Probabilidad 3.

Distribuciones de probabilidad

3. DISTRUBUCIONES DE PROBABILIDAD

VARIABLES ALEATORIAS

Una variable aleatoria, es una variable que sirve para cuantificar el resultado de un
experimento. El valor de la variable dependerá de cada experimento en particular ya
que no se puede predecir su valor con exactitud, pero si se puede calcular la
probabilidad de que la variable tome un valor determinado.
Si S es un espacio muestral, sea X una variable aleatoria, entonces X tendrá un valor
numérico para cada punto muestral en S, dependiendo de la definición de X en el
experimento.

EJEMPLO Si se lanzan 2 dados diferentes, representar este experimento por

medio de variables aleatorias.

Solución

se puede representar por parejas a los puntos muestrales

S = { (1,1), (1,2), …, (1,6), (2,1), …, (6,6) }

Definimos a la variable

X: la suma de puntos de los dos dados

 X = 2, 3, …, 12

Y se podría calcular entonces

P(X=2), P(X=3), …, P(X=12)

M.C. Azucena Ríos 31

Probabilidad 3.Distribuciones de probabilidad

EJEMPLO Se seleccionan al azar dos personas en cierto orden de entre un grupo

donde hay cinco mujeres y tres hombres, representar este experimento para el
número de mujeres seleccionadas.

Solución

S = { MM, MH, HM, HH }

Sea X una variable aleatoria definida por

X: El número de mujeres seleccionadas

 X = 0, 1, 2

P(X=0) = 3/28

P(X=1) = 30/56 = 15/28

P(X=2) = 10/28

 La probabilidad de que sean seleccionadas 2 mujeres es 5/14 ≈ 36%

EJEMPLO Se selecciona al azar un estudiante de entre todos los alumnos que llevan
la materia de Cálculo Integral. Representar este experimento para la calificación final
obtenida.

Solución

Definimos S = { est1, est2, …, estn }

X: Calificación final de Cálculo Integral

 X = 0, 1, 2, …, 100

P(X=0) = 1/101

P(X=27) = 1/101

M.C. Azucena Ríos 32

Probabilidad 3.Distribuciones de probabilidad

Observación Es un espacio “equiprobable”

Observación Entre más puntos muestrales tiene S, menor es la probabilidad de

cada uno.

EJEMPLO Se selecciona al azar un estudiante de este grupo y se define X como el

peso de la persona. Representar el experimento para la variable peso.

Solución

Observamos que la variable peso, ya no toma valores discretos… sino valores dentro
de un intervalo determinado, como por ejemplo, (45;130)… por lo que ya no se puede
representar como en los casos anteriores.

Definición. Cuando los valores que puede tomar una variable aleatoria X son una
cantidad finita, entonces decimos que X es una variable aleatoria discreta. (x=x1,
…,xk)

Si los valores posibles para una variable aleatoria X son infinitos, debido a que toma
todos los valores dentro de un intervalo, entonces X es una variable aleatoria
continua. (x1<x<x2)

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Todo sería más sencillo, si para calcular la 𝑃(𝑋 = 𝑥) tuviéramos una regla o fórmula.

Definición. Si 𝑋 es una variable aleatoria discreta, la función dada por 𝑓(𝑥) = 𝑃(𝑋 =
𝑥) para 𝑥 dentro de los valores posibles de 𝑋, se llama distribución de probabilidad
de 𝑋.

La función 𝑓(𝑥) sirve para calcular probabilidades de una variable aleatoria discreta,
sí y sólo sí cumple con las siguientes propiedades derivadas de los Axiomas.

a) 𝑓(𝑥) ≥ 0 ∀𝑥
b) ∑ 𝑓(𝑥) = 1

M.C. Azucena Ríos 33

Probabilidad 3.Distribuciones de probabilidad

EJEMPLO Verificar si la función dada por

𝑥+2
𝑓 (𝑥 ) = 25
para 𝑥 = 1, 2, 3, 4, 5

Puede servir como distribución de probabilidad

Solución

𝑓(1) = 3/25
𝑓(2) = 4/25
𝑓(3) = 5/25
𝑓(4) = 6/25
𝑓(5) = 7/25

a) Todos los 𝑓(𝑥) ≥ 0

b) 𝑓(1) + … + 𝑓(5) = 3/25 + 4/25 + 5/25 + 6/25 + 7/25=1
𝑥+2
Por lo tanto, la función 𝑓(𝑥) = para 𝑥 = 1, 2, 3, 4, 5, sí puede ser una distribución
25
de probabilidad.

Presentación gráfica de ésta distribución

M.C. Azucena Ríos 34

Probabilidad 3.Distribuciones de probabilidad

EJEMPLO Para el experimento de tirar 2 dados, encontrar la distribución de

probabilidad para el número de puntos entre los dos dados.

Solución

Distribución de
probabilidad

Histograma de
probabilidad

Distribución
acumulada

M.C. Azucena Ríos 35

Probabilidad 3.Distribuciones de probabilidad

Definición. Dada una variable aleatoria discreta x, con distribución de probabilidad

𝑓(𝑥), definimos la función de distribución o probabilidad acumulada 𝐹(𝑥) como

𝐹(𝑥0 ) = 𝑃(𝑋 ≤ 𝑥0 ) = ∑ 𝑓(𝑋)

𝑋≤𝑥0

Que de manera práctica, se expresa simplemente como 𝐹(𝑥),entendiendo que 𝑥

representa el valor de la variable hasta el cual estamos acumulando la probabilidad.

Características de la distribución acumulada:

1) 𝐹(−∞) = 0 y 𝐹(+∞) = 1
2) Si 𝑎 < 𝑏, entonces 𝐹(𝑎) ≤ 𝐹(𝑏) para cualesquier 𝑎, 𝑏 ∈ ℝ

En general, tenemos entonces que

𝑓(𝑥) = 𝑃(𝑋 = 𝑥)  Distribución de probabilidad

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑𝑖≤𝑥 𝑓(𝑖)  Distribución acumulada o función de distribución

acumulada

EJEMPLO Para el experimento del lanzamiento de los 2 dados, encontrar la

probabilidad acumulada.

