SlideShare une entreprise Scribd logo
1  sur  22
AUTOR: CARLOS E. MARCANO ROJAS
C.I: 17537366
TUTOR: ING. Ramón A. Aray López
BARCELONA,30 DE MARZO DE 2017
REPÚBLICA BOLIVARIANA DE VENEZUELA
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
SEDE BARCELONA-PUERTO LA CRUZ
INGENIERÍA CIVIL

CONTENIDO
*
PROBABILIDAD
EXPERIMENTO
ESPACIO MUESTRAL
* Un evento es el resultado posible o un grupo de resultados posibles de un experimento y es la
mínima unidad de análisis para efectos de cálculos probabiliasticos
los eventos se clasifican de la siguiente forma:
Mutuamente excluyentes: aquellos que no pueden ocurrir al mismo tiempo.
EJEMPLO: cara o escudo.
Independientes: Estos no se ven afectados por otros independientes. EJEMPLO: el color del
zapato y la probabilidad que llueva hoy.
Dependientes: cuando un evento afecta a la probabilidad de ocurrencia de
otro. EJEMPLO: repaso, calificaciones.
No excluyentes entre si: cuando la ocurrencia de uno de ellos no impide que ocurra el
otro. EJEMPLO: que una persona sea doctor que tenga 56 años, ser estudiante y ya estar
casado
EVENTO
El espacio muestral o espacio de muestreo (denotado E, S, Ω o U)
consiste en el conjunto de todos los posibles resultados de
un experimento aleatorio, junto con una estructura sobre el mismo (ver
más adelante).
Los espacios de muestreo aparecen de forma natural en una aproximación
elemental a la probabilidad, pero son también importantes en espacios de
probabilidad. Un espacio de probabilidad (Ω, F, P) incorpora un espacio
de muestreo de resultados, Ω, pero define un conjunto de sucesos de
interés, la σ-álgebra F, por la cual se define la medida de probabilidad P.
ESPACIO MUESTRAL
SUCESO COMPUESTO.
Es un sub-conjunto formado por dos o más sucesos elementales.
Ej. Al lanzar un dado, algunos sucesos compuestos podrían ser:
 Salga un número par {2,4,6}
 Salga un número impar {1,3,5}
 Salga un número primo {1,2,3,5}
 Salga un número menor que tres {1,2}, entre otros.
*
Suceso elemental es cada uno de los elementos que
forman parte del espacio muestral.
Ejemplo
Tirando un dado un suceso elemental es sacar 5
SUCESO ELEMENTAL
*Como su nombre lo indica se trata de determinar la probabilidad de que ocurra un evento
A (aposteriori) dado que ya aconteció un evento B (apriori), y se representa mediante
P(A|B), se lee probabilidad de A dado B o probabilidad de A condicionada a B.
En la probabilidad condicional, consideramos que de un espacio muestral S se conoce
únicamente el evento B, que constituye un espacio muestral reducido.
Se desea saber la posibilidad de que exista el evento A.
*PROBABILIDAD CONDICIONAL
BS
Como únicamente conocemos el evento B, la probabilidad de que exista A está
dada por la posible intersección del evento A con el evento B.
Como únicamente conocemos el evento B, la probabilidad
de que exista A está dada por la posible intersección del
evento A con el evento B.
BS
A
Si el numerador y el denominador se dividen
entre n(s) que es el número de elementos en el
espacio muestral y aplicamos el concepto de
probabilidad, tenemos:
P(A|B)=[n(A∩B)/n(S)]/[n(B)/n(S)]= P(A∩B)/P(B).
*Identificamos los eventos dentro del espacio muestral: A={caras
iguales}={(1,1),(2,2),(3,3),(4,4),(5,5),(6,6)} B={sumen más de
ocho}={(3,6),(4,5),(4,6),(5,4),(5,5),
(5,6),(6,3),(6,4),(6,5),(6,6)}
De manera similar se puede pedir la probabilidad del evento B dado que ya ocurrió
