REPUBLICA BOLIVARIANA DE VERNEZUELA

INSTITUTO UNIVERSITARIO DE TECNOLOGIA

ANTONIO RICAURTE
CAGUA EDO ARAGUA.
INTEGRANTE:
FRANCISCO CASTILLO
C.I. 16.435.636
INTRODUCCION A LA TEORIA DE PROBABILIDADES
El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los
eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta
utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de
estas herramientas fue asignado a los matemticos de la corte.
El enfoque clsico
Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A y z posibles
resultados desfavorables a la ocurrencia de A, y todos los resultados son igualmente
posibles y mutuamente excluyente (no pueden ocurrir los dos al mismo tiempo), entonces la
probabilidad de que ocurra A es:
El enfoque clsico de la probabilidad se basa en la suposicin de que cada resultado sea
igualmente posible.
Este enfoque es llamado enfoque a priori porque permite, (en caso de que pueda aplicarse)
calcular el valor de probabilidad antes de observar cualquier evento de muestra.
Ejemplo:
Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de sacar una
piedra roja en un intento es:
El enfoque de frecuencia relativa
Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base de la
proporcin de veces que ocurre un evento favorable en un nmero de observaciones. En
este enfoque no ese utiliza la suposicin previa de aleatoriedad. Porque la determinacin de
los valores de probabilidad se basa en la observacin y recopilacin de datos.
Ejemplo:
Se ha observado que 9 de cada 50 vehculos que pasan por una esquina no tienen cinturn
de seguridad. Si un vigilante de transito se para en esa misma esquina un ida cualquiera
Cul ser la probabilidad de que detenga un vehculo sin cinturn de seguridad?
El enfoque subjetivo
Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por parte de un
individuo de que un evento ocurra, basado en toda la evidencia a su disposicin. Bajo esta
premisa se puede decir que este enfoque es adecuado cuando solo hay una oportunidad de
ocurrencia del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor de
probabilidad bajo este enfoque es un juicio personal.
Concepto de Probabilidad
Se define como clculo de probabilidad al conjunto de reglas que permiten determinar si un
fenmeno ha de producirse, fundando la suposicin en el clculo, las estadsticas o la teora.
Objetivos de las Probabilidades
El objetivo fundamental de la probabilidad, es la de mostrar al alumno la importancia y
utilidad del Mtodo Estadstico en el mbito econmico-empresarial. Con tal fin, el alumno
deber aprender a manejar los mtodos y tcnicas ms adecuadas para el correcto
tratamiento y anlisis de la informacin proporcionada por los datos que genera la actividad
econmica.
El valor de la probabilidad
El valor ms pequeo que puede tener la probabilidad de ocurrencia de un evento es igual a
0, el cual indica que el evento es imposible, y el valor mayor es 1, que indica que el evento
ciertamente ocurrir. Entonces si decimos que P(A) es la probabilidad de ocurrencia de un
evento A y P(A ) la probabilidad de no-ocurrencia de A, tenemos que:
Eventos mutuamente excluyentes y eventos no excluyentes
Dos o ms eventos son mutuamente excluyentes o disjuntos, si no pueden ocurrir
simultneamente. Es decir, la ocurrencia de un evento impide automticamente la ocurrencia
del otro evento (o eventos).
Ejemplo:
Al lanzar una moneda solo puede ocurrir que salga cara o sello pero no los dos a la vez, esto
quiere decir que estos eventos son excluyentes.
Dos o ms eventos son no excluyentes, o conjuntos, cuando es posible que ocurran ambos.
Esto no indica que necesariamente deban ocurrir estos eventos en forma simultnea.
Ejemplo:
Si consideramos en un juego de domino sacar al menos un blanco y un seis, estos eventos
son no excluyentes porque puede ocurrir que salga el seis blanco.
Reglas de la Adicin
La Regla de la Adicin expresa que: la probabilidad de ocurrencia de al menos dos sucesos
A y B es igual a:
P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente
P(A o B) = P(A) + P(B) P(A y B) si A y B son no excluyentes
Siendo: P(A) = probabilidad de ocurrencia del evento A
P(B) = probabilidad de ocurrencia del evento B
P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B
Eventos Independientes
Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un evento
no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). Un caso
tpico de eventos independiente es el muestreo con reposicin, es decir, una vez tomada la
muestra se regresa de nuevo a la poblacin donde se obtuvo.
Ejemplo:
Lanzar al aire dos veces una moneda son eventos independientes por que el resultado del
primer evento no afecta sobre las probabilidades efectivas de que ocurra cara o sello, en el
segundo lanzamiento.
Eventos dependientes
Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno de
ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso,
empleamos entonces, el concepto de probabilidad condicional para denominar la
probabilidad del evento relacionado. La expresin P(A|B) indica la probabilidad de ocurrencia
del evento A s el evento B ya ocurri.
Se debe tener claro que A|B no es una fraccin.
P(A|B) = P(A y B)/P(B) o P(B|A) = P(A y B)/P(A)
Reglas de Multiplicacin
Se relacionan con la determinacin de la ocurrencia de conjunta de dos o ms eventos. Es
decir la interseccin entre los conjuntos de los posibles valores de A y los valores de B, esto
quiere decir que la probabilidad de que ocurran conjuntamente los eventos A y B es:
P(A y B) = P(A B) = P(A)P(B) si A y B son independientes
