Las decisiones de los negocios

generalmente se basan en un
anlisis de incertidumbres como:
Cul es la posibilidad de que
las ventas se reduzcan, si
incrementamos los precios?
Cul es la posibilidad de que
un nuevo mtodo de
ensamblaje incremente la
productividad?
Qu tan probable es que el
proyecto se termine a tiempo?
Cules son las posibilidades a
favor de que una nueva
inversin sea rentable?
La probabilidad es una
medicin numrica de la
posibilidad de que un
evento ocurra, entonces
se puede utilizar las
probabilidades como una
medida del grado de
incertidumbre
asociada a un
fenmeno.
Los valores de probabilidad varan entre 0 y 1.
Una probabilidad cercana a 0 (probabilidad nula)
indica que es muy improbable que ocurra un
evento.
Una probabilidad cercana a 1 indica que es casi
seguro que ocurra un evento.
La probabilidad es importante en la toma de
decisiones, pues brinda una forma de medir,
expresar y analizar la incertidumbre asociada con
eventos futuros.
CARACTERSTICAS:
Definimos como un experimento a cualquier
proceso que genere resultados bien definidos,
en cualquier experimento ocurrir solo uno de los
resultados experimentales posibles.
EXPERIMENTO
Experimento Resultado Experimental
Lanzar una moneda al aire Cara, Cruz
Seleccionar una pieza de
inspeccin
Defectuosa, No Defectuosa
Llevar a cabo una visita de
ventas
Venta o No Venta
Tirar un dado 1, 2, 3, 4, 5, 6
Jugar un partido de ftbol Ganar, Perder, Empatar
EXPERIMENTOS PROBABILISTICOS
El primer paso en el anlisis de un experimento es definir
cuidadosamente sus resultados experimentales, cuando
hayamos definido todos los resultados experimentales
posibles, habremos identificado el espacio muestral
para el experimento.
El espacio muestral, es el conjunto de todos los
posibles resultados experimentales de dicho
experimento, generalmente se denota con una S.
Cualquier elemento del resultado experimental en
particular se conoce como punto muestral.
ESPACIO MUESTRAL
Experimento: Tirar una moneda.
Los resultados experimentales son: cara o cruz.
Si hacemos que S sea el espacio muestral,
podemos describir los puntos muestrales para
este experimento como:

S = {cara, cruz}
EJEMPLO:
Experimento: Lanzar un dado.
Los resultados experimentales son: 1-2-3-4-5-6.
Si hacemos que S sea el espacio muestral,
podemos describir los puntos muestrales para
este experimento como:

S = {1 ; 2 ; 3 ; 4 ; 5 ; 6}
EJEMPLO:
En la asignacin de probabilidades a resultados
experimentales deben satisfacerse dos requisitos bsicos
de probabilidades:

Los valores de probabilidad asignados a cada resultado
experimental (punto muestral) debe quedar entre 0 y 1,
esto es:
0 P(Ej) 1

La suma de todas las probabilidades de resultados
experimentales debe ser igual a 1, es decir:

P(E1) + P(E2) + .. + P(Ek) = 1
PROBABILIDAD EN EL ESPACIO
MUESTRAL
Existen diferentes mtodos para asignar
valores probabilsticos para cada resultado
experimental. Entre estos tenemos:

Mtodo clsico.
Mtodo de frecuencia relativa.
Mtodo subjetivo.
MTODOS DE ASIGNACIN DE
PROBABILIDADES
La probabilidad clsica de un evento E, que denotaremos por P(E), se
define como:


Ejemplo: Al tirar una moneda, en cualquier tirada observamos uno de
los dos puntos mustrales: Cara o Cruz.
Una suposicin razonable es que los dos resultados posibles tienen la
misma probabilidad.
Por lo tanto, ya que los dos resultados son igualmente posible, la
probabilidad de una cara es , similarmente la probabilidad de ver
una cruz es .
Si un experimento tiene n resultados posibles, el mtodo
clsico asignar una probabilidad de 1/n a cada resultado
experimental.
MTODO CLSICO
muestral espacio del elementos de total
E evento del s elementale eventos de numero
) ( E P
MTODO CLSICO

EJEMPLO:

Una urna tiene 8 bolas rojas, 5 amarillas y siete
verdes. Si se extrae una bola al azar . Calcular la
probabilidad de:

a) Sea roja
b) Sea verde
c) Sea amarilla
d) No sea roja
e) No sea amarilla
Se usa cuando no es posible aplicar igual probabilidad a todos los
resultados experimentales.