Solución

0 𝑥<2
1⁄ 2≤𝑥<3
36
1⁄ 3≤𝑥<4
12
1⁄ 4≤𝑥<5
6
5⁄ 5≤𝑥<6
18
5⁄ 6≤𝑥<7
𝐹(𝑥) = 12
7⁄ 7≤𝑥<8
12
13⁄ 8≤𝑥<9
18
5⁄ 9 ≤ 𝑥 < 10
6
11⁄ 10 ≤ 𝑥 < 11
12
35⁄ 11 ≤ 𝑥 < 12
36
{ 1 𝑥 ≥ 12

M.C. Azucena Ríos 36

Probabilidad 3.Distribuciones de probabilidad

TEOREMA Si el intervalo de la variable aleatoria X consta de los valores

𝑥1 < ⋯ < 𝑥𝑖−1 < 𝑥𝑖 < 𝑥𝑖+1 < ⋯ < 𝑥𝑛 , entonces

a) 𝑓(𝑥1 ) = 𝐹(𝑥1 )
b) 𝑓(𝑥𝑖 ) = 𝐹(𝑥𝑖 ) - 𝐹(𝑥𝑖−1 )

Para 𝑖 = 1, 2, …, 𝑛

Observación Si tenemos 𝑓(𝑥), podemos generar 𝐹(𝑥) y

si tenemos 𝐹(𝑥) podemos generar 𝑓(𝑥)

EJERCICIOS

1) Determina si los valores dados pueden servir como valores de una

distribución de probabilidad de una variable aleatoria X = 1, 2, 3, 4

2) Verifica si la función dada puede servir como distribución de probabilidad

𝑥−2
a) 𝑓(𝑥) = x = 1, 2, 3, 4, 5
5
𝑥2
b) 𝑓(𝑥) = x = 0, 1, 2, 3, 4
30
1
c) 𝑓(𝑥) = x = 0, 1, 2, 3, 4, 5
5
2𝑥
d) 𝑓(𝑥) = x = 1, 2, 3, …, k
𝑘(𝑘+1)

3) Determina si los valores dados pueden servir como los valores de una función
de probabilidad acumulada de una variable aleatoria X = 1, 2, 3, 4

M.C. Azucena Ríos 37

Probabilidad 3.Distribuciones de probabilidad

4) Encuentra las tres representaciones de la función de distribución de

probabilidad acumulada de la variable aleatoria que tiene distribución de
probabilidad
𝑥
𝑓(𝑥) = , 𝑥 = 1, 2, 3, 4,5
15

5) Si X tiene la función de distribución de probabilidad acumulada

Encuentra
a) P(x = 4)
b) P(2 < x ≤ 6)
c) P(1< x < 7)
d) P(3 < x < 9)
e) P(2 ≤ x ≤ 8)
f) P(x ≤ 6)
g) P(x > 5)

Solución

1) Para que los valores dados puedan servir como valores de una distribución de
probabilidad, se debe cumplir que:
4

∑ 𝑓(𝑥𝑖 ) = 1
𝑖=1

a) 𝑓(1) + 𝑓(2) + 𝑓(3) + 𝑓(4) = 0.15 + 0.27 + 0.29 + 0.29 = 1

∴ 𝐿𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑑𝑜𝑠 𝑠𝑖𝑟𝑣𝑒𝑛 𝑐𝑜𝑚𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.

b) 𝑓(1) + 𝑓(2) + 𝑓(3) + 𝑓(4) = 0.25 + 0.75 + 0.25 + 0.25 = 1.5 ≠ 1

∴ 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑜 𝑠𝑖𝑟𝑣𝑒𝑛 𝑐𝑜𝑚𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.

1 10 2 5 18
c) 𝑓(1) + 𝑓(2) + 𝑓(3) + 𝑓(4) = 19 + 19 + 19 + 19 = 19 ≈ 0.9474 ≠ 1
∴ 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑜 𝑠𝑖𝑟𝑣𝑒𝑛 𝑐𝑜𝑚𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.

M.C. Azucena Ríos 38

Probabilidad 3.Distribuciones de probabilidad

2) Para que la función pueda servir como distribución de probabilidad se debe

cumplir que:
 ∑∀𝑥 𝑓(𝑥) = 1
 𝑓(𝑥) ≥ 0, ∀𝑥

1
a) Como 𝑓(1) = − 5 => 𝑓(1) < 0
∴ 𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑛𝑜 𝑠𝑖𝑟𝑣𝑒 𝑐𝑜𝑚𝑜 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.

0 1 4 9 16 30
b) Como 𝑓(0) + 𝑓(1) + 𝑓(2) + 𝑓(3) + 𝑓(4) = + + + + = =1
30 30 30 30 30 30
∴ 𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑠𝑖𝑟𝑣𝑒 𝑐𝑜𝑚𝑜 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
1 1 1 1 1 1 6
c) Como 𝑓(0) + 𝑓(1) + 𝑓(2) + 𝑓(3) + 𝑓(4) + 𝑓(5) = 5
+ 5
+ 5
+ 5
+ 5
+ 5
= 5
≠ 1
∴ 𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑛𝑜 𝑠𝑖𝑟𝑣𝑒 𝑐𝑜𝑚𝑜 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
d)
𝑘 𝑘 𝑘
2𝑥 2 2 𝑘(𝑘 + 1)
∑ 𝑓(𝑥) = ∑ = ∑𝑥 = [ ]=1
𝑘(𝑘 + 1) 𝑘(𝑘 + 1) 𝑘(𝑘 + 1) 2
𝑥=1 𝑥=1 𝑥=1
𝑦 𝑐𝑜𝑚𝑜 𝑐𝑎𝑑𝑎 𝑡é𝑟𝑚𝑖𝑛𝑜 𝑒𝑠 > 𝑜
∴ 𝐿𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑠𝑖𝑟𝑣𝑒 𝑐𝑜𝑚𝑜 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑

3) Para que los valores dados puedan servir como valores de una función de
distribución se debe cumplir que:
 𝐹(4) = 1 , ya que es la acumulada de todos los valores de x
 Si 𝑥1 < 𝑥2 , => 𝐹(𝑥1 ) < 𝐹(𝑥2 )
a) Como 𝐹(4) = 1.2 ≠ 1
∴ 𝐿𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑑𝑜𝑠 𝑛𝑜 𝑠𝑖𝑟𝑣𝑒𝑛 𝑐𝑜𝑚𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛.

b) Como 𝐹(2) < 𝐹(1) → 0.4 < 0.5

∴ 𝐿𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑑𝑜𝑠 𝑛𝑜 𝑠𝑖𝑟𝑣𝑒𝑛 𝑐𝑜𝑚𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛.

c) Como 𝐹(1) < 𝐹(2) < 𝐹(3) < 𝐹(4) 𝑦 𝐹(4) = 1

∴ 𝐿𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑑𝑜𝑠 𝑠𝑖𝑟𝑣𝑒𝑛 𝑐𝑜𝑚𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛.

M.C. Azucena Ríos 39

Probabilidad 3.Distribuciones de probabilidad

4)
x f (x) F(x)

1 1/15 1/15

2 2/15 1/15 + 2/15 = 3/15

3 3/15 1/15 + 2/15 + 3/15 = 6/15

4 4/15 1/15 + 2/15 + 3/15 + 4/15 =10/15

5 5/15 1/15 + 2/15 + 3/15 + 4/15 + 5/15 = 15/15 = 1

5)
1 1 2
a) P(x = 4)=𝑓(4) = 𝐹(4) − 𝐹(3) = 2 − 3 = 3
b) P(2 < x ≤ 6)= 𝑓(3) + 𝑓(4) + 𝑓(5) + 𝑓(6)
= 𝐹(3) − 𝐹(2) + 𝐹(4) − 𝐹(3) + 𝐹(5) − 𝐹(4) + 𝐹(6) − 𝐹(5)
5 1 1
= 𝐹(6) − 𝐹(2) = − =
6 3 2
5 1 1
c) P(1< x < 7)= 𝐹(6) − 𝐹(1) = 6 − 3 = 2
5 1 1
d) P(3 < x < 9) = 𝐹(8) − 𝐹(3) = 6 − 3 = 2
5 1 1
e) P(2 ≤ x ≤ 8) = 𝐹(8) − 𝐹(1) = 6 − 3 = 2
5
f) P(x ≤ 6) = 𝐹(6) = 6
1 1
g) P(x > 5) = 1 − 𝑃(𝑥 ≤ 5) = 1 − 𝐹(5) = 1 − 2 = 2

M.C. Azucena Ríos 40

Probabilidad 3.Distribuciones de probabilidad

DENSIDADES DE PROBABILIDAD CONTINUAS

Si se desea medir la cantidad de líquido de bebida en un envase de 16 oz. pueden

pasar varias cosas:

X : variable aleatoria oz. sin decimales (Discreta) x=15, 16, 17

2
1.5
1
0.5
0
15 16 17

Si empezamos a usar más decimales, entonces la variable x sigue siendo discreta,

pero puede tomar más valores, por lo que la probabilidad se reparte entre mas
valores.

X: variable aleatoria oz. con un decimal (discreta)

1.5

0.5

0
15 15.5 16 16.5 17

X : variable aleatoria oz. con 2 decimales (discreta)

M.C. Azucena Ríos 41

Probabilidad 3.Distribuciones de probabilidad

0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3

X : variable aleatoria oz. Situación extrema con una cantidad infinita de decimales
(continua)

0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
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

Si la probabilidad en cada intervalo está dada por el área del rectangulito (barra)
entonces, a medida que aumenta el número de rectángulos (tiende al infinito), el área
de cada rectángulo tiende a cero, por lo que no hay área “encima” de un número en
particular, es decir, la probabilidad de que la variable aleatoria tome un valor
específico es 0, eso implica que sólo se pueden calcular probabilidades de que la
variable aleatoria esté en un intervalo determinado, y esa probabilidad será el área
bajo la curva.

Ahora, esa curva, que es la representación geométrica de una función, servirá para
el cálculo de probabilidades.

M.C. Azucena Ríos 42

Probabilidad 3.Distribuciones de probabilidad

Definición Una función real 𝑓(𝑥), definida para una variable aleatoria continua X,
se llama densidad de probabilidad de X, sí y sólo sí:
𝑏

𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
Para cualesquier 𝑎, 𝑏 ∈ ℝ, tales que 𝑎 ≤ 𝑏
La función f(x) sirve para calcular probabilidades de una variable aleatoria continua,
sí y sólo sí cumple con las siguientes propiedades derivadas de los Axiomas.
a) 𝑓(𝑥) ≥ 0 ∀𝑥 ∈ ℝ, −∞ < 𝑥 < ∞
+∞
b) ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

Observación Para una densidad𝑓(𝑐) ≠ 𝑃(𝑥 = 𝑐) y como 𝑃(𝑥 = 𝑐) = 0 para una

variable aleatoria continua, entonces es fácil entender el siguiente resultado.

TEOREMA Si X es una variable aleatoria continua y 𝑎 y 𝑏 son constantes reales

con 𝑎 ≤ 𝑏, entonces
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑎 < 𝑥 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑥 < 𝑏) = 𝑃(𝑎 < 𝑥 < 𝑏)

EJEMPLO Si se sabe que 𝑓(𝑥) = 𝑘𝑒 −3𝑥 , 𝑥 > 0 es una densidad de probabilidad.

