Pgina 1 de 15

UNIVERSIDAD TECNOLGICA
TULA-TEPEJI
Organismo Descentralizado del
Gobierno del Estado de Hidalgo

Conceptos bsicos de probabilidad.

Carrera:
Ingeniera en Procesos y Operaciones Industriales.

Asignatura:
Estadstica aplicada a la ingeniera

Integrante:
Gustavo Hernndez Gloria

Grupo:
7IPOI-G2

Catedrtico:
MCII Juan Resndiz Ros

Septiembre de 2010

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 2 de 15

INTRODUCCION.

En las siguientes pginas se podrn leer los conceptos bsicos de algunas de las
palabras o trminos ms usados en resistencia de materiales, especficamente en
estructuras cristalinas.
Algunos de los trminos se ejemplificaran con ejercicios sencillos y fciles de
comprender.
Algunos de los trminos descritos en el presente trabajo son probabilidad,
poblacin, muestra, espacio muestral, eventos o sucesos, tcnicas de conteo,
triangulo de pascal, binomio de Newton, distribucin normal, binomial y de
poisson. Esperamos que nuestro escrito cumpla con el objetivo que es, conocer
los conceptos bsicos de trminos usados en probabilidad.

Contenido
INTRODUCCION. ................................................................................................................ 2
CONCEPTOS BSICOS .................................................................................................... 3
PROBABILIDAD. ................................................................................................................. 3
POBLACIN: ........................................................................................................................ 4
MUESTRA: ........................................................................................................................... 4
ESPACI MUESTRAL Y EVENTOS ............................................................................... 4
TCNICAS DE CONTEO. .................................................................................................. 5
Principio de multiplicacin: ................................................................................................. 5
Permutaciones......................................................................................................................... 5
Combinaciones. ................................................................................................................... 7
Diagrama de rbol: .............................................................................................................. 7
EL TRINGULO DE PASCAL: .......................................................................................... 9
VARIABLES ALEATORIAS CONTINUAS Y DISCRETAS. .......................................... 9
DISTRIBUCION BINOMIAL. ............................................................................................ 10
DISTRIBUCION NORMAL: .............................................................................................. 11
DISTRIBUCION DE POISSON. ...................................................................................... 12
BINOMIO DE NEWTON ................................................................................................... 13
CONCLUSION. .................................................................................................................. 14
BIBLIOGRAFIA. ................................................................................................................. 15

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 3 de 15

CONCEPTOS BSICOS

PROBABILIDAD.

En, cualquier experimento aleatorio siempre hay incertidumbre sobre si un suceso

especfico ocurrir o no. Como medida de la oportunidad o probabilidad con la que
podemos esperar que un suceso ocurra es conveniente asignar un nmero entre 0
y 1. Si estamos seguros de que el suceso ocurrir decimos que su probabilidad es
100% 1, pero si estamos seguros de que el suceso no ocurrir, decimos que su
probabilidad es cero. Por ejemplo, si la probabilidad es de 1/4, diramos que hay
25% de oportunidad de que ocurra y 75% de oportunidad de que no ocurra.

Equivale a decir que la probabilidad contra su ocurrencia es del 75% al 25% o de 3

a 1.

Existen dos procedimientos importantes por medio de los cuales podemos obtener
estimativos para la probabilidad de un suceso.

1. Enfoque clsico o a priori Si un suceso puede ocurrir en h maneras diferentes

de un nmero total de n maneras posibles, todos igualmente factibles, entonces la
probabilidad del suceso es h/n.

EJEMPLO. Supngase que deseamos la probabilidad de que resulte una cara en

un solo lanzamiento de una moneda. Puesto que hay dos maneras igualmente
factibles del resultado de la moneda, simplemente "cara" y, sello" (suponiendo
que la moneda no se pierda ni caiga verticalmente), y de estas dos maneras una
cara puede aparecer en una sola manera, razonamos que la probabilidad
requerida es 1/2, Al llegar a este resultado suponemos que la moneda es honrado,
es decir que no est cargado.

2. Enfoque como frecuencia relativa o a posteriori. Si despus de n repeticiones de

un experimento, donde n es muy grande, un suceso ocurre h veces, entonces la
probabilidad del suceso es h/n.
Esto tambin se llama la probabilidad emprica del suceso.

EJEMPLO. Si lanzamos una moneda 1000 veces y hallamos que 532 veces
resultan caras estimamos que la probabilidad de una cara es 532/1000 = 0.632.

