FACULTAD DE INGENIERA Y ARQUITECTURA

CARRERA PROFESIONAL DE INGENIERA

MECNICA

TEMA:
TEORIA DE PROBABILIDADES

CICLO:
TERCER
AO:
2015

P g i n a 1 | 36
INDICE:

1.-Historia de la probabilidad..pg.04

a) Qu es la Probabilidad y la Estadstica?

2.-Introduccin a la Teora de Probabilidades:......pg.07

3.-Enfoques Conceptuales..pg.08

a) El enfoque clsico
b) El enfoque de frecuencia relativa
c) El enfoque subjetivo
4.- Concepto de Probabilidad.....pg.09

5.-Objetivos..pg.10

6.-Valor de la Probabilidad...pg.11

7.-Teorema de Bayes.pg.12

8.-Interpretacion subjetiva probabilidad..pg.13

a) Probabilidad de evento
9.- Definicin espacio muestral..pg.15
b) Suceso seguro
c) Suceso imposible
d) Suceso contrario de A
e) Suceso elemental
f) Suceso incompatible
g) Suceso compatible
10.- Espacio discreto y continuopg.16
a) Espacio muestral discreto
b) Espacio continuo
11.- Definicin del evento.....pg.16
a) Evento mutuamente excluyentes
b) Evento complementarios
12.- Simbologa uniones e intersecciones...pg.18
13.- Conclusiones...pg.19
a) Conclusiones del libro
b) Conclusiones de la catedra
P g i n a 2 | 36
 c) Conclusiones personales

14.- Web grafa o linkografa...pg.23

15.- Problemas desarrollados.pg.24

16.- Bibliografa...pg.28

P g i n a 3 | 36
1.-Historia de la probabilidad:

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 fu publicado hasta ms de un siglo despus, sobre 1660) no es hasta dicha
fecha que comienza a elaborarse una teora aceptable sobre los juegos.

Christian Huygens conoci la correspondencia entre Blaise Pascal y Pierre

Fermat suscitada por el caballero De Mr, se plante el debate de determinar
la probabilidad de ganar una partida, y public (en 1657) el primer libro sobre
probabilidad: De Ratiociniis in Ludo Aleae, (Calculating in Games of Chance), un
tratado sobre juegos de azar.Se aceptaba como intuitivo el concepto de
equiprobabilidad, se admita que la probabilidad de conseguir un acontecimiento
fuese igual al cociente.

Durante el siglo XVIII, debido muy particularmente a la popularidad de los juegos

de azar, el clculo de probabilidades tuvo un notable desarrollo sobre la base de
la anterior definicin de probabilidad. Destacan en 1713 el teorema de Bernoulli
y la distribucin binomial, y en 1738 el primer caso particular estudiado por De
Moivre , del teorema central del lmite. En 1809 Gauss inici el estudio de la
teora de errores y en 1810 Laplace, que haba considerado anteriormente el
tema, complet el desarrollo de esta teora. En 1812 Pierre Laplace public
Thorie analytique des probabilits en el que expone un anlisis matemtico
sobre los juegos de azar.

A mediados del siglo XIX, un fraile agustino austraco, Gregor Mendel, inici el
estudio de la herencia, la gentica, con sus interesantes experimentos sobre el
cruce de plantas de diferentes caractersticas. Su obra, La matemtica de la
Herencia, fue una de las primeras aplicaciones importantes de la teora de
probabilidad a las ciencias naturales.

P g i n a 4 | 36
a.-QU ES LA PROBABILIDAD Y LA ESTADSTICA?

La Probabilidad y la Estadstica se encargan del estudio del azar desde el punto

de vista de las matemticas:

La Probabilidad propone modelos para los fenmenos aleatorios, es decir,

los que se pueden predecir con certeza, y estudia sus consecuencias
lgicas.
La Estadstica ofrece mtodos y tcnicas que permiten entender los datos
a partir de modelos.

De esta manera, el Clculo de las Probabilidades es una teora matemtica y la

Estadstica es una ciencia aplicada donde hay que dar un contenido concreto a
la nocin de probabilidad.

PROBABILIDAD

En este sentido, el clculo cientfico de probabilidades puede ayudarnos

a comprender lo que en ocasiones la intuicin nos indica de manera errnea. Un
ejemplo tpico es la denominada "paradoja de los cumpleaos". Supongamos
que estamos en un grupo de 23 personas. Los clculos nos dicen que la
probabilidad de que dos personas celebren el mismo da su cumpleaos es del
50%, algo que a simple vista parece increble (Paradoja del Cumpleaos ). No
es de extraar por tanto que la Teora de Probabilidad se utilice en campos tan
diversos como la demografa, la medicina, las comunicaciones, la informtica, la
economa y las finanzas.

P g i n a 5 | 36
ESTADSTICA:

Cuando hablamos de estadstica, se suele pensar en un conjunto de datos

numricos presentada de forma ordenada y sistemtica. Esta idea es debida a
la influencia de nuestro entorno, ya que hoy da es casi imposible que cualquier
medio de comunicacin, peridico, radio, televisin, etc., no nos aborde
diariamente con cualquier tipo de informacin estadstica.

Slo cuando nos adentramos en un mundo ms especfico como es el campo de

la investigacin de las Ciencias Sociales: Medicina, Biologa, Psicologa, ...
empezamos a percibir que la Estadstica no slo es algo ms, sino que se
convierte en la nica herramienta que, hoy por hoy, permite dar luz y obtener
resultados, y por tanto beneficios, en cualquier tipo de estudio, cuyos
movimientos y relaciones, por su variabilidad intrnseca, no puedan ser
abordadas desde la perspectiva de las leyes determistas.

La Estadstica se ocupa de los mtodos y procedimientos para recoger, clasificar,

resumir, hallar regularidades y analizar los datos (Estadstica Descriptiva),
siempre y cuando la variabilidad e incertidumbre sea una causa intrnseca de los
mismos; as como de realizar inferencias a partir de ellos, con la finalidad de
ayudar a la toma de decisiones y en su caso formular predicciones (Estadstica
Inferencial).

