REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD DEL ZULIA

NÚCLEO COSTA ORIENTAL DEL LAGO
PROGRAMA DE CIENCIAS ECONOMICAS Y SOCIALES
SUBPROGRAMA: RELACIONES INDUSTRIALES

PROBABILIDAD

CÁTEDRA: ESTADISTICA
PROFESOR: RAUL ORTIZ
SECCION: 001
INTEGRANTE:
YAMILETH FERRER C.I. 28.486.155

SEPTIEMBRE 2019

i
 ÍNDICE GENERAL

Pág.

PORTADA ....................................................................................................... i
ÍNDICE GENERAL .......................................................................................... ii
INTRODUCCIÓN ............................................................................................ iv

PROBABILIDAD ............................................................................................ 5
1.1.- PROBABILIDAD ............................................................................. 5
1.1.1. AXIOMAS DE LA PROBABILIDAD ...................................... 5
1.1.2. EVENTO .............................................................................. 6
1.1.3. PUNTO MUESTRAL ............................................................ 6
1.1.4. ESPACIO MUESTRAL ......................................................... 6
1.2. ENFOQUES .................................................................................... 6
1.2.1. ENFOQUE CLÁSICO ........................................................... 6
1.2.2. ENFOQUE FRECUENCIAL ................................................. 7
1.2.3. ENFOQUE SUBJETIVO. ..................................................... 7
1.3. TEOREMA DE BAYES .................................................................... 7
1.4. FORMAS DE REALIZAR EJERCICIOS DE LA TEORÍA
COMBINATORIA .......................................................................................... 10
1.4.1 VARIACIONES.................................................................... 10
1.4.2 PERMUTACIONES. ............................................................ 11
1.4.3 COMBINACIONES. ............................................................. 12
1.5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA .................... 13
1.5.1 DISTRIBUCIÓN BINOMIAL. ............................................... 13
1.5.2 DISTRIBUCIÓN POISSON ................................................. 14
1.5.3 DISTRIBUCIÓN HIPERGEOMÉTRICA. ............................. 14

CONCLUSIÓN ............................................................................................. 15

ii
BIBLIOGRAFÍAS .......................................................................................... 16
ANEXO ......................................................................................................... 17

iii
INTRODUCCIÓN

iv
 PROBABILIDAD

1.1. PROBABILIDAD: Es una medida de la certidumbre asociada a un

suceso o evento futuro y suele expresarse como un número entre 0 y 1 (o entre
0 % y 100 %), es decir, es la mayor o menor posibilidad de que ocurra un
determinado suceso. En otras palabras, su noción viene de la necesidad de
medir o determinar cuantitativamente la certeza o duda de que un suceso dado
ocurra o no.

Esta establece una relación entre el número de sucesos favorables y el

número total de sucesos posibles.

Ejemplo: Al lanzar un dado, y que salga el número uno (caso favorable)

está en relación a seis casos posibles (1, 2, 3, 4, 5 y 6); es decir, la probabilidad
es 1/6.

1.1.1. AXIOMAS DE LA PROBABILIDAD:

 La probabilidad es positiva y menor o igual que 1.

0 ≤ p(A) ≤ 1

 La probabilidad del suceso seguro es 1. p(E) = 1

 Si A y B son incompatibles, es decir A ∩ B = ∅ entonces:

p(A ∪ B) = p(A) + p(B)

1.1.2. EVENTO: Es un conjunto de posibles resultados del

experimento. A es un subconjunto de Ω ( A ⊂ Ω ).

5
 Ejemplo: Al tirar un dado hay n = 6 resultados posibles.
El espacio muestral es 123456 Ω = {, , , , , } ω ωωωωω donde ω1 es el evento
de sacar un 1, ω2 es el evento de sacar un 2, ω3 es el evento de sacar un 3.
ω4 es el evento de sacar un 4, ω5 es el evento de sacar un 5 y ω6 es el evento
de sacar un 6. Si definimos A como el evento de sacar un número par,
entonces 246 A = {, ,} ω ω ω , por lo que n A( ) = 3 y PA nA n ( ) ( ) 3 / 6 0.5 =
== .

