Sie sind auf Seite 1von 19

CONCEPTOS BASICOS DE PROBABILIDAD Y ESTADISTICA

Carlos A. Castillo Paternina, Johnatan Cardona Morales, Alejandra Acosta


Corporacin Universitaria Minuto de Dios
Facultad de Ingeniera
Probabilidad y Estadstica
Docente Jess Lecuna
INTRODUCCIN

Establecer, analizar, interpretar y comprender cul es la importancia y la definicin concreta de


cada concepto planteado en este trabajo de probabilidad y estadstica. Conocimientos bsicos y
esenciales para llevarlos a la prctica y entenderlos muy bien, de manera que quien lea este
trabajo, sepa de donde provienen frmulas, conceptos, teoremas, y los aplique en el aula de clase,
o en un entorno que vea conveniente aplicar estos conceptos fundamentales.
Esta responsabilidad se hace con el fin de definir temas de probabilidad para plantearlos y
desarrollarlos no solo en un aula de clase sino en la vida cotidiana. Los ingenieros industriales
por su carrera siempre necesitarn de este tema fundamental para llevar a cabo sus funciones y su
plan de trabajo y gestin de desarrollo para plantear en una determinada empresa, costos con
estadsticas y probabilidad con el mnimo punto de error, para lograr el xito deseado y
emprender un maravilloso camino de oportunidades y clases para el desarrollo, la creacin y la
fluidez del mercado laboral. Un trabajo completo e ntegro que maneja a la perfeccin temas con

coherencia y divergencia para que cualquier persona que lo lea, sepa entender, e interpretar lo que
est leyendo.
OBJETIVO: Comprender los conceptos bsicos de la probabilidad y los diferentes temas que la
componen
TEMARIO:

Probabilidad: Conceptos Generales, experimentos, espacio muestral y eventos

Tcnicas de Conteo: Permutaciones y Combinaciones

Relacin de la Probabilidad con la Teora de Conjuntos

Teoremas Bsicos de Probabilidad

Reglas Bsicas de Probabilidad: Sucesos independientes y Dependientes

Probabilidad Conjunta: Marginal y Condicional

Teorema de Bayes

PROBABILIDAD:

CONCEPTOS

GENERALES,

EXPERIMENTOS,

ESPACIO

MUESTRAL Y EVENTOS (Alfaro, 2013):


Probabilidad: Es un numero entre cero y uno que indica la posibilidad de que ocurra el evento
simple, si la probabilidad es de cero, la posibilidad de que el evento ocurra es nula, si la
probabilidad es de 1 el evento ocurrir inevitablemente Tenemos dos tipos: la probabilidad
terica y la probabilidad emprica, la primera se da cuando los eventos simples tienen la misma
probabilidad y la segunda se da cuando al hacer un experimento repetidas veces se observa el
mismo comportamiento.

Experimento: En estadstica, un experimento se le denomina a una accin que se realiza con el


fin de obtener unos resultados que posteriormente pueden ser cuantificados.
Evento o Suceso: Es un subconjunto de posibles respuestas al experimento, si el subconjunto
tiene un solo elemento se tomara como un evento simple.
Espacio muestral: Es el conjunto donde se encuentran las posibles respuestas al experimento
aleatorio. Este puede ser finito, infinito y se puede dar discreto o contino.
TIPOS DE EXPERIMENTOS
Experimentos Deterministas: Son aquellos en los que ya se puede predecir el resultado antes de
que se den, es decir se conoce la posible respuesta.
1. Ej. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas, que la
piedra bajar. Si la arrojamos hacia arriba, sabemos que subir durante un determinado
intervalo de tiempo; pero despus bajar.
Experimentos Aleatorios: Son aquellos en los que no se conoce el resultado ya que estn dados
por el azar, entre los ejemplos ms comunes tenemos el lanzamiento de la moneda, del dado y la
pirinola.
2. Ej. Si lanzamos un dado tampoco podemos determinar el resultado que vamos a obtener.
Dados los conceptos anteriores observe un ejemplo:

Una bolsa contiene bolas blancas y negras. Se extraen sucesivamente tres bolas. Calcular:

1. el espacio muestral.
E = {(b, b, b); (b, b, n); (b, n, b); (n, b, b); (b, n, n); (n, b, n); (n, n, b); (n, n, n)}

2. El suceso A = {extraer tres bolas del mismo color}.


A = {(b, b, b); (n, n, n)}
3. El suceso B = {extraer al menos una bola blanca}.
B= {(b, b, b); (b, b, n); (b, n, b); (n, b, b); (b, n, n); (n, b, n); (n, n, b)}
4. El suceso C = {extraer una sola bola negra}.
C = {(b, b, n); (b, n, b); (n, b, b)}
Clases de Eventos:
Eventos Mutuamente Excluyentes: para entender el concepto se dar un ejemplo: si se tiene un
dado y este es lanzado, solo podr caer una de las caras del dado, es decir, alguno de los seis
nmeros, por lo cual es imposible que caiga el 1 y el 2 al mismo tiempo. La definicin entonces
es: Si se tienen dos o ms eventos que pertenecen a el conjunto S (el dado) al realizar el
experimento solo puede ocurrir uno u otro, pero no simultneamente. (Alfaro, 2013, pg. 9)
Eventos colectivamente Exhaustivos: El da est compuesto por 3 etapas (eventos), maana,
tarde y noche, estas tres etapas al juntarlas dan como resultado el da (conjunto). La definicin de
eventos colectivamente exhaustivos es exactamente igual: la unin de los eventos me da como
resultado el espacio muestral.
Eventos mutuamente Excluyentes y Colectivamente exhaustivos: Se cumplen las dos
condiciones anteriores

TECNICAS DE CONTEO:
Cuando el nmero de posibles resultados de un experimento es finito, su espacio muestral es
finito y su cardinal es un nmero natural (Fundamentos de La probabilidad: Tecnicas de Conteo,
2011, pg. 1)
Las tcnicas de conteo facilitan manejar cantidades muy grandes de resultados para un
experimento es decir nos permite obtener la cantidad de resultados que saldrn del experimento.
El principio es el siguiente:
Sea un experimento con S etapas distintas, donde cada una de ellas puede hacerse en (n) maneras
distintas por lo tanto el experimento ser:

n1, n2 n3 n4ns Formas


3. El ejemplo clsico que se suele usar para este tema en un principio es el dado:
Considere el experimento consistente en lanzar dos dados y observar las caras que quedan hacia
arriba. El primer dado puede caer de 6 maneras diferentes (1, 2, 3, 4, 5, 6) y el segundo dado
tambin puede caer de 6 maneras diferentes. Entonces, el nmero de maneras en que pueden caer
ambos dados simultneamente es: 6 6 = 36. (Fundamentos de La probabilidad: Tecnicas de
Conteo, 2011, pg. 2)
Principios de Conteo:
Principio de la Adicin: Se un experimento que se realiza en N formas distintas, el experimento
completo ser la suma de las maneras n1 + n2 +n3 maneras diferentes