P g i n a 6 | 36
2.- 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.

En muchos campos de la actividad humana se trabajan fenmenos que poseen

algn grado de incertidumbre y en un importante nmero de situaciones se llega
a decisiones soportadas en el estudio de tales hechos. As, el economista estudia
la oferta y la demanda de un producto y establece alguna relacin funcional sin
llegar a determinar exactamente la interaccin entre las dos; igualmente el
mdico evala al paciente y en ocasiones no puede precisar cul es la
enfermedad que le aqueja; el ingeniero tiene problemas de lograr exactitud en la
resistencia de materiales, de confiabilidad de sus sistemas, de medicin de
precipitaciones atmosfricas, de la caracterizacin de un suelo, el mismo flujo
del trfico en una ciudad o una carretera; al socilogo le interesa conocer el
comportamiento de un cierto grupo de indgenas ante la civilizacin, sus
aptitudes y actitudes con base en algunas de las personas que lo conforman; por
igual diferentes profesionales buscan medir el riesgo que est involucrado en las
decisiones que deben tomar. La incertidumbre se presenta debido a la
aleatoriedad del fenmeno que se observa, pero adems por el desconocimiento
del verdadero estado del sistema lo cual equivale a ignorar los parmetros que
determinan ese estado de la naturaleza.

Existe incertidumbre por ejemplo cuando:

El agricultor se interesa sobre cuantas semillas sern vanas.

El jefe de produccin debe detener o no el proceso de produccin.

Al socilogo le interesa de un conglomerado sus ingresos, estado civil, edad, etc.

El ingeniero electrnico debe identificar la confiabilidad de un sistema .

P g i n a 7 | 36
3.-Enfoques Conceptuales:

A travs de la historia se han desarrollado tres enfoques conceptuales diferentes

para definir la probabilidad y determinar los valores de probabilidad:

a.-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:

b.-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 numero 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.
Tanto el enfoque clsico como el enfoque emprico conducen a
valores objetivos de probabilidad, en el sentido de que los valores de
probabilidad indican al largo plazo la tasa relativa de ocurrencia del evento.

c.-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.

P g i n a 8 | 36
4.-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.
El objetivo de esta prctica es realizar varios experimentos de probabilidad,
anotar los resultados y posteriormente compararlos con los resultados tericos.

El concepto de probabilidad proviene del trmino latino probabiltas. En primera

instancia se entiende por probabilidad como aquella posibilidad que hay entre
diversas posibilidades de que un determinado hecho suceda. Es decir que
es aquello que puede suceder o pasar.

La idea de probabilidad es algo en lo que diversos pensadores han trabajado a

lo largo de la historia de la humanidad. En un principio estos trminos se
relacionaban exclusivamente con los juegos de azar ya practicados hace ms de
cinco mil aos. El concepto ha sufrido tales cambios y ha sido objeto de inters
tan particular que hoy en da la probabilidad es considera incluso como una de
las ramas de la matemtica.

En este caso se define a la probabilidad como el estudio y medicin cuantitativa

de que un determinado hecho suceda o se produzca. Para ello se determinan
ciertos presupuestos del contexto, sus posibles combinaciones y adems se
hace uso de la disciplina de la estadstica. En este caso las probabilidades suelen
ser representados en nmero mayores a cero e inferiores a uno o en fracciones.

Dentro de la teora de la probabilidad se intenta determinar la cantidad de veces

que puede un determinado resultado acontecer, con el fin de conocer que suceso
es el ms probable. Algunos de los elementos que se tienen en cuenta son el
espacio de muestras, los sucesos, los sucesos elementales y las partes.

P g i n a 9 | 36
5.-Objetivos especficos:

Introducir los fundamentos necesarios para el estudio de la teora de la

probabilidad.

Reconocer las caractersticas de un experimento aleatorio.

Identificar el espacio muestral y distintos eventos de experimentos

aleatorios.

Adquirir las herramientas y habilidades necesarias de las tcnicas de

conteo.

Calcular las medidas de espacios muestrales y eventos aplicando reglas

bsicas de conteo, permutaciones y combinaciones.

Establecer y aplicar las tcnicas de conteo a travs de permutaciones y

combinaciones.

Enunciar y aplicar el principio fundamental de conteo o principio

multiplicativo y utilizar diagramas de rbol para ejemplificarlo

Reconocer la importancia de la teora de las probabilidades en el anlisis

e interpretacin de informacin estadstica.

Calcular la probabilidad de un evento, dado que otro ha sucedido.

Demostrar la independencia o no de dos o ms eventos.

Enunciar y aplicar la ley de la probabilidad total.

Obtener la probabilidad de eventos que involucren el uso del principio

multiplicativo, diagramas de rbol y las tcnicas de conteo.

Calcular la probabilidad de causas aplicando el teorema de Bayes.

P g i n a 10 | 36
6.-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:

P g i n a 11 | 36
7.-Teorema de Bayes:

El teorema de Bayes parte de una situacin en la que es posible conocer las

probabilidades de que ocurran una serie de sucesos Ai.

A esta se aade un suceso B cuya ocurrencia proporciona cierta informacin,

porque las probabilidades de ocurrencia de B son distintas segn el suceso Ai
que haya ocurrido.

Conociendo que ha ocurrido el suceso B, la frmula del teorema de Bayes nos

indica como modifica esta informacin las probabilidades de los sucesos Ai.

Ejemplo: Si seleccionamos una persona al azar, la probabilidad de que sea

diabtica es 0,03. Obviamente la probabilidad de que no lo sea es 0,97.
Si no disponemos de informacin adicional nada ms podemos decir, pero
supongamos que al realizar un anlisis de sangre los niveles de glucosa son
superiores a 1.000 mg/l, lo que ocurre en el 95% de los diabticos y slo en un
2% de las personas sanas.