el evento A P(B|A)=P(A∩B)/P(A), ahora P(A) es la probabilidad del evento condición
o del que se presenta primero
n(A)=6, n(B)=10 y n(A∩B)=2, aplicando la expresión
P(B|A)=n(A∩B)/n(A)=2/6=1/3=0.333
.
* Ejemplo: Al arrojar dos dados resultan caras iguales,
¿cuál es la probabilidad de que sumen ocho
*Es la probabilidad de ocurrencia de dos o más eventos.
De la expresión P(B|A)=P(A∩B)/P(A) se pude despejar
P(A∩B)=P(A)P(B|A) expresión llamada Ley de multiplicación de
probabilidades.
P(A∩B) recibe el nombre de probabilidad conjunta y corresponde a
la probabilidad de que se presenten resultados comunes a los
eventos A y B.
Ejemplo: Al arrojar una moneda desequilibrada al aire, P(A)=1/3 y P(S)=2/3, en
dos ocasiones, ¿cuál es la probabilidad de que en las dos ocasiones sea
águila.
Auxiliándonos de un diagrama de árbol.
*PROBABILIDAD CONJUNTA
⅓
A
S
A
S
A
S
A
1
S
1
A
2S2
A
2S2
⅓
⅓⅔
⅔
⅔
P(A1∩A2)=P(A1)P(A2|
A1)=
P(A1∩A2)=1/3(1/3)=
1/9
*
Para obtener expresiones útiles en el cálculo de este tipo de probabilidades, se realizará un
ejemplo
En un taller mecánico tienen un total de 135 desatornilladores, los técnicos atribuyen a
éstos dos características cuando se los piden a sus ayudantes, su longitud (largo y cortos)
y la forma de la punta que embona en los tornillos (planos o de cruz) de acuerdo a la
definición de eventos que sigue, la distribución es la siguiente:
PROBABILIDAD MARGINAL
*
*EVENTOS EXCLUYENTES Y NO EXCLUYENTES
* Reglas multiplicativas
*REGLAS MULTIPLICATIVAS
* Reglas aditivas
*REGLAS ADITIVAS
*
3
*FORMULA DE BAYES
. Si se compra la misma cantidad de etiquetas a ambos proveedores:
¿Cuál es la probabilidad de que si se encontró una defectuosa, ésta sea del
proveedor B?
¿Cuál es la probabilidad de que sea del proveedor A, si se encontró que no es
defectuosa?
Solución: Sea D el evento de que la etiqueta sea defectuosa y DC que no lo sea.
Entonces por el corolario anterior se tiene:
EJEMPLO.
Un ingeniero químico sabe que cuando se compran etiquetas a un proveedor A, el
número de etiquetas defectuosas y no defectuosas están en la relación 1:24;
mientras que el proveedor B afirma que la probabilidad de encontrar una etiqueta
no defectuosa en su compañía es de 9/10. Si se compra la misma cantidad de
etiquetas a ambos proveedores:
¿Cuál es la probabilidad de que si se encontró una defectuosa, ésta sea del
proveedor B?
¿Cuál es la probabilidad de que sea del proveedor A, si se encontró que no es
defectuosa?
* Solución: Sea D el evento de que la etiqueta sea defectuosa y DC que no lo sea.
Entonces por el corolario anterior se tiene:
VISTO EN UN DIAGRAMA DE ÁRBOL
La probabilidad constituye un importante parámetro en la determinación
de las diversas casualidades obtenidas tras una serie de eventos
esperados dentro de un rango estadístico.
Existen diversas formas como método abstracto, como la teoría
Dempster-Shafer y la teoría de la relatividad numérica, esta última con
un alto grado de aceptación si se toma en cuenta que disminuye
considerablemente las posibilidades hasta un nivel mínimo ya que somete
a todas las antiguas reglas a una simple ley de relatividad.[cita
requerida]
La probabilidad de un evento se denota con la letra p y se expresa en
términos de una fracción y no en porcentajes, por lo que el valor de p
cae entre 0 y 1. Por otra parte, la probabilidad de que un evento "no
ocurra" equivale a 1 menos el valor de p y se denota con la letra q.
CONCLUSIONES
*
*BIBLIOGRAFIA