1.1.3. PUNTO MUESTRAL: Es un elemento de Ω, es decir un

resultado particular del Experimento. Ω = {ω1 2 3, , , ..., ωω ωn} .

1.1.4. ESPACIO MUESTRAL: Es el conjunto de todos los posibles

resultados de un experimento. En la definición anterior, el espacio muestral Ω
consta de elementos (puntos muéstrales).

1.2. ENFOQUES:

1.2.1. ENFOQUE CLÁSICO: Los resultados de un experimento

son igualmente viables, es decir, tienen teóricamente las mismas posibilidades
de ocurrir. En este caso la probabilidad de ocurrencia de un evento será:
Número de resultados en los que se presenta el evento / número total de
resultados posibles.

Ejemplo: La probabilidad de que en una baraja francesa de 52

cartas salga el cinco de trébol es de 1/52.

1.2.2. ENFOQUE FRECUENCIAL: La probabilidad de que un

evento suceda se determina observando eventos similares en el pasado. Este
método utiliza la frecuencia relativa de las presentaciones pasadas de un
evento como una probabilidad. Determinamos qué tan frecuente ha sucedido

6
algo en el pasado y usamos esa cifra para predecir la probabilidad de que
suceda de nuevo en el futuro.
 Frecuencia absoluta: Es el número de veces que se presenta
un evento determinado en un experimento.
 Frecuencia relativa: Es la fracción o porción de veces que se
presenta un evento determinado en un experimento.

En este caso la probabilidad de ocurrencia de un evento será:

Número de resultados esperados ocurridos en el pasado / número total de
experimentos adelantados

Ejemplo: La probabilidad de que Brasil gané el mundial de Catar

2022 es de 5 mundiales ganados anteriormente / 19 mundiales que se han
celebrado en total.

1.2.3. ENFOQUE SUBJETIVO: Se basa en las creencias e ideas

en que se realiza la evaluación de las probabilidades y se define como en aquel
que un evento asigna el individuo basándose en la evidencia disponible (el
individuo asigna la probabilidad en base a su experiencia).

Ejemplo: Pronóstico del tiempo, muchas personas realizan una

predicción personal de cómo serán las condiciones climáticas para el día,
basadas más en la experiencia personal pero que muchas veces se sustentan
en experiencia de eventos pasados.

1.3. TEOREMA DE BAYES: Es utilizado para calcular la probabilidad de

un suceso, teniendo información de antemano sobre ese suceso. Se puede
calcular la probabilidad de un suceso A, sabiendo además que ese A cumple
cierta característica que condiciona su probabilidad. El teorema de Bayes
entiende la probabilidad de forma inversa al teorema de la probabilidad total.

7
El teorema de la probabilidad total hace inferencia sobre un suceso B, a partir
de los resultados de los sucesos A. Por su parte, Bayes calcula la probabilidad
de A condicionado a B.

El teorema de Bayes ha sido muy cuestionado. Lo cual se ha debido,

principalmente, a su mala aplicación. Ya que, mientras se cumplan los
supuestos de sucesos disjuntos y exhaustivos, el teorema es totalmente
válido.

Fórmula del Teorema de Bayes: Para calcular la probabilidad tal como

la definió Bayes en este tipo de sucesos, necesitamos una fórmula. La fórmula
se define matemáticamente como:

Donde B es el suceso sobre el que tenemos información previa y A(n)

son los distintos sucesos condicionados. En la parte del numerador tenemos
la probabilidad condicionada, y en la parte de abajo la probabilidad total. En
cualquier caso, aunque la fórmula parezca un poco abstracta, es muy sencilla.
Para demostrarlo, utilizaremos un ejemplo en el que en lugar de A(1), A(2) y
A(3), utilizaremos directamente A, B y C.

