Universidad Autónoma de Tamaulipas

Unidad Académica Multidisciplinaria Reynosa-Rodhe

CONCEPTOS DE PROBABILIDAD

Presenta:

Luis Felipe Cavazos Sánchez.

Emiliano Crespo Torres.

Karyme Domínguez López.

Aylin Guadalupe Ponce Domínguez.

Ulises García Ortega.

Carrera:

Ingeniería electrónica.

Grado: Tercer semestre. Grupo: “E”

Asignatura:

Probabilidad y estadística.

Coordinador de la Asignatura:

Diana Alondra Jiménez Basilio.

Cd. Reynosa, Tamaulipas. Septiembre 2022.

Índice.
1. Definición de probabilidad......................................................................................................................3

2. Definición de probabilidad objetiva.........................................................................................................3

3. Definición de probabilidad subjetiva.......................................................................................................3

4. Menciona los 6 axiomas de la probabilidad.............................................................................................4

5. Concepto de espacio muestral y un ejemplo...........................................................................................5

6. Concepto de evento probabilístico y un ejemplo....................................................................................6

7. Definición y ejemplo de evento dependiente e independiente...............................................................6

8. Concepto de probabilidad de Laplace.....................................................................................................8

9. ¿En qué consiste la teoría de conjuntos?................................................................................................8

10. Menciona los tipos de conjuntos que existen........................................................................................9

11. Definición de cada técnica de conteo y ejemplo de cada una...............................................................9

12. Definición del teorema de Bayes.........................................................................................................12

13. Ejemplo del teorema de Bayes............................................................................................................13

14.¿Qué es la probabilidad condicional?...................................................................................................14

15. Concepto de distribución probabilística..............................................................................................14

16. Concepto de distribución discreta.......................................................................................................15

17. Concepto y ejemplo de la distribución binomial..................................................................................15

18. Concepto y ejemplo de distribución hipergeométrica.........................................................................16

19. Concepto y ejemplo de distribución de Poisson..................................................................................17

20. Concepto de distribución continua.....................................................................................................18

21. Concepto y ejemplo de distribución uniforme....................................................................................18

Tipos de distribución uniforme.................................................................................................19

Bibliografía................................................................................................................................................23
1. Definición de probabilidad.
La probabilidad se refiere a la mayor o menor posibilidad de que ocurra un suceso . Su
noción viene de la necesidad de medir la certeza o duda de que un suceso dado ocurra o no.
Esta establece una relación entre el número de sucesos favorables y el número total de
sucesos posibles. Por ejemplo, lanzar un dado, y que salga el número uno (caso favorable)
está en relación a seis casos posibles (seis caras); es decir, la probabilidad es 1/6.

(Gonzalez, 2012)

2. Definición de probabilidad objetiva.

Aquella que se determina tomando como base algún criterio experimental u objetivo ajeno al
sujeto decisor, como el cociente entre el número de casos favorables y número de casos
posibles o el límite de una frecuencia relativa. Incluso en estos casos la determinación de
la probabilidad entraña un cierto grado de subjetividad. Por ejemplo, cuando al lanzar un
dado se le atribuye a la cara seis 1/6 de probabilidad se está suponiendo implícitamente que
el dado está perfectamente construido. (Trejo, 2020)

3. Definición de probabilidad subjetiva.

La probabilidad subjetiva es una medida estadística que indica cuánto de probable es que
suceda un evento basándose en la experiencia de una persona.

Alejandro (2008) dijo La probabilidad subjetiva se fundamenta en la opinión de un experto

que valora los posibles resultados y a partir de su conocimiento determina la probabilidad de
ocurrencia de un evento. (pág.45)

La probabilidad subjetiva siempre es un número entre 0 y 1. Cuanto mayor sea la

probabilidad subjetiva, más probable será de que ocurra un evento, y a la inversa, cuanto
menor sea la probabilidad subjetiva, menos probable será de que suceda el evento.

Ejemplos de probabilidad subjetiva.

Vista la definición de probabilidad subjetiva, vamos a ver varios ejemplos de este tipo de
probabilidad para acabar de entender qué significa.
Por ejemplo, si una persona intenta calcular la probabilidad de que mañana llueva
basándose en la experiencia que tiene del clima de esa zona, es una probabilidad subjetiva
porque la persona no está realizando ningún cálculo matemático, sino que se fundamenta en
su intuición. (Saucedo, 2014)

4. Menciona los 6 axiomas de la probabilidad.

Un axioma es el elemento básico de un sistema de lógica formal y junto con las reglas de
inferencia definen un sistema deductivo.