Encontrar:

a) 𝑘
b) 𝑃(0.5 ≤ 𝑥 ≤ 1)

Solución

𝑓(𝑥) = 𝑘𝑒 −3𝑥 , 𝑥 > 0

Como se sabe que f(x) es densidad de probabilidad, eso implica que debe cumplir
con los Axiomas.
+∞ −𝑘 𝑘
a) ∫∀𝑥 𝑓(𝑥)𝑑𝑥 = ∫0 𝑘𝑒 −3𝑥 𝑑𝑥 = 𝑒 −3𝑥 / +∞
0
= =1 de donde 𝑘 = 3
3 3

1 1 1
b) 𝑃(0.5 ≤ 𝑥 ≤ 1) = ∫0.5 𝑓(𝑥)𝑑𝑥 = ∫0.5 3𝑒 −3𝑥 𝑑𝑥 = −𝑒 −3𝑥 / 0.5 = −𝑒 −3 + 𝑒 −1.5 ≈
0.1733

M.C. Azucena Ríos 43

Probabilidad 3.Distribuciones de probabilidad

Así también para variables aleatorias continuas se puede calcular la probabilidad

acumulada, y definimos entonces a la función 𝐹(𝑥) como Distribución acumulada
o Función de probabilidad acumulada y ésta función está dada por:
𝑥

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑡)𝑑𝑡

−∞

Propiedades de la Función de probabilidad acumulada

1) 𝐹(−∞) = 0 𝑦 𝐹(+∞) = 1
2) Si 𝑎 < 𝑏  𝐹(𝑎) ≤ 𝐹(𝑏)

TEOREMA Si 𝑓(𝑥) y 𝐹(𝑥) son los valores de la densidad de probabilidad y la función

de distribución acumulada, respectivamente, de la variable aleatoria 𝑋 en el valor 𝑥,
entonces
a) 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎), ∀𝑎, 𝑏 ∈ ℝ con 𝑎 < 𝑏
𝑑
b) 𝑓(𝑥) = 𝑑𝑥 𝐹(𝑥), donde la derivada existe

EJEMPLO Encontrar la función de distribución acumulada de la variable aleatoria x

que tiene densidad
𝑓(𝑥) = 3𝑒 −3𝑥 , 𝑥>0

Y usarla para evaluar 𝑃(0.5 ≤ 𝑋 ≤ 1)

Solución
𝑥 𝑥 0, 𝑥 ≤ 0
𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 = ∫0 3𝑒 −3𝑡 𝑑𝑡 = −𝑒 −3𝑡 |0𝑥 = 1 − 𝑒 −3𝑥  𝐹(𝑥) = {
1 − 𝑒 −3𝑥 , 𝑥 > 0

𝑃(0.5 ≤ 𝑥 ≤ 1) = 𝐹(1) − 𝐹(0.5) = [1 − 𝑒 −3(1) ] − [1 − 𝑒 −3(0.5) ] = 1 − 𝑒 −3 − 1+𝑒 1.5

≈ 0.1733

M.C. Azucena Ríos 44

Probabilidad 3.Distribuciones de probabilidad

EJEMPLO Dada la función de distribución acumulada, encontrar la densidad de X,

donde

0, 𝑥≤0
𝐹(𝑥) = {𝑥, 0 < 𝑥 < 1
1, 𝑥≥1
Solución
𝑑𝐹(𝑥) 𝑑(𝑥)
𝑓(𝑥) = = =1
𝑑𝑥 𝑑𝑥
Entonces 𝑓(𝑥) = 1 0<𝑥<1

EJERCICIO El número de horas de vida en anaquel de un alimento empacado

perecedero es una variable aleatoria cuya densidad de probabilidad está dada por:

20000
𝑓(𝑥) = , 𝑥>0
(𝑥 + 100)3

Encontrar las probabilidades de que uno de estos paquetes tendrá una vida en el
anaquel de
a) Al menos 200 hrs.
b) Cuando mucho 100 hrs.
c) Cualquier tiempo entre 80 y 120 hrs.

EJERCICIO La función de distribución de la v.a. x está dada por

0 , 𝑥≤0
𝐹(𝑥) = {1 − (1 + 𝑥)𝑒 −𝑥 , 𝑥 > 0

Calcula:
a) 𝑃(𝑋 ≤ 2)
b) 𝑃(1 < 𝑋 < 3)
c) 𝑃(𝑥 > 4)

M.C. Azucena Ríos 45

Probabilidad 3.Distribuciones de probabilidad

DISTRIBUCIONES MULTIVARIADAS

EJEMPLO Se seleccionan dos cápsulas al azar, de un frasco que contiene tres

aspirinas, dos sedantes y cuatro laxantes. Si X es el número de aspirinas
seleccionadas y Y es el número de sedantes entre las dos cápsulas que se sacaron
del frasco, encontrar las probabilidades asociadas con todos los pares posibles de
valores de X y Y.

X: número de aspirinas  X = 0, 1, 2
Y: número de sedantes  Y = 0, 1, 2

X /Y 0 1 2
0 (0,0) (0,1) (0,2)
1 (1,0) (1,1) -
2 (2,0) - -

Si hay 9 y se seleccionan 2:
9 9! (9)(8)
( )= = = 36
2 2! 7! 2

4 3 12 6 1
𝑃(0,0) = (𝑙𝑎𝑥𝑎𝑛𝑡𝑒, 𝑙𝑎𝑥𝑎𝑛𝑡𝑒) = ∙ = = =
9 8 72 36 6
4 2 ?
𝑃(0,1) = (𝑙𝑎𝑥𝑎𝑛𝑡𝑒 𝑜 𝑠𝑒𝑑𝑎𝑛𝑡𝑒, 𝑠𝑒𝑑𝑎𝑛𝑡𝑒) = [ + ] ∙
9 9 8

Aquí observamos que están relacionadas X y Y y que no se pueden calcular por

separado.
Observamos que, si tuviéramos una fórmula para representar las probabilidades,
todo sería más fácil.
(𝑥3) (𝑦2) (2−𝑥−𝑦
4
)
𝑓(𝑥, 𝑦) =
(29)

𝑥 = 0,1,2
𝑦 = 0,1,2
0≤ 𝑥+𝑦 ≤ 2

M.C. Azucena Ríos 46

Probabilidad 3.Distribuciones de probabilidad

Éste es un ejemplo de un caso bivariado, ya que estamos definiendo dos variables

simultáneamente para un mismo evento y sobre un mismo espacio muestral.

