INSTITUTO TECNOLGICO SUPERIOR DE

COATZACOALCOS

INGENIERIA INDUSTRIAL

MATERIA: PROBABILIDAD Y ESTADISTICA

TEMA: FUNDAMENTOS DE PROBABILIDAD

DOCENTE: ING. NILA CANDELARIA DE LA CRUZ TADEO

ALUMNA: ALEJANDRA CARTA CAMARENA

2 SEMESTRE

GRUPO D

14/03/2017

1
 INDICE

Introduccin 3
1.3.6 Diagrama de Caja y Ejes 4
1.3.7 Diagrama de Sectores 6
2.1. Conjuntos y tcnicas de conteo. 6
2.2. Concepto clsico y como frecuencia relativa. 7
2.3. Espacio muestral y eventos. 7
2.4. Axiomas y teoremas. 8
2.5. Probabilidad clsica: Espacio finito equiparable 9
2.6. Probabilidad condicional e independencia. 9
2.7. Teorema de Bayes 10
2.8. Distribucin Marginal Conjunta 11
Conclusin 12
Bibliografa 13

2
 INTRODUCCIN

La historia de la probabilidad comienza en el siglo XVII cuando Pierre Fermat y

Blaise Pascal tratan de resolver algunos problemas relacionados con los juegos
de azar. Aunque algunos marcan sus inicios cuando Cardano (jugador donde los
haya) escribi sobre 1520 El Libro de los Juegos de Azar (aunque no fue
publicado hasta ms de un siglo despus, sobre 1660) no es hasta dicha fecha
que comienza a elaborarse una teora aceptable sobre los juegos.
La teora de la probabilidad es la parte de las matemticas que se encarga del
estudio de los fenmenos o experimentos aleatorios. Por experimento aleatorio
entenderemos todo aquel experimento que cuando se le repite bajo las mismas
condiciones iniciales, el resultado que se obtiene no siempre es el mismo.
Comenzamos este bloque interpretando la nocin de probabilidad y la terminologa
subyacente a esta rea de las matemticas, ya que la probabilidad constituye por
s misma un concepto bsico que refleja su relacin con la faceta del mundo
exterior que pretende estudiar: los fenmenos aleatorios, los cuales obedecen
unas ciertas reglas de comportamiento. De alguna manera, el concepto de
probabilidad, se relaciona o nos recuerda las propiedades de la frecuencia relativa.

3
 1.3.6 DIAGRAMA DE CAJA Y EJES
Los diagramas de Caja-Bigotes (boxplots o box and whiskers) son una
presentacin visual que describe varias caractersticas importantes, al mismo
tiempo, tales como la dispersin y simetra.
Para su realizacin se representan los tres cuartiles y los valores mnimo y
mximo de los datos, sobre un rectngulo, alineado horizontal o verticalmente.
Construccin
Comparar distribuciones
Diagrama de Caja a travs de Excel

Construccin:
Una grfica de este tipo consiste en una caja rectangular, donde los lados ms
largos muestran el recorrido intercuartlico. Este rectngulo est dividido por un
segmento vertical que indica donde se posiciona la mediana y por lo tanto su
relacin con los cuartiles primero y tercero (recordemos que el segundo cuartil
coincide con la mediana).
Esta caja se ubica a escala sobre un segmento que tiene como extremos los
valores mnimo y mximo de la variable. Las lneas que sobresalen de la caja se
llaman bigotes. Estos bigotes tienen un lmite de prolongacin, de modo que
cualquier dato o caso que no se encuentre dentro de este rango es marcado e
identificado individualmente.

Comparar distribuciones
La mayor utilidad de los diagramas caja-bigotes es para comparar dos o ms
conjuntos de datos.
Comparacin distribucin de edades
Comparacin entrenamientos de un corredor
Comparacin clasificacin liga

Comparacin distribucin de edades:

Anlogamente a lo realizado con los diagramas de tallo y hojas, comparamos,
mediante estos diagramas, esta distribucin con la del otro ejemplo de distribucin
de edades.

4
Comparacin entrenamientos de un corredor:
Un corredor entrena para una determinada carrera y se toman los tiempos que
necesita para recorrer los 200 m, durante 10 das consecutivos (cada da se toman
varios tiempos y se calculan mediana, cuartiles, valores mnimo y mximo)
Observamos que el desplazamiento de las grficas de caja hacia la izquierda
indica que el entrenamiento ha dado resultado, ya que se tardan menos segundos
en recorrer la misma distancia, siendo la diferencia entre el mximo y el mnimo
menor, como as tambin la diferencia intercuartlico.

Comparacin clasificacin liga:

Las puntuaciones de los equipos de la liga de futbol BBVA de las temporadas
10/110 y 11/12 se pueden comparar con un diagrama caja y bigotes, como
aparece aqu,

Comparacin de tres ligas europeas de futbol de la temporada 11/12

5
1.3.7 DIAGRAMA DE SECTORES
Un diagrama de sectores se puede utilizar para todo tipo de variables, pero se usa
frecuentemente para las variables cualitativas.
Los datos se representan en un crculo, de modo que el ngulo de
cada sector es proporcional a la frecuencia absoluta correspondiente.