Los axiomas de probabilidad son las condiciones mínimas que deben verificarse para que
una función que definimos sobre unos sucesos determine consistentemente valores de
probabilidad sobre dichos sucesos.

Los axiomas de la formulación moderna de la teoría de la probabilidad constituyen una base

para deducir a partir de ellas un amplio número de resultados. 

La letra P se utiliza para designar la probabilidad de un evento, siendo P(A) la probabilidad

de ocurrencia de un evento A en un experimento.

AXIOMA 1: Si A es un evento de S, entonces la probabilidad del evento A es:

Como no podemos obtener menos de cero éxitos ni más de n éxitos en n experimentos, la

probabilidad de cualquier evento A, se representa mediante un valor que puede variar
de 0 a 1.

AXIOMA 2: Si dos eventos son mutuamente excluyentes, la probabilidad de

obtener A o B es igual a la probabilidad de obtener A más la probabilidad de obtener B.
Excluirse mutuamente quiere decir que A y B no pueden ocurrir simultáneamente en el
mismo experimento. Así, la probabilidad de obtener águila o sol en la misma tirada de una
moneda será:

En general podemos decir que la suma de las probabilidades de todos los posibles eventos
mutuamente excluyentes es igual a 1:

AXIOMA 3: Si A es un evento cualquiera de un experimento aleatorio y A’ es el

complemento de A, entonces:

Es decir, la probabilidad de que el evento A no ocurra, es igual a 1 menos la probabilidad de

que ocurra. (Acosta, 2008)

5. Concepto de espacio muestral y un ejemplo.

El espacio muestral es el conjunto de todos los posibles resultados de un experimento
aleatorio y se suele representar como E (o bien como omega, Ω, del alfabeto griego).

Por ejemplo, cuando lanzamos una moneda, ¿cuáles son todos los posibles resultados que
podemos obtener? Que salga cara o cruz, ¿verdad? En total son dos posibles resultados,
por lo que el espacio muestral tiene 2 elementos.

E = {cara, cruz}

Y si lanzamos un dado, tenemos en total 6 posibles resultados que pueden salir. Por lo
tanto, el espacio muestral sería de 6 elementos.

E = {1, 2, 3, 4, 5, 6}. (Castro, 2010)

6. Concepto de evento probabilístico y un ejemplo.

En la teoría de la probabilidad, un evento aleatorio o fuente de sucesos aleatorio es un
subconjunto de un espacio muestral, es decir, un conjunto de posibles resultados que se
pueden dar en un posible pero muy lejano experimento aleatorio.

Evento: Conjunto de uno o más resultados de un experimento.

Espacio muestral: Son todos los posibles resultados de un experimento. Cualquier resultado
experimental particular se llama punto muestral y es un elemento del espacio muestral.

Tipos de eventos en probabilidad:

Los eventos pueden ser:

 Independientes (cada evento no se ve afectado por otros eventos).

 Dependientes (también llamado ''Condicional'', donde un evento se ve afectado por
otros eventos).
 Mutuamente Excluyentes (los eventos no pueden suceder al mismo tiempo).
(EJEMPLOS)

7. Definición y ejemplo de evento dependiente e independiente.

Eventos independientes: Los eventos pueden ser "independientes", lo que significa que
cada evento no se ve afectado por ningún otro evento.

Ejemplo: Lanzas una moneda y aparece "Cara" tres veces ... ¿cuál es la probabilidad de
que el próximo lanzamiento también sea una "Cara"?
 1
La probabilidad es simplemente o 50% como en cualquier lanzamiento de la moneda.
2

¡Lo que ocurrió en el pasado no afectará el lanzamiento actual! Realmente el próximo

lanzamiento de la moneda es totalmente independiente de cualquier lanzamiento anterior.

Evento dependiente: Los eventos también pueden ser "dependientes", lo que significa
que pueden verse afectados por eventos anteriores.

