INSTITUTO TECNOLÓGICO DE CERRO AZUL

CARRERA:

Ingeniería industrial

MATERIA:

Probabilidad y estadística

TEMA:

Investigación del tema 3: Fundamentos de probabilidad

DOCENTE:

Nadia yuriana robles marquez

INTEGRANTES:

Javier Luque peñuelas

FECHA

Jueves 2 de mayo de 2024

INTRODUCCIÓN

Los fundamentos de probabilidad son el pilar sobre el cual se erige una vasta
edificación de teorías y aplicaciones en diversos campos del conocimiento. Desde
la predicción del clima hasta la toma de decisiones en negocios, desde la medicina
hasta la ingeniería, la probabilidad es una herramienta fundamental que nos
permite comprender y cuantificar la incertidumbre inherente a muchos aspectos
de nuestra realidad.
En su esencia, la probabilidad es una medida numérica de la posibilidad de que
ocurra un evento. Este evento puede ser tan simple como el lanzamiento de una
moneda o tan complejo como el comportamiento de los mercados financieros.
Los fundamentos de la probabilidad nos proporcionan un marco conceptual para
entender y manejar esta incertidumbre de manera sistemática y rigurosa.
El estudio de la probabilidad comienza con la definición de algunos conceptos
fundamentales. Uno de ellos es el concepto de espacio muestral, que representa
el conjunto de todos los posibles resultados de un experimento aleatorio. Por
ejemplo, al lanzar un dado, el espacio muestral sería el conjunto {1, 2, 3, 4, 5, 6},
que contiene todos los posibles resultados del lanzamiento.
Sobre este espacio muestral, definimos los eventos, que son subconjuntos del
espacio muestral que representan posibles resultados de interés. Por ejemplo, el
evento "obtener un número par" al lanzar un dado incluiría los resultados {2, 4,
6}.
A partir de aquí, podemos introducir la noción de probabilidad asignando valores
numéricos a los eventos. Una probabilidad es un número real entre 0 y 1 que
representa la posibilidad de que ocurra un evento. Un evento con probabilidad 0
nunca ocurrirá, mientras que un evento con probabilidad 1 es seguro que ocurrirá.
Los eventos con probabilidad entre 0 y 1 representan grados de incertidumbre.
Existen diferentes enfoques para asignar probabilidades, dependiendo del
contexto y la naturaleza del problema. En algunos casos, las probabilidades
pueden determinarse a priori, utilizando conocimiento previo o suposiciones
razonables sobre el sistema en estudio. En otros casos, las probabilidades pueden
ser estimadas a partir de datos observados, utilizando técnicas estadísticas.
Además de las probabilidades simples, también podemos considerar
probabilidades condicionales, que representan la probabilidad de que ocurra un
evento dado que otro evento ya ha ocurrido. Por ejemplo, la probabilidad de que
llueva dado que las nubes están presentes.
 3.1 CONCEPTO CLÁSICO Y COMO FRECUENCIA RELATIVA.

Probabilidad clásica
Cada uno de los resultados debe ser igualmente posible. No tenemos que efectuar
experimentos para llegar a conclusiones, se pueden basar en razonamiento lógico.

Una fracción en la que el numerador es igual al número de apariciones del suceso y el

denominador es igual al número total de casos en los que es suceso pueda o no pueda ocurrir.
Tal fracción expresa la probabilidad de que ocurra el suceso". El enfoque clásico de la
probabilidad está basado en la suposición de que todos los resultados del experimento son
igualmente posibles. Este enfoque permite determinar la probabilidad con base en la
proporción de veces que ocurre un resultado favorable en cierto número experimentos .
Ejemplo:

El experimento es lanzar un dado. ¿Cuál es la probabilidad de que caiga un dos hacia arriba?
Las caras el dado están numeradas del 1 al 6, entonces hay una posibilidad de un total de seis
de que el número 2 quede hacia arriba: La principal dificultad que presenta esta interpretación
de la probabilidad es que se basa en sucesos equiprobables, siendo fácil para problemas
sencillos, como los de cartas, dados o urnas, es casi imposible para problemas más complejos.
Frecuencia relativa

La definición de frecuencia relativa se usa cuando el experimento se puede repetir varias

veces. Así, la probabilidad de un resultado es la proporción de ocasiones en las que aparece
es resultado en el largo plazo (hay que experimentar)

Es la relación o cociente entre la frecuencia absoluta y el número total de observaciones. Es

la proporción entre la frecuencia de un intervalo y el número total de datos. La frecuencia
relativa observada de un evento durante un gran número de intentos. La fracción de veces
que en un evento se presenta a la larga, cuando las condiciones son estables.

Ejemplos:

Probabilidad de vivir un número “X” de años. Dañar un aparato por un mal uso. Riesgo de
pérdidas en las pólizas de seguros de vida o comerciales. Se determina que tan frecuente ha
sucedido algo en el pasado y se emplea esa cifra para predecir la probabilidad de que suceda
de nuevo en el futuro.
Una compañía de seguros sabe, que de los hombres de 40 años de edad, 60 de cada 100,000
morirán en un periodo de un año. 60/ 100,000 = 0.0006
 3.2 AXIOMAS Y TEOREMAS.
Axiomas.

Un axioma es el elemento básico de un sistema de lógica formal y junto con las reglas de
inferencia definen un sistema deductivo.

La palabra viene del griego αξιοειν (axioein) que significa "valorar", que a su vez procede de αξιος
(axios) que significa "valuable" o "digno". Entre los antiguos filósofos griegos, un axioma
era aquello que parecía ser verdadero sin ninguna necesidad de prueba.

La lógica del axioma es partir de una premisa calificada verdadera por sí misma (el axioma)
e inferir sobre estas otras proposiciones por medio del método deductivo, obteniendo
conclusiones coherentes con el axioma.

Los axiomas han de cumplir sólo un requisito: de ellos, y sólo de ellos, han de deducirse
todas las demás proposiciones de la teoría dada.

Los axiomas de probabilidad son las condiciones mínimas que deben verificarse para que
una función que definimos sobre unos sucesos determine consistentemente valores de
probabilidad sobre dichos sucesos.

Los axiomas de la formulación moderna de la teoría de la probabilidad constituyen una base

para deducir a partir de ellas un amplio número de resultados.

La letra P se utiliza para designar la probabilidad de un evento, siendo P(A) la probabilidad

de ocurrencia de un evento A en un experimento.

AXIOMA 1: Si A es un evento de S, entonces la probabilidad del evento A es:

 Como no podemos obtener menos de cero éxitos ni más de n éxitos en n experimentos, la
probabilidad de cualquier evento A, se representa mediante un valor que puede variar de 0 a
1.

AXIOMA 2: Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B

es igual a la probabilidad de obtener A más la probabilidad de obtener B.

Excluirse mutuamente quiere decir que A y B no pueden ocurrir simultáneamente en el

mismo experimento. Así, la probabilidad de obtener águila o sol en la misma tirada de una
moneda será:

En general podemos decir que la suma de las probabilidades de todos los posibles eventos
mutuamente excluyentes es igual a 1:

AXIOMA 3: Si A es un evento cualquiera de un experimento aleatorio y A’ es el

complemento de A, entonces:
Es decir, la probabilidad de que el evento A no ocurra, es igual a 1 menos la
probabilidad de que ocurra.

Teoremas.

Suponiendo que P(A) y P(B) representan las probabilidades para los dos eventos A y B,
entonces P(A U B) significa la probabilidad de que ocurran A o B. Si representamos los
eventos A y B en un Diagrama de Venn con:
Entonces A y B son conjuntos disjuntos o mutuamente excluyentes, o sea que no

pueden ocurrir en forma simultánea.