El diagrama circular se construye con la ayuda de un transportador de ngulos.

2.1. CONJUNTOS Y TCNICAS DE CONTEO

Un conjunto es una coleccin bien definida de objetos a los cuales tambin
llamamos los elementos de un conjunto. A los conjuntos los identificamos con
letras mayusculas y a los elementos con letras minsculas, encerrados en {}. los
conjuntos se pueden describir de 2 formas: mtodo de la lista. Consiste en
enumerar a todos los elementos que pertenecen a dicho conjunto. ejemplo:
A={1,2,3,4,5,6} B={a,e,i,o,u} y el mtodo de la regla consiste en definir la
caracterstica comn para ser considerado un elemento. Ejemplo. A= x b= {xIx sea
una letra vocal Definicin y notacin de un conjunto A los conjuntos se les
representa con letras maysculas A, B, C,... y a los elementos de los conjuntos se
denotan con letra minsculas a, b, c,...En base a la cantidad de elementos que
tenga un conjunto, estos se pueden clasificar en conjuntos Ejemplo: Supongamos
que Venezuela es un conjunto, los elemento de ella son todos los estados. finitos e
infinitos. En el caso del ejemplo anterior Venezuela es un conjunto finito ya que se
pueden contar sus elementos. Podemos definir de manera intuitiva a un conjunto,
como una coleccin o listado de objetos con caractersticas bien definidas que lo
hace pertenecer a un grupo determinado. Para que exista un conjunto debe
basarse en lo siguiente: La coleccin de elementos debe estar bien definida.

2.2. CONCEPTO CLSICO Y COMO FRECUENCIA RELATIVA

6
Definicin Clsico.
La probabilidad clsica: el enfoque clsico o a priori de la probabilidad se basa en
la consideracin de que los resultados de un experimento son igualmente
posibles. Empleando el punto de vista clsico, la probabilidad de que suceda un
evento se calcula dividiendo el nmero de resultados favorables, entre el nmero
de resultados posibles. La probabilidad clsica de un evento E, que denotaremos
por P (E), se define como el nmero de eventos elementales que componen al
evento E, entre el nmero de eventos elementales que componen el espacio
muestral:

Como frecuencia relativa.

Probabilstica: se basa en las frecuencias relativas. La probabilidad de que un
evento ocurra a largo plazo se determina observando en que fraccin de tiempo
sucedieron eventos semejantes en el pasado. La probabilidad de que un evento
suceda se calcula por medio de:

P (E)= nmero de veces que el evento ocurri en el pasado

Nmero total de observaciones

2.3. ESPACIO MUESTRAL Y EVENTOS.

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
muestrales 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}.

7
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.
Espacio Muestral.- Se llama espacio muestral (E) asociado a un experimento
aleatorio, el conjunto de todos los resultados posibles de dicho experimento. Al
lanzar una moneda, el espacio muestral es E = {sale cara, sale sello} o E = {c, s}.
Al lanzar un dado de seis caras, el espacio muestral es E = {sale 1, sale 2, sale 3,
sale 4, sale 5, sale 6} o E = {1, 2, 3, 4, 5, 6}
Al lanzar dos monedas, el espacio muestral es E = (c/c), (c,s), (s,c), (s,s).
Al lanzar tres monedas, el espacio muestral es E = (c,c,c), (c,c,s), (c,s,c), (c,s,s),
(s,c,c), (s,c,s), (s,s,c), (s,s,s) Evento o Suceso: Se llama evento o suceso a todo
subconjunto de un espacio muestral. Por ejemplo en el espacio muestral E = {1, 2,
3, 4, 5, 6} del lanzamiento de un dado, los siguientes son eventos:
Obtener un nmero primo A = {2, 3, 5}
Obtener un nmero primo y par B = {2}
Obtener un nmero mayor o igual a 5 C = {5, 6}

2.4. AXIOMAS Y TEOREMAS.

Axiomas:
Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y
Teoremas que a continuacin se enumeran.
La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y
uno.
0 p(A) 1
La probabilidad de que ocurra el espacio muestral d debe de ser 1.

p (d) = 1
Si A y B son eventos mutuamente excluyentes, entonces la p(AB) = p(A) + p(B)

Generalizando:

8
 Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An,
entonces;
p (A1A2.........An) = p (A1) + p (A2) +.......+ p (An)
Teoremas:
Si f es un evento nulo o vaco, entonces la probabilidad de que ocurra f debe ser
cero.
p (f)=0

2.5. PROBABILIDAD CLSICA: ESPACIO FINITO EQUIPROBABLE.

La probabilidad clsica El enfoque clsico o a priori de la probabilidad se basa en
la consideracin de que los resultados de un experimento son igualmente
posibles. Empleando el punto de vista clsico, la probabilidad de que suceda un
evento se calcula dividiendo el nmero de resultados favorables, entre el nmero
de resultados posibles. Espacios finitos equiprobables Una de las suposiciones
ms usadas, cuando se calculan las probabilidades de eventos de un espacio
muestral finito U, es afirmar que cada punto muestral de U tiene un mismo valor de
probabilidad. Dicho de otra forma, si U consta de n elementos, entonces la
probabilidad de cada uno de ellos es 1 / n. A estos espacios mustrales se les
denomina espacios finitos equiprobables (o uniformes).