Contenu connexe

Tendances

Mapa Conceptual Variables Aleatorias
Mapa Conceptual Variables AleatoriasMapa Conceptual Variables Aleatorias
Mapa Conceptual Variables Aleatorias
Miguel Chacon
 

Tendances (20)

probabilidad
probabilidad  probabilidad
probabilidad
 
Concepto de Probabilidad
 Concepto de Probabilidad Concepto de Probabilidad
Concepto de Probabilidad
 
Espacio muestral
Espacio muestralEspacio muestral
Espacio muestral
 
Mapa Conceptual Variables Aleatorias
Mapa Conceptual Variables AleatoriasMapa Conceptual Variables Aleatorias
Mapa Conceptual Variables Aleatorias
 
Distribucion normal
Distribucion normalDistribucion normal
Distribucion normal
 
Medidas de Tendencia Central
Medidas de Tendencia CentralMedidas de Tendencia Central
Medidas de Tendencia Central
 
Estadística Básica
Estadística BásicaEstadística Básica
Estadística Básica
 
Variables Estadisticas
Variables EstadisticasVariables Estadisticas
Variables Estadisticas
 
Estadística y probabilidad
Estadística y probabilidadEstadística y probabilidad
Estadística y probabilidad
 
Teorema de bayes
Teorema de bayesTeorema de bayes
Teorema de bayes
 
Teoría de probabilidad
Teoría de probabilidadTeoría de probabilidad
Teoría de probabilidad
 
La distribucion binomial power point
La distribucion binomial power pointLa distribucion binomial power point
La distribucion binomial power point
 
Capítulo 06, Distribuciones discretas de probabilidad
Capítulo 06, Distribuciones discretas de probabilidadCapítulo 06, Distribuciones discretas de probabilidad
Capítulo 06, Distribuciones discretas de probabilidad
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
 
Teoria de Conjuntos
Teoria de ConjuntosTeoria de Conjuntos
Teoria de Conjuntos
 
Intervalos de confianza 2018
Intervalos de confianza 2018Intervalos de confianza 2018
Intervalos de confianza 2018
 
Presentación Distribución de Probabilidad
Presentación Distribución de ProbabilidadPresentación Distribución de Probabilidad
Presentación Distribución de Probabilidad
 
Medidas de Dispersión
Medidas de DispersiónMedidas de Dispersión
Medidas de Dispersión
 
Teoría de conjuntos
Teoría de conjuntosTeoría de conjuntos
Teoría de conjuntos
 
Maxíma verosimilitud
Maxíma verosimilitudMaxíma verosimilitud
Maxíma verosimilitud
 

Similaire à Diapositivas probabilidad

Teoria de la probabilidad estadistica. primer 20% 3er corte. (3)
Teoria de la probabilidad  estadistica. primer 20% 3er corte. (3)Teoria de la probabilidad  estadistica. primer 20% 3er corte. (3)
Teoria de la probabilidad estadistica. primer 20% 3er corte. (3)
luisbadell89
 
Introduccion A Las Probabilidades.
Introduccion A  Las Probabilidades.Introduccion A  Las Probabilidades.
Introduccion A Las Probabilidades.
Luis Baquero
 
Ensayo de teoria de la probabilidad
Ensayo de teoria de la probabilidadEnsayo de teoria de la probabilidad
Ensayo de teoria de la probabilidad
Ing Julio Sierra
 

Similaire à Diapositivas probabilidad (20)

Jeison rodriguez presentación en slideshare
Jeison rodriguez presentación en slideshareJeison rodriguez presentación en slideshare
Jeison rodriguez presentación en slideshare
 
Teoria de la probabilidad
Teoria de la probabilidadTeoria de la probabilidad
Teoria de la probabilidad
 
Inferencia Estadística, conceptos básicos
Inferencia Estadística, conceptos básicosInferencia Estadística, conceptos básicos
Inferencia Estadística, conceptos básicos
 