Cul ser ahora la probabilidad de que esa persona sea diabtica?

La respuesta que nos d el teorema de bayes es que esa informacin adicional

hace que la probabilidad sea ahora 0,595.
Vemos as que la informacin proporcionada por el anlisis de sangre hace
pasar, la probabilidad inicial de padecer diabetes de 0,03, a 0,595.
Evidentemente si la prueba del anlisis de sangre hubiese sido negativa, esta
informacin modificara las probabilidades en sentido contrario. En este caso la
probabilidad de padecer diabetes se reducira a 0,0016.

P g i n a 12 | 36
8.- Interpretacin subjetiva probabilidad:

La probabilidad subjetiva o condicionada interpreta las mismas frecuencias

del procedimiento de confirmacin de la evidencia implcita en una relacin
causal humana mediante una aplicacin estricta del teorema de Bayes. Segn
este teorema la probabilidad condicionada de un suceso (A) respecto de otro (B),
es directamente proporcional a la probabilidad ya comprobada o "a priori" de la
conjuncin de ambos eventos A y B, e inversamente proporcional a la
probabilidad aislada del segundo evento B. En todo momento se presupone la
referencia a eventos recprocamente independientes, aunque interrelacionados,
manteniendo entre ellos una correlacin meramente fctica.

a.- Probabilidad de eventos:

La creacin de la probabilidad se atribuye a los matemticos franceses del siglo

XVII Blaise Pascal y Pierre de Fermat, aunque algunos matemticos anteriores,
como Gerolamo Cardano en el siglo XVI, haban aportado importantes
contribuciones a su desarrollo. La probabilidad matemtica comenz como un
intento de responder a varias preguntas que surgan en los juegos de azar, por
ejemplo, saber cuntos dados hay que lanzar para que la probabilidad de que
salga algn seis supere el 50%.
La probabilidad de un resultado se representa con un nmero entre 0 y 1, ambos
inclusive. La probabilidad 0 indica que el resultado no ocurrir nunca, y la
probabilidad 1, que el resultado ocurrir siempre.

P g i n a 13 | 36
El clculo matemtico de probabilidades se basa en situaciones tericas en las
cuales puede configurarse un espacio muestral cuyos sucesos elementales
tengan todos la misma probabilidad. Por ejemplo, al lanzar un dado ideal, la
probabilidad de cada una de las caras es 1/6. Al lanzar dos dados, la probabilidad
de cada uno de los resultados es 1/36.

En estos casos, la probabilidad de un suceso cualquiera S, se calcula mediante

la regla de Laplace:

P[S] = nmero de sucesos elementales de S / nmero total de sucesos

elementales
P[S] = nmero de casos favorables a S / nmero de casos posibles.

Pierre de Fermat El matemtico francs Pierre de Fermat destac por sus

importantes aportaciones a la teora de la probabilidad y al clculo diferencial.
Tambin contribuy al desarrollo de la teora de nmeros Corbis
La aplicacin de la regla de Laplace en casos elementales es muy sencilla. Por
ejemplo, en la experiencia de lanzar un dado:

P[{2, 3, 4, 5}] = 4/6

Pues {2, 3, 4, 5} tiene 4 sucesos elementales y la experiencia admita, en total,
seis posibilidades.

Sin embargo, la aplicacin de esta regla en experimentos ms complejos

requiere el uso de la combinatoria. Por ejemplo, al extraer tres cartas de una
baraja y ver la probabilidad de que las tres sean trboles, el nmero total de
sucesos elementales es C523 = (525150)/(321) = 22.100. Los casos
favorables son C133= (131211)/(321) = 286. Por tanto, la probabilidad pedida
es:
P[TRES TRBOLES] = 286/22.100 = 143/11.050
La resolucin de este tipo de problemas se simplifica notablemente si
consideramos "sacar tres naipes" como una experiencia compuesta por tres
experiencias simples: "sacar un naipe y despus otro y despus otro".

P g i n a 14 | 36
9.- Definicin espacio muestral:

Espacio muestral (E): es el conjunto de los diferentes resultados que pueden

darse en un experimento aleatorio.

Suceso: subconjunto del espacio muestral. Se representa con una letra

mayscula, con sus elementos entre llaves y separados por comas.
Operaciones con sucesos:

Unin: la unin de dos sucesos es el suceso que ocurre cuando se da uno de

ellos. Interseccin: la interseccin dos sucesos es el suceso que ocurre cuando
se dan ambos a la vez.

Tipos de sucesos:

a.- Suceso Seguro: se tiene la certeza de que se producir porque contiene

todos los resultados posibles de la experiencia (coincide con el espacio
muestral).

b.- Suceso Imposible: se tiene la certeza de que nunca se puede presentar, ya

que no tiene elementos (es el conjunto vaco).

c.- Suceso Contrario de A: es el que ocurre cuando no se da A; es su

complementario respecto al espacio muestral (A").

d.- Suceso Elemental: es el que tiene un solo resultado, es un conjunto unitario.

e.- Sucesos incompatibles: la interseccin es conjunto vaco, es decir, no

pueden los dos sucesos darse al mismo tiempo.

f.- Sucesos Compatibles: la interseccin de dos sucesos contiene algn

elemento.

P g i n a 15 | 36
10.- ESPACIO DISCRETO Y CONTINUO:

a.- Espacio muestral discreto: si contiene un nmero finito o infinito numerable

de puntos muestrales. Ejemplo: se tiene una urna con bolillas del 1 al 20. Se
extrae una. S = { 1, 2, 3 , 20 } (finito)

b.- Espacio muestral contnuo: si contiene una infinidad no numerable de

puntos muestrales. Ejemplo: su utiliza una balanza de presicin para pesar
partculas metlicas. S= { X : 0 < X < infinito )

11.- Definicin de evento:

Un evento es un subconjunto de un espacio muestral.