Ejemplo: Las formas de hacer un viaje a un sitio determinado al cual viajan 3 empresas de buses,
el tren y 4 compaas de aviacin son por lo tanto 3 + 1 + 4 = 8 maneras diferentes para realizar
el viaje. (Henry Mendoza Rivera, Gloria Baustista M, 2001, pg. 11 cap. 2)
Permutaciones:
Se llaman permutaciones de (n) objetos a las diferentes maneras en que se pueden ordenar esos
(n) objetos; todas las permutaciones constan de los mismos (n) elementos, pero se consideran
diferentes, por el orden en que se colocan stos. Notacin: Pn (Fundamentos de La probabilidad:
Tecnicas de Conteo, 2011, pg. 7)
Para calcular el nmero de permutaciones que se pueden formar con los n objetos, se hacen las
siguientes consideraciones: la eleccin del primer objeto se puede hacer de n maneras diferentes;
la eleccin del segundo objeto se puede hacer de (n - 1) maneras diferentes,..., y la eleccin del
ensimo objeto slo se puede hacer de una manera. Ahora, invocando el principio fundamental
del conteo se tiene: Pn = n(n-1) (n-2) que nos conduce a la definicin de factorial:
Pn = n!
4. Ejemplo: Si en el librero de tu casa hay 15 diferentes libros, 6 de los cuales son de
matemticas, 4 son de qumica y 5 son de fsica, a) De cuntas maneras diferentes
puedes acomodarlos en el librero? Pn= 15! = 1.307.674.368.000 Maneras de acomodar los
libros
b) De cuntas maneras diferentes puedes acomodarlos en tu librero, si los d cada materia deben
quedar juntos? El considerar que los libros de cada materia deben quedar juntos implica
distinguirlas 3 materias como 3 objetos que se pueden permutar: el primer objeto es el grupo de

libros de matemticas, el segundo objeto es el grupo de libros de qumica y el tercer objeto es el


grupo de libros de fsica:
P3=3!=6, como son 6 libros de matemticas que se pueden ordenar de distintas maneras:
P6=6!=720, Los 4 de qumica tambin: P4=4!=24 e igualmente con los 5 de fsica: P5=5!=120
Por lo tanto aplicando el principio de multiplicacin del conteo:
P3 (P6*P4*P5)=3!*6!*4!*5!= 12.441.600 maneras de organizar los libros.
Permutaciones Circulares
Se llaman permutaciones circulares de n objetos a las diferentes maneras en que se pueden
colocar esos n objetos alrededor de un crculo; en este tipo de permutaciones, lo que importa son
las posiciones relativas de los objetos con respecto a ellos mismos y no las posiciones absolutas
de los objetos en el crculo. Notacin: PCn.
Existen n permutaciones lineales que, al ser colocadas en crculo, conducen a una misma
permutacin circular, porque cada objeto que queda en la misma posicin relativa respecto a los
(n - 1) objetos restantes; de manera que por cada permutacin circular hay n permutaciones
lineales equivalentes.
Entonces, para calcular el nmero de permutaciones circulares de n objetos, se divide el nmero
de permutaciones lineales de n objetos entre las (n) permutaciones equivalentes:
PCn = Pn/n = n!/n = (n-1)!
5. Ejemplo: De cuntas maneras diferentes se pueden colocar 6 personas, para una junta de
comit?
a) En fila P6=6!=720 maneras
b) Alrededor de una mesa PC6=5!=120 maneras
c) Alrededor de una mesa si 2 personas deben quedar juntas PC5P2=(5-1)!(2)!= 48 maneras

Combinaciones: Otra regla de conteo til le permite contar el nmero de resultados


experimentales cuando el experimento consiste en seleccionar n objetos de un conjunto
(usualmente mayor) de N objetos. sta es la regla de conteo para combinaciones.
(Anderson, 2008, pg. 147)
Imagen 1. Reglas de Conteo para Combinaciones

6. Ejemplo: Como ejemplo del uso de la regla de conteo para combinaciones, considere un
procedimiento de control de calidad en el que un inspector selecciona al azar dos de cinco
piezas para probar que no tengan defectos. En un conjunto de cinco partes, cuntas
combinaciones de dos partes pueden seleccionarse? De acuerdo con la regla de conteo de
la ecuacin (4.1) es claro que con N =5 y n = 2 se tiene:
C= (5/2)= (5!)/ (2)! (5-2)!=120/12= 10 combinaciones posibles
RELACIN DE LA PROBABILIDAD CON LA TEORIA DE CONJUNTOS
La probabilidad requiere de una comunicacin exacta para la resolucin de los problemas
planteados, por ello el simple lenguaje verbal no es suficiente para la resolucin de dichos
problemas, para ello la probabilidad utiliza el lenguaje de la teora de conjuntos, la cual es
sencilla y permite llevar a cabo las operaciones probabilsticas (Larson, 1992, pg. 13)