Foro probabilidades -
Foro  probabilidades -Foro  probabilidades -
Foro probabilidades -
 
Probabilidades
ProbabilidadesProbabilidades
Probabilidades
 
Teoria de la probabilidad estadistica. primer 20% 3er corte. (3)
Teoria de la probabilidad  estadistica. primer 20% 3er corte. (3)Teoria de la probabilidad  estadistica. primer 20% 3er corte. (3)
Teoria de la probabilidad estadistica. primer 20% 3er corte. (3)
 
ELEMENTOS DE PROBABILIDAD
ELEMENTOS DE PROBABILIDADELEMENTOS DE PROBABILIDAD
ELEMENTOS DE PROBABILIDAD
 
Probabilidad Estadistica
Probabilidad EstadisticaProbabilidad Estadistica
Probabilidad Estadistica
 
13_Propiedades Probabilidad_2022.pdf
13_Propiedades Probabilidad_2022.pdf13_Propiedades Probabilidad_2022.pdf
13_Propiedades Probabilidad_2022.pdf
 
Clase ii estii-c2300813
Clase ii  estii-c2300813Clase ii  estii-c2300813
Clase ii estii-c2300813
 
Teoría de la Probabilidad (estadística)
Teoría de la Probabilidad (estadística)Teoría de la Probabilidad (estadística)
Teoría de la Probabilidad (estadística)
 
Taller n. 4 operaciones con probabilidades noveno
Taller n. 4 operaciones con probabilidades novenoTaller n. 4 operaciones con probabilidades noveno
Taller n. 4 operaciones con probabilidades noveno
 
Clases de sucesos y diagrama de arbol
Clases de sucesos y diagrama de arbolClases de sucesos y diagrama de arbol
Clases de sucesos y diagrama de arbol
 
Deber de Probabilidad
Deber de Probabilidad Deber de Probabilidad
Deber de Probabilidad
 
probabilidades.ppt
probabilidades.pptprobabilidades.ppt
probabilidades.ppt
 
PROBABILIDAD
PROBABILIDADPROBABILIDAD
PROBABILIDAD
 
Teoria de la probabilidad
Teoria de la probabilidadTeoria de la probabilidad
Teoria de la probabilidad
 
Introduccion A Las Probabilidades.
Introduccion A  Las Probabilidades.Introduccion A  Las Probabilidades.
Introduccion A Las Probabilidades.
 
Ensayo de teoria de la probabilidad
Ensayo de teoria de la probabilidadEnsayo de teoria de la probabilidad
Ensayo de teoria de la probabilidad
 
Teoria de probabilidades
Teoria de probabilidadesTeoria de probabilidades
Teoria de probabilidades
 

Plus de CARLOS EDUARDO MARCANO ROJAS (8)

Medidas dispersión
Medidas dispersión Medidas dispersión
Medidas dispersión
 
Organización de datos
Organización de datosOrganización de datos
Organización de datos
 
Escala de medicion pawer point carlos marcano
Escala de medicion pawer point carlos marcanoEscala de medicion pawer point carlos marcano
Escala de medicion pawer point carlos marcano
 
Estadistica trabajo 1 carlos marcano
Estadistica trabajo 1 carlos marcanoEstadistica trabajo 1 carlos marcano
Estadistica trabajo 1 carlos marcano
 
PRESENTACIÓN de Medidas de la Tendencia central carlos marcano
PRESENTACIÓN de Medidas de la Tendencia central carlos marcanoPRESENTACIÓN de Medidas de la Tendencia central carlos marcano
PRESENTACIÓN de Medidas de la Tendencia central carlos marcano
 
Usos de sperman y perarson . carlos marcano.
Usos de sperman y perarson . carlos marcano.Usos de sperman y perarson . carlos marcano.
Usos de sperman y perarson . carlos marcano.
 
Carlos marcano medidas de dispersion
Carlos marcano medidas de dispersionCarlos marcano medidas de dispersion
Carlos marcano medidas de dispersion
 
Carlos diapositiva 2. variables.
Carlos diapositiva 2. variables.Carlos diapositiva 2. variables.
Carlos diapositiva 2. variables.
 