Ejemplo: tomar 2 cartas de un mazo

Después de tomar una carta del mazo, hay menos cartas disponibles, ¡por lo que las
probabilidades cambian!
Veamos las posibilidades de obtener un Rey.
Para la primera carta, la posibilidad de sacar un Rey es 4 de 52
Pero para la segunda carta:

 Si la primera carta era un Rey, entonces es menos probable que la segunda carta sea un
Rey, ya que solo 3 de las 51 cartas restantes son Reyes.
 Si la primera carta no era un Rey, entonces es más probable que la segunda carta sea un
Rey, ya que 4 de las 51 cartas restantes son Rey.

 Esto se debe a que estamos quitando cartas del mazo.

 Reemplazo: cuando volvemos a colocar cada tarjeta después de sacarla, las
posibilidades no cambian, ya que los eventos son independientes.
Sin reemplazo: las posibilidades cambiarán y los eventos son dependientes. (matematicas,
2020)
8. Concepto de probabilidad de Laplace.

La ley de Laplace es una formula muy utilizada para calcular las probabilidades de un
experimento aleatorio cuando los sucesos o resultados del experimento tienen la misma
probabilidad de aparecer. Es decir, la ley de Laplace es el cociente entre los casos
probables y los casos posibles de un experimento dada una variable aleatoria.

La ley de Laplace:

casos probables
P(Z)=
casos posibles

 Casos posibles: Son todos los resultados posibles que podemos obtener en un
experimento. Por ejemplo, si el experimento es tirar un dado, tendremos 6 casos posibles
porque un dado solo tiene 6 caras.

 Casos probables: Son los resultados que salen en cada experimento de

manera secuencial, es decir, que los resultados son excluyentes: si ocurre un resultado no
pueden ocurrir los otros. En el experimento de tirar un dado, cada cara del dado es un caso
probable. En otras palabras, que salga un dos (2) o un cinco (5) son ejemplos de casos
probables en el experimento de lanzar un dado. (Rodó, 2020)

9. ¿En qué consiste la teoría de conjuntos?

La Teoría de Conjuntos es una teoría matemática, que estudia básicamente a un cierto tipo
de objetos conjuntos y algunas veces, a otros objetos denominados no conjuntos, así como
a los problemas relacionados con estos. Por tanto, se encarga de analizar tanto los atributos
que poseen, como las relaciones que pueden establecerse entre ellos.

Un conjunto es una agrupación de elementos, ya sean números, letras, palabras, funciones,

símbolos, figuras geométricas u otros. (Westreicher, Economipedia, 2022)
 10. Menciona los tipos de conjuntos que existen.

Conjunto Finito:  Es el conjunto al que se le puede determinar su cardinalidad o puede

llegar a contar su último elemento.
Ejemplo:
M= {*/x es divisor de 24}
M= {1,2,3,4,6,8,12,24}

Conjunto Infinito : Es el conjunto que, por tener muchos elementos, no se le puede llegar a
contar su último elemento.
Ejemplo:
A= {*/x sea grano de sal}

Conjunto Vacío:  Es el conjunto cuya cardinalidad es cero ya que carece de elementos. El

símbolo del conjunto vacío O o { }.
Ejemplo:
C={*/x sea habitantes del sol}

Conjunto Unitario:  Es el conjunto que solo tiene un elemento. Su cardinalidad es uno (1).
Ejemplo:
D={*/x sea vocal de la palabra "pez"
(Zurita, 2014)

11. Definición de cada técnica de conteo y ejemplo de cada una.

1. Principio multiplicativo.

Este tipo de técnica de conteo, junto con el principio aditivo, permiten comprender fácilmente
y de forma práctica cómo funcionan estos métodos matemáticos.
 Si un evento, llamémoslo N1, puede ocurrir de varias formas, y otro evento, N2, puede
ocurrir de otras tantas, entonces, los eventos conjuntamente pueden ocurrir de N1 x N2
formas.

Este principio se utiliza cuando la acción es secuencial, es decir, está conformada por
eventos que ocurren de forma ordenada, como son la construcción de una casa, el elegir los
pasos de baile en una discoteca o el orden que se seguirá para preparar un pastel.

Por ejemplo:

En un restaurante, el menú consiste en un plato principal, un segundo y postre. De platos

principales tenemos 4, de segundos hay 5 y de postres hay 3.

Entonces, N1 = 4; N2 = 5 y N3 = 3.