En cambio, si ambos eventos tienen puntos muestrales en común.

3.3 PROBABILIDAD CLÁSICA: ESPACIO FINITO EQUIPARABLE

 Diremos que un espacio muestral equiprobable si todos
los elementos que lo conforman tienen igual
oportunidad de ser elegidos y, en consecuencia, tienen
la misma probabilidad de ocurrencia.

 Considera ahora el experimento de extraer una bolita

al azar de una urna como la que muestra la figura.

Observa:

El espacio muestral de este experimento es Ω =

{rojo, azul}.

Si consideramos los eventos:

 A: extraer una bolita de color azul.

 B: extraer una bolita de color rojo.

Las probabilidades asociadas a cada suceso serán:

S={a1,a2,...an}

i=1,2,3,..nPi=1/n Significa sacar la probabilidad a cada elemento del espcaio muestral.

Se debe de cumplir 2 requisitos:

1) Pi >=0

2) å Pi=1

Ejemplos

1) Lanzar una moneda tres veces

S={AAA,ASS,SAS,SSA,AAS,SAA,ASA,SSS} 23=8

P(que caigan 3 aguilas)= 1/8

P(solamente 2 águilas)= 3/8 P(por lo

menos 2 águilas)= 4/8

2) Se trata de una carrera de caballos y se tienen los siguientes

datos.

Caballo A tiene la doble posibilidad que el caballo B

Caballo B tiene la doble posibilidad que el caballo C

Caballo C

P(C) =p

P(B)= 2P = 2(1/7)

P(A)= 2(2P) = 4P = 4(1/7)

P(C)+P(B)+P(A)= 1

p + 2p + 4p = 1

7p = 1

p = 1/7

3.4.- Probabilidad condicional e independencia

Probabilidad condicional.
“La probabilidad condicional se calcula como el cociente entre la probabilidad
conjunta y la probabilidad marginal del evento impuesto como condición”
O más bien explicado es la probabilidad de que ocurra un evento A, sabiendo
que también sucede otro evento B.
Se escribe así:
P(A/B) lo cual es “la probabilidad de A dado B”

 No tiene por qué haber una relación causal o temporal entre A y B.

 A puede preceder en el tiempo a B, sucederlo o pueden ocurrir
simultáneamente.
 A puede causar B, viceversa o pueden no tener relación causal. Otra
forma de escribirlo es
P (A∩B)
P(A/B) = P(B)
Donde:
P(A/B): Probabilidad de que ocurra A dado B.
P(A∩B): Probabilidad de que ocurra A y B a un mismo tiempo.
P(B): Probabilidad de que ocurra B.

Ejemplo teórico:
Se seleccionan dos semillas aleatoriamente, una por una, de una bolsa que
tiene 10 semillas de flores rojas y 5 de flores blancas. ¿Cuál es la probabilidad
de que:
¿La primera semilla sea roja?
¿La segunda semilla sea blanca dado que la primera fue roja?
La probabilidad de que la segunda semilla se blanca se ve influida por lo que
salió primero, es decir esta probabilidad está sujeta a una condición, la de que
la primera sea roja.
Este tipo de probabilidad se le llama probabilidad condicional y se denota por
P(A/B).

Probabilidad independiente.
En teoría la probabilidad independiente, se dice que 2 sucesos aleatorios son
independientes entre sí cuando la probabilidad de cada uno de ellos no está
influida porque el otro suceso ocurra o no, es decir, cuando ambos sucesos no
están correlacionados.
Ejemplo teórico:
Tenemos una moneda y vamos a jugar un águila o sol, en este caso la
probabilidad independiente ocurre porque a pesar de que también tenemos A y
B puede que no salga águila o sol, esto se puede expresar como:

O descrito en una expresión seria

P(A∩B) = P(A) P(B)
P (salga dos soles) = P (S, S) = 0.25
P (salga un sol y un águila) = P (A, S) = 0.50 P
(salga dos águilas) = P (A, A) = 0.25
3.5 TEOREMAS DE BAYES

El teorema de Bayes se utiliza para calcular la probabilidad de un evento,

con información sobre el evento de antemano.