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:

1. Obtener un nmero primo A = {2, 3, 5}

2. Obtener un nmero primo y par B = {2}

3. Obtener un nmero mayor o igual a 5 C = {5, 6}

a.- Eventos mutuamente excluyentes.- Dos eventos son mutuamente

excluyentes si no pueden ocurrir en forma simultnea, esto es, si y slo si su
interseccin es vaca.

P g i n a 16 | 36
b.- Eventos Complementarios.-

Su Medicin Matemtica o Clsica. Si en un experimento aleatorio todos los

resultados son equiprobables (iguales probabilidades), es decir, la ocurrencia de
uno es igualmente posible que la ocurrencia de cualquiera de los dems,
entonces, la probabilidad de un evento A es la razn:

P(A) = nmero de casos favorables para A/nmero total de casos posibles

A partir de esta definicin las probabilidades de los posibles resultados del
experimento se pueden determinar a priori, es decir, sin realizar el experimento.
Se deduce de la definicin lo siguiente:

0 P(A) 1 La medicin probabilstica es un nmero real entre 0 y 1, inclusive,

0% P(A) 100% en porcentaje.
P() = 0 y P(E) = 1

Su Medicin Experimental o Estadstica:

La frecuencia relativa del resultado A de un experimento es la razn FR = nmero

de veces que ocurre A/nmero de veces que se realiza el experimento
Si el experimento se repite un nmero grande de veces, el valor de FR se
aproximar a la medicin probabilstica P del evento A.

Por ejemplo: si lanzo 100 veces una moneda, el nmero de veces que obtengo
cara es cercano a 50, o sea FR es cercano a 50%.

P g i n a 17 | 36
12.- Simbologa uniones e intersecciones

1. A, B, C=conjuntos.
2. a ,b ,c=elementos de conjuntos
3. U=unin de conjuntos
4. n=interseccin de conjuntos
5. A"= complemento de un conjunto
6. / =dado que
7. \ diferencia
8. <>=diferente de
9. ( )=Conjunto nulo o vaco
10. R= conjunto de los nmeros reales
11. N= conjunto de los nmeros naturales
12. C= conjunto de los nmeros complejos
13. n!= factorial de un numero entero positivo
14. Q= conjunto de los nmeros fraccionarios
15. I= conjunto de los nmeros irracionales
16. c= subconjuntos
17. { }= llaves. Conjuntos vacos

P g i n a 18 | 36
13.- Conclusiones:

a.- Conclusiones del libro:

La incertidumbre implica la invalidacin de muchas de las simplificaciones

que es posible realizar a travs de la inferencia.
Entre las aseveraciones de la probabilidad bsica estn las probabilidades a
priori y las probabilidades condicionales, presentes tanto en proposiciones
simples como complejas.
La distribucin de probabilidad conjunta especifica la probabilidad de cada
asignacin completa de valores a variables aleatorias.
Las reglas de Bayes permite calcular probabilidades desconocidas a partir de
probabilidades conocidas y estables.
Las redes de creencia constituyen una manera natural de representar la
informacin sobre la independencia condicional. Los vnculos entre los nodos
representan los aspectos cualitativos del dominio; las tablas de probabilidad
condicional representan los aspectos cuantitativos.
Existen varias tcnicas de inferencia que son utilizadas en las redes de
creencia general, y en todas ellas la complejidad es exponencial en el peor
de los casos. En los dominios reales, la estructura local tiende a que las cosas
sean ms factibles, aunque hay que poner atencin para construir una red
manejable en donde haya ms de un centenar de nodos. Tambin es posible
utilizar tnicas de aproximacin, incluida la simulacin estocstica, para
obtener una estimacin de las verdaderas probabilidades haciendo menos
clculos.
La teora de las probabilidades caracteriza aquello en lo que deber creer un
agente en base en lo que le dicen las evidencias, la teora de la utilidad
carateriza lo que el agente desea y la teora de decisiones conjunta ambas
para caracterizar lo que el agente debe hacer.
La teora de la utilidad del atributo mltiple se ocupa de aquellas utilidades
que dependen de diversos atributos de estado.

P g i n a 19 | 36
 Las redes de decisin constituyen un sencillo formalismo para expresar y
resolver problemas de decisin. Son la ampliacin de las redes de creencia,
y cuentan con nodos de decisin y de utilidad, adems de los nodos
aleatorios.
El valor de la informacin se define como la mejora esperada en la utilidad
comparada con lo que se obtendra al tomar la decisin sin el respaldo de
dicha informacin.
Los problemas de decisin secuencial en ambientes inciertos se resuelven
mediante el clculo de una poltica que vincule una decisin ptima con cada
uno de los estados que el agente puede alcanzar.
La iteracin de valores y la iteracin de polticas son dos mtodos que sirven
para calcular las poltica ptimas.
Las redes de decisin dinmicas resuelven problemas de decisin
secuenciales, a travs del manejo de muchas de las cuestiones que se
presentan a los agentes en dominios complejos e inciertos.
Las redes de creencias dinmicas manejan la percepcin sensorial y la
actualizacin a travs del tiempo, y permiten realizar la implantacin del ciclo
de actualizacin.

b.- Conclusiones de la ctedra:

La probabilidad es un formalismo riguroso cuando existe incertidumbre

sobre el conocimiento.
La distribucin de probabilidad especifica la probabilidad para cada
evento atmico.
Las consultas pueden ser resueltas para concluir en otro evento atmico.
El razonamiento incierto, as como la planificacin incierta, estn an
alejados de poderse resolver en el caso general. Mucho de lo explicado
es ms experimental que comercial y si es comercial, los proyectos son
de reducida magnitud.