Así pues, las combinaciones que ofrece este menú serían 4 x 5 x 3 = 60

2. Principio aditivo.

En este caso, en vez de multiplicarse las alternativas para cada evento, lo que sucede es
que se suman las varias formas en las que pueden ocurrir. Esto quiere decir que si la
primera actividad puede ocurrir de M formas, la segunda de N y la tercera L, entonces, de
acuerdo a este principio, sería M + N + L.

Por ejemplo:

Queremos comprar chocolate, habiendo tres marcas en el supermercado: A, B y C.

 El chocolate A se vende de tres sabores: negro, con leche y blanco, además de haber la
opción sin o con azúcar para cada uno de ellos.
 El chocolate B se vende de tres sabores, negro, con leche o blanco, con la opción de tener o
no avellanas y con o sin azúcar.
 El chocolate C se vende de tres sabores, negro, con leche y blanco, con opción de tener o no
avellanas, cacahuete, caramelo o almendras, pero todos con azúcar.

En base a esto, la pregunta que se pretende responder es: ¿Cuántas variedades distintas de
chocolate se pueden comprar?

W = número de formas de seleccionar el chocolate A.

Y = número de formas de seleccionar el chocolate B.

Z = número de formas de seleccionar el chocolate C.

El siguiente paso consiste en una simple multiplicación.

W = 3 x 2 = 6.

Y = 3 x 2 x 2 = 12.

Z = 3 x 5 = 15.

W + Y + Z = 6 + 12 + 15 = 33 variedades de chocolate diferentes.

Para saber si se debe utilizar el principio multiplicativo o el aditivo, la pista principal es si la

actividad en cuestión tiene una serie de pasos a realizarse, como era el caso del menú, o
existen varias opciones, como es el caso del chocolate.

3. Permutaciones.

En cambio, en una permutación, habría un arreglo de varios elementos en los que sí es

importante tenerse en cuenta su orden o posición.

En las permutaciones, hay n cantidad de elementos distintos y se selecciona una cantidad

de ellos, que sería r.

La fórmula que se utilizaría sería la siguiente: nPr = n!/(n-r)!

Por ejemplo:

Hay un grupo de 10 personas y hay un asiento en el que solo pueden caber cinco, ¿de
cuántas formas se pueden sentar?

Se haría lo siguiente:

10P5=10!/(10-5)!=10 x 9 x 8 x 7 x 6 = 30.240 formas diferentes de ocupar el banco.

4. Permutaciones con repetición.

Cuando se quiere saber el número de permutaciones en un conjunto de objetos, algunos de
los cuales son iguales, se procede a realizar lo siguiente:

Teniéndose en cuenta que n son los elementos disponibles, algunos de ellos repetidos.

Se seleccionan todos los elementos n.

Se aplica la siguiente fórmula: = n!/n1!n2!...nk!

Por ejemplo:

En un barco se pueden izar 3 banderas rojas, 2 amarillas y 5 verdes. ¿Cuántas señales

diferentes se podrían hacer izando las 10 banderas que se tienen?

10!/3!2!5! = 2.520 combinaciones de banderas diferentes.

5. Combinaciones.

En las combinaciones, a diferencia de lo que sucedía con las permutaciones, el orden de los
elementos no es importante.

La fórmula a aplicar es la siguiente: nCr=n!/(n-r)!

Por ejemplo:

Un grupo de 10 personas quieren hacer limpieza en el barrio y se preparan para formar

grupos de 2 miembros cada uno, ¿cuántos grupos son posibles?

En este caso, n = 10 y r = 2, así pues, aplicando la fórmula:

10C2=10!/(10-2)!2!=180 parejas distintas.

12. Definición del teorema de Bayes.

Podemos calcular la probabilidad de un suceso A, sabiendo además que ese A cumple
cierta característica que condiciona su probabilidad. El teorema de Bayes entiende la
probabilidad de forma inversa al teorema de la probabilidad total. El teorema de la
probabilidad total hace inferencia sobre un suceso B, a partir de los resultados de los
sucesos A. Por su parte, Bayes calcula la probabilidad de A condicionado a B.

13. Ejemplo del teorema de Bayes.

Donde: 

 A y B son eventos, y además: P(B) ≠ 0.

