UNIVERSIDAD CATOLICA LOS ANGELES DE CHIMBOTE

FACULTAD DE CIENCIAS DE LA SALUD

CARRERA PROFESIONAL DE FARMACIA Y BIOQUIMICA

INVESTIGACION MONOGRAFICA

TEORIA DE PROBABILIDADES

"PROBABILITY THEORY"
AUTORES :

Mendoza Ros, Sonia Marleny

Prez Jumbo, Evelyn

CICLO : I

ASIGNATURA : Matemtica y lgica

DOCENTE : Dra. Mara I. Gonzales Gonzales

SEMESTRE ACADEMICO : 2016 - II

SEDE : Trujillo

AO : 2016
 INDICE

Caratula i

ndice ii

Resumen 1

Introduccin 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 axiomticos. 6
CAPITULO II 7

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

II.2.-Principales distribuciones de probabilidades 7
II.2.1.- Distribucin binomial. Ejemplos. 7
II.2.2.- Distribucin de Poisson. Ejemplos 8

Conclusiones 10

Referencias Bibliogrficas 11
 RESUMEN

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

Europa, En los ltimos aos, los mtodos estadsticos en que se aplica la teora de las

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

la ciencia y la tcnica, contribuyendo a su progreso. La teora de las probabilidades trata

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

muestral). Existen bsicamente tres axiomas donde deriva la teora de las probabilidades

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

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

naturales como son la distribucin 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.

Pg. 1
 TEORIA DE LAS PROBABILIDADES

INTRODUCCION

La teora 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 teora continu desarrollndose vinculada con los
nombres de Bernoulli (1654 1705) y posteriormente con Moivre, Laplace, Poisson,
Gauss y otros. Un nuevo perodo de esta teora est 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 matemticos
Bernshtein, Romanovki, Kolmogorov, Smirnov, Gnedenko y otros. Cualquier fenmeno
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 fenmeno deba suceder
siempre, es decir, que sea cierto; nunca pueda suceder, es decir, que sea imposible y en
ltimo caso, que pueda o no ocurrir, a lo cual se le denominar como un fenmeno
aleatorio. Los mtodos de la teora de las probabilidades se emplean ampliamente en
distintas ramas de las ciencias naturales y de la tcnica sirviendo tambin como base de
la estadstica matemtica y aplicada, la cual, a su vez, se emplea en la planificacin y
organizacin de la produccin, para analizar los procesos productivos y tecnolgicos, el
control de la calidad y muchos otros fines. En los ltimos aos, los mtodos estadsticos
en que se aplica la teora de las probabilidades, penetran cada vez ms con mayor amplitud
en los distintos campos de la ciencia y la tcnica, contribuyendo a su progreso. 2

Pg. 2
 JUSTIFICACIN
Los mtodos de la teora de probabilidades se emplean ampliamente en distintas ramas
de las ciencias naturales y de la tcnica sirviendo tambin como base de la estadstica
matemtica y aplicada, la cual, a su vez, se emplea en la planificacin y organizacin
de la produccin, para analizar los procesos productivos y tecnolgicos, el control de
calidad y muchos otros fines.

En los ltimos aos, los mtodos estadsticos en que se aplica la teora de las
probabilidades, penetran cada vez ms con mayor amplitud en los distintos campos de
la ciencia y la tcnica, contribuyendo a su progreso.

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

los juegos de azar como loteras, casinos, carreras de caballos y deportes; sin embargo, el
uso de la probabilidad va ms all de los juegos de azar. En la actualidad, los gobiernos,
las empresas y las organizaciones profesionales utilizan la teora de la probabilidad en su
cotidiano proceso de toma de decisiones. En cualquier aplicacin particular, el empleo de
las probabilidades indica que existe algn elemento aleatorio o de incertidumbre
relacionado con la ocurrencia o no ocurrencia de algn evento futuro. As, en muchos
casos, puede ser imposible predecir qu pasar, pero es posible deducir lo que podra
pasar con algn grado de certidumbre.6 Existen muchos ejemplos en los negocios y en las
actividades del gobierno en los que interviene algn elemento aleatorio. Por ejemplo,
predecir cunta demanda tendr un producto nuevo en el mercado, estimar el costo de
produccin, pronosticar las fallas en las cosechas, comprar seguros, contratar a un nuevo
empleado, presupuestar, predecir la reaccin de los gobiernos extranjeros ante un cambio
en la poltica de defensa, calcular qu impacto tendr en la inflacin una rebaja en los
impuestos, etctera.6
Debido a esto, en la elaboracin de la presente monografa nos hemos planteado el
siguiente problema: Cules son los conceptos bsicos de la probabilidad y cul es su
importancia en las ciencias?; con la finalidad de definir los conceptos bsicos de la
probabilidad matemtica, conocer los enfoques del concepto de probabilidad, determinar la
importancia de la teora de la probabilidad y su aplicacin en el estudio de las ciencias.

Pg. 3
 CAPITULO I

I.1.- Concepto general.-

La teora de la probabilidad es un modelamiento matemtico del fenmeno del azar o
aleatoriedad.4
Es una cuantificacin o una medida de la posibilidad de un suceso en un experimento
aleatorio, es decir, el cociente que resulta de dividir el nmero de casos favorables de
un suceso, por el nmero de casos posibles, correspondiendo estos ltimos a la suma de
los casos favorables y desfavorables. As pues, representando la probabilidad del suceso
A por P(A), se obtendr la frmula:2

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

* Suma de los casos favorable y los no favorables.