Ambos enfoques el clsico y el de frecuencia presentan serias dificultades, el

primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo
debido a la vaguedad incluida en un "nmero muy grande". A causa de estas
dificultades los matemticos en los ltimos aos se han orientado an enfoque
axiomtico utilizando conjuntos.

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 4 de 15

POBLACIN:

Coleccin completa de individuos, objetos y medidas con caractersticas comunes,

que son materia de estudio de la estadstica. A la poblacin se le clasifica en dos
categoras: finitas e infinitas.
Una poblacin finita, es aquella que incluye un nmero ilimitado de medidas y
observaciones.
Una poblacin infinita, es aquella en la cual se incluye un gran conjunto de
medidas u observaciones que no pueden alcanzarse por conteo.

MUESTRA:

Se le considera un subconjunto de la poblacin, es decir, la muestra se compone

de un nmero menor de individuos u objetos que son parte de la poblacin. Se
utiliza, debido a que en muchos casos no es factible recolectar todas las posibles
observaciones o medias de la poblacin, adems de que permite el ahorro de
tiempo y recursos.

ESPACI MUESTRAL Y EVENTOS.

El conjunto S de todos los resultados posibles de un experimento se denomina

espacio muestral. Un resultado particular, es decir, un elemento de S, se
denomina punto muestral. Un evento A es un conjunto de resultados o, en otras
palabras, un subconjunto del espacio muestral de S. El evento {} constituido por
un solo punto a S se denomina un evento elemental. El conjunto vacio y S
son subconjuntos de S, por tanto son eventos; se denomina algunas veces el
evento imposible o nulo, y S algunas veces se denomina el evento cierto o seguro.

Los eventos pueden combinarse para formar eventos nuevos utilizando las
diversas operaciones de conjuntos:

I. A B es el evento que ocurre si A ocurre o B ocurre (ambos).

II. A B es el evento que ocurre sii A ocurre y B ocurre

III. , el complemento de A, es el evento que ocurre sii A no ocurre.

(Aqu si es una abreviacin de si y solo si).

Los eventos A y B se denominan mutuamente excluyentes si son disyuntos, es

decir, si A B = . En otras palabras, A y B son mutuamente excluyentes si

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 5 de 15

estos no pueden en forma simultnea. Tres eventos o ms son mutuamente

excluyentes si cada dos de ellos es mutuamente excluyente.

TCNICAS DE CONTEO.

Principio de multiplicacin:
Supongamos que un evento E puede ocurrir en m formas e independientemente
de este evento, un evento F puede ocurrir en n formas. Entonces las
combinaciones de los eventos E y F pueden ocurrir en mn formas.

Principio de multiplicacin: supongamos que A y B son conjuntos finitos. Entonces:

n ( A x B ) = a ( A ) . ( n ) ( B)

Claramente, este principio puede ampliarse a tres o ms eventos. Es decir

supongamos, que un evento 1 puede ocurrir en 1 formas, luego el segundo
evento 2 puede ocurrir en 2 formas, luego un tercer evento 3 puede ocurrir en
3 formas y as sucesivamente. Entonces, todos los eventos pueden ocurrir en 1
. 2 . 3 formas.

Ejemplo:
Supongamos que un restaurante tiene tres aperitivos diferentes, y 4 entradas
diferentes, entonces hay:
n = 3 (4) = 12
Formas diferentes de ordenar un aperitivo y una entrada.

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 varios conjuntos. En cambio para un solo conjunto de objetos las formulas
desarrolladas para permutaciones y combinaciones son ms convenientes para
contar el nmero 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.

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!

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 6 de 15

Ejemplo:
Cuantas palabras de cinco letras se pueden formar con la palabra libro, aplique
permutaciones.

5P5=5!= 5x4x3x2x1=120

Permutaciones de Objetos Diferentes

Una permutacin de n objetos diferentes tomados de r en r es tambin una
ordenacin de r entre los n objetos.

!
nPr= ()!

Ejemplos:
Cuantas palabras de tres letras se pueden formar con las letras de la palabra libro.

N= 5 R=3

Cuantos Nmeros de dos dgitos se pueden formar con los dgitos 4, 6, 9 y cules
son, sin repetirse los dgitos.
N= 3 R=2
Ejemplo:
Del Grupo 3 A de Contabilidad de 47 alumnos, se quiere escoger un presidente,
un secretario, y tesorero. De cuantas maneras se pueden ordenar.
N=47 R= 3

Permutaciones formando grupos

De los n1 son iguales, n2 son iguales, n3 son iguales, etc.

Tomados todos a la vez.
!
! ! !

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 7 de 15

Combinaciones.