Podemos calcular la probabilidad del evento A, pero también sabemos que A

tiene características específicas que determinan su probabilidad. El teorema de
Bayes entiende la probabilidad en contraposición al teorema de la probabilidad
total. El teorema de la probabilidad total infiere el evento B del resultado del
evento A. En lo que a él respecta, Bayesian calcula la probabilidad de la
condición A con B como condición.
FORMULA:
Para calcular la probabilidad que Bayesian define en tales eventos, 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

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

1.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%
3.6 DISTRIBUCION MARGINAL CONJUNTA.

VARIABLE:
Una variable es un símbolo que actúa sobre funciones, fórmulas, algoritmos y
proposiciones en matemáticas y estadística.
Las variables aleatorias son funciones relacionadas con eventos que pueden
ocurrir con números reales (números) y sus valores se miden en experimentos
aleatorios. Estos posibles valores representan los resultados de experimentos
que aún no se han realizado o un número incierto.

DISTRIBUCION DE MARGINAL.
La distribución marginal es la distribución de probabilidad Un
subconjunto de un conjunto de variables aleatorias.
Variables aleatorias. La distribución marginal proporciona
Probabilidad de un subconjunto de valores en el conjunto No es
necesario conocer el valor de otras variables
La probabilidad Marginal te permite obtener probabilidades totales. Por
ejemplo:

P (H): 610/1000= 0.61 P

(M): 390/1000= 0.39
P (Messenger) = 423/1000= 0.423 P
(Whatsup) = 577/1000= 0.577
De cada distribución bidimensional se pueden deducir dos distribuciones
marginales: una correspondiente a la variable x, y otra correspondiente a la
variable y, como en el ejemplo anterior: una distribución para Hombres y otra
para Mujeres(sus totales)

Es cuando nos interesa conocer la distribución de un componente por separado,

sin tener en cuenta a el otro componente.

Eso se denomina "marginar", y la distribución de la variable por separado se

llama "distribución marginal".

La función de distribución marginal de X

La función de probabilidad marginal es usada para hallar las diferentes

distribuciones de probabilidad estadística de las variables individuales, con esta
función podemos asignar diferentes valores a las variables conjuntas sin tener
que relacionarlas, por ello se amplía las probabilidades de cada una de las
variables.

DISTRIBUCION CONJUNTA

En probabilidad, dados dos eventos aleatorios X y Y, la distribución conjunta

de X y Y es la distribución de probabilidad de la intersección de eventos de X
y Y, esto es, de los eventos X e Y ocurriendo de forma simultánea
Su función es:

P (H ∩ Messenger) = 254/1000 = 0.254

P (M ∩ Messenger) = 169/1000 = 0.169

P (H ∩ Whatsup) = 356/1000 = 0.356

P (M ∩ Whatsup) = 221/1000 = 0.221

Conclusión

Los fundamentos de probabilidad constituyen una base sólida y

fundamental en el ámbito del análisis de datos, la toma de decisiones y la
comprensión de la incertidumbre en el mundo que nos rodea. A través del
estudio de conceptos como espacio muestral, eventos, probabilidades y
distribuciones de probabilidad, hemos explorado la naturaleza intrínseca
de la incertidumbre y cómo podemos cuantificarla y comprenderla de
manera sistemática. Al comprender los fundamentos de la probabilidad,
hemos adquirido la capacidad de modelar una amplia gama de
fenómenos, desde los simples hasta los más complejos. Desde el
lanzamiento de una moneda hasta el comportamiento de sistemas
complejos en física, biología o economía, la teoría de la probabilidad nos
brinda las herramientas necesarias para analizar y comprender estos
fenómenos de manera rigurosa.