 P(A|B): es la probabilidad de que ocurra A, dado que ha ocurrido B.
 P(B|A): es la probabilidad de que ocurra B, dado que ha ocurrido A.
 P(A): es la probabilidad de que ocurra A.
 P(B): es la probabilidad de que ocurra B.

En la academia de Matemóvil, la probabilidad de que a un alumno seleccionado al azar le

guste el helado es del 60 %, mientras que la probabilidad de que a un alumno le guste la
torta es del 36 %. Además, se sabe que la probabilidad de que a un alumno le guste la torta
dado que le gusta el helado es del 40 %. Calcular la probabilidad de que a un alumno le
guste el helado, dado que le gusta la torta.

Solución:

Primero definimos los 2 eventos con los que vamos a trabajar:

h: que a un alumno le guste el helado.

t: que a un alumno le guste la torta.

Tenemos los siguientes datos:

P(h) = 0,6.

P(t) = 0,36.

P(t|h) = 0,4.

Nos piden calcular P(h|t).

Aplicamos el teorema de Bayes:

Entonces, la probabilidad de que un alumno le guste el helado dado que le gusta la torta es
de 0,6667 o 66,67 %.

14.¿Qué es la probabilidad condicional?

Es decir, la probabilidad condicional es aquella que depende de que se haya cumplido otro
hecho relacionado.Si tenemos un evento, que denominamos A, condicionado a otro evento,
al cual denominamos B, la notación sería P(A|B) y la fórmula sería la siguiente:

P(A|B)=P(A ∩ B)/P(B)

Es decir, en la fórmula de arriba se lee que la probabilidad de que suceda A, dado que ha
acontecido B, es igual a la probabilidad de que ocurra A y B, al mismo tiempo, entre la
probabilidad de B.

Lo opuesto a la probabilidad condicional es la probabilidad independiente. Es decir, aquella

que no depende de la ocurrencia de otro evento. (Westreicher, Economipedia, 2021)

15. Concepto de distribución probabilística.

En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable

aleatoria es una función que asigna a cada suceso definido sobre la variable la probabilidad
de que dicho suceso ocurra. La distribución de probabilidad está definida sobre el conjunto
de todos los sucesos y cada uno de los sucesos es el rango de valores de la variable
aleatoria. También puede decirse que tiene una relación estrecha con las distribuciones de
frecuencia. De hecho, una distribución de probabilidades puede comprenderse como una
frecuencia teórica, ya que describe cómo se espera que varíen los resultados.
 La distribución de probabilidad está completamente especificada por la función de
distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria sea
menor o igual que x. (ESAN, 2016)

16. Concepto de distribución discreta.

Una distribución discreta describe la probabilidad de que ocurran eventos discretos.

Ejemplo: tira un dado. Si sacas un seis, ganas un premio.  Para el juego, podría sacar 1, 2,
3, 4, 5 o 6. Todas las tiradas de dados tienen la misma probabilidad de salir (una de seis, o
1/6). Esto le da una distribución de probabilidad discreta de:

Rodar 1 2 3 4 5 6

Posibilidades 1/6 1/6 1/6 1/6 1/6 1/6

17. Concepto y ejemplo de la distribución binomial.

Una distribución binomial es una distribución de probabilidad discreta que describe el

número de éxitos al realizar n experimentos independientes entre sí, acerca de una variable
aleatoria.
Ejemplo: el lanzamiento de una moneda cuyo resultado de «sacar cara» es el éxito. Si
lanzamos 5 veces la moneda y contamos los éxitos que obtenemos, nuestra distribución de
probabilidades se ajustaría a una distribución binomial.

Fórmula:
n es el número de pruebas.

k es el número de éxitos.

p es la probabilidad de éxito.

18. Concepto y ejemplo de distribución hipergeométrica.

La distribución hipergeométrica es una función estadística discreta, adecuada para calcular

la probabilidad en experimentos aleatorios con dos resultados posibles. La condición que se
requiere para aplicarla es que se trate de poblaciones pequeñas, en las cuales las
extracciones no se reemplazan y las probabilidades no son constantes.

Por lo tanto, cuando se elige un elemento de la población para saber el resultado (verdadero
o falso) de cierta característica, ese mismo elemento no puede elegirse de nuevo.

