la variable x lo podemos imaginar como el punto sobre el eje de abscisas
donde al poner una cuña la figura plana definida por la función d densidad quedara en
equilibrio.

Para determinar la media de la distribución discreta se utiliza la siguiente fórmula:

1. Media o valor esperado de x.- Para calcular la media de una distribución de probabilidad
continua se utiliza la siguiente fórmula:

Dónde:

 = E(x) = media o valor esperado de la distribución

x = variable aleatoria continua

f(x) = función de densidad de la distribución de probabilidad

Varianza y Desviación estándar

La fórmula para determinar la desviación estándar de una distribución continua es;

Luego:

Ejemplo:

Seleccionamos al azar un número real en el intervalo [2, 6] y definimos una variable

aleatoria como X=” número seleccionado”. Calcula la probabilidad de que el número
seleccionado sea menor de 5 y el número esperado.

En este caso X → U (2,6); Para calcular la probabilidad lo que hacemos es:

5 5 5
1 1 x 5 2 3
P [ X ≤ 5 ]=∫ f ( x ) dx=∫ dx=∫ dx = (5−2 )= − = =0.7
2 2 6−2 2 4 4 2 4 4