P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes
P(A y B) = P(A B) = P(B)P(A|B) si A y B son dependientes
Distribucin de probabilidad normal
Es una distribucin de probabilidad continua que es tanto simtrica como mesocurtica. La
curva que representa la distribucin de probabilidad normal se describe generalmente como
en forma de campana. Esta distribucin es importante en inferencia estadstica por tres
razones diferentes:
1. Se sabe que las medidas producidas en muchos procesos aleatorios siguen esta
distribucin.
2. Las probabilidades normales pueden utilizarse generalmente para aproximar otras
distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson.
3. Las distribuciones estadsticas tales como la media de la muestra y la proporcin de
la muestra, siguen a menudo la distribucin normal, sin tener en cuenta la distribucin
de la poblacin
Los valores de los parmetros de la distribucin de probabilidad normal son = 1. Cualquier
conjunto de valores X normalmente distribuido pueden= 0 y convertirse en valores
normales estndar z por medio de la formula:
Haciendo posible el uso de la tabla de proporciones de rea y hace innecesario el uso de la
ecuacin de la funcin de densidad de cualquier distribucin normal dada.
Para aproximar las distribuciones discretas binomial y de Poisson se debe hacer:
Binomial
np = np(1-p) = Si n > 30
.np > 5 n(1-p) > 5
Poisson
= = > 10
Distribucin de probabilidad exponencial
Si en el contexto de un proceso de Poisson ocurren eventos o xitos en un espectro continuo
de tiempo y espacio. Entonces la longitud del espacio o tiempo entre eventos sucesivos
sigue una distribucin de probabilidad exponencial. Puesto que el tiempo y el espacio son un
espectro continuo, esta es una distribucin continua.
En caso de este tipo de distribucin no vale la pena preguntarse cul es la probabilidad de
que el primer pedido de servicio se haga exactamente de aqu a un minuto?. Mas bien
debemos asignar un intervalo dentro del cual el evento puede ocurrir, preguntndonos, cul
es la probabilidad de que el primer pedido se produzca en el prximo minuto?
Dado que el proceso de Poisson es estacionario, la distribucin exponencial se aplica ya sea
cuando estamos interesados en el tiempo (o espacio) hasta el primer evento, el tiempo entre
dos eventos sucesivos, o el tiempo hasta que ocurra el primer evento despus de cualquier
punto aleatoriamente seleccionado.
Es la cifra media de ocurrencias para el Donde intervalo de inters, la probabilidad
exponencial de que el primer evento ocurra dentro del intervalo designado de tiempo o
espacio es.
P(T < t) = 1 - e -
De manera que la probabilidad exponencial de que el primer evento no ocurra dentro del
intervalo designado de tiempo o espacio es:
P(T > t) = e -
Ejemplo :
Un departamento de mantenimientorecibe un promedio de 5 llamadas por hora.
Comenzando en un momento aleatoriamente seleccionado, la probabilidad de que una
llamada llegue dentro de media hora es:
=Promedio 5 por hora, como el intervalo es media hora tenemos que 2,5/media hora.
P (T < 30 min.) = 1- e -5 = 1 - 0,08208 = 0,91792
Experimento Aleatorio:
Es el experimento que se caracteriza porque su desarrollo no es previsible con certidumbre.
Espacio Muestral y eventos :
Es asociado a un experimento aleatorio, es el conjunto de todos los resultados que se
pueden obtener al realizar el experimento. Lo designamos con la letra E y colocamos sus
elementos entre llaves y separados por comas.
El uso de conjuntos representados por diagramas de Venn, facilita la compresin de espacio
muestral y evento, ya que el espacio muestral S, se puede equiparar con el conjunto
universo, debido a que S contiene la totalidad de los resultados posibles de un experimento,
mientras que los eventos E contienen solo un conjunto de resultados posibles del
experimento, mientras que los puntos mustrales se equiparan con los elementos.
Vamos a suponer que el experimento que se realiza es el lanzamiento de un dado y
queremos conocer cul es la probabilidad de que caiga un 3 o un 5? Si S contiene la
totalidad de los resultados posibles, entonces S = {1, 2, 3, 4, 5, 6} puesto que el dado tiene 6
caras y si buscamos la probabilidad P de que caiga 3 o 5, esto constituye un evento
entonces, E = {3, 5}.
El espacio muestral S, est representado por un rectngulo, este contiene eventos E representados a
travs de crculos y puntos muestrales. Dado que en E existen dos elementos y en S seis, la
probabilidad P de que ocurra E es 2 de 6 y se obtiene al dividir el nmero de elementos en E sobre el
nmero de elementos en S.
Suceso:
De un experimento aleatorio es cada uno de los subconjuntos del espacio muestral E. Los
designamos por letras maysculas: A,B,C,..., ponemos sus elementos entre llaves y
separados por comas
Observacin:
Un resultado concreto de un experimento es un elemento del espacio muestral asociado al
experimento, conceptualmente suceso y resultado son dos cosas distintas. Los resultados de
un experimento aleatorio se suelen representar con letras minsculas, los sucesos con letras
maysculas.
En el ejemplo anterior, el suceso A ocurre siempre que el resultado del experimento sea el
elemento 2, el elemento 4 o el elemento 6.
La confusin entre suceso y resultado se debe a que cuando el suceso es : " que al lanzar
un dado salga 2" y el resultado :"sale un dos al lanzar el dado", slo ocurre el suceso cuando
el resultado es 2.
Suceso: "Sale un dos" es el subconjunto {2} del espacio muestral
Resultado: "Sale un dos" es el elemento 2 del espacio muestral.
Teora de Conjuntos