En general, las decisiones del mundo real que hay que tomar son bajo
riesgo o bajo incertidumbre. En el mundo real no tiene demasiado sentido
P g i n a 20 | 36
 preguntarnos si todo es verdad. Las decisiones se basan en
probabilidades, a veces objetivas, a veces subjetivas. Hay que elegir la
alternativa con utilidad esperada mxima, combinando teora de decisin
con teora de utilidad. Es un rea importante de la teora de la cognicin.
La incertidumbre y un acercamiento decisin-terico a la planificacin y al
diseo de agentes.
Este captulo presenta las bases para tratar problemas en la
representacin, la inferencia, la explicacin y la ingeniera de
conocimiento dentro del marco de un agente decisin intensivo.
Histricamente, el desarrollo del razonamiento heurstico surgi con
motivo de la falta de expresividad de los primeros sistemas expertos
probabilistas. Hay una gran relacin entre heurstica y teora. de
probabilidades.
La realidad est llena de incertidumbre y la bsqueda de la felicidad
durante la conducta exteriorizada en acciones es caractersrtica de un
desempeo eficiente. Entonces la novedad incorporada garante
Ms flexibilidad y Ms eficiencia.
Aunque la reciente investigacin sobre las ideas de aplicar ciencia de la
decisin a los planificadores y a los sistemas expertos parece
sobradamente interesante, solamente unos pocos prototipos han
aparecido hasta la fecha.
Ms all de los sistemas expertos, vemos importantes oportunidades para
la aplicacin de ideas de la ciencia de la decisin a solucionar temas de
planificacin ms eficientes, buen razonamiento temporal y aprendizaje.
Sin embargo, sigue habiendo barreras prcticas en la aplicacin de estas
ideas.

P g i n a 21 | 36
c.- Conclusiones personales:

El agente no tiene acceso a toda la verdad acerca de su ambiente, pero

que de todas maneras, el agente deber tomar desiciones actuando bajo
condiciones de incertidumbre. Estas desiciones se basarn en la teora
de las probabilidades y en la teora de utilidad.
Los sistemas de razonamiento basados en modelos de redes y con base
en las leyes de la teora de la probabilidad son empleados para razonar
en situaciones de incertidumbre.
El agente es capaz de tomar decisiones basandose en aquello que cree
y desea; estas decisiones tomadas por el agente se encuentran en
contextos de incertidumbre y existen metas conflictivas que no ofrecen
ninguna opcin para facilitar que decisin poder tomar.
En el agente de toma de decisiones complejas se trata de resolver el
problema de decisin secuencial a travs de la utilidad del agente que
depender de una secuencia de decisiones, este tipo de problemas que
implican utilidades, incertidumbre y percepcin, constituye una
generalizacin de los problemas de bsqueda y planificacin. Este tipo de
tcnicas producen una poltica que es un conjunto de reglas situacin-
accin por cada estado, poltica que obtienen mediante el clculo de
utilidades correspondientes a cada estado.

P g i n a 22 | 36
14.- Web grafa o linkografa :

http://www.javeriana.edu.co/Facultades/Ciencias/fnovoa/probabilidad%20notas
%20de%20clase/Capitulo%20VI.doc

http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.html

http://server2.southlink.com.ar/vap/PROBABILIDAD.htm

http://datateca.unad.edu.co/contenidos/100402/moduloexe/bibliografa.htmlhttp:/
/www.fvet.edu.uy/estadis/probabilidad.htm

http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.html

http://www.angelfire.com/ia3/aisite/conclusion_v.htm

http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm

http://www.uantof.cl/facultades/csbasicas/Matematicas/academicos/emartinez/E
stadistica/index.html

http://www.cortland.edu/flteach/stats/links.html

http://www.monografias.com/trabajos32/teoria-probabilidades/teoria-
probabilidades.shtml#objet

http://www.d16acbl.org/U173/Brmx_prob1.html#_1

http://espanol.geocities.com/eprobabilidades/index.htm

http://www.bdigital.unal.edu.co/6187/5/9589322751_Parte1.pdf

http://www.estadisticaparatodos.es/historia/histo_proba.html

P g i n a 23 | 36
15.- Problemas desarrollados:

a.- Ejemplo:

Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de

sacar una piedra roja en un intento es:

b.- 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?

c.- ejemplo:

Una urna contiene dos monedas de plata y tres de cobre. Otra contiene cuatro
monedas de plata y tres de cobre. Si se elige una urna al azar y se extrae una
moneda al azar. Cul es la probabilidad de que la moneda extrada sea de
plata?.

A = urna primera , B = urna segunda

P( escoger A )=P(A)=0,5 : P(escoger B )=P(B)=0,5

P = salir plata en primera P( P/A) = 2/5 en segunda P(P/B)=4/7

P(P) = P(P/A)P(A)+P(P/B)P(B)= (2/51/2)+(4/71/2)= 0,285

P g i n a 24 | 36
d.- ejemplo:

El 45 % de los estudiantes de COU de un instituto son alumnos de Ciencias y el

55 % restante de Letras. Se sabe que aprueban todas las asignaturas el 30
% de los alumnos de Ciencias y el 40 % de los alumnos de Letras. Si un alumno,
elegido al azar, ha aprobado todas las asignaturas. Cul es la probabilidad de
que sea de Letras?.

1 paso .- Calculamos, en primer lugar, la probabilidad de que un alumno apruebe

P(A)=P(C)P(A/C)+P(L)P(A/L)=0,450,3+0,550,4=0,355

2 paso.- La probabilidad pedida ser: P (sea de letras/suponiendo que ha

aprobado), es decir,

e.- ejemplo:

Un dado est trucado de manera que son iguales las probabilidades de obtener
2, 4 o 6, tambin son iguales las probabilidades de obtener 1, 3 o 5 y la
probabilidad de obtener 2 es doble que la probabilidad de sacar 1. Deducir
razonadamente cul es la probabilidad de que al lanzar el dado dos veces se
obtenga una suma igual a 7.