Dernier

analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
Ricardo705519
 
ANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZ
ANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZ
ANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZ
gustavoiashalom
 
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNATINSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
evercoyla
 
LA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdf
LA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdfLA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdf
LA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdf
bcondort
 

Dernier (20)

APORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHT
APORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHTAPORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHT
APORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHT
 
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
 
Sesion 6 _ Curso Integrador II_TSZVQJ.pdf
Sesion 6 _ Curso Integrador II_TSZVQJ.pdfSesion 6 _ Curso Integrador II_TSZVQJ.pdf
Sesion 6 _ Curso Integrador II_TSZVQJ.pdf
 
ANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZ
ANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZ
ANALISIS Y DISEÑO POR VIENTO, DE EDIFICIOS ALTOS, SEGUN ASCE-2016, LAURA RAMIREZ
 
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNATINSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
 
Quimica Raymond Chang 12va Edicion___pdf
Quimica Raymond Chang 12va Edicion___pdfQuimica Raymond Chang 12va Edicion___pdf
Quimica Raymond Chang 12va Edicion___pdf
 
PERFORACIÓN Y VOLADURA EN MINERÍA APLICADO
PERFORACIÓN Y VOLADURA EN MINERÍA APLICADOPERFORACIÓN Y VOLADURA EN MINERÍA APLICADO
PERFORACIÓN Y VOLADURA EN MINERÍA APLICADO
 
TIPOS DE SOPORTES - CLASIFICACION IG.pdf
TIPOS DE SOPORTES - CLASIFICACION IG.pdfTIPOS DE SOPORTES - CLASIFICACION IG.pdf
TIPOS DE SOPORTES - CLASIFICACION IG.pdf
 
CALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSION
CALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSIONCALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSION
CALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSION
 
Six Sigma Process and the dmaic metodo process
Six Sigma Process and the dmaic metodo processSix Sigma Process and the dmaic metodo process
Six Sigma Process and the dmaic metodo process
 
COMPEDIOS ESTADISTICOS DE PERU EN EL 2023
COMPEDIOS ESTADISTICOS DE PERU EN EL 2023COMPEDIOS ESTADISTICOS DE PERU EN EL 2023
COMPEDIOS ESTADISTICOS DE PERU EN EL 2023
 
nomenclatura de equipo electrico en subestaciones
nomenclatura de equipo electrico en subestacionesnomenclatura de equipo electrico en subestaciones
nomenclatura de equipo electrico en subestaciones
 
LA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdf
LA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdfLA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdf
LA APLICACIÓN DE LAS PROPIEDADES TEXTUALES A LOS TEXTOS.pdf
 
DIAPOSITIVAS DE SEGURIDAD Y SALUD EN EL TRABAJO
DIAPOSITIVAS DE SEGURIDAD Y SALUD EN EL TRABAJODIAPOSITIVAS DE SEGURIDAD Y SALUD EN EL TRABAJO
DIAPOSITIVAS DE SEGURIDAD Y SALUD EN EL TRABAJO
 
Controladores Lógicos Programables Usos y Ventajas
Controladores Lógicos Programables Usos y VentajasControladores Lógicos Programables Usos y Ventajas
Controladores Lógicos Programables Usos y Ventajas
 
Maquinaria Agricola utilizada en la produccion de Piña.pdf
Maquinaria Agricola utilizada en la produccion de Piña.pdfMaquinaria Agricola utilizada en la produccion de Piña.pdf
Maquinaria Agricola utilizada en la produccion de Piña.pdf
 
Lineamientos del Plan Oferta y Demanda sesión 5
Lineamientos del Plan Oferta y Demanda sesión 5Lineamientos del Plan Oferta y Demanda sesión 5
Lineamientos del Plan Oferta y Demanda sesión 5
 
PostgreSQL on Kubernetes Using GitOps and ArgoCD
PostgreSQL on Kubernetes Using GitOps and ArgoCDPostgreSQL on Kubernetes Using GitOps and ArgoCD
PostgreSQL on Kubernetes Using GitOps and ArgoCD
 
Aportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
Aportes a la Arquitectura de Le Corbusier y Mies Van der RoheAportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
Aportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
 
INTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICA
INTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICAINTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICA
INTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICA
 

Diapositivas probabilidad

  • 1. AUTOR: CARLOS E. MARCANO ROJAS C.I: 17537366 TUTOR: ING. Ramón A. Aray López BARCELONA,30 DE MARZO DE 2017 REPÚBLICA BOLIVARIANA DE VENEZUELA INSTITUTO UNIVERSITARIO POLITÉCNICO “SANTIAGO MARIÑO” SEDE BARCELONA-PUERTO LA CRUZ INGENIERÍA CIVIL
  • 6. * Un evento es el resultado posible o un grupo de resultados posibles de un experimento y es la mínima unidad de análisis para efectos de cálculos probabiliasticos los eventos se clasifican de la siguiente forma: Mutuamente excluyentes: aquellos que no pueden ocurrir al mismo tiempo. EJEMPLO: cara o escudo. Independientes: Estos no se ven afectados por otros independientes. EJEMPLO: el color del zapato y la probabilidad que llueva hoy. Dependientes: cuando un evento afecta a la probabilidad de ocurrencia de otro. EJEMPLO: repaso, calificaciones. No excluyentes entre si: cuando la ocurrencia de uno de ellos no impide que ocurra el otro. EJEMPLO: que una persona sea doctor que tenga 56 años, ser estudiante y ya estar casado EVENTO
  • 7. El espacio muestral o espacio de muestreo (denotado E, S, Ω o U) consiste en el conjunto de todos los posibles resultados de un experimento aleatorio, junto con una estructura sobre el mismo (ver más adelante). Los espacios de muestreo aparecen de forma natural en una aproximación elemental a la probabilidad, pero son también importantes en espacios de probabilidad. Un espacio de probabilidad (Ω, F, P) incorpora un espacio de muestreo de resultados, Ω, pero define un conjunto de sucesos de interés, la σ-álgebra F, por la cual se define la medida de probabilidad P. ESPACIO MUESTRAL
  • 8. SUCESO COMPUESTO. Es un sub-conjunto formado por dos o más sucesos elementales. Ej. Al lanzar un dado, algunos sucesos compuestos podrían ser:  Salga un número par {2,4,6}  Salga un número impar {1,3,5}  Salga un número primo {1,2,3,5}  Salga un número menor que tres {1,2}, entre otros.
  • 9. * Suceso elemental es cada uno de los elementos que forman parte del espacio muestral. Ejemplo Tirando un dado un suceso elemental es sacar 5 SUCESO ELEMENTAL
  • 10. *Como su nombre lo indica se trata de determinar la probabilidad de que ocurra un evento A (aposteriori) dado que ya aconteció un evento B (apriori), y se representa mediante P(A|B), se lee probabilidad de A dado B o probabilidad de A condicionada a B. En la probabilidad condicional, consideramos que de un espacio muestral S se conoce únicamente el evento B, que constituye un espacio muestral reducido. Se desea saber la posibilidad de que exista el evento A. *PROBABILIDAD CONDICIONAL BS
  • 11. Como únicamente conocemos el evento B, la probabilidad de que exista A está dada por la posible intersección del evento A con el evento B. Como únicamente conocemos el evento B, la probabilidad de que exista A está dada por la posible intersección del evento A con el evento B. BS A Si el numerador y el denominador se dividen entre n(s) que es el número de elementos en el espacio muestral y aplicamos el concepto de probabilidad, tenemos: P(A|B)=[n(A∩B)/n(S)]/[n(B)/n(S)]= P(A∩B)/P(B).