Definición Si 𝑋 y 𝑌 son variables aleatorias discretas, la función dada para 𝑓(𝑥, 𝑦) =

𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) para cada par de valores (𝑥, 𝑦) posibles, se llama distribución de
probabilidad conjunta de 𝑋 y 𝑌.

Propiedades:
a) 𝑓(𝑥, 𝑦) ≥ 0, ∀(𝑥, 𝑦) ∈ 𝐷𝑜𝑚
b) ∑∀𝑥 ∑∀𝑦 𝑓(𝑥, 𝑦) = 1

Definición Si 𝑋 y 𝑌 son variables aleatorias discretas, la función dada por

𝐹(𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦) = ∑ ∑ 𝑓(𝑠, 𝑡)
∀𝑠≤𝑥 ∀𝑡≤𝑦
Se llama función de distribución acumulada conjunta de 𝑋 y 𝑌.

EJEMPLO Determinar el valor de 𝑘 para que la función dada sirva como distribución
de probabilidad conjunta

𝑓(𝑥, 𝑦) = 𝑘𝑥𝑦, 𝑥 = 1, 2, 3; 𝑦 = 1, 2, 3
Solución
Observamos que para que 𝑓(𝑥, 𝑦) = 𝑘𝑥𝑦 ≥ 0 tiene que cumplirse que 𝑘 ≥ 0, ya que
por definición los valores de 𝑥 y de 𝑦, son positivos.

Ahora, para verificar el Axioma 2:

𝑓(1,1) = 𝑘
𝑓(1,2) = 2𝑘
𝑓(1,3) = 3𝑘
𝑓(2,1) = 2𝑘
𝑓(2,2) = 4𝑘
𝑓(2,3) = 6𝑘
𝑓(3,1) = 3𝑘
𝑓(3,2) = 6𝑘
𝑓(3,3) = 9𝑘

1
∑ ∑ 𝑓(𝑥, 𝑦) = 36𝑘 = 1 → 𝑘 =
36

M.C. Azucena Ríos 47

Probabilidad 3.Distribuciones de probabilidad

1
Entonces 𝑓(𝑥, 𝑦) = 36 𝑥𝑦, 𝑥 = 1, 2, 3; 𝑦 = 1, 2, 3

Definición Si 𝑋 y 𝑌 son variables aleatorias continuas, la función bivariada con valor

𝑓(𝑥, 𝑦), definida sobre la región de dominio de 𝑋 y 𝑌, recibe el nombre de densidad
de probabilidad conjunta, y si 𝐴 es una región del plano 𝑥 − 𝑦 contenida en el
dominio de 𝑋 y 𝑌, entonces la probabilidad de que las variables aleatorias 𝑋 y 𝑌
tomen valores en 𝐴 está dada por:

𝑃((𝑥, 𝑦) ∈ 𝐴) = ∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦
𝐴
Propiedades:
a) 𝑓(𝑥, 𝑦) ≥ 0, ∀𝑥 ∈ ℝ, 𝑦 ∈ ℝ
+∞ +∞
b) ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1

Definición Si 𝑋 y 𝑌 son variables aleatoria continuas, la función dada por

𝑦 𝑥

𝐹(𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦) = ∫ ∫ 𝑓(𝑠, 𝑡) 𝑑𝑡 𝑑𝑠

−∞ −∞
Se llama función de distribución de probabilidad conjunta acumulada de 𝑿 y
𝒀.

𝑑𝐹(𝑥)
Observación Así como 𝑓(𝑥) = , se tiene que:
𝑑𝑥

𝜕 2 𝐹(𝑥, 𝑦)
𝑓(𝑥, 𝑦) =
𝜕𝑥𝜕𝑦

EJEMPLO Si la función de densidad de probabilidad conjunta de 𝑋 y 𝑌 está dada

por:
3
𝑓(𝑥, 𝑦) = 𝑥(𝑥 + 𝑦), 0 < 𝑥 < 1, 0 < 𝑦 < 2
5

1
Determinar 𝑃(0 < 𝑥 < 2 , 1 < 𝑦 < 2)

M.C. Azucena Ríos 48

Probabilidad 3.Distribuciones de probabilidad

Solución

2 1/2 2 1/2
1 3 3
𝑃 (0 < 𝑥 < , 1 < 𝑦 < 2) = ∫ ∫ 𝑥(𝑦 + 𝑥)𝑑𝑥𝑑𝑦 = ∫ ∫ (𝑥𝑦 + 𝑥 2 )𝑑𝑥𝑑𝑦
2 5 5
1 0 1 0
2
3 𝑥 2 𝑦 𝑥 3 1/2
= ∫[ + ] 𝑑𝑦
5 2 3 0
1
2
3 𝑦 1 3 𝑦2 𝑦 2 3 2 1 1
= ∫ ( + ) 𝑑𝑦 = [ + ] = (2 + − − )
5 8 24 5 16 24 1 40 3 2 3
1
3 12 + 4 − 3 − 2 3 11 11
= ( )= ( )=
40 6 40 6 80

EJERCICIO Si la densidad de probabilidad conjunta de 𝑋 y 𝑌 está dada por

𝑓(𝑥, 𝑦) = 𝑥 + 𝑦, 0 < 𝑥 < 1, 0 < 𝑦 < 1

3 1 2
Calcular 𝑃 (0 < 𝑥 < 5 , < 𝑦 < 3).
3

EJEMPLO Si la función de densidad conjunta de 𝑋 y 𝑌 está dada por:

𝑓(𝑥, 𝑦) = 𝑒 −(𝑥+𝑦) 𝑥 > 0, 𝑦>0

Determinar 𝑃(1 < 𝑥 < 3, 1 < 𝑦 < 2)

Solución
2 3 2 3

𝑃(1 < 𝑥 < 3, 1 < 𝑦 < 2) = ∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∫ ∫ 𝑒 −(𝑥+𝑦) 𝑑𝑥𝑑𝑦

1 1 1 1

2 3 2
3
= ∫ ∫ 𝑒 −𝑥 𝑒 −𝑦 𝑑𝑥𝑑𝑦 = ∫ 𝑒 −𝑦 [𝑒 −𝑥 ] 𝑑𝑦
1
1 1 1
2
2
= ∫ 𝑒 −𝑦 (𝑒 −1 − 𝑒 −3 )𝑑𝑦 = (𝑒 −1 − 𝑒 −3 )[−𝑒 −𝑦 ]
1
1
= (𝑒 −1 − 𝑒 −3 )(𝑒 −1 − 𝑒 −2 ) ≈ 0.074

M.C. Azucena Ríos 49

Probabilidad 3.Distribuciones de probabilidad

DISTRIBUCIONES MARGINALES

Definición Si 𝑋 y 𝑌 son variables aleatorias discretas y 𝑓(𝑥, 𝑦) es la distribución de

probabilidad conjunta en (𝑥, 𝑦), se define la función de distribución marginal de 𝑿
como
𝑓(𝑥) = ∑ 𝑓(𝑥, 𝑦)
∀𝑦
también denotada por 𝑓𝑋 (𝑥) o simplemente 𝑓(𝑥).

Del mismo modo, la función de distribución marginal de 𝒀 está dada por

𝑓(𝑦) = ∑ 𝑓(𝑥, 𝑦)
∀𝑥
que también se puede representar como 𝑓𝑌 (𝑦) o solamente 𝑓(𝑦).

Definición Si 𝑋 y 𝑌 son variables continuas y 𝑓(𝑥, 𝑦) es la densidad de probabilidad

conjunta en (𝑥, 𝑦), las funciones dadas por

𝑓(𝑥) = ∫∀𝑦 𝑓(𝑥, 𝑦)𝑑𝑦 y 𝑓(𝑦) = ∫∀𝑥 𝑓(𝑥, 𝑦)𝑑𝑥

Son llamadas densidades marginales de 𝑿 y 𝒀, respectivamente.

EJEMPLO Dada la densidad conjunta

2
𝑓(𝑥, 𝑦) = (𝑥 + 2𝑦) 0 < 𝑥 < 1, 0 < 𝑦 < 1
3

Determinar las marginales de 𝑋 y 𝑌.

Solución
1
2 2 2
𝑓(𝑥) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑦 = ∫ (𝑥 + 2𝑦) 𝑑𝑦 = [𝑥𝑦 + 𝑦 2 ]10 = (𝑥 + 1)
3 3 3
∀𝑦 0
2
 𝑓(𝑥) = 3 (𝑥 + 1) 0<𝑥<1

M.C. Azucena Ríos 50

Probabilidad 3.Distribuciones de probabilidad

1 1
2 2 𝑥2 2 1 2 1 + 4𝑦
𝑓(𝑦) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑥 = ∫ (𝑥 + 2𝑦) 𝑑𝑥 = [ + 2𝑥𝑦] = ( + 2𝑦) = ( )
3 3 2 0
3 2 3 2
∀𝑥 0

1
 𝑓(𝑦) = 3 (1 + 4𝑦) 0<𝑦<1

EJEMPLO Dada la densidad conjunta

1
𝑓(𝑥, 𝑦) = 𝑥𝑦 𝑥 = 1,2,3 ; 𝑦 = 1,2,3
36
Determinar las marginales de 𝑋 y 𝑌

Solución

3 3
1 1 1 𝑥
𝑓(𝑥) = ∑ 𝑓(𝑥, 𝑦) = ∑ 𝑥𝑦 = 𝑥∑𝑦 = 𝑥(1 + 2 + 3) =
36 36 36 6
∀𝑦 𝑦=1 𝑦=1
𝑥
 𝑓(𝑥) = 6 𝑥 = 1,2,3

3 3
1 1 1 𝑦
𝑓(𝑦) = ∑ 𝑓(𝑥, 𝑦) = ∑ 𝑥𝑦 = 𝑦∑𝑥 = 𝑦(1 + 2 + 3) =
36 36 36 6
∀𝑥 𝑥=1 𝑥=1
𝑦
 𝑓(𝑦) = 𝑦 = 1,2,3
6

Cuando se tienen más de dos variables aleatorias, se puede hablar no sólo de las
marginales de las variables aleatorias individuales, sino de marginales conjuntas.

En general, si 𝑋1 , 𝑋2 , … , 𝑋𝑛 son variables aleatorias discretas con distribución de

probabilidad 𝑓(𝑋1 , 𝑋2 , … , 𝑋𝑛 ), entonces se pueden encontrar una gran cantidad de
marginales, por ejemplo…

𝑓(𝑋1 , 𝑋2 ) = ∑ ∑ … . ∑ 𝑓(𝑋1 , 𝑋2 , … , 𝑋𝑛 )
𝑋3 𝑋4 𝑋𝑛

M.C. Azucena Ríos 51

Probabilidad 3.Distribuciones de probabilidad

𝑓(𝑋3 , 𝑋𝑛−1 , 𝑋𝑛 ) = ∑ ∑ ∑. … . ∑ 𝑓(𝑋1 , 𝑋2 , … , 𝑋𝑛 )

