FACULTAD DE INGENIERA Y ARQUITECTURA

CARRERA PROFESIONAL DE INGENIERA MECNICA

TEMA:
TEORIA DE PROBABILIDADES

AO : 2016
Conceptos Bsicos

Experimento aleatorio :
Espacio Muestral :
Espacio Muestral : Discreto , Continuo
Evento o Suceso
Sucesos elementales, seguros e imposibles
Probabilidad : grado de certidumbre
Probabilidad y Juegos de Azar
Probabilidad y Frecuencia relativa
Probabilidad Subjetiva (Personal)
 Experimento Aleatorio: Proceso en observacin
Evento Elemental: Resultado de un experimento
indivisible
a.-Mutualmente Excluyentes: si
ocurre uno no existe posibilidad de observar
otro.
b.- Equiprobable : Cada evento
simple tiene idntica
probabilidad.

Espacio Muestral : El conjunto de todas las

observaciones elementales.
Evento A : El conjunto de todos los eventos
elementales observaciones posibles
que resultan en la ocurrencia del evento A
 Conjuntos y Eventos

(S): Espacio Muestral: Todos los posibles

(S)

resultados elementales
s S: resultado elemental
B
:Familia de todos los eventos posibles de
A
E S
:luego es un Evento
s :luego evento imposible
S : luego S es el Evento Seguro
s
A y B :luego son eventos
AB : AB ; Ac , son eventos
 Conjuntos vs. Eventos

Teora Conjuntos Teora Probabilidades

S Universo Espacio Muestral
Conjunto Potencia Familia Clases de Eventos

A A subconjunto de S A es un Evento
s A s es elemento de A Ocurre el evento A
Conjunto vaco Evento Imposible
S Universo Evento Seguro
AB A unin B Evento A o Evento B
AB A interseccin B Evento A y Evento B
Ac Complemento de A Evento no-A
A B A es subconjunto de B A implica B
AB= A y B son disjuntos A y B mutuamente excluyentes
Experimento Aleatorio:

I II
1 3
1 2 2 3

Se toma al azar una esfera de la urna I

Se transfiere a la urna II, se mezclan bien.
Se elige, aleatoriamente, una esfera de la urna II.
cul es la probabilidad a priori que sea verde?
Espacio Muestral: 1 1

2 2 Conclusin:
1 Hay
3 3 distintas
Traspasar Roja # 1 II 4 formas como
3
puede
5 resultar el
2
6 experimento.
1 3 Ya que las
7 esferas has
I Traspasar Verde # 1 II 1 sido sacadas
8
al azar, cada
2
9 uno de ellos
2 tiene la
10 misma
2
11 3 posibilidad
II de ocurrir
Traspasar Verde # 2
12 3
Nociones de Probabilidad:

Probabilidad es una medida de la incertidumbre (Eestimacin de la

probabilidad).

Terica - A Priori:
Pr (Ai) = n / N
n = nmero de posible formas en queAi puede ser observado
N = nmero total de resultados posibles.

Histrica (emprica-frecuencia) - A Posteriori:

Pr (Ai) = n/N
n = nmero de veces que ocurri Ai
N = nmero total de observaciones
Subjetiva
La Opinin de un Experto
Modelo Probabilstico:

a.-Sea una Distribucin de Probabilidad P,

funcin que asigna a cada sub-conjunto
razonable de un valor entre 0 y 1.

b.-Sea 2 coleccin de eventos

razonables de (-lgebra)
P: [0;1]
Modelo de Probabilidad= (, , P)
Clculo de Probabilidades
(Eventos Equiprobables):

Nocin intuitiva:

P(A) = Resultados favorables al evento A

Resultados posibles

Nocin frecuentista:

Sea N: N total de veces que se realiza un

experimento
NA: N total de veces que ocurre A

NA
P(A) = lim N
N
Observacin:
En muchas ocasiones nos preocupamos de elegir de
manera aleatoria uno o ms objetos desde una coleccin
de objetos
Sea N el nmero de objetos:
1. Elegir 1 objeto al azar, significa que cada objeto tiene la
misma probabilidad de ser elegido. P(elegir ai ) = 1/ N
2. Elegir 2 objetos al azar significa que cada par de objetos
tiene la misma probabilidad de ser seleccionado.
Supongamos que existen K de tales pares, entonces la
probabilidad de elegir un par cuales quieres es 1/ K.
3. Elegir r objetos aleatoriamente, r < N, significa que cada
r-tupla de objetos tiene la misma probabilidad de ser
seleccionada que cualquier otra r-tupla
Probabilidad Axiomtica:

Axioma 1: P(A) 0
Axioma 2: P() = 1

Suponiendo que A1, A2,..... son eventos

mutuamente excluyentes

Axioma 3: P(Ai) = P(Ai)

Propiedades:

1. P() = 0
2. P(A) 1
3. P(AC) = 1 - P(A)
4. Si A B P(A) P(B)
5. P(AB) = P(A) + P(B) - P(AB)
6. P(Ai) P(Ai)
7. Si A B P(B-A) = P(B) - P(AB)
Espacio Muestral Finito:

Sea S = {s1, s2, s3, ...., sN } Espacio Muestral Finito

Ei = {si} i =1,..N Evento Elemental

Ei = S Mutuamente excluyentes de a pares

Aplicando los axiomas se tiene

1. P(Ei) = fi > 0 i =1, 2, 3, .. , N;

2. P( Ei) = 1 fi = 1
3. Como Ei Ej = 0 i j P(Ei Ej)=P(Ei) + P(Ej)
Probabilidad Condicional:

Sean A, B dos sucesos tal que P(B) > 0:

La probabilidad de A condicionada a la ocurrencia de B,
denotada como P(A/B) :

P(A/B) = P(AB)
P(B)
Propiedades:
1. P(A/B) 0
2. P( /B) = 1

3. P(Ai/B) = P(Ai/B) con Ai Aj = , i, j : i j

Probabilidad Condicional:

Centra el foco de atencin en el hecho que

se sabe que han ocurrido el evento B

Estamos indicando que el espacio muestral

de inters se ha reducido slo a aquellos
A
resultados que definen la ocurrencia del
evento B
B
Entonces, P(A | B) mide la probabilidad
relativa de A con respecto al espacio
reducido B
 Probabilidad Condicional:
Tambin se ha encontrado que el
Se ha encontrado que el 25%
5% de la piezas que no tienen
de las piezas con fallas
fallas superficiales son
superficiales son
funcionalmente defectuosas
funcionalmente defectuosas

Por lo tanto el 90% Se sabe que el 10% de las

no tienen fallas 100% piezas piezas manufacturadas
visibles en la tienen fallas visibles en la
Manufacturadas
superficie. superficie.

Evento A = { pieza funcionalmente defectuosa}

B = { pieza tiene una falla visible en la
superficie}

P( A dado B) = P(A | B) ?
Casos Probabilidad Condicional:

P(A B ) P()
A Si A B = P(A | B) = = =0
B P(B) P(B)

A P(A B ) P(B)
B Si A B = B P(A | B) = = =1
P(B) P(B)

P(A B )
A Si A B P(A | B) = =0
B P(B)
Probabilidad Total:

Sean B1, B2,....,Bn eventos mutuamente

n
excluyentes : P( B i )=1
i 1
Entonces
n
P(A) = P( A / B ) P( B )
i 1
i i

Consecuencia (Regla de Bayes):

P(Bi/A) = P(A/Bi) P(Bi)

P(A)
 Probabilidad Total:

B1 B2 B5
A Equipo AB1
Fallado
AB2
AB4
AB3 Equipo
B4 Manufacturado
B3 en Planta B2

Sean B1, B2,....,Bn eventos mutuamente excluyentes

n
P( i =1
Bi ) = 1
n

Entonces P(A) =
i=
P(A | Bi) P(Bi)
1
Regla de Bayes:

Supongamos de que se elige aleatoriamente un Equipo y se

encuentra que est fallado. cul es la probabilidad que sea
manufacturado en Planta B3 ?

Se pide P(B3 | A); pero slo se conoce P(A Bi), i = 1, 2, 3, .. , k

Sabemos que P(A Bi) = P( A | Bi ) P(Bi) = P(Bi | A) P(A)

P (Bi) P (A | Bi )
P (Bi | A ) = BiBj = ; i j
P (Bi) P (A | Bi )
Bi =j S
j
Probabilidad Multiplicativa:

Ley Multiplicativa:
n n 1
P (Ai ) P ( Ai ) P ( A2 / A1 ).......P ( An / Ai )
i 1 i 1

siempre que:
n
P (Ai ) 0
i 1
Regla de la Multiplicacin:

El Nmero de maneras
diferentes de elegir o sacar un n2
elemento de del conjunto 1 que n1

tiene n1 elementos, luego un

elemento de un conjunto 2 que
n2
tiene n2 elementos, ... , y
finalmente un elemento del
psimo conjunto que tiene nk
elementos, en donde el orden n2
como se selecciona es
importante

n1* n2* ......* nk

Ejemplo:

1) Sean A,B sucesos de un mismo modelo de probabilidad

(, , P) tales que:

P(B)=0,4 P(AB)=0,7 P(A/B)=0,75

Determinar:

P(AC) ; P(A-B) ; P(ACBC) ; P(A/BC)

Solucin:
P(AC) = 1 - P(A)
P(AB) = P(A) + P(B) - P(AB)
P(AB) = P(A/B) P(B) = 0,75 * 0,4 = 0,3
P(A) = 0,7 - 0,4 + 0,3 = 0,6
P(AC) = 0,4

P(A-B) = P(ABC) = P(A) - P(AB) = 0,6 - 0,3 = 0,3

P(ACBC) = P(AC) + P(BC) - P(ACBC)