Ejemplo: Una empresa tiene una fábrica en Estados Unidos que dispone
de tres máquinas A, B y C, que producen envases para botellas de agua. Se
sabe que la máquina A produce un 40% de la cantidad total, la máquina B un
30% , y la máquina C un 30%. También se sabe que cada máquina produce
envases defectuosos. De tal manera que la máquina A produce un 2% de
envases defectuosos sobre el total de su producción, la máquina B un 3%, y
la máquina C un 5%. Dicho esto, se plantean dos cuestiones:
P(A) = 0,40 P(D/A) = 0,02

P(B) = 0,30 P(D/B) = 0,03

8
 P(C) = 0,30 P(D/C) = 0,05

 Si un envase ha sido fabricado por la fábrica de esta empresa en

Estados Unidos ¿Cuál es la probabilidad de que sea defectuoso?

Se calcula la probabilidad total. Ya que, a partir los diferentes sucesos,

calculamos la probabilidad de que sea defectuoso.

P(D) =[ P(A) x P(D/A) ] + [ P(B) x P(D/B) ] + [ P(C) x P(D/C) ] = [ 0,4 x 0,02

] + [ 0,3 x 0,03 ] + [ 0,3 x 0,05 ] = 0,032

Expresado en porcentaje, diríamos que la probabilidad de que un envase

fabricado por la fábrica de esta empresa en Estados Unidos sea defectuoso
es del 3,2%.

 Si se adquiere un envase y este es defectuoso ¿Cuáles es la

probabilidad de que haya sido fabricado por la máquina A?¿Y por la máquina
B?¿Y por la máquina C?

Aquí se utiliza el teorema de Bayes. Tenemos información previa, es

decir, sabemos que el envase es defectuoso. Claro que, sabiendo que es
defectuoso, queremos saber cuál es la probabilidad de que se haya producido
por una de las máquinas.

P(A/D) = [P(A) x P(D/A)] / P(D) = [0,40 x 0,02] / 0,032 = 0,25

P(B/D) = [P(B) x P(D/B)] / P(D) = [0,30 x 0,03] / 0,032 = 0,28

P(C/D) = [P(C) x P(D/C)] / P(D) = [0,30 x 0,05] / 0,032 = 0,47

Sabiendo que un envase es defectuoso, la probabilidad de que haya sido

producido por la máquina A es del 25%, de que haya sido producido por la
máquina B es del 28% y de que haya sido producido por la máquina C es del
47%.

9
 1.4. FORMAS DE REALIZAR EJERCICIOS DE LA TEORÍA
COMBINATORIA: La Combinatoria es la parte de las Matemáticas que estudia
las diversas formas de realizar agrupaciones con los elementos de un
conjunto, formándolas y calculando su número.

Existen distintas formas de realizar estas agrupaciones, según se repitan

los elementos o no, según se puedan tomar todos los elementos de que
disponemos o no y si influye o no el orden de colocación de los elementos.

Ejemplo: ¿De cuántas formas diferentes se pueden cubrir los puestos de

presidente, vicepresidente y tesorero de un club de fútbol sabiendo que hay
12 posibles candidatos?

No entran todos los elementos

Sí importa el orden

No se repiten los elementos

1.4.1. VARIACIONES: Se llama variaciones ordinarias de m

elementos tomados de n en n (m ≥ n) a los distintos grupos formados por n
elementos de forma que:

No entran todos los elementos

Sí importa el orden
No se repiten los elementos

También se puede calcular las variaciones mediante factoriales:

10
 Las variaciones se denotan por:

Se llama variaciones con repetición de m elementos tomados de

n en n a los distintos grupos formados por n elementos de manera que:

No entran todos los elementos si m > n. Sí pueden entrar todos los

elementos si m ≤ n

Sí importa el orden

Sí se repiten los elementos

1.4.2. PERMUTACIONES: Permutaciones ordinarias de m

elementos de A al número de agrupaciones distintas que se pueden hacer con
todos los elementos del conjunto

Sí entran todos los elementos

Sí importa el orden
No se repiten los elementos

Permutaciones circulares se utilizan cuando los elementos se

han de ordenar "en círculo", (por ejemplo, los comensales en una mesa), de
modo que el primer elemento que "se sitúe" en la muestra determina el
principio y el final de muestra.

