Sie sind auf Seite 1von 60

TCNICAS DECISIONALES

AGENDA

Reconocer que la incertidumbre es una Caracterstica fundamental de cualquier entorno en el que se toman las decisiones humanas. Aplicar la teora de probabilidades para analizar y expresar las incertidumbres de un evento y el entorno. Tener las bases necesarias para hacer inferencias estadsticas de futuros eventos y sobre las Caractersticas de la poblacin basndonos en informacin muestral.

Eliminar la sensacin de misterio y temor en el uso