P(2)=P(4)=P(6)=P(A) P(1)=P(3)=P(5)=P(B)

P(A)=2P(B)

3P(A)+3P(B)=1 de lo que 6P(B)+3P(B)=1 P(B)=1/9 luego P(A)=2/9

sacar siete es posible con 1-6 , 6-1 , 3-4 , 4-3 , 5-2, 2-5,

as P( 1 y 6 ) =P(6 y 1) indep luego P(1)P(6)=1/92/9 =2/81

as P( 3 y 4 ) =P(4 y 3) indep luego P(3)P(4)=2/81

as P( 5 y 2 ) =P(2 y 5) indep luego P(2)P(5)=2/81

luego P(sacar 7 ) = P(1 y 6) + P( 6 y 1) +P(3 y 4)+P(4 y 3)+P( 5 y 2) +

P(2 y 5)= 12/81

P g i n a 25 | 36
f.- ejemplos:

La fbrica de enlatados TI S.A. produce 5000 envases diarios. La mquina A

produce 3000 de estos envases, de los que el 2% son defectuosos y la mquina
B produce los 2000 restantes de los que se sabe que el 4% son defectuosos.
Determinar la probabilidad de que un envase elegido al azar sea defectuoso.
Si D es el suceso "seleccionar un envase defectuoso" y (no D) = "seleccionar un
envase no defectuoso"

Aplicando el teorema de la probabilidad total resulta:

g.- ejemplo:

Una compaa dedicada al transporte pblico explota tres lneas de una ciudad,
de forma que el 60% de los autobuses cubre el servicio de la primero lnea, el
30% cubre la segunda y el 10% cubre el servicio de la tercera lnea. Se sabe que
la probabilidad de que, diariamente, un autobs se avere es del 2%, 4% y 1%,
respectivamente, para cada lnea. Determina la probabilidad de que, en un da,
un autobs sufra una avera.

El suceso "sufrir una avera" (Av) puede producirse en las tres lneas, (L1, L2, L3).
Segn el teorema de la probabilidad total y teniendo en cuenta las probabilidades
del diagrama de rbol adjunto, tenemos:

P(Av) = P(L1) P(Av/L1) + P(L2) P(Av/L2) + P(L3) P(Av/L3) =

= 0.6 0.02 + 0.3 0.04 + 0.1 0.01 = 0.012 + 0.012 + 0.001 = 0.025

P g i n a 26 | 36
h.- ejemplos:

Un ladrn, al huir de un polica, puede hacerlo por las calles A, B o C, con

probabilidades P(A)=0,25 , P(B)=0,6 y P(C)=0,15 respectivamente. La
probabilidad de ser alcanzado por la calle es 0,4 , si huye por la calle B es 0,5 y
si huye por la calle C es 0,6.

a) Calcule la probabilidad de que la polica alcance al ladrn

b) Si el ladrn ha sido alcanzado. Cul es la probabilidad de que haya sido

en la calle A?

a) - La probabilidad de que el polica alcance al ladrn es

si P(A)= probabilidad de ir por A ,

P(B)=probabilidad de ir por B y

P(C) =probabilidad e ir por C

P(alcance) =P(P)=P(P/A)P(A)+P(P/B)P(B)+P(P/C)P(C)=

0,250,4+0,60,5+0,150,6=0,49

b) Probabilidad de que siendo alcanzado la haya sido en A

P g i n a 27 | 36
16.- Bibliografa:

BlaisePascal:

(Clermont-Ferrand, Auvernia, Francia, 19 de junio de 1623 - Pars, 19 de

agosto de 1662) fue un matemtico, fsico y filsofo religioso francs,
considerado el padre de las computadoras junto con Charles Babbage. Fue un
nio prodigio, educado por su padre, un juez local.
Sus primero trabajo abarcan las ciencias naturales y aplicadas, en dnde realiz
importantes contribuciones para la invencin y construccin de
calculadoras mecnicas, estudios de la teora matemtica de probabilidad,
investigaciones sobre los fluidos y la aclaracin de conceptos tales como
la presin y el vaco, generalizando la obra de Evangelista Torricelli. Tambin
escribi en defensa del mtodo cientfico.
Pascal fue un matemtico de primer orden. Ayud a crear dos grandes reas de
investigacin, escribi importantes tratados sobre geometra proyectiva a los
diecisis aos, y ms tarde cruz correspondencia con Pierre de
Fermat sobre teora de la probabilidad, influenciando fuertemente el desarrollo
de las modernas ciencias econmicas y sociales. Siguiendo con el trabajo
de Galileo y de Torricelli, en 1646 refut las teoras aristotlicas que insistan en
que la naturaleza aborrece el vaco, y sus resultados causaron grandes
discusiones antes de ser generalmente aceptados.
En 1646, su familia se convirti al jansenismo, y su padre muri en 1651. Sin
embargo, despus de una experiencia religiosa profunda en 1654, Pascal sufri
una "segunda conversin". Abandon las matemticas y la fsica para dedicarse
a la filosofa y a la teologa, publicando en este periodo sus dos obras ms
conocidas: Las Lettres provinciales (Cartas provinciales)
y Penses (Pensamientos). Ese ao tambin escribi importantes tratados sobre
la aritmtica de los tringulos. Entre 1658 y 1659 escribi sobre el cicloide y su
uso en el clculo del volumen de los slidos.
Pascal tuvo una salud muy endeble a lo largo de toda su vida, y su muerte
acaeci dos meses despus de haber cumplido 39 aos.

P g i n a 28 | 36
ChristianHuygens:

Nacimiento:
14 de abril de 1629 La Haya,
Fallecimiento:
8 de julio de 1695 La Haya,

Ocupacin:
Matemtico, fsico y astrnomo
Christiaan Huygens (14 de abril de 1629 - 8 de juliode 1695) fue
un astrnomo, fsico y matemtico neerlands, nacido en La Haya

Biografa:
naci en el seno de una importante familia holandesa. Su padre, el diplomtico
Constantin Huygens, le proporcion una excelente educacin y le introdujo en
los crculos intelectuales de la poca.

Estudi mecnica y geometra con preceptores privados. En esta primera etapa,

Huygens estuvo muy influido por el matemtico francs Ren Descartes,
visitante habitual de la casa de Constantin durante su estancia en Holanda. Su
formacin universitaria transcurri entre 1645 y 1647 en Leiden, y
entre 1647 y 1649 en el Colegio de Orange de Breda. En ambos centros estudi
Derecho y Matemticas, destacndose en la segunda.