2.6. PROBABILIDAD CONDICIONAL E INDEPENDENCIA.

Probabilidad condicionada Es la probabilidad de que ocurra un evento A, sabiendo
que tambin sucede otro evento B. La probabilidad condicional se escribe P (A|B),
y se lee la probabilidad de A dado B. No tiene por qu haber una relacin causal
o temporal entre A y B. A puede preceder en el tiempo a B, sucederlo o pueden
ocurrir simultneamente. A puede causar B, viceversa o pueden no tener relacin
causal. Las relaciones causales o temporales son nociones que no pertenecen al
mbito de la probabilidad. Pueden desempear un papel o no dependiendo de la
interpretacin que se le d a los eventos. Probabilidad independiente Dos sucesos
son independientes si la probabilidad de que ocurran ambos simultneamente es
igual al producto de las probabilidades de que ocurra cada uno de ellos, es decir,

9
si A y B son dos sucesos, y P(A) y P (B) son las probabilidades de que ocurran
respectivamente entonces.

2.7. TEOREMA DE BAYES.

La interpretacin ms aceptada del teorema de Bayes, es que su estructura
permite el clculo de probabilidades despus de haber sido realizado un
experimento (probabilidades aposteriori), basndose en el conocimiento de la
ocurrencia de ciertos eventos que dependan del evento estudiado, o sea, se parte
de probabilidades conocidas antes de efectuar el experimento (probabilidades
apriori), las cuales son afectadas por las probabilidades propias del experimento
(las que aparecen durante la ocurrencia del evento). Sea un conjunto de sucesos
mutuamente excluyentes y exhaustivos, y tales que la probabilidad de cada uno de
ellos es distinta de cero (0). Sea B un suceso cualquiera del que se conocen las
probabilidades condicionales. Entonces, la probabilidad viene dada por la
expresin: Donde: Son las probabilidades a priori. Es la probabilidad de en la
hiptesis. Son las probabilidades a posteriori. Ejemplo. Una fbrica que produce
material para la construccin tiene 3 mquinas, a las que se les denomina A, B y
C. La mquina A produce tabique, la B adoqun y la C losetas. La mquina A
produce el 50% de la produccin total de la fbrica, la B el 30% y la C el 20%. Los
porcentajes de artculos defectuosos producidos por las mquinas son,
respectivamente, 3%, 4% y 5%. Si se selecciona un artculo al azar y se observa
que es defectuoso, encontrar la probabilidad de que sea un tabique. Solucin
Definamos el evento D como sea un artculo defectuoso. De acuerdo a esto
tenemos que: P(A) = 0.5 P (D | A) = 0.03 P (B) = 0.3 P (D | B) = 0.04 P (C) = 0.2 P
(D | C) = 0.05 Si el artculo del que deseamos calcular la probabilidad es un
tabique, significa que es producido por la mquina A. Tambin observamos que en
la solucin solamente participan los artculos defectuosos, ya que se pone por
condicin esta caracterstica. Por lo tanto.

2.8. DISTRIBUCIN MARGINAL CONJUNTA.

10
En general, se definen las distribuciones marginales como las distribuciones por
separado de cada una de las componentes de la v.a. bidimensional.
Dada la funcin de distribucin conjunta de (X, Y), F(x, y), se define la funcin de
distribucin marginal de X como:
FX(x) = P(X x) = F(x, +) = P(X x, Y +), x R
Anlogamente, la funcin de distribucin marginal de Y viene dada por:
FY (y) = P (Y y) = F (+, y) = P (X +, Y y), y R

CONCLUSIN

11
La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto
de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos
los resultados posibles, bajo condiciones suficientemente estables. La teora de la
probabilidad se usa extensamente en reas como la estadstica, la fsica, la
matemtica, la ciencia y la filosofa para sacar conclusiones sobre la probabilidad
de sucesos potenciales y la mecnica subyacente de sistemas complejos.

BIBLIOGRAFIA

12
Ttulo Introduccin a la estadstica
Volumen 28 de OEA Instituto Interamericano de
Cooperacin Para la Agricultura Serie de
Libros Y Materiales Educativos.
Nmero 28 de Serie Libros y materiales educativos
Autor Wilfredo Caballero A.
Editor Bib. Orton IICA / CATIE, 1975
N. de pginas 289 pginas

13