La teora de conjuntos a su vez permite realizar operaciones con los diferentes eventos de los
espacios muestrales, esto quiere decir que los espacios muestrales para ser operados se deben
mostrarse como conjuntos al igual que eventos dentro del espacio muestral
Unin de Conjuntos (U)
Dado un Conjunto A Con (N) elementos y un conjunto B con (N1) elementos la unin entre
ambos juntos da como resultado un conjunto C el cual tiene los elementos de A y los elementos
de B. Se Expresa: AUB=C
Imagen 2. Unin de Conjuntos

Interseccin De Conjuntos ()
Dado un conjunto A con N elementos y un conjunto B con N1 elementos su interseccin ser un
nuevo conjunto C que tienen en comn los elementos de ambos conjuntos. Se expresa: AB=C
Imagen 3. Interseccin de Conjuntos

Complemento De un Conjunto (Ac)


Se define como los elementos que tiene A que le hacen falta a B para ser igual al conjunto A
Imagen 4. Complemento de Un Conjunto.

Imagen 5. Comparacin entre operaciones de Conjuntos

7. Ejemplo aplicado a la probabilidad:

Hallar:

TEOREMAS BASICOD DE LA PROBABILIDAD:


Axiomas
1) La probabilidad de que ocurra un evento A cualquiera esta entre cero y uno
0 P(A)

2) La probabilidad de que ocurra el espacio muestral d debe de ser 1.

P (d) = 1

3) Si A y B son eventos mutuamente excluyentes, entonces la p(A U B) = p(A) + p(B)

Generalizando:

Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An, entonces;

P (A1 U A2 U......... U An) = p (A1) + p (A2) +.......+ p (An)

Teoremas
TEOREMA 1. Si es un evento nulo o vaco, entonces la probabilidad de que ocurra debe ser
cero.
TEOREMA 2. La probabilidad del complemento de A, Ac debe ser, P (Ac)= 1 P (A)
TEOREMA 3. Si un evento A B, entonces la p (A) p (B).
TEOREMA 4. La P (A \ B) = P (A) P (A B)
TEOREMA 5. Para dos eventos A y B, P (AB) = P (A) + P (B) P (AB)
REGLAS BSICAS DE PROBABILIDAD
EVENTOS INDEPENDIENTES: Se dice que dos sucesos son Independientes cuando su
resultado no influye entre los dos escenarios.

Ejemplo 2.
Cuando se sacan 2 cartas, una despus de la otra, de una baraja ordinaria, con reemplazo. Los
eventos se definen como:
a) La primera carta es una 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 a ases y 13 espadas.

Es decir, P (B/A)= P (B). Cuando esto es cierto, se dice que los eventos A y B

son

independientes.
PROBABILIDAD CONJUNTA
Probabilidad Marginal:
Es el comportamiento de una variable sin considerar otro escenario.
Permite obtener probabilidades totales
Son casos favores por casos posibles
Sea (x, y) un vector aleatoria discreto con funcin de probabilidad f (x, y)
PROBABILIDAD CONDICIONAL:
Se denomina que ocurra un evento A cuando ya ocurri el evento B y se denota P (B/A).
Por lo que general se lee como probabilidad de que ocurra B, dado que ocurri A, o simplemente
la probabilidad de B, dado A.

Considere al evento B de obtener un cuadrado perfecto cuando se lanza un dado. El dado se


construye de modo que los nmeros pares tengan el doble de probabilidad de ocurrencia que los
nmeros nones. Con base al espacio muestral S= {1,2,3,4..} en los nmeros impares y los
nmeros pares se les asignaron probabilidad de que ocurra B.
Ejemplo: Calcular la probabilidad de que un avin:
La probabilidad de que un vuelo programado normalmente salga a tiempo es P(D)= 0.83, La
probabilidad de que llegue a tiempo es P(A)=0.82 y la probabilidad de que llegue salga y llegue a
tiempo es = 0.78.
a)

Llegue a tiempo, dado que sali a tiempo.

b)

Sali a tiempo, Dado que lleg a tiempo.