Ejemplo: Una empresa esta evaluando introducir un nuevo producto en
el mercado. Para estimar la probabilidad de que un cliente adquiera el
producto, se ha establecido una investigacin de mercado con 400
clientes potenciales. Teniendo 02 posibles resultados para cada visita de
ventas efectuadas: el cliente adquiere el producto o no lo adquiere.
No hay ninguna razn para suponer que los dos resultados
experimentales tengan la misma posibilidad, por lo que no es apropiado
el mtodo clsico.
MTODO DE FRECUENCIA RELATIVA
Resultado
100 compraron el producto 100/400 = 0.25
300 no compraron el producto 300/400 = 0.75
Frecuencia
Relativa
Los mtodos clsicos y de frecuencia relativa, no pueden aplicarse en
todas las situaciones, en algunas ocasiones no tienen igual posibilidad y
no hay datos disponibles.

Ejemplo: Cul es la probabilidad de que el Vley peruano gane el
prximo mundial?. En este caso las posibilidades de una victoria, una
derrota o un empate no son igualmente posibles, adems no hay datos
disponibles sobre el prximo encuentro para una frecuencia relativa.

En el mtodo subjetivo podremos utilizar cualquier dato
disponible, adems de nuestra experiencia o intuicin, una vez
tenido toda la informacin disponible debemos especificar un valor de
probabilidad que exprese nuestro grado de creencia de que ocurra un
resultado experimental (personal).
MTODO SUBJETIVO
Por ejemplo en el espacio muestral S = {1, 2, 3, 4, 5, 6} del
lanzamiento de un dado, los siguientes son eventos:
1. Obtener un nmero primo: A = {2, 3, 5}
2. Obtener un nmero primo y par: B = {2}
3. Obtener un nmero mayor o igual a 5: C = {5, 6}
Se llama evento o suceso a todo subconjunto de
un espacio muestral.
EVENTOS Y SUS PROBABILIDADES
La probabilidad de un evento es igual a la suma de las
probabilidades de los puntos muestrales de dicho evento.
El experimento de lanzar un dado, utilizando el mtodo
clsico para hallar la probabilidad de cada punto muestral
es 1/6, y sea el evento A: nmero par en la cara superior.

Experimento: lanzar un dado
Espacio muestral S = {1, 2, 3, 4, 5, 6}
P(S) = 1/6 + 1/6 + 1/6 + 1/6 + 1/6 + 1/6 = 1

Evento A: Nmero par en la cara superior A={2, 4, 6}
P(A) = P(2) + P(4) + P(6) = 1/6 + 1/6 + 1/6 =
EJEMPLO:
1. COMPLEMENTO DE UN EVENTO (A
c
)
El complemento del evento A, es aquel evento que
contiene todos los puntos muestrales no existente
en A. El evento A ms su complemento siempre da
el valor 1.
P(A) + P(A
c
) = 1
P(A
c
) = 1 P(A)
OPERACIONES BSICAS CON
EVENTOS
2. UNIN DE DOS EVENTOS (A B)
Cuando tenemos dos elementos y estamos interesados en conocer
la probabilidad de que ocurra por lo menos uno de los dos
eventos. Es decir, teniendo los eventos A y B, estamos interesados
en saber la probabilidad de que ocurra A, B o ambos.
La unin de los eventos A y B (A B), es aquel evento que
contiene todos los puntos muestrales existentes de A o B o ambos.
La interseccin de dos eventos A y B (AB), es aquel evento que
contiene todos los puntos muestrales existentes tanto de A como
de B.
P(A B) = P(A) + P(B) P(A B)
OPERACIONES BSICAS CON
EVENTOS
2. UNIN DE DOS EVENTOS (A B)
OPERACIONES BSICAS CON
EVENTOS
A
B
A B
Observe que los puntos muestrales de la
interseccin A B estn en A y B, cuando
calculamos P(A) + P(B), estamos contando
cada uno de los puntos muestrales AB dos
veces, corregimos esta doble contabilidad al
restar P(AB)
Dos eventos son mutuamente excluyentes,
si los eventos no tienen ningn punto
muestral en comn, es decir que no existe
punto muestral en la interseccin de los dos
eventos. Para que A y B sean mutuamente
excluyentes, entonces P(AB) = 0
Tenemos 200 estudiantes que estn tomando el curso de Estadstica
Aplicada para la Toma de Decisiones, de los cuales 160 pasaron el
examen semestral y 140 pasaron el examen final, 124 estudiantes pasaron
ambos exmenes.