Un conjunto es la reunin en un todo de objetos bien definidos y diferenciables entre si, que
se llaman elementos del mismo.
Si a es un elemento del conjunto A se denota con la relacin de pertenencia aA.
En caso contrario, si a no es un elemento de A se denota a A .

Ejemplos de conjuntos:

o : el conjunto vaco, que carece de elementos.
o N: el conjunto de los nmeros naturales.
o Z: el conjunto de los nmeros enteros.
o Q : el conjunto de los nmeros racionales.
o R: el conjunto de los nmeros reales.
o C: el conjunto de los nmeros complejos.
Se dice que A est contenido en B (tambin que A es un subconjunto de B o que A es una
parte de B), y se denota A B, si todo elemento de A lo es tambin de B, es decir, a A _
a B.
Dos conjuntos A y B se dicen iguales, y se denota A = B, si simultneamente A B y B
A; esto equivale a decir que tienen los mismos elementos (o tambin la misma propiedad
caracterstica).
Para cualquier conjunto A se verifica que A y A A; B A es un subconjunto propio
de A si A y B A. _ _
El conjunto formado por todos los subconjuntos de uno dado A se llama partes de A, y se
denota (A). '
Entonces, la relacin B A es equivalente a decir B (A). ' Ejemplos:

Si A = {a,b} entonces (A) = { ,{a},{b},A}. '
Si a A entonces {a} (A). '
Cuando en determinado contexto se consideran siempre conjuntos que son partes de uno
dado U,
se suele considerar a dicho U como conjunto universal o de referencia.
OPERACIONES ENTRE CONJUNTOS
Dados dos conjuntos A y B, se llama diferencia al conjunto A B := {a A | a B}.
Asimismo, se llama diferencia simtrica entre A y B al conjunto A B := (A B) A
Si A (U), a la diferencia U A se le llama ' complementario de A respecto de U,
y se denota abreviadamente por A' (U se supone fijado de antemano).
Es fcil ver que si A y B son subconjuntos cualesquiera de U se verifica:
' = U .
U ' = .
(A')' = A .
A B B' A' . ~
Si A = { x U | p(x) es una proposicin verdadera} entonces A' = { x U | p(x) es una
proposicin falsa}.