P(ACBC) = P(BC) - P(ABC) = 0,6 - 0,3 = 0,3
Luego P(ACBC) = 0,4 + 0,6 - 0,3 = 0,7

P(A/BC) = P(ABC) = 0,3 = 0,5

P(BC) 0,4
 Ejemplo:

Un procesador para computadores puede provenir de cualquiera de tres

fabricantes con probabilidades:
p1 = 0,25 ; p2 = 0,50
p3 = 0,25.
Las probabilidades de que un procesador funcione correctamente durante 10.000
horas es 0,1; 0,2 y 0,4 respectivamente para los 3 fabricantes:

i) Calcular la probabilidad de que un procesador elegido al azar funcione durante

10.000 horas.

ii) Si el procesador funcion correctamente durante el perodo de 10.000 horas

cul es la probabilidad de que haya provenido del 3er fabricante?
Solucin:

i) P(C) = P (C / F ) P ( F )
i 1
i i

= 0,1*0,25 + 0,2*0,5 + 0,4*0,25

= 0,225.

ii) P(F3/C) = P(C/F3) P(F3)

P(C)

= 0,4 * 0,25 = 0,444.

0,225
Independencia Probabilstica:

1. Sean A, B dos eventos del modelo probabilstico (, , P).

A, B se dicen probabilsticamente independientes si:

P(AB) = P(A) P(B) P(A | B) = P(A)

P(B | A) = P(B)

2. Sean Ai: i I = 1,2,3,......,k una coleccin de eventos de

(, , P). Se dice que los elementos son conjuntamente
independientes si:

P( Ai ) = P(Ai)
jJ
J I = 1,2,3,......,k
Observaciones:

1. Independencia probabilstica Conjunta Independencia

de a pares
2. Independencia probabilstica de a pares Independencia
probabilstica Conjunta

3. Si A, B son eventos independientes probabilsticamente.

Entonces se tiene
- A, BC son independientes.
- AC, BC son independientes
- AC, B son independientes

4. Sea (, 2, P) modelo de probabilidad.

Estudiar independencia conjunta y de a pares.
Independencia Probabilstica:

Ejemplo:

Sea (, 2, P) modelo de probabilidad.

= (1,0,0) (0,1,0) (0,0,1) (1,1,1)

P(wi ) = 1/4 i = 1, 4

Sean A1, A2, A3 eventos de (, 2, P) :

A1: 1era coord. es 1

A2: 2da coord. es 1

A3: 3era coord. es 1

 Ejemplo : Independencia
Probabilstica
1 2

A B

3 4

Probabilidad de cerrar los rels 1,2,3 y 4 es p. Si todos los rels funcionan

independientemente , cul es la probabilidad que pase corriente de A a B?

P( E ) P[( R1 R2 ) ( R3 R4 )]; P( E ) P[ R1 R2 ] P[ R3 R4 ] P[Ri ] 2 p 2 p 4

2
1

5
A B

3 4
Variaciones:

Def: Sea A un conjunto : Card ( A) n , se llama

variacin simple o sin repeticin a todo subconjunto de
n elementos distinguindose estos entre si, en los
elementos que lo componen y en el orden en que estos
elementos van colocados

A={x1,x2,.......xn } V(n,2)= n(n-1) ; V(n,3)= n(n-1)(n-

2)...
V(n,k)= n(n-1)(n-2)......(n-k+1)

Obs: Si las variaciones son con repeticin V1(n,k) = nk

Permutaciones:

Nmero de maneras distintas de n n !

sacar r elementos de lote de n Pr =
CUANDO EL ORDEN IMPORTA : ( n - r) !

n objetos

-----
1 2 3 4 r
Combinaciones:

Combinaciones( sin repeticin):

Nmero de maneras distintas de sacar r
elementos de lote de n CUANDO EL
ORDEN NO IMPORTA

combinaciones con repeticin :

C1(n,r)= (n+r-1)!/ r!(n-1)!

n!
C(n,r) =
r!( n - r )!
Construccin Modelos de
Probabilidad:

Sea una medida en el Espacio Muestral tal que

() < : Longitud ; Superficie Volumen. etc.

Entonces existe un funcin definida en IR

P : IR IR : P(A ) = (A )
( )

es una medida de Probabilidad

Ejemplo:
Problema del encuentro:

Dos estudiantes acuerd [9; 10] an encontrarse en la biblioteca de la UTFSM entre las 9

A.M. y las 10 A.M. un da lunes. El primero que llega a la biblioteca , espera al otro 10

minutos (dentro del intervalo de tiempo pactado). Si se supone que cada uno llega al azar

en el intervalo de tiempo convenido y que los tiempos de llegada son independientes.

Cul es la probabilidad que estos estudiantes se encuentren ?

Solucin: X(t) : Llegada del estudiante 1

Y(t) : Llegada del estudiante 2

[X(t);Y(t)] [9; 10]x [9; 10]= [0; 60]X [0; 60]=

A={[X(t);Y(t)] : |X(t);Y(t)|< 10}

P(A)= = 11/ 36
Bibliografas:

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.
 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.ed
u.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/Estadistica/inde
x.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
GRACIAS