UNIVERSIDAD NACIONAL DEL ALTIPLANO

INGENIERIA DE MINAS
ESTADISTICA GENERAL
NOCIONES PROBABILIDADES
INTEGRANTES:

PUNO-PERU
 INDICE

Caratula i

Índice ii

Resumen 1

Introducción 2

CAPITULO I 4

I.1.- Concepto general. 4

I.2.- Espacio Muestral. 4
I.3.- Variable aleatoria 5
I.4.- Eventos y espacios de probabilidad finita. 6
I.5.- Fundamentos axiomáticos. 6
CAPITULO II 7

II.1.- Regla multiplicativa y probabilidad condicionada. 7

II.2.-Principales distribuciones de probabilidades 7
II.2.1.- Distribución binomial. Ejemplos. 7
II.2.2.- Distribución de Poisson. Ejemplos 8
Conclusiones 10

Referencias Bibliográficas 11
 RESUMEN

La teoría de las probabilidades tiene su origen en los juegos de azar, particularmente en

Europa, En los últimos años, los métodos estadísticos en que se aplica la teoría de las

probabilidades, penetran cada vez más con mayor amplitud en los distintos campos de

la ciencia y la técnica, contribuyendo a su progreso. La teoría de las probabilidades trata

del evento posible de sucesos (variables aleatorias) dentro de un conjunto finito (espacio

muestral). Existen básicamente tres axiomas donde deriva la teoría de las probabilidades

de donde nacen los principales Teoremas como la Probabilidad condicionada y la Regla

multiplicativa; además de las principales distribuciones que se usan en las ciencias

naturales como son la distribución binomial y la de Poisson.

SUMMARY

The probability theory has its origin in gambling, particularly in Europe, in recent years,

statistical methods in the theory of probability is applied, penetrate increasingly more

widely in the different fields of science and technology, contributing to its progress. The

probability theory is the possible event events (random variables) within a finite set

(sample space). There are basically three axioms which derives the probability theory

where the main Theorems born as the conditional probability and multiplicative Rule;

besides the main distributions used in the natural sciences such as the binomial

distribution and of Poisson.

Pág. 1
 TEORIA DE LAS PROBABILIDADES

INTRODUCCION

La teoría de las probabilidades surge en los siglos XVI ± XVIII relacionada con
problemas de los juegos de azar, particularmente en Europa; sus principales precursores
fueron Pascal, Fermat y otros. Esta teoría continuó desarrollándose vinculada con los
nombres de Bernoulli (1654 ± 1705) y posteriormente con Moivre, Laplace, Poisson,
Gauss y otros. Un nuevo período de esta teoría está vinculado con los nombres de
Chebyshev (1821 ± 1894) y sus alumnos Markov (1856 ± 1922) y Liapunov (1857 ±
1918). En su posterior desarrollo, han contribuido en gran medida los matemáticos
Bernshtein, Romanovki, Kolmogorov, Smirnov, Gnedenko y otros. Cualquier fenómeno
del mundo que nos rodea, se halla relacionado directa o indirectamente con un conjunto
infinito de otros hechos que pueden dar lugar a que: dicho fenómeno deba suceder
siempre, es decir, que sea cierto; nunca pueda suceder, es decir, que sea imposible y en
último caso, que pueda o no ocurrir, a lo cual se le denominará como un fenómeno
aleatorio. Los métodos de la teoría de las probabilidades se emplean ampliamente en
distintas ramas de las ciencias naturales y de la técnica sirviendo también como base de
la estadística matemática y aplicada, la cual, a su vez, se emplea en la planificación y
organización de la producción, para analizar los procesos productivos y tecnológicos, el
control de la calidad y muchos otros fines. En los últimos años, los métodos estadísticos
en que se aplica la teoría de las probabilidades, penetran cada vez más con mayor amplitud
en los distintos campos de la ciencia y la técnica, contribuyendo a su progreso.2

Pág. 2
 JUSTIFICACIÓN
Los métodos de la teoría de probabilidades se emplean ampliamente en distintas ramas
de las ciencias naturales y de la técnica sirviendo también como base de la estadística
matemática y aplicada, la cual, a su vez, se emplea en la planificación y organización
de la producción, para analizar los procesos productivos y tecnológicos, el control de
calidad y muchos otros fines.