  • 12. *Identificamos los eventos dentro del espacio muestral: A={caras iguales}={(1,1),(2,2),(3,3),(4,4),(5,5),(6,6)} B={sumen más de ocho}={(3,6),(4,5),(4,6),(5,4),(5,5), (5,6),(6,3),(6,4),(6,5),(6,6)} De manera similar se puede pedir la probabilidad del evento B dado que ya ocurrió el evento A P(B|A)=P(A∩B)/P(A), ahora P(A) es la probabilidad del evento condición o del que se presenta primero n(A)=6, n(B)=10 y n(A∩B)=2, aplicando la expresión P(B|A)=n(A∩B)/n(A)=2/6=1/3=0.333 . * Ejemplo: Al arrojar dos dados resultan caras iguales, ¿cuál es la probabilidad de que sumen ocho
  • 13. *Es la probabilidad de ocurrencia de dos o más eventos. De la expresión P(B|A)=P(A∩B)/P(A) se pude despejar P(A∩B)=P(A)P(B|A) expresión llamada Ley de multiplicación de probabilidades. P(A∩B) recibe el nombre de probabilidad conjunta y corresponde a la probabilidad de que se presenten resultados comunes a los eventos A y B. Ejemplo: Al arrojar una moneda desequilibrada al aire, P(A)=1/3 y P(S)=2/3, en dos ocasiones, ¿cuál es la probabilidad de que en las dos ocasiones sea águila. Auxiliándonos de un diagrama de árbol. *PROBABILIDAD CONJUNTA ⅓ A S A S A S A 1 S 1 A 2S2 A 2S2 ⅓ ⅓⅔ ⅔ ⅔ P(A1∩A2)=P(A1)P(A2| A1)= P(A1∩A2)=1/3(1/3)= 1/9
  • 14. * Para obtener expresiones útiles en el cálculo de este tipo de probabilidades, se realizará un ejemplo En un taller mecánico tienen un total de 135 desatornilladores, los técnicos atribuyen a éstos dos características cuando se los piden a sus ayudantes, su longitud (largo y cortos) y la forma de la punta que embona en los tornillos (planos o de cruz) de acuerdo a la definición de eventos que sigue, la distribución es la siguiente: PROBABILIDAD MARGINAL
  • 15. * *EVENTOS EXCLUYENTES Y NO EXCLUYENTES
  • 19. . Si se compra la misma cantidad de etiquetas a ambos proveedores: ¿Cuál es la probabilidad de que si se encontró una defectuosa, ésta sea del proveedor B? ¿Cuál es la probabilidad de que sea del proveedor A, si se encontró que no es defectuosa? Solución: Sea D el evento de que la etiqueta sea defectuosa y DC que no lo sea. Entonces por el corolario anterior se tiene: EJEMPLO. Un ingeniero químico sabe que cuando se compran etiquetas a un proveedor A, el número de etiquetas defectuosas y no defectuosas están en la relación 1:24; mientras que el proveedor B afirma que la probabilidad de encontrar una etiqueta no defectuosa en su compañía es de 9/10. Si se compra la misma cantidad de etiquetas a ambos proveedores: ¿Cuál es la probabilidad de que si se encontró una defectuosa, ésta sea del proveedor B? ¿Cuál es la probabilidad de que sea del proveedor A, si se encontró que no es defectuosa? * Solución: Sea D el evento de que la etiqueta sea defectuosa y DC que no lo sea. Entonces por el corolario anterior se tiene:
  • 20. VISTO EN UN DIAGRAMA DE ÁRBOL
  • 21. La probabilidad constituye un importante parámetro en la determinación de las diversas casualidades obtenidas tras una serie de eventos esperados dentro de un rango estadístico. Existen diversas formas como método abstracto, como la teoría Dempster-Shafer y la teoría de la relatividad numérica, esta última con un alto grado de aceptación si se toma en cuenta que disminuye considerablemente las posibilidades hasta un nivel mínimo ya que somete a todas las antiguas reglas a una simple ley de relatividad.[cita requerida] La probabilidad de un evento se denota con la letra p y se expresa en términos de una fracción y no en porcentajes, por lo que el valor de p cae entre 0 y 1. Por otra parte, la probabilidad de que un evento "no ocurra" equivale a 1 menos el valor de p y se denota con la letra q. CONCLUSIONES