Se llama unin de dos conjuntos A y B al conjunto formado por objetos que son elementos
de A o de B,
es decir: A B := { x | x A x B}.
Se llama interseccin de dos conjuntos A y B al conjunto formado por objetos que son
elementos de A y de B,
es decir: A B := {x | x A x ~

PROPIEDADES UNION INTERSECCION
1.- Idempotencia A A = A A A = A
2.- Conmutativa A B = B A A B = B A
3.- Asociativa A ( B C ) = ( A B ) C A ( B C ) = ( A B ) C
4.- Absorcin A ( A B ) = A A ( A B ) = A
5.- Distributiva
A ( B C ) = ( A B ) ( A
C )
A ( B C ) = ( A B ) ( A
C )
6.- Complementariedad A A' = U A A' =
Estas propiedades hacen que partes de U con las operaciones unin e interseccin tenga
una estructura de lgebra de Boole.
Adems de stas, se verifican tambin las siguientes propiedades:
o A = A , A = ( elemento nulo ).
o A U = U , A U = A ( elemento universal ).
o ( A B )' = A' B' , ( A B )' = A' B' ( leyes de Morgan ).

DIAGRAMAS DE VENN
Los conjuntos de suelen representar grficamente mediante "diagramas de Venn", con una
lnea que encierra a sus elementos.
As, todas las operaciones entre conjuntos se pueden representar grficamente con el fin de
obtener una idea ms intuitiva.
A B

A B

A B

A B

A B
RELACION ENTRE LA TEORIA DE CONJUNTOS Y LA LOGICA PROPOSICIONAL
Existe una relacin muy estrecha entre la Teora de Conjuntos y la Lgica Proposicional.
Para mostrar dicha relacin, denotemos por letras maysculas A,B ... los conjuntos y
por las correspondientes minsculas a,b ... sus propiedades caractersticas (es decir, la
proposicin lgica que caracteriza a los elementos de cada conjunto); entonces se tiene la
siguiente correspondencia:


conjuntos A B A = B A B A B A' A B A B
proposiciones a b _ a b ~ a b a b ~ a' a b' ~ a b
Adems, el conjunto vaco se corresponde con una contradiccin y el conjunto universal con
una tautologa.
Mediante esta correspondencia, todos los resultados sobre conjuntos se pueden reescribir
en trminos de lgica proporcional y viceversa; a modo de ejemplo:
A ( A B ) = A a ( b c ) a ~ ~
A ( B C ) = ( A B ) ( A
C )
a ( b c ) ( a b ) ( a c ~ ~ ~
)
( A B )' = A' B' ( a b )' a' b' ~ ~
Tcnicas de conteo
Las tcnicas de conteo para encontrar el nmero de arreglos posibles de objetos en un
conjunto o conjuntos son esenciales en el estudio de la probabilidad. Al contar los arreglos
se puede enlistar o representar todos en forma ramificada es decir esta representacin se
hace en la forma de un rbol denominado diagrama de rbol.
Ej.- Un contador tiene dos sacos negro y beige y 4 camisas: celeste, caf, blanca y azul de
cuanta manera puede combinarse y representar con un diagrama de rbol.
Contador Saco
Negro
Beige
2 x
Camisas
Celeste
Caf
Posibles arreglos:
Negro-celeste
Negro-caf
Blanco
Azul
Celeste
Caf
Blanco
Azul
4 =
Negro-blanco
Negro-azul
Beige-celeste
Beige-caf
Beige-blanco
Beige-azul
8
Principio Fundamental del Proceso de Contar
De la seccin anterior se puede establecer una manera eficiente de contar considerando el
principio de multiplicacin, el cual llamaremos: Principio fundamental del proceso de contar
quedando explcitamente de la siguiente manera: Si en una primera decisin se puede hacer
de n formas diferentes y una segunda decisin en m formas diferentes entonces las dos
decisiones se pueden hacer en n por m o sea nm formas diferentes en el orden dado.
Ej.- Cuantas palabras de 4 letras (sin significado) se puede formar con las letras de la
palabra vernica, sin usar ms de una vez cada una de las letras,
8 x 7 x 6 x 5 = 1680
Ej.- Cuantos nmeros de 3 dgitos se pueden formar con los dgitos 6,7,8,9 si :
a) No deben repetirse los dgitos 4 x 3 x 2 = 24
b) deben repetirse los dgitos. 4 x 4 x 4 = 64
d) 4! / 2! = (4 x 3 x 2 x 1) / (2 x 1) = 24 / 2 = 12
Permutaciones
El principio fundamental en el proceso de contar ofrece un mtodo general para contar el
nmero de posibles arreglos de objetos dentro de un solo conjunto o entre carios conjuntos.
En cambio para un solo conjunto de objetos las formulas desarrolladas para permutaciones y
combinaciones son ms convenientes para contar el numero de posibles arreglos.
Una permutacin de un nmero de objetos es un arreglo de todas o una parte de los objetos
en un orden definido.
a) Permutaciones lineales.
Permutaciones de diferentes objetos tomados todos a la vez. El total de permutaciones de
un conjunto de objetos tomados todos a la vez, se obtiene razonando en forma similar del
principio fundamental de contar.
NPn = n!
Ej.- TRI
3 x 2 x 1 = 6 nPn = n! ........ 3 x 2 x 1 = 6
Ej .- Cuantas palabras de cinco letras se pueden formar con la palabra libro aplique
permutaciones.
5P5 = 5! = 5 x 4 x 3 x 2 x 1 = 120
b) Permutaciones de objetos diferentes tomados parte al vez o de r en r.
Una permutacin de n objetos diferentes tomados de r en r es tambin una ordenacin
de r entre los n objetos.
NPr = n!
(n-r)!
Ej.- Cuantas palabras de tres letras se pueden formar con las letras de la palabra libro.
N = 5 5P3 = 5! = 5! = 5 x 4 x 3 x 2 x 1 = 60
R = 3 (5-3)! 2! 2 x 1
c) Permutaciones formadas de grupos
De los que n1 son iguales, n2 son iguales, n3 son iguales, etc. Tomados todos a la vez.
. n! .
n1!n2!n3!
Ej.- El 25 de diciembre se quiere hacer una reparticin de regalos que consiste en cuatro
bicis iguales, tres pelotas iguales, dos muecas iguales, de cuantas maneras se pueden
repartir estos regalos?
9! = 9 x 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1 = 9 x 4 x 7 x 5 = 1260
4! 3! 2! 4 x 3 x 2 x 1 x 3 x 2 x 1 x 2 x 1
d) Permutacin cclica o alrededor de.
Una permutacin cclica o alrededor de es una ordenacin de n objetos de un circulo o
cualquier otra curva simple cerrada en donde siempre uno de los objetos tiene una posicin
fija y se define por la siguiente expresin: P = (n-1)!
Ej.- Se quieren acomodar alrededor de una mesa Carlos, Petra, Juana y Maria, de cuantas
maneras se pueden acomodar? Demustralo.
P = (n-1)! C C C C C C
P = (4-1)!
P = 3! M P J P M J P M J M P J
P = 6 J M P J P M
Combinaciones
Una combinacin de un nmero de objetos diferentes tomados de r en r es una seleccin
de r de los n objetos de un conjunto sin considerar el orden de los objetos.
nCr = n! .
r! (n-r)!
Ej. Se desean formar equipos de dos personas para la exposicin de un proyecto de un total
de cuatro estudiantes Gabriel, Melchor, Wendy y Vernica, de cuantas maneras se pueden
formar y comprobar si:
a) se pide una ordenacin
nPr = n! . n = 4 4P2 = 4! = 4! = 4 x 3 x 2 x 1 = 12
(n-r)! r = 2 (4-2)! 2! 2 x 1
GM
GW
GV
MG
MW
MV
WG
WM
WV
VG
VM
VW
b)se pide una seleccin
nCr = n! n = 4 4C2 = 4! = 4! = 4 x 3 x 2 x 1 = 6
r!(n-r)! r = 2 2! (4-2)! 2!(2!) 2 x 1 x 2 x 1
GM
GW
GV
WV
MW
MV
BIBLIOGRAFA
http://buscador.rincondelvago.com/probabilidades+estadisticas
http://www.google.co.ve/search?hl=es&q=objetivo+de+las+PROBABILIDADES&meta=lr
%3Dlang_es
http://metodosestadisticos.unizar.es/asignaturas/22709/principal.htm
http://www.google.co.ve/search?hl=es&q=probabilidades&meta=lr%3Dlang_es
http://buscador.rincondelvago.com/probabilidades+estadisticas