𝑋1 𝑋2 𝑋4 𝑋𝑛−2

Si 𝑋1 , 𝑋2 , … , 𝑋𝑛 son variables aleatorias continuas con distribución de probabilidad

𝑓(𝑋1 , 𝑋2 , … , 𝑋𝑛 ), entonces

𝑓(𝑋2 , 𝑋4 ) = ∫ ∫ ∫ … . ∫ 𝑓(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) 𝑑𝑥𝑛 … 𝑑𝑥5 𝑑𝑥3 𝑑𝑥1

∀𝑥1 ∀𝑥3 ∀𝑥5 ∀𝑥𝑛

EJEMPLO Considerando la densidad trivariada

𝑓(𝑥, 𝑦, 𝑧) = (𝑥 + 𝑦)𝑒 −𝑧 0 < 𝑥 < 1, 0 < 𝑦 < 1, 𝑧 > 0

Obtener 𝑓(𝑥, 𝑧) 𝑦 𝑓(𝑥)

Solución

1 1
−𝑧 −𝑧
𝑦2
𝑓(𝑥, 𝑧) = ∫ 𝑓(𝑥, 𝑦, 𝑧)𝑑𝑥2 = ∫(𝑥 + 𝑦)𝑒 𝑑𝑦 = 𝑒 [𝑥𝑦 + ]
2 0
∀𝑦 0
−𝑧
1 𝑒 1
= 𝑒 −𝑧 [𝑥 + ] = (2𝑥 + 1) = 𝑒 −𝑧 (𝑥 + )
2 2 2

1
 𝑓(𝑥, 𝑧) = 𝑒 −𝑧 (𝑥 + 2) 0 < 𝑥 < 1, 𝑧 > 0

1 +∞

𝑓(𝑥) = ∫ ∫ 𝑓(𝑥, 𝑦, 𝑧)𝑑𝑧𝑑𝑦 = ∫ ∫ (𝑥 + 𝑦)𝑒 −𝑧 𝑑𝑧𝑑𝑦

∀𝑦 ∀𝑧 0 0

1 1
∞ 𝑦2 1 1
= ∫(𝑥 + 𝑦)[−𝑒 −𝑧 ] 𝑑𝑦 = ∫(𝑥 + 𝑦)(1)𝑑𝑦 = 𝑥𝑦 + | = 𝑥 +
0 2 0 2
0 0

1
 𝑓(𝑥) = 𝑥 + 2 0<𝑥<1

M.C. Azucena Ríos 52

Probabilidad 3.Distribuciones de probabilidad

DISTRIBUCIÓN CONDICIONAL

De la definición de probabilidad condicional se tiene que

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴/𝐵) =
𝑃(𝐵)

Solo que ahora las probabilidades se encuentran a través de funciones, esto es,

𝑃(𝐴 ∩ 𝐵) → 𝑓(𝑥, 𝑦) 𝑃(𝐵) → 𝑓(𝑦)

Definición. Si el valor de la distribución o densidad de probabilidad conjunta de las

variables aleatorias 𝑋 y 𝑌 en (𝑥, 𝑦) está dado por 𝑓(𝑥, 𝑦) y si 𝑓(𝑥) es el valor de la
distribución o densidad marginal de 𝑋, y 𝑓(𝑦) es el valor de la distribución o densidad
marginal de 𝑌, entonces, definimos la función de distribución o densidad de
probabilidad condicional de 𝑿, dado 𝒀 = 𝒚 como

𝑓(𝑥, 𝑦)
𝑓(𝑥/𝑦) = , 𝑓(𝑦) ≠ 0
𝑓(𝑦)

De la misma manera, definimos la función de distribución o densidad de

probabilidad condicional de 𝒀, dado 𝑿 = 𝒙 como

𝑓(𝑥, 𝑦)
𝑓(𝑦/𝑥) = , 𝑓(𝑥) ≠ 0
𝑓(𝑥)

EJEMPLO Dada la conjunta

2
𝑓(𝑥, 𝑦) = (𝑥 + 2𝑦) 0 < 𝑥 < 1, 0<𝑦<1
3

Obtener la condicional de 𝑥 dado 𝑦 y utilizarla para evaluar la probabilidad de que

1 1
𝑃(𝑥 ≤ /𝑦 = )
2 2
Solución
Primero hay que obtener la función de probabilidad condicional de 𝑥 dado 𝑦, de
acuerdo a su definición, para lo cual se requiere calcular primero la marginal de 𝑦.

M.C. Azucena Ríos 53

Probabilidad 3.Distribuciones de probabilidad

1
𝑓(𝑦) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥 = ⋯ = (1 + 4𝑦)
3
∀𝑥
De la definición de función de probabilidad condicional tenemos que
2(𝑥 + 2𝑦)
𝑓(𝑥, 𝑦) 3 2(𝑥 + 2𝑦)
𝑓(𝑥/𝑦) = = =
𝑓(𝑦) 1 1 + 4𝑦
3 (1 + 4𝑦)

Entonces, la condicional general de 𝑥 dado 𝑦 sería

2(𝑥+2𝑦)
 𝑓(𝑥/𝑦) = 1+4𝑦

Ahora, se tiene que encontrar una probabilidad condicional específica de 𝑥 dado

1 1
𝑦 = 2, para lo que se necesita la condicional específica donde 𝑦 = 2, esto es,

1
1 2(𝑥 + 2𝑦) 2 [𝑥 + 2 (2)] 2𝑥 + 2
𝑓 (𝑥/𝑦 = ) = ] = =
2 1 + 4𝑦 𝑦=1 1 3
2
1 + 4 (2 )
Entonces, ya podemos calcular la probabilidad condicional solicitada
1/2
1 1 1 2𝑥 + 2
𝑃(𝑥 ≤ /𝑦 = ) = ∫ 𝑓 (𝑥/𝑦 = ) 𝑑𝑥 = ∫ 𝑑𝑥
2 2 2 3
1 0
𝑥≤
2
1/2 1
2 2 𝑥2 2 2 1 1 2 5 5
= ∫ (𝑥 + 1)𝑑𝑥 = [ + 𝑥] = [ + ] = ( ) =
3 3 2 0
3 8 2 3 8 12
0