REGLA DE BAYES: Es un conjunto de herramientas que se utiliza en un tipo especial de


inferencia estadstica que se aplica en el anlisis de datos experimentales en muchas situaciones
prcticas de ciencia e ingeniera.

CONCLUSIONES

Se puede concluir que las frmulas dadas para cada caso, concepto, teora, o teorema son
aplicadas no solo en entornos de estudio, sino de trabajo y en la vida cotidiana.

Este trabajo no solo permite hacer una investigacin exhaustiva, sino tener un libro para
cuando se quiera consultar rpidamente temas de probabilidad y estadstica.

Define y complementa conceptos en concreto para entender de manera ms fcil, ms


comprensible y menos dispendiosa o complicada.

BIBLIOGRAFA
Alfaro, I. P. (2013). Universidad Nacional Autonoma De Mexico. Recuperado el 7 de Abril de
2014, de Universidad Nacional Autonoma De Mexico:
www.dcb.unam.mx/profesores/irene/Notas/Tema_2-1_pantcompl.pdf
Anderson, S. W. (2008). Estadistica Para Administracion y Economia (10 ed., Vol. 1). Reino
Unido, Londres, Inglaterra: Cengate Learning.
Anonimo. (8 de Agosto de 2011). Universidad Nacional Autonoma De Mexico. Recuperado el 7
de Abril de 2014, de Universidad Nacional Autonoma De Mexico:
www.dcb.unam.mx/users/gustavorb/Probabilidad/PE13.pdf
Henry Mendoza Rivera, Gloria Baustista M. (5 de Junio de 2001). Direccion Nacional de
Innovacion Academica. (Universidad Nacional De Colombia Sede Bogot) Recuperado el
7 de Abril de 2014, de Probabilidad y Estadistica:
http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_211_53.html
Larson, H. J. (1992). Introduccin a la teora de probabilidades e inferencia estadstica (Octava
Edicin ed., Vol. 1). (G. N. Editores, Ed., & S. F. Everest, Trad.) Mexico: Limusa.

ANEXOS:

Se desea construir un modelo de regresin para relacionar las calificaciones parciales y


finales en cierta materia, utilizando una muestra aleatoria de 10 estudiantes de la materia:

Tabla Nmero1 de Regresin:


1

39

65

1521

2535

43

75

1849

3225

21

52

441

1092

64

82

4096

5248

57

92

3249

5244

43

80

1849

3440

38

73

1444

2774

75

98

5625

7350

34

56

1156

1094

10

52

75

2704

3900

466

Coeficiente de correlacin lineal toma valores cercanos a 1 la correlacin es fuerte y directa, y


ser tanto ms fuerte cuanto ms se aproxime r a 1.

Grafica de Regresin Lineal

ECUACIN DE LOS MNIMOS CUADRADOS POR


DISPERSIN (LINEAL)
120
y = 0,8363x + 35,829
R = 0,8228

Ttulo del eje

100
80
60

Series1

40

Lineal (Series1)

20
0
0

20

40

60

80

Ttulo del eje

Regresin Logartmica

ECUACIN DE LOS MNIMOS CUADRADOS POR


DISPERSIN (LOGARTMICA)
120

Ttulo del eje

100

y = 36,391ln(x) - 62,993
R = 0,8219

80
60

Series1

40

Logartmica (Series1)

20
0
0

20

40
Ttulo del eje

60

80

Regresin Polinmica

ECUACIN DE LOS MNIMOS CUADRADOS POR


DISPERSIN (POLINMICA)
120
y = -0,0055x2 + 1,3696x + 24,069
R = 0,8337

Ttulo del eje

100
80
60

Series1

40

Polinmica (Series1)

20
0
0

20

40
Ttulo del eje

60

80