Además, hemos explorado cómo las probabilidades pueden ser utilizadas

en la toma de decisiones, ayudándonos a evaluar riesgos y tomar
acciones que maximicen nuestras probabilidades de éxito. Ya sea en
negocios, medicina, ingeniería o cualquier otro campo, la comprensión de
la probabilidad nos permite tomar decisiones informadas y
fundamentadas en datos. Asimismo, hemos visto cómo las probabilidades
condicionales nos permiten modelar situaciones en las que el resultado
de un evento depende de la ocurrencia de otro evento. Este concepto es
fundamental en áreas como la inferencia estadística, donde queremos
hacer conclusiones sobre una población basadas en datos observados
en una muestra. En resumen, los fundamentos de la probabilidad son
esenciales en el arsenal de herramientas de cualquier persona que
trabaje con datos o tome decisiones en un entorno incierto. Al dominar
estos fundamentos, no solo ganamos una comprensión más profunda del
mundo que nos rodea, sino que también nos capacitamos para tomar
decisiones más informadas y realizar inferencias más precisas a partir de
datos observados. La probabilidad es una poderosa herramienta que nos
permite enfrentar la incertidumbre con rigor y confianza.

BIBLIOGRAFIA
• 2.1.-Definición, Axiomas y Teoremas. (s/f). Edu.Mx. Recuperado el 7 de abril
de 2024, de
http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/21definicin_axio
mas_y_teoremas.html
• Cujó, S. R. (s/f). Espacio muestral equiprobable. Edu.uy. Recuperado el 8 de
abril de 2024, de
https://rea.ceibal.edu.uy/elp/sucesos_equiprobables/espacio_muestral_equiprobable
.html
• Ejemplos del teorema de Bayes. (s/f). SlideShare. Recuperado el 8 de abril de 2024,
de https://es.slideshare.net/luiselipehernandez/ejemplos-delteorema-de-bayes
• Estadística, P. y. (2022, junio 8). ▷ Cómo calcular la frecuencia relativa
(ejemplos). Probabilidad y Estadística.
https://www.probabilidadyestadistica.net/frecuencia-relativa/
• Estadística, P. y. (2023, julio 30). Axiomas de la probabilidad. Probabilidad y
Estadística. https://www.probabilidadyestadistica.net/axiomas-de-laprobabilidad/
• López, J. F. (2018, febrero 21). Teorema de Bayes - Qué es, fórmula y
ejemplos. Economipedia. https://economipedia.com/definiciones/teoremade-
bayes.html
• Probabilidad - Concepto, tipos, fórmula, aplicación y ejemplos. (s/f).
Recuperado el 7 de abril de 2024, de https://concepto.de/probabilidad/
• Probabilidad: conceptos básicos (artículo). (s/f). Khan Academy. Recuperado
el 7 de abril de 2024, de
https://es.khanacademy.org/math/probability/probabilitygeometry/probability-
basics/a/probability-the-basics
• Probabilidad condicional e independencia (artículo). (s/f). Khan Academy.
Recuperado el 8 de abril de 2024, de
https://es.khanacademy.org/math/apstatistics/probability-ap/stats-conditional-
probability/a/check-independenceconditional-probability
• Sanjuán, F. J. M. (2017, noviembre 23). Frecuencia relativa: Qué es, usos y
ejemplos. Economipedia.
https://economipedia.com/definiciones/frecuenciarelativa.html
• Westreicher, G. (2021, marzo 12). Probabilidad condicional: Qué es y
algunos ejemplos. Economipedia.
https://economipedia.com/definiciones/probabilidad-condicional.html
• (S/f). Studocu.com. Recuperado el 8 de abril de 2024, de
https://www.studocu.com/es-mx/document/tecnologico-nacional-demexico/esta-
disticos-inferencial-estadistica/espacio-equiprobable/8654369