Fórmula:

– Número de elementos de población (N)

– Tamaño de la muestra (m) 

– Cantidad de eventos en la población completa con un resultado favorable (o desfavorable)

de la característica estudiada (n).

Ejemplo: Un mazo de baraja española tiene 40 cartas, de las cuales 10 tienen oro y las
restantes 30 no lo tienen. Supongamos que de ese mazo se extraen al azar 7 cartas, las
cuales no se reincorporan al mazo.

Si X es el número de oros presentes en las 7 cartas extraídas, entonces la probabilidad que

se tengan x oros en una extracción de 7 cartas está dada por la distribución hipergeométrica
P (40,10,7; x).
Veamos esto así: para calcular la probabilidad de tener 4 oros en una extracción de 7 cartas
usamos la fórmula de la distribución hipergeométrica con los siguientes valores:

Y el resultado es: 4,57% de probabilidad.

Pero si se quiere saber la probabilidad de obtener más de 4 cartas, entonces habrá que

sumar:

P (4) +P (5) +P (6) + P (7) = 5,20%

19. Concepto y ejemplo de distribución de Poisson.

La distribución de Poisson es una distribución de probabilidades discreta, mediante la cual

se puede conocer la probabilidad de que, dentro de una muestra de tamaño grande y
durante un cierto intervalo, ocurra un evento cuya probabilidad es pequeña.

Con frecuencia, la distribución de Poisson se puede utilizar en lugar de la distribución

binomial, siempre y cuando se cumplan las siguientes condiciones descritas: muestra grande
y probabilidad pequeña.

Fórmula:

– μ (también a veces denotado como λ) es la media o parámetro de la distribución.

– Número de Euler: e = 2.71828.

– La probabilidad de obtener y = k es P.

– k es el número de éxitos 0, 1,2,3…

– n es el número de pruebas o eventos (el tamaño de la muestra).

Ejemplo: Una distribución de Poisson puede describir el número de defectos en el sistema

mecánico de un avión o el número de llamadas a un centro de llamadas en una hora. La
distribución de Poisson se utiliza con frecuencia en el control de calidad, los estudios de
fiabilidad/supervivencia y los seguros.

20. Concepto de distribución continua.

Una distribución continua tiene un rango de valores que son infinitos y, por lo tanto,

incontables. Por ejemplo, el tiempo es infinito: puedes contar desde 0 segundos hasta mil
millones de segundos… un billón de segundos… y así sucesivamente, para siempre. 

21. Concepto y ejemplo de distribución uniforme.

En estadística, distribución uniforme es un término que se usa para describir una forma de
distribución de probabilidad en la que cada resultado posible tiene la misma probabilidad de
ocurrir. La probabilidad es constante ya que cada variable tiene las mismas posibilidades de
ser el resultado.

Por ejemplo, si te paras en la esquina de una calle y comienzas a entregar al azar un

billete de $ 100 a cualquier persona afortunada que pase, entonces todos los transeúntes
tendrán las mismas posibilidades de recibir el dinero. El porcentaje de probabilidad es 1
dividido por el número total de resultados (número de transeúntes). Sin embargo, si
prefieres a las personas de baja estatura o las mujeres, tendrían una mayor probabilidad
de recibir el billete de $ 100 que los demás transeúntes. Eso no se describiría como
probabilidad uniforme.

Una baraja de cartas también tiene una distribución uniforme. Esto se debe a que una
persona tiene las mismas posibilidades de sacar una espada, un corazón, un trébol o un
diamante. Otro ejemplo con una distribución uniforme es cuando se lanza una moneda. La
probabilidad de tener cola o cabeza es la misma. El gráfico de una distribución uniforme
suele ser plano, por lo que los lados y la parte superior son paralelos a los ejes x y.

Tipos de distribución uniforme.

La distribución uniforme se puede agrupar en dos categorías según los tipos de

resultados posibles.

1. Distribución uniforme discreta.

En estadística y teoría de la probabilidad, una distribución uniforme discreta es una

distribución estadística donde la probabilidad de resultados es igualmente probable y
con valores finitos.

2. Distribución uniforme continua

No todas las distribuciones uniformes son discretas; algunos son continuos. Una
distribución uniforme continua (también conocida como distribución rectangular) es una
distribución estadística con un número infinito de valores medibles igualmente
probables. A diferencia de las variables aleatorias discretas, una variable aleatoria
continua puede tomar cualquier valor real dentro de un rango específico.