Supongamos que:
A: evento de pasar el examen semestral P(A) = 160/200 = 0.80
B: evento de pasar el examen final P(B) = 140/200 = 0.70
P(A B) = 124/200 = 0.62

Despus de revisar notas, el profesor decidi aprobar a cualquier
estudiante que hubiera pasado por lo menos uno de los dos exmenes.
Cul es la probabilidad de que un estudiante haya aprobado el
curso?

Rpta: P(A B) = P(A) + P(B) P(A B) = 0.80 + 0.70 0.62 = 0.88
EJEMPLO:
3. PROBABILIDAD CONDICIONAL (A / B)
Es importante determinar la probabilidad de un evento A
cuando se sabe que ha ocurrido otro evento B.
Suponga que tenemos un evento A, de probabilidad P(A), y
obtenemos nueva informacin o ha ocurrido otro evento B.
Si A est relacionado con B, desearemos aprovechar esta nueva
informacin para calcular una probabilidad nueva o revisada para
el evento A.
Esta nueva probabilidad del evento A se escribe P(A / B) y se lee
probabilidad del evento A dado el evento B.
OPERACIONES BSICAS CON
EVENTOS
) (
) (
) | (
B P
B A P
B A P

) (
) (
) | (
A P
B A P
A B P

Una promocin de oficiales de una dependencia policial est formada

por 1,200 agentes: 960 hombres y 240 mujeres. A lo largo de los dos
ltimos aos, han ascendido 324 agentes. La siguiente tabla muestra el
desglose especfico de las promociones para los agentes:
Ascendidos No ascendidos Total
Hombres 288 672 960
Mujeres 36 204 240
Total 324 876 1200
Despus de revisar el registro de ascensos, un comit de agentes mujeres
entablaron una demanda de discriminacin en base que durante los dos
ltimos aos solo se haba ascendido a 36 mujeres. Ahora utilizaremos la
probabilidad condicional para evaluar el cargo por discriminacin
femenina.
EJEMPLO:
Supongamos que:
H = evento en que un agente es hombre.
M = evento en que un agente es mujer.
A = evento en que un agente es promovido.

Dividiendo los valores de la tabla entre el total de 1,200 agentes, nos
permite resumir la informacin en una tabla de probabilidades
conjuntas.

Ascendidos No ascendidos Total
Hombres 288/1200 = 0.24 672/1200 = 0.56 960/1200 = 0.80
Mujeres 36/1200 = 0.03 204/1200 = 0.17 240/1200 = 0.20
Total 324/1200 = 0.27 876/1200 = 0.73 1200/1200 = 1
Los valores en los mrgenes de la tabla de probabilidades conjuntas nos
dan la probabilidad marginal por cada evento por separado. Esto es:
P(H) = 0.80, P(M) = 0.20, P(A) = 0.27 , P(Ac) = 0.73
Cul es la probabilidad de obtener un agente promovido, dado que
el agente sea hombre (H) o que el agente sea mujer (M)?

Si esas dos probabilidades son iguales, el caso de discriminacin no tiene
fundamento, porque las oportunidades de promocin seran iguales para
ambos. Si las dos probabilidades condicionales son diferentes, darn
apoyo a la posicin de discriminacin referente a los ascensos.
A que conclusin llega? Como la probabilidad de ascenso para un
polica masculino es el doble de la probabilidad de ascenso de un polica
femenino, se apoya de manera importante el reclamo presentado por las
agentes mujeres.
15 . 0
20 . 0
03 . 0
) (
) (
) / (
30 . 0
80 . 0
24 . 0
) (
) (
) / (

M P
M A P
M A P
H P
H A P
H A P
4. INTERSECCIN DE DOS EVENTOS (A B)
La probabilidad de una interseccin de dos eventos deriva de la
probabilidad condicional.
OPERACIONES BSICAS CON
EVENTOS
) / ( ) ( ) (
) / ( ) ( ) (
) (
) (
) / (
A B P A P B A P
B A P B P B A P
B P
B A P
B A P

Suponga que un departamento de peridico sabe que el 84% de sus

clientes estn suscritos a la edicin diaria del peridico (evento D), por lo
que P(D) = 0.84
Adems se sabe que la probabilidad condicional de que un cliente que ya
tenga una suscripcin diaria tambin se suscriba a la edicin dominical
(evento S) es de 0.75, esto es P(S / D) = 0.75

Cul es la probabilidad de que un cliente se suscriba tanto a la
edicin diaria como a la dominical del peridico?