En su aplicacin, se puede se puede llegar a la conclusin que:

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

b) Si el suceso es cierto, la probabilidad valdr 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 variar, 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 aparicin de un suceso que se repite

sistemticamente, o sea, en forma reiterativa y que debe tener un carcter 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 cuntas 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.
Pg. 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 qu valor de X aparecer en el siguiente
ensayo y podemos decir que X depende del azar. El nmero de varones de una familia con 5
hijos tambin depende de la casualidad.8

Si las observaciones no se dan en trminos de nmeros, podemos asignarles nmeros y

reducir las observaciones cualitativas al caso cuantitativo; as tenemos que la funcin que
asigna nmeros 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 nmero de alumnos que asisten a
clases diariamente, el nmero de accidentes automovilsticos en una ciudad por da,
el nmero de alumnos aprobados en un examen.

Pg. 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 numrico real que se le asigna a dicho evento, y

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

Espacio Finito.-

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


la probabilidad

En otras palabras:4

P(A) = =

I.5.- Fundamentos axiomticos.-

Aunque el trmino probabilidad de un evento no se define en forma explcita, 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 nmero 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 denota el espacio Muestral, entonces P() = 1

Pg. 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 relacin multiplicativa P(A B) = P(A). P(B/A).
Como la interseccin de conjuntos es commutativa, ello es equivalente a escribir:

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

Es posible generalizar la regla multiplicativa para tres eventos:4

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

Ejemplo 1.- Suponga que en el estante de una biblioteca hay 8 libros de fsica iguales
(mismo autor, edicin y ttulo); excepto que 4 de ellos estn a la rustica y los otros cuatro
estn 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,
Cul es la probabilidad de que al primero le toque empastado, el segundo a la rustica y
al tercero tambin a la rustica?
Solucin.- Es claro que si denotamos por A, B y C respectivamente, a estos tres
eventos y aplicamos la formula recin expuesta, la solucin ser:

4 4 3 1
P(A B C) = 8 . .6 =
7 7

II.2.-Principales distribuciones de probabilidades.-

II.2.1.- Distribucin binomial.-

Este tipo de distribucin es tpicamente aplicable a una variable discreta y toma
en cuenta los casos en que se est analizando que ocurra un suceso o que no ocurra, su
frmula es:

Pg. 7
 Ejemplo 2.-

II.2.2.- Distribucin de Poisson.-

Es la distribucin probabilstica de aquellas variables aleatorias que se aplican en
situaciones que ocurren cambios en los intervalos de tiempo, unidad de longitud, rea u
otro tipo de medicin, aunque lo ms comn es su utilizacin en fenmenos cuyos
cambios se producen en funcin del tiempo. Para aplicar la distribucin de Poisson se
deben cumplir las condiciones siguientes:
1.- Las apariciones (frecuencias) de los eventos son independientes. La
presentacin de un evento en un intervalo de espacio o tiempo, no tiene efecto alguno
sobre la probabilidad de una segunda aparicin del evento en el mismo intervalo o en
cualquier otro.
2.- Tericamente debe ser posible un nmero infinito de apariciones del evento en
el intervalo.
Pg. 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 porcin infinitesimalmente pequea del intervalo, se rechaza la
probabilidad de que el evento se presente ms de una vez.

La distribucin de Poisson, solo considera el nmero de apariciones en un periodo

determinado, sin tomar en cuenta el tamao de la poblacin.

Ejemplo 3.-

Pg. 9
 CONCLUSIONES

1.- La teora de las probabilidades es un modelo matemtico del fenmeno del

azar y se desarroll a raz de los juegos de azar.

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

dentro de un espacio muestral.

3.- La teora de las probabilidades tiene un importante uso en la estadstica, en

la economa, al igual que en las otras ciencias como las qumica-biolgicas y la
investigacin cientfica.

Pg. 10
 REFERENCIAS BIBLIOGRAFICAS

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

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

2.- Ramrez Snchez, Waldo. Manual: teora de las probabilidades. La Habana, CU: Universidad
de Granma, 2007. ProQuest ebrary. Web. 28 August 2016.Pg. 2,3 y 4.

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

3.- Colegio24hs. Estadstica. 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 Gutirrez Banegas, Ana Laura. Introduccin a las
matemticas universitarias. Mxico, 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 Jos, and Ortiz Cerecedo, Francisco Javier. Matemticas 2. Distrito
Federal, MXICO: 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 Saldvar, Salvador. Estadstica descriptiva. Mxico, D.F., MX: Instituto Politcnico
Nacional, 2005. ProQuest ebrary. Web. 28 August 2016.Pg. 127, 128

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?ppg=126&docID=10436604&tm
=1 472379560329
Pg. 11
7.- Mateos Aparicio Morales, Gregoria. Teora subjetiva de la probabilidad: fundamentos,
evolucin y determinacin 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 Cant, Mara Jos. Probabilidad y estadstica para ciencias qumico-biolgicas.
Mxico, D.F., MX: McGraw-Hill Interamericana, 2009. ProQuest ebrary. Web. 28 August
2016.Pg, 79,80

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

Pg. 12