EJERCICIO Dada la conjunta

𝑓(𝑥, 𝑦) = 4𝑥𝑦 0 < 𝑥 < 1, 0 < 𝑦 < 1

Determinar 𝑓(𝑥), 𝑓(𝑦) y 𝑓(𝑥/𝑦)

M.C. Azucena Ríos 54

Probabilidad 3.Distribuciones de probabilidad

VARIABLES ALEATORIAS INDEPENDIENTES

TEOREMA Si 𝑓(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) es el valor de la distribución o la densidad de

probabilidad conjunta de las 𝑛 variables aleatorias 𝑋1 , 𝑋2 , … , 𝑋𝑛 , y si 𝑓𝑖 (𝑥𝑖 ) es el valor
de la distribución o densidad marginal de cada 𝑋𝑖 , para 𝑖 = 1, 2, … , 𝑛, entonces las
variables aleatorias 𝑋1 , 𝑋2 , … , 𝑋𝑛 son independientes, sí y sólo sí.
𝑓(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) = 𝑓1 (𝑋1 ) ∙ 𝑓2 (𝑋2 ) ∙ … ∙ 𝑓𝑛 (𝑋𝑛 )

EJERCICIO Dadas las variables aleatorias independientes 𝑋, 𝑌, 𝑍 con las

densidades marginales:

𝑓1 (𝑥) = 𝑒 −𝑥 , 𝑥>0
𝑓2 (𝑦) = 2𝑒 −2𝑦 , 𝑦>0
𝑓3 (𝑧) = 3𝑒 −3𝑧 , 𝑧>0

Determinar la densidad conjunta y utilizarla para evaluar la probabilidad

𝑃(𝑥 + 𝑦 ≤ 1, 𝑧 > 1)

Solución
Lo primero que hay que hacer es encontrar la conjunta, sabiendo que son variables
aleatorias independientes. Entonces

𝑓(𝑥, 𝑦, 𝑧) = 𝑓1 (𝑥)𝑓2 (𝑦)𝑓3 (𝑧) = 𝑒 −𝑥 ∙ 2𝑒 −2𝑦 ∙ 3𝑒 −3𝑧 = 6𝑒 −(𝑥+2𝑦+3𝑧)

 𝑓(𝑥, 𝑦, 𝑧) = 6𝑒 −(𝑥+2𝑦+3𝑧) 𝑥 > 0, 𝑦 > 0, 𝑧 > 0

Para poder calcular la probabilidad solicitada 𝑃(𝑥 + 𝑦 ≤ 1, 𝑧 > 1) hay que verificar
los límites de integración.

M.C. Azucena Ríos 55

Probabilidad 3.Distribuciones de probabilidad

∞ 1 1−𝑥

𝑃(𝑥 + 𝑦 ≤ 1, 𝑧 > 1) = ∫ ∫ ∫ 6𝑒 −𝑥−2𝑦−3𝑧 𝑑𝑥𝑑𝑦𝑑𝑧

1 0 0
+∞ 1 1−𝑥 +∞ 1
−3𝑧 −𝑥 −2𝑦 −3𝑧 −𝑥
−1 −2𝑦 1−𝑥
= 6∫ 𝑒 ∫𝑒 ∫ 𝑒 𝑑𝑦 𝑑𝑥 𝑑𝑧 = 6 ∫ 𝑒 ∫𝑒 [ 𝑒 ] 𝑑𝑥 𝑑𝑧
2 0
1 0 0 1 0
+∞ 1 +∞ 1
6
= − ∫ 𝑒 −3𝑧 ∫ 𝑒 −𝑥 (𝑒 −2(1−𝑥) − 𝑒 0 )𝑑𝑥 𝑑𝑧 = −3 ∫ 𝑒 −3𝑧 ∫ 𝑒 −𝑥 (𝑒 2𝑥−2 − 1)𝑑𝑥 𝑑𝑧
2
1 0 1 0
+∞ 1 +∞

= −3 ∫ 𝑒 −3𝑧 ∫(𝑒 𝑥−2 − 𝑒 −𝑥 ) 𝑑𝑥 𝑑𝑧 = −3 ∫ 𝑒 −3𝑧 [𝑒 𝑥−2 + 𝑒 −𝑥 ]10 𝑑𝑧

1 0 1
+∞ +∞

= −3 ∫ 𝑒 −3𝑧 (𝑒 −1 + 𝑒 −1 − 𝑒 −2 −𝑒 0 ) 𝑑𝑧 = −3 ∫ 𝑒 −3𝑧 (2𝑒 −1 − 𝑒 −2 − 1) 𝑑𝑧

1 1
+∞ 𝑏
−1 −2 −3𝑧 −1 −2
= −3(2𝑒 −𝑒 − 1) ∫ 𝑒 𝑑𝑧 = −3(2𝑒 −𝑒 − 1) lim ∫ 𝑒 −3𝑧 𝑑𝑧
𝑏→+∞
1 1

−1 −2
−1 −3𝑧 𝑏
= −3(2𝑒 − 𝑒 − 1) lim [ 𝑒 ]
𝑏→+∞ 3 1
−1
= −3 ( ) (2𝑒 −1 − 𝑒 −2 − 1) lim [𝑒 −3𝑧 ]1𝑏
3 𝑏→+∞

= (2𝑒 −1 − 𝑒 −2 − 1) lim (𝑒 −3𝑏 − 𝑒 −3 )

𝑏→+∞

= (2𝑒 −1 − 𝑒 −2 − 1)(0 − 𝑒 −3 ) = (−0.39958)(−0.049789) = 0.1989

M.C. Azucena Ríos 56