P(D S) = P(D) P(S / D) = (0.84)(0.75) = 0.63
Por lo tanto, el 63% de los clientes adquieren tanto la edicin diaria como
la dominical.
EJEMPLO:
Con frecuencia empezamos un anlisis con
estimaciones iniciales (probabilidades a
priori) para eventos especficos. Luego
obtenemos informacin adicional de ese
evento, con la cual modificamos los valores
de las probabilidades a priori mediante el
clculo de probabilidades actualizadas a las
que llamamos probabilidades posteriori.

El Teorema de Bayes proporciona un
mtodo para calcular estas probabilidades.
TEOREMA DE BAYES
Probabilidades
a priori
Informacin
nueva
Aplicacin del
Teorema Bayes
Probabilidades
Posteriori
TEOREMA DE BAYES
Es aplicable cuando los eventos para los cuales deseemos calcular
probabilidades son mutuamente excluyentes y su unin es el
espacio muestral completo.

El teorema de bayes puede calcularse para n eventos
mutuamente excluyentes A1, A2, , An, cuya unin sea la
totalidad del espacio muestral.
) / ( ) ( ... ) 2 / ( ) 2 ( ) 1 / ( ) 1 (
) / ( ) (
) (
) (
) / (
An B P An P A B P A P A B P A P
Ai B P Ai P
B P
B Ai P
B Ai P

PROCEDIMIENTO TABULAR PARA EL

TEOREMA DE BAYES
Paso 1: Prepare 3 columnas
Columna 1: Los eventos mutuamente excluyentes para los cuales
se desean las probabilidades posteriores.
Columna 2: Las probabilidades a priori de los eventos.
Columna 3: Las probabilidades condicionales de la nueva
informacin, dado cada uno de los eventos.

Paso 2: En la columna 4, calcule las probabilidades conjuntas de cada
evento y la nueva informacin M, utilizando las probabilidades
condicionales.

Paso 3: Sume las probabilidades conjuntas de la columna 4, para obtener
la probabilidad de la nueva informacin P(M)

Paso 4: En la columna 5, calcule las probabilidades posteriores
utilizando
la probabilidad condicional P(Ai / M)
EJEMPLO
Una Empresa manufacturera recibe piezas de dos proveedores. Entonces A1 el
evento de que una pieza es del proveedor 1, y
A2 es el evento de que una pieza es del proveedor 2.
Actualmente el 65% de las piezas adquiridas por la empresa proviene de la
empresa 1 y el 35% restante proviene de la empresa 2.
Con base a los datos histricos de la empresa, las probabilidades
condicionales de recibir piezas buenas y malas de ambos proveedores son:

Ahora suponga que las piezas de los dos proveedores se utilizan en las
manufacturas de la empresa y que una pieza mala hace que una maquina se
descomponga. Cul es la probabilidad de que dicha pieza mala
provenga del proveedor 1, y cual es la probabilidad de que provenga
del proveedor 2?
Col 1 Col 2 Col 3 Col 4 Col 5
Evento
Probabilidad
a priori
Probabilidad
Condicional
Probabilidad
Conjunta
Probabilidad
posteriori
Ai P(Ai) P(M / Ai) P(Ai M) P(Ai / M)
A1 0.65 0.02 0.0130
0.0130/0.0305 =
0.4262
A2 0.35 0.05 0.0175
0.0175/0.0305 =
0.5738
Suma = 1.00 0.0305 Suma = 1.0000
PROCEDIMIENTO TABULAR PARA EL
TEOREMA DE BAYES
DISTRIBUCIN BINOMIAL
Se aplica en casos donde se quiere: el nmero de xitos o
aciertos observados en los n intentos repetitivos.
Se debe cumplir:
1. El experimento consiste en una repeticin
de n intentos o ensayos idnticos.
2. En cada ensayo es posible solo 2 resultados:
xito y Fracaso.
3. La probabilidad de xito (p) no cambia de
un ensayo a otro.
4. Los intentos o ensayos son independientes
(es decir, el resultado de un ensayo no
afecta al resultado de cualquier otro
ensayo).
DISTRIBUCIN BINOMIAL
La frmula matemtica de la Distribucin Binomial:
x n x
p p
x n x
n
x f