En los últimos años, los métodos estadísticos en que se aplica la teoría de las
probabilidades, penetran cada vez más con mayor amplitud en los distintos campos de
la ciencia y la técnica, contribuyendo a su progreso.

En la actualidad son muchas las aplicaciones de la probabilidad; por ejemplo: se usa en

los juegos de azar como loterías, casinos, carreras de caballos y deportes; sin embargo, el
uso de la probabilidad va más allá de los juegos de azar. En la actualidad, los gobiernos,
las empresas y las organizaciones profesionales utilizan la teoría de la probabilidad en su
cotidiano proceso de toma de decisiones. En cualquier aplicación particular, el empleo de
las probabilidades indica que existe algún elemento aleatorio o de incertidumbre
relacionado con la ocurrencia o no ocurrencia de algún evento futuro. Así, en muchos
casos, puede ser imposible predecir qué pasará, pero es posible deducir lo que podría
pasar con algún grado de certidumbre.6 Existen muchos ejemplos en los negocios y en las
actividades del gobierno en los que interviene algún elemento aleatorio. Por ejemplo,
predecir cuánta demanda tendrá un producto nuevo en el mercado, estimar el costo de
producción, pronosticar las fallas en las cosechas, comprar seguros, contratar a un nuevo
empleado, presupuestar, predecir la reacción de los gobiernos extranjeros ante un cambio
en la política de defensa, calcular qué impacto tendrá en la inflación una rebaja en los
impuestos, etcétera.6
Debido a esto, en la elaboración de la presente monografía nos hemos planteado el
siguiente problema: ¿Cuáles son los conceptos básicos de la probabilidad y cuál es su
importancia en las ciencias?; con la finalidad de definir los conceptos básicos de la
probabilidad matemática, conocer los enfoques del concepto de probabilidad, determinar la
importancia de la teoría de la probabilidad y su aplicación en el estudio de las ciencias.

Pág. 3
 CAPITULO I

I.1.- Concepto general.-

La teoría de la probabilidad es un modelamiento matemático del fenómeno del azar o
aleatoriedad.4
Es una cuantificación o una medida de la posibilidad de un suceso en un experimento
aleatorio, es decir, el cociente que resulta de dividir el número de casos favorables de
un suceso, por el número de casos posibles, correspondiendo estos últimos a la suma de
los casos favorables y desfavorables. Así pues, representando la probabilidad del suceso
A por P(A), se obtendrá la fórmula:2

P(A) = Casos favorables a que ocurra A / Casos Posibles *

* Suma de los casos favorable y los no favorables.

En su aplicación, se puede se puede llegar a la conclusión que:

a) Si el suceso es imposible que ocurra, la probabilidad valdrá cero.

b) Si el suceso es cierto, la probabilidad valdrá la unidad.

c) Entre esos dos extremos (la imposibilidad y la certeza), existe toda una gama de
posibilidades cuya medida es la probabilidad, la que variará, en consecuencia, entre
los valores de 0 y 1,es decir: 2

0 ≤ P(A) ≤ 1

La probabilidad se determina sobre la base de la aparición de un suceso que se repite

sistemáticamente, o sea, en forma reiterativa y que debe tener un carácter aleatorio.2

I.2.- Espacio Muestral.-

Se llama espacio muestral de un experimento aleatorio, al conjunto E formado por todos los
resultados posibles de dicho experimento. Ejemplo: Determinar el espacio muestral de los
dos primeros experimentos anteriores.1

a) Al arrojar un dado los resultados posibles son: 1,2,3,4,5,6, Luego E = {1,2,3,4,5,6}

b) Si en un grupo de 10 alumnas, contamos cuántas tienen ojos azules puede ocurrir que:

 Ninguna tenga ojos celestes, en este caso el resultado del experimento es cero.
 Todas tengan ojos celestes, en este caso el resultado del experimento es 10.
Pág. 4
  Algunas tengas ojos celestes, en este caso los resultados posibles son 1, 2, 3, 4,
5, 6, 7, 8,9. Luego E = {0, 1,2,3,4,5,6, 7, 8, 9 10}