Muestras ordenadas sin repeticin.

Cuando el orden en que se seleccionan los objetos no importa, tenemos lo que se
denomina una combinacin.
!
nCr = !()! Donde:

n = # de datos
r = grupo tomado de n ( r < n )
Numero de formas diferentes que se pueden seleccionar n objetos de un total de n
objetos distintos sin importar el orden. n! / r! ( n- r ) !

Ejemplo: Se dispone de 8 personas, 5 hombres y 3 mujeres, para formar un

comit de 5 personas.

De cuantas formas se puede formar el comit si se debe incluir 3 hombres y 3

mujeres?

NCn = 8C 5 = (5C3) (3C2) = ( 5!/3! (5-3)! ) (3! / 2! (3-2)!

NCn = 8C 5 = (10) (3) = 30

Diagrama de rbol:

Es el dibujo que se usa para enumerar todos los resultados posibles de una serie
de experimentos en donde cada experimento puede suceder en un nmero finito
de maneras.

En este ejemplo aparece un diagrama de rbol que forma todas las permutaciones
de los elementos del conjunto (A, B, C).

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 8 de 15

B C ABC

C B ACB

A C BAC

C A BCA

A B CAB

B A CBA

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 9 de 15

EL TRINGULO DE PASCAL:
Es un conjunto infinito de nmeros enteros ordenados en forma de tringulo que
expresan coeficientes binomiales. El inters del Tringulo de Pascal radica en su
aplicacin en lgebra y permite calcular de forma sencilla nmeros combinatorios
lo que sirve para aplicar el binomio de Newton.

1
1 1
1 2 1
11 3 3
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
1 7 21 35 35 21 7 1
1 8 28 56 10 56 28 8 1
1 9 36 84 126 126 84 36 9 1

VARIABLES ALEATORIAS CONTINUAS Y DISCRETAS.

Una distribucin de los datos en categoras que ha demostrado ser til al organizar
los procedimientos estadsticos, es la distincin entre variables discretas y
variables continuas. Una variable discreta es sencillamente una variable para la
que se dan de modo inherente separaciones entre valores observables sucesivos.
Dicho con ms rigor, se define una variable discreta como la variable tal que entre
2 cualesquiera valores observables (potencialmente), hay por lo menos un valor
no observable (potencialmente). Por ejemplo, un recuento del nmero de colonias
de un cultivo es una variable discreta. Mientras que cuentas de 3 y 4 son
potencialmente observables, no lo es una de 3,5.

Una variable continua tiene la propiedad de que entre 2 cualesquiera valores

observables (potencialmente), hay otro valor observable (potencialmente). Una
variable continua toma valores a lo largo de un continuo, esto es, en todo un
intervalo de valores. Longitudes y pesos son ejemplos de variables continuas. La
estatura de una persona, pude ser 1,70 m. 1,75 m., pero en potencia al menos
podra tomar cualquier valor intermedio como 1,73 m por ejemplo.

Un atributo esencial de una variable continua es que, a diferencia de lo que ocurre

con una variable discreta, nunca se la puede medir exactamente. Con una variable
continua debe haber inevitablemente un error de medida.

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 10 de 15

Un importante principio sobre variables continuas es que siempre se registran en

forma discreta, quedando la magnitud de la distancia entre valores registrables
adyacentes determinada por la precisin de la medicin.

DISTRIBUCION BINOMIAL.

Es un tipo de distribucin discreta, la cual mide el numero de xitos en una

secuencia de n ensayos independientes de Bernoulli* con una probabilidad p (la
cual es fija) de ocurrencia del xito entre los ensayos.

Un experimento de Bernoulli solo puede tener dos posibles resultados (fracaso o

xito). El xito tiene una probabilidad de ocurrencia p y la probabilidad del fracaso
es de q= 1-p.

La frmula para calcular la distribucin binomial es:

() = ( )

Reescribindola de otra forma nos queda:

!
() =
! ( )!

Donde: n= numero de ensayos

X= numero de resultados requeridos
P= probabilidad de xito
Q= probabilidad de fracaso

Funcin de probabilidad

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 11 de 15

Ejemplo de distribucin binomial:

Calcular la probabilidad de que al lanzar una moneda 6 veces, en dos ocasiones

obtengamos exactamente 2 caras:

6 6! 1 2 1 62 1 1
( ) = ( ) ( ) = 15 ( ) ( ) = 0.2343 = 23.43%
2 2! (6 2)! 2 2 4 16

DISTRIBUCION NORMAL:

Es una distribucin de probabilidad de variables continuas, comnmente la ms

usada en los problemas reales. La grafica de la funcin de esta distribucin tiene
la forma de una campana, la cual es conocida como Campana de Gauss.