) 1 (
)! ( !
!
) (
Donde:
n = nmero de intentos o ensayos
p = probabilidad de xito en cualquier intento
1 p = probabilidad de fracaso
x = nmero de aciertos en n intentos
f(x) = probabilidad de x acierto en n intentos
Tres clientes entran a la tienda de ropa Nastke. Si con base en la
experiencia, el administrador de la tienda estima una probabilidad
de que un cliente efectu una compra es de 0.30 Cul es la
probabilidad de que exactamente 2 de los 3 clientes siguientes
efecten una compra?
Solucin:
Primero demostraremos que los 3 clientes que entran en la tienda de ropa
y que han de decidir si van a hacer o no una adquisicin se puede
considerar como un Experimento Binomial, entonces verificamos las
cuatro condiciones siguientes:
EJEMPLO: El problema de la tienda de ropa Nastke
1. El experimento se puede describir como una secuencia de 3
intentos idnticos, un intento para cada uno de los 3
clientes que entran a la tienda.
2. Solo es posibles 2 resultados: el cliente efecta una
compra (acierto) o no (fracaso).
3. La probabilidad de adquisicin (p = 0.30) o de no
adquisicin
(1 - p = 0.70), se supone la misma probabilidad para todos
los clientes.
4. La decisin de compra de cada cliente es independiente de
la decisin de compra de los otros clientes.
EJEMPLO: El problema de la tienda de ropa Nastke
Sea X el nmero de clientes que efectan una adquisicin
(es decir, el nmero de aciertos para los 3 intentos). Con
n=3 intentos y la probabilidad de una compra P=0.30
La probabilidad de que cada cliente efectu una compra es:
027 . 0 ) 70 . 0 ( ) 30 . 0 (
)! 3 3 ( ! 3
! 3
) 3 (
189 . 0 ) 70 . 0 ( ) 30 . 0 (
)! 2 3 ( ! 3
! 3
) 2 (
441 . 00 ) 70 . 0 ( ) 30 . 0 (
)! 1 3 ( ! 1
! 3
) 1 (
343 . 0 ) 70 . 0 ( ) 30 . 0 (
)! 0 3 ( ! 0
! 3
) 0 (
0 3
2
2 1
3 0

f
f
f
f
La siguiente tabla resume la
Distribucin de Probabilidad Binomial
correspondiente al problema de la
tienda de ropa Nastke:
x 0 1 2 3
f(x) 0.343 0.441 0.189 0.027
EJEMPLO: El problema de la tienda de ropa Nastke
x 0 1 2 3
f(x) 0.343 0.441 0.189 0.027
Utilizando la ecuacin
de la Distribucin
Binomial se han
desarrollado tablas de
probabilidades para x
aciertos y n intentos
de un Experimento
Binomial.
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
X=0 X=1 X=2 X=3
Distribucin de probabilidad para el
problema de la tienda de ropa de Nastke
EJEMPLO: El problema de la tienda de ropa Nastke
DISTRIBUCIN DE POISSON
Se usa para estimar el nmero de ocurrencias de un evento en un
intervalo de tiempo o espacio especificado. Con frecuencia se usa
para el modelado de tasas de llegadas en cola.
Se emplea para describir varios procesos:
distribucin de llamadas telefnicas que
llagan a un conmutador, la demanda de los
pacientes de una institucin asistencial, los
arribos de los camiones y automviles a la
caseta de cobro, el nmero de accidentes
en un cruce. Los ejemplos citados tienen
un elemento en comn, pueden ser
descritos por una variable aleatoria
discreta que asume valores enteros.
DISTRIBUCIN DE POISSON
La funcin de probabilidad de x ocurrencias en el intervalo es:
Donde:
n = nmero de intentos o ensayos
= valor esperado o promedio de ocurrencias
e = 2.71828
x = 1,2,3, .
!
) (
x
e
x f
x

DISTRIBUCIN DE POISSON
Se debe cumplir las siguientes condiciones:
1. La probabilidad de ocurrencia de un evento es la misma para
cualquier intervalo de igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en cualquier otro
intervalo.
Ejemplos:
El nmero de vehculos que pasan por una caseta
en las horas de mayor trfico.
El promedio de los arribos de vehculos por hora
de gran trfico puede estimarse a partir de los
datos anteriores del trfico.
DISTRIBUCIN NORMAL
La distribucin de una variable normal est completamente
determinada por dos parmetros, su media () y su desviacin
estndar ().
Es el modelo de distribucin ms
utilizado en la prctica, ya que
multitud de fenmenos se comportan
segn una distribucin normal.
Esta distribucin de caracteriza
porque los valores se distribuyen
formando una campana de Gauss, en
torno a un valor central que coincide
con la media.
DISTRIBUCIN NORMAL
Esta distribucin viene definida por dos parmetros: X: N (, )