I.3.- Variable aleatoria.-

Si arrojamos dos dados, sabemos que la suma X de los puntos que caen hacia arriba debe ser
entero entre 2 y 12, pero no podemos predecir qué valor de X aparecerá en el siguiente
ensayo y podemos decir que X depende del azar. El número de varones de una familia con 5
hijos también depende de la casualidad.8

Si las observaciones no se dan en términos de números, podemos asignarles números y

reducir las observaciones cualitativas al caso cuantitativo; así tenemos que la función que
asigna números o valores a cada uno de los elementos del espacio muestra con una
probabilidad definida, se denomina “variable aleatoria”.8

 Son ejemplos de variables aleatorias continuas: la estatura, el peso, la edad, el

volumen, el pH, etc.
 Son ejemplos de variables aleatorias discretas: el número de alumnos que asisten a
clases diariamente, el número de accidentes automovilísticos en una ciudad por día,
el número de alumnos aprobados en un examen.

Pág. 5
 I.4.- Eventos y espacios de probabilidad finita.-

Un evento es cualquier subconjunto de un espacio muestral. Los eventos pueden combinarse

para formar eventos nuevos utilizando las diversas operaciones de conjuntos:4

 A U B es el evento que ocurre si y solo si A ocurre o B ocurre (o ambos)

 A ∩ B es el evento que ocurre si y solo si A ocurre y B ocurre.
 A’ es el complemento de A, es el evento que ocurre si y solo si A no ocurre.

La probabilidad de un evento es un valor numérico real que se le asigna a dicho evento, y

que de algún modo indica que tan verosímil debe considerarse. Si A es un evento, entonces
la probabilidad de A suele denotarse mediante P (A).4

Espacio Finito.-

Supongamos que Ω es un espacio muestral finito, y que las características físicas del
experimento sugieren que a los diversos resultados del experimento le han sido asignadas
probabilidades iguales. Específicamente si Ω tiene n elementos, entonces a cada punto en
1
Ω le es asignada la probabilidad y a cada evento A que contiene m puntos se le asigna
𝑛
𝑚
la probabilidad 𝑛

En otras palabras:4

P(A) = =

I.5.- Fundamentos axiomáticos.-

Aunque el término “probabilidad de un evento” no se define en forma explícita, queda

establecido indirectamente con los siguientes tres axiomas:

Axioma 1: Si A es un evento cualquiera, entonces la probabilidad de A, denotada por

P(A), es un número real no negativo y no mayor que 1, es decir 0 ≤ P(A) ≤ 1 .

Axioma 2: Si A y B son dos eventos ajenos, (es decir mutuamente excluyentes), entonces
P(A U B) = P(A) + P(B).

Axioma 3: Si Ω denota el espacio Muestral, entonces P(Ω) = 1

Pág. 6
 CAPITULO II

II.1.- Regla multiplicativa y probabilidad condicionada.-

Para cualquiera dos eventos A y B (no vacios), se define la Probabilidad condicional de
B dado A mediante la relación multiplicativa P(A Ո B) = P(A). P(B/A).
Como la intersección de conjuntos es commutativa, ello es equivalente a escribir:

P(A Ո B) P(B Ո A)
P(B/A) = P(A)
=
P(A)

Es posible generalizar la regla multiplicativa para tres eventos:4

P(A Ո B Ո C) = P(A) . P(B/A). P(C/A Ո B)

Ejemplo 1.- Suponga que en el estante de una biblioteca hay 8 libros de física iguales
(mismo autor, edición y título); excepto que 4 de ellos están a la rustica y los otros cuatro
están empastados. Considere que en forma sucesiva vienen 3 lectores y cada uno de ellos
pide a la bibliotecaria un ejemplar de ese libro para llevar a casa. Si ella los elige al azar,
¿Cuál es la probabilidad de que al primero le toque empastado, el segundo a la rustica y
al tercero también a la rustica?
Solución.- Es claro que si denotamos por A, B y C respectivamente, a estos tres
eventos y aplicamos la formula recién expuesta, la solución será:

P(A Ո B Ո C) = 8 . .6 =
4 4 3 1
7 7

II.2.-Principales distribuciones de probabilidades.-

II.2.1.- Distribución binomial.-

Este tipo de distribución es típicamente aplicable a una variable discreta y toma
en cuenta los casos en que se esté analizando que ocurra un suceso o que no ocurra, su
fórmula es:

Pág. 7
 Ejemplo 2.-

II.2.2.- Distribución de Poisson.-

Es la distribución probabilística de aquellas variables aleatorias que se aplican en
situaciones que ocurren cambios en los intervalos de tiempo, unidad de longitud, área u
otro tipo de medición, aunque lo más común es su utilización en fenómenos cuyos
cambios se producen en función del tiempo. Para aplicar la distribución de Poisson se
deben cumplir las condiciones siguientes:
1.- Las apariciones (frecuencias) de los eventos son independientes. La
presentación de un evento en un intervalo de espacio o tiempo, no tiene efecto alguno
sobre la probabilidad de una segunda aparición del evento en el mismo intervalo o en
cualquier otro.
2.- Teóricamente debe ser posible un número infinito de apariciones del evento en
el intervalo.
Pág. 8
 3.- La probabilidad de que se presente una sola vez el evento en un determinado
intervalo, es proporcional a la longitud del intervalo.
4.- En cualquier porción infinitesimalmente pequeña del intervalo, se rechaza la
probabilidad de que el evento se presente más de una vez.

La distribución de Poisson, solo considera el número de apariciones en un periodo

determinado, sin tomar en cuenta el tamaño de la población.

Ejemplo 3.-

Pág. 9
 CONCLUSIONES

1.- La teoría de las probabilidades es un modelo matemático del fenómeno del

azar y se desarrolló a raíz de los juegos de azar.

2.- La teoría de las probabilidades trata de prever acontecimientos futuros

dentro de un espacio muestral.

3.- La teoría de las probabilidades tiene un importante uso en la estadística, en

la economía, al igual que en las otras ciencias como las química-biológicas y la
investigación científica.

Pág. 10
 REFERENCIAS BIBLIOGRAFICAS

1.- Colegio24hs. Probabilidades. Buenos Aires, AR: Colegio24hs, 2004. ProQuest ebrary. Web.
28 August 2016. Pág. 10,11,12

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=79&docID=10048155&tm=
14 72377274759

2.- Ramírez Sánchez, Waldo. Manual: teoría de las probabilidades. La Habana, CU: Universidad
de Granma, 2007. ProQuest ebrary. Web. 28 August 2016.Pág. 2,3 y 4.

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=3&docID=10194581&tm=1
47 2377513083

3.- Colegio24hs. Estadística. Buenos Aires, AR: Colegio24hs, 2004. ProQuest ebrary. Web. 28
August 2016.

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=1&docID=10048162&tm=1
47 2377532531

4.- Wisniewski, Piotr Marian, and Gutiérrez Banegas, Ana Laura. Introducción a las
matemáticas universitarias. México, D.F., MX: McGraw-Hill Interamericana, 2009. ProQuest
ebrary. Web. 28 August 2016. Pag. 533, 534, 538, 539

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=545&docID=10473069&tm
=1 472377547855

5.- Ortiz Campos, Francisco José, and Ortiz Cerecedo, Francisco Javier. Matemáticas 2. Distrito
Federal, MÉXICO: Grupo Editorial Patria, 2015. ProQuest ebrary. Web. 28 August 2016.

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=188&docID=11230907&tm
=1 472378741827

6.- Monroy Saldívar, Salvador. Estadística descriptiva. México, D.F., MX: Instituto Politécnico
Nacional, 2005. ProQuest ebrary. Web. 28 August 2016.Pág. 127, 128

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=126&docID=10436604&tm
=1 472379560329
Pág. 11
7.- Mateos Aparicio Morales, Gregoria. Teoría subjetiva de la probabilidad: fundamentos,
evolución y determinación de probabilidades. Madrid, ES: Universidad Complutense de
Madrid, 2006. ProQuest ebrary. Web. 28 August 2016.

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=7&docID=10450174&tm=1
47 2380177622

8.- Marques de Cantú, María José. Probabilidad y estadística para ciencias químico-biológicas.
México, D.F., MX: McGraw-Hill Interamericana, 2009. ProQuest ebrary. Web. 28 August
2016.Pág, 79,80

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=89&docID=10522732&tm=
14 72380538434.

Pág. 12