11
 Permutaciones con repetición de m elementos donde el primer
elemento se repite a veces, el segundo b veces , el tercero c veces, ...(m = a
+ b + c + ... = n) son los distintos grupos que pueden formarse con esos m
elementos de forma que :

Sí entran todos los elementos

Sí importa el orden
Sí se repiten los elementos

1.4.3. COMBINACIONES: Se llama combinaciones de m

elementos tomados de n en n (m ≥ n) a todas las agrupaciones posibles que
pueden hacerse con los m elementos de forma que:

No entran todos los elementos

No importa el orden
No se repiten los elementos

También se puede calcular las combinaciones mediante

factoriales:

12
 Las combinaciones con repetición de m elementos tomados
de n en n (m ≥ n), son los distintos grupos formados por n elementos de
manera que:

No entran todos los elementos

No importa el orden
Sí se repiten los elementos

1.5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA: es una

función que asigna a cada suceso definido sobre la variable la probabilidad de
que dicho suceso ocurra. La distribución de probabilidad está definida sobre el
conjunto de todos los sucesos y cada uno de los sucesos es el rango de
valores de la variable aleatoria. También puede decirse que tiene una relación
estrecha con las distribuciones de frecuencia. De hecho, una distribución de
probabilidades puede comprenderse como una frecuencia teórica, ya que
describe cómo se espera que varíen los resultados.

La distribución de probabilidad está completamente especificada por la

función de distribución, cuyo valor en cada x real es la probabilidad de que la
variable aleatoria sea menor o igual que x.

1.5.1 DISTRIBUCIÓN BINOMIAL: Es una función que asigna a

cada suceso definido sobre la variable la probabilidad de que dicho suceso
ocurra. La distribución de probabilidad está definida sobre el conjunto de todos
los sucesos y cada uno de los sucesos es el rango de valores de la variable

13
aleatoria. También puede decirse que tiene una relación estrecha con las
distribuciones de frecuencia. De hecho, una distribución de probabilidades
puede comprenderse como una frecuencia teórica, ya que describe cómo se
espera que varíen los resultados.

La distribución de probabilidad está completamente especificada

por la función de distribución, cuyo valor en cada x real es la probabilidad de
que la variable aleatoria sea menor o igual que x.

1.5.2 DISTRIBUCIÓN POISSON: Es una distribución de

probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia
media, la probabilidad de que ocurra un determinado número de eventos
durante cierto período de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o
sucesos "raros".

1.5.3 DISTRIBUCIÓN HIPERGEOMÉTRICA: Es una distribución

discreta relacionada con muestreos aleatorios y sin reemplazo. Suponga que
se tiene una población de N elementos de los cuales, d pertenecen a la
categoría A y N-d a la B. La distribución hipergeométrica mide la probabilidad
de obtener elementos de la categoría A en una muestra sin reemplazo de n
elementos de la población original.

14
CONCLUSIÓN

15
 BIBLIOGRAFIAS

https://es.wikipedia.org/wiki/Probabilidad

http://cidcaprobabilistica.blogspot.com/2007/08/tipos-de-enfoque-de-la-
probabilidad.html

http://cidcaprobabilistica.blogspot.com/2007/08/tipos-de-enfoque-de-la-
probabilidad.html

https://www.marcoteorico.com/curso/87/matematicas-para-la-toma-de-
decisiones/742/enfoques-de-probabilidad

http://estadistica2301.blogspot.com/2010/01/probabilidad-subjetiva.html

https://thales.cica.es/rd/Recursos/rd98/Matematicas/28/3.html

https://www.vadenumeros.es/sociales/combinatoria.htm

16
ANEXOS

17