Huygens dedic sus siguientes aos a viajar como embajador de Holanda,

visitando, entre otros lugares, Conpenhague, Roma y Pars.

En 1660 volvi a Pars para instalarse definitivamente. All mantuvo frecuentes

reuniones con importantes cientficos franceses, entre otros,Blas Pascal.
Sin embargo, pronto abandon la ciudad para marchar a Londres en 1661.
Ingres en la recin formada Royal Society, donde pudo comprobar los
asombrosos avances realizados por los cientficos ingleses. All pudo mostrar
sus superiores telescopios y conoci a cientficos como Robert Hooke o Robert
Boyle, entre otros.

P g i n a 29 | 36
En 1666 acept la invitacin de Colbert, ministro de Luis XIV, para volver a Pars
e incorporarse a la Academia de las Ciencias Francesa. Dada su experiencia en
la Royal Society de Londres, Huygens pudo llegar a liderar esta nueva academia
e influir notablemente en otros cientficos del momento, como su amigo y
pupilo Leibniz. Fueron aos muy activos para Huygens, pero se enturbiaron por
sus problemas de salud y las guerras del Rey Sol contra Holanda. Huygens
abandon Francia en 1681. Tras una estancia en su Holanda natal, Huygens
decidi volver a Inglaterra en 1689. All volvi a relacionarse con la Royal Society
y conoci a Isaac Newton, con el que mantuvo frecuentes discusiones
cientficas. Y es que Huygens siempre critic la teora corpuscular de la luz y la
ley de la Gravitacin universal de Newton. Volvi a Holanda poco antes de morir.
Nunca se cas ni tuvo descendencia, al igual que Newton.

Obra cientfica:

Matemticas
Huygens fue uno de los pioneros en el estudio de la Probabilidad, tema sobre el
que public el libro De ratiociniis in ludo aleae (Sobre los Clculos en los Juegos
de Azar), en el ao 1656. En el introdujo algunos conceptos importantes en este
campo, como la esperanza matemtica, y resolva algunos de los problemas
propuestos por Pascal, Fermat y De Mr.

Adems resolvi numerosos problemas geomtricos como la rectificacin de la

cisoide y la determinacin de la curvatura de la cicloide. Tambin esboz
conceptos acerca de la derivada segunda.

P g i n a 30 | 36
Fsica:

Los trabajos de Huygens en Fsica se centraron principalmente en dos campos:

la Mecnica y la ptica

En el campo de la mecnica public su libro Horologium oscillatorum (1675); en

el se halla la expresin exacta de la fuerza centrfuga en un movimiento circular,
la teora del centro del centro de oscilacin, el principio de la conservacin de las
fuerzas vivas (antecedente del principio de la conservacin de la energa)
centrndose esencialmente en las colisiones entre partculas (corrigiendo
algunas ideas errneas de Descartes) y el funcionamiento del pndulo simple y
del reversible.

En el campo de la ptica elabor la teora ondulatoria de la luz, partiendo del

concepto de que cada punto luminoso de un frente de ondas puede considerarse
una nueva fuente de ondas (Principio de Huygens). A partir de esta teora
explic, en su obra Trait de la lumire, la reflexin, refraccin y doble refraccin
de la luz. Dicha teora qued definitivamente demostrada por los experimentos
de Thomas Young, a principios del siglo XIX.
Astronoma

Aficionado a la astronoma desde pequeo, pronto aprendi a

tallar lentes(especialidad de Holanda desde la invencin del telescopio, hacia el
ao1608) y junto a su hermano lleg a construir varios telescopios de gran
calidad. Por el mtodo de ensayo y error comprobaron que los objetivos de gran
longitud focal proporcionaban mejores imgenes, de manera que se dedic a
construir instrumentos de focales cada vez mayores: elabor un sistema especial
para tallar este tipo de lentes, siendo ayudado por su amigo el filsofo Spinoza,
pulidor de lentes de profesin.

P g i n a 31 | 36
Pierre-Simon Laplace:

Pierre-Simon Laplace (Beaumont-en-Auge (Normanda); 23 de

marzo de1749 - Pars; 5 de marzo de 1827) astrnomo, fsico y matemtico
francs que invent y desarroll la Transformada de Laplace y la ecuacin de
Laplace. Fue un creyente del determinismo causal.
En 1799 fue nombrado ministro del interior bajo el Consulado. Napolon I,
en 1806 le confiere el ttulo de conde del Imperio. Ser nombrado
marqus en 1817, despus de la restauracin de los Borbones
Es recordado como uno de los mximos cientficos de todos los tiempos, a veces
referido como el Newton francs o Newton de Francia, con unas fenomenales
facultades matemtica no posedas por ninguno de sus contemporneos.
Su obra ms importante, Mecnica celeste, es un compendio de toda la
astronoma de su poca, enfocada de modo totalmente analtico.
Laplace cre una curiosa frmula para expresar la probabilidad de que
elSol saliera por el horizonte. l deca que la probabilidad era d (d + 1) / (d + 2),
donde d es el nmero de das que el sol ha salido en el pasado. Laplace deca
que esta frmula, que era conocida como la Regla de Sucesin (de Laplace),
poda aplicarse en todos los casos donde no sabemos nada, o donde lo que
conocamos fue cambiado por lo que no. An es usada como un estimador de la
probabilidad de un evento, si sabemos el lugar del evento, pero slo tenemos
muy pocas muestras de l.

Laplace crea fuertemente en el determinismo causal, tal como puede apreciarse

en la siguiente cita: Podemos mirar el estado presente del universo como el
efecto del pasado y la causa de su futuro

P g i n a 32 | 36
Modelo de Laplace:

Su definicin nos dice que sea E un experimento cualquiera y fin S el conjunto

finito de sus resultados posibles tal que S = a1,..,ak, si suponemos que cada
resultado es equiprobable (que ninguno tenga ms oportunidades que otro),
entonces P(ai) = p. Si queremos que P sea una funcin de probabilidad tal que
entonces p = 1 / k. Sea A un subconjunto de S tal que A = a1,..,ar entonces.