Una distribución uniforme continua suele presentarse en forma rectangular. Un buen

ejemplo de una distribución uniforme continua es un generador de números aleatorios
idealizado. Con una distribución uniforme continua, al igual que la distribución uniforme
discreta, cada variable tiene la misma probabilidad de ocurrir. Sin embargo, hay un
número infinito de puntos que pueden existir. (livingeconomyadvisors.com)
 Bibliografía

 AcademiaLab. (2022). AcademiaLab. Obtenido de https://academia-lab.com/enciclopedia/evento-

probabilidades/

 Acosta, A. (19 de Agossto de 2008). Obtenido de Cidecame:

http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/21definicin_axiomas_y_teoremas.html

 Benites, L. (23 de Agosto de 2021). Statologos. Obtenido de https://statologos.com/distribucion-de-

probabilidad-discreta/#:~:text=Una%20distribuci%C3%B3n%20de%20probabilidad%20discreta%20se

%20compone%20de,probabilidad%20discreta.%20Ejemplos%20de%20distribuci%C3%B3n%20de

%20probabilidad%20discreta

 Castro, M. (3 de Agosto de 2010). Obtenido de Statologos: https://statologos.com/espacio-muestral/

 EJEMPLOS. (s.f.). ejemplos. Recuperado el 2022, de https://ejemplos.net/tipos-de-eventos-en-probabilidad/

 ESAN, C. (16 de octubre de 2016). Conexión ESAN . Obtenido de

https://www.esan.edu.pe/conexion-esan/conoce-las-principales-distribuciones-de-probabilidad

 Gonzalez, F. (12 de Abril de 2012). Khanacademy. Obtenido de

https://es.khanacademy.org/math/probability/probability-geometry/probability-basics/a/probability-the-

basics

 https://ejemplos.net/tipos-de-eventos-en-probabilidad/. (s.f.).

 López, J. F. (21 de febrero de 2018). Economipedia. Obtenido de

https://economipedia.com/definiciones/teorema-de-bayes.html
 matematicas, D. l. (2020). Disfruta las matematicas avanzado. Obtenido de

https://www.disfrutalasmatematicas.com/datos/probabilidad-eventos-tipos.html

 Minita. (2022). Minitab. Obtenido de Distribución discreta:

https://support.minitab.com/es-mx/minitab/21/help-and-how-to/probability-distributions-random-data-

and-resampling-analyses/supporting-topics/distributions/discrete-distribution/

 Moya, D. (22 de septiembre de 2022). Filosofía. Obtenido de Definición de distribución binomial en

estadística: Definicion de distribucion binomial en estadistica - Filosofia.co.

 Rodó, P. (30 de enero de 2020). Economipedia. Recuperado el 2022, de

https://economipedia.com/definiciones/ley-de-laplace.html

 Rubio, N. M. (31 de octubre de 2019). Psicologia y mente. Obtenido de

https://psicologiaymente.com/miscelanea/tecnicas-de-conteo

 Saucedo, C. (10 de Enero de 2014). Obtenido de Transico:

https://www.probabilidadyestadistica.net/probabilidad-subjetiva/

 Trejo, M. (29 de Febrero de 2020). Obtenido de Probabilidadeucedi: https://elpensante.com/probabilidad-

objetiva/

 Westreicher, G. (12 de marzo de 2021). Economipedia. Obtenido de

https://economipedia.com/definiciones/probabilidad-condicional.html

 Westreicher, G. (02 de marzo de 2022). Economipedia. Recuperado el 2022, de

https://economipedia.com/definiciones/teoria-de-conjuntos.html

 Zapata, F. (26 de septiembre de 2019). Distribución hipergeométrica: fórmulas, ecuaciones, modelo.

Obtenido de Lifeder: Distribución hipergeométrica: fórmulas, ecuaciones, modelo (lifeder.com).

 Zurita, E. (11 de 02 de 2014). Weebly. Obtenido de https://probabilidadzl.weebly.com/probabilidad/teoria-

de-conjuntos

 livingeconomyadvisors.com. (s.f.). livingeconomyadvisors.com. Recuperado el 2022, de

https://es.livingeconomyadvisors.com/838-what-is-uniform-distribution