La importancia de esta distribucin radica en que permite modelar numerosos

fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la
enorme cantidad de variables incontrolables que en ellos intervienen, el uso del
modelo normal puede justificarse asumiendo que cada observacin se obtiene
como la suma de unas pocas causas independientes.

La forma de calcular la distribucin normal es la siguiente:

1 ()2

() = 22
2

Cuando trabajamos con la distribucin normal, podemos utilizar las tablas de

Probabilidad normal estndar, para esto debemos utilizar la siguiente frmula:

=

El valor obtenido de aplicar la formula, se deber buscar en las tablas, y
dependiendo de qu tipo sean estas, deberemos restar a 1 el valor encontrado.

Para la solucin de problemas de distribucin normal, debemos seguir una serie

de pasos, los cuales se enlistan a continuacin:
1. Interpretar grficamente el rea de inters.
2. Calcular el valor de z.
3. Determinar la probabilidad de acuerdo a tablas.

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 12 de 15

Ejemplo:
Supongamos que sabemos que el peso de los universitarios, siguen una
distribucin normal, con una media de 140 lb y una desviacin estndar de 20 lb.
Cul es la probabilidad de que un universitario tenga un peso menor o igual a
150 lb?

Paso 1.

Paso 2.
150 140
= = = 0.50
20
Paso 3.
El valor de z=0.50 en tablas es de 0.30853, debido a que ese valor es del extremo
derecho (parte no sombreada en la grfica) deberemos restar a 1.

1-0-30853=0.69147

La probabilidad de que un universitario tenga un peso igual o menor de 150 lb es

del 69.14%.

DISTRIBUCION DE POISSON.

Es una distribucin de probabilidad discreta, la cual expresa la probabilidad de un

nmero k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con
una frecuencia media conocida y son independientes del tiempo discurrido desde
el ltimo evento.

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 13 de 15
Funcin de probabilidad

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las lneas que conectan los puntos son
solo guas para el ojo y no indican continuidad.

La frmula para calcular la distribucin de poisson es la siguiente:

Para este tipo de distribucin tambin podremos utilizar tablas, buscando en ellas
el valor de la probabilidad con k y ;podremos usar dos tablas y el uso de una o
de otra depender de la redaccin del problemas, las dos tablas son: una de
probabilidad exacta y una de probabilidad acumulada.

Ejemplo:
En un crucero un oficial de trnsito levanta 3 infracciones en promedio al da,
Cul es la probabilidad que levante exactamente 5 infracciones?

P (5; 3)= .1008 la probabilidad es del 10.08%.

El resultado fue obtenido de las tablas de probabilidad exacta.

BINOMIO DE NEWTON

Isaac Newton generaliz la frmula para tomar otros exponentes, considerando

una serie infinita:

(3)

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 14 de 15

Donde r puede ser cualquier nmero complejo (en particular, r puede ser cualquier
nmero real, no necesariamente positivo ni entero), y los coeficientes estn dados
por:

(El k = 0 es un producto vaco y por lo tanto, igual a 1; en el caso de k = 1 es igual

a r, ya que los otros factores (r 1), etc., no aparecen en ese caso).

Una forma til pero no obvia para la potencia recproca:

La suma en (3) converge y la igualdad es verdadera siempre que los nmeros

reales o complejos x e y sean suficientemente cercanos, en el sentido de que
el valor absoluto | x/y | sea menor a uno.

CONCLUSION.
Se concluye del presente trabajo que cada uno de los conceptos antes expuestos
son importantes y van ligados uno con el otro, las tcnicas de conteo son muy
importantes para el clculo de probabilidades. Los tipos de distribuciones (poisson,
normal y binomial) tambin son parte importante en la probabilidad y lo pudimos
observar en la explicacin de cada uno de ellos. Al mismo tiempo concluimos que
aprendimos los conceptos bsicos de los trminos ms comunes usados en
probabilidad.

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.

 Pgina 15 de 15

BIBLIOGRAFIA.
1.- Titulo: Probabilidad
Edicin: Segunda edicin
Autor: Saymour Lipschuts
Mark Lipson.
Editorial: Mc Graw Hill.

2.- Titulo: Estadstica

Edicin: Segunda edicin
Autor: Murray R. Spiegel
Editorial: Mc Graw Hill.

Ingeniera en Procesos y Operaciones Industriales Estadstica aplicada a la ingeniera.