Pierre de Fermat:

Pierre de Fermat Jurista y destacado matemtico.

Nacimiento:
17 de agosto de 1601Beaumont-de-Lomagne, Francia
Fallecimiento:
12 de enero de 1665Castres, Francia
Pierre de Fermat (Beaumont-de-Lomagne, Francia, 17 de
agosto de1601 - Castres, Francia, 12 de enero de 1665), fue un jurista y
destacado matemtico. Fue abogado en el Parlamento de Toulouse, en el sur de
Francia, y matemtico clave para el desarrollo del clculo moderno. Tambin
hizo notables contribuciones a la geometra analtica
Fermat es mejor conocido por su Enigma, una abstraccin del Teorema de
Pitgoras, tambin conocido como ltimo Teorema de Fermat, que tortur a los
matemticos durante aproximadamente 350 aos, hasta que fue resuelto
en 1995. Junto con Ren Descartes, Fermat fue uno de los lderes matemticos
de la primera mitad del siglo XVII. Independientemente de Descartes, descubri
el principio fundamental de la geometra analtica. A travs de su
correspondencia con Blaise Pascal, fue co-fundador de la teora
de probabilidades.

P g i n a 33 | 36
Fermat naci el 17 de agosto de 1601 en Beaumont-de-Lomagne, una ciudad
situada a 58 kilmetros al noroeste de Toulouse, Francia. La mansin del siglo
XV donde naci es en la actualidad un museo. La escuela ms antigua y
prestigiosa de Toulouse se llama Pierre de Fermat y en ella se imparten clases
de ingeniera y comercio. Est situada entre las diez mejores de Francia para
clases preparatorias.

Fermat era un matemtico que trabajaba la mayor parte del tiempo en soledad.
Su nico contacto con el resto de la comunidad matemtica fue gracias a Marin
Mersenne. Cabe destacar tambin un breve intercambio de cartas con Blaise
Pascal. Los resultados de Fermat fueron conocidos por otros pensadores
europeos gracias a Mersenne, que los reenvi e hizo una amplia distribucin.

Matemticas:

Espiral de Fermat: La espiral de Fermat, denominada as en honor de Pierre de

Fermat y tambin conocida como espiral parablica, es una curva que responde
a la siguiente ecuacin:
r = 1 / 2
Es un caso particular de la espiral de Arqumedes.

P g i n a 34 | 36
Fermat en el siglo XX:

Pierre de Fermat acostumbraba a escribir las soluciones a los problemas en el

margen de los libros. Una vez escribi en su ejemplar del texto griego de La
Aritmtica de Diofanto (editada por Claude Gaspard Bachet de Mziriac en
1621) lo siguiente: "Cubem autem in duos cubos, aut quadratoquadratorum in
duos cuadratosquadratos, et generaliter nullam in infinitum ultra cuadratum
potestandem in duos ejusdem nominis dividere: cujus rei demonstrationem
mirabilem sane detexi. Hanc marginis exigitas non caparet."
"Es imposible encontrar la forma de convertir un cubo en la suma de dos cubos,
una potencia cuarta en la suma de dos potencias cuartas, o en general cualquier
potencia ms alta que el cuadrado en la suma de dos potencias de la misma
clase; para este hecho he encontrado una demostracin excelente. El margen
es demasiado pequeo para que la demostracin quepa en l."
No se sabe si realmente hall la demostracin ya que no dej rastro de ella para
que otros matemticos pudiesen verificarla. Este problema mantuvo en vilo a los
matemticos durante ms de tres siglos (se dice que, frustrado, Euler incluso
pidi a un amigo que registrara de arriba a abajo la casa de Fermat en busca de
la demostracin), hasta que en 1995 Andrew Wiles encontr la demostracin.
Andrew utiliz para ello herramientas matemticas que surgieron mucho
despus de la muerte de Fermat, luego ste debi haber encontrado la solucin
por otro camino, si es que lo hizo. En cualquier caso, Fermat tena razn.
Fermat es uno de los pocos matemticos que cuentan con un asteroidecon su
nombre, (12007) Fermat. Tambin se le ha dado la denominacin de Fermat a
un crter lunar de 39 km de dimetro.

P g i n a 35 | 36
Freund, John E. Miller, Irwin y Miller Marylees; Estadstica matemtica
con aplicaciones;Pearson Educacin; 6 Ed; Mxico 2000.

Walpole, Ronald; Probabilidad y Estadstica para Ingenieros; Pearson; 6

Ed; Mxico 1999.

Spiegel, Murray R; Teora y problemas de probabilidad y estadstica;

McGraw-Hill, Serie Schaum; 3 Ed; Mxico 2010.

Spiegel, Murray R; Estadstica; McGraw-Hill, Serie Schaum; 4

Ed; Madrid 2009.

Montgomery, Douglas C; Probabilidad y estadistica aplicadas a la

ingeniera; Limusa; 2 Ed; Mxico 2008.

Mendenhall, William; Introduccin a la probabilidad y estadstica; 13

Ed; Thomson Cengage Learning; Mxico 2008.

Mendenhall III, William, Scheaffer, Richard L. y Wackerly Dennis

D; Estadstica matemtica con aplicaciones; Thomson; 6 Ed; Mxico
2002.

Larson, Harold J; Introduccin a la teora de probabilidades e inferencia

estadstica; Limusa-Noriega; Mxico 1995.

Kreyszig, Erwin; Introduccin a la estadstica matemtica, principios y

mtodos; Limusa; 10 Reimp; Mxico 1989.

Freund, John E. Miller, Irwin y Miller Marylees; Probabilidad y estadstica

para ingenieros;Prentice-Hall; 4a Ed; Mxico 1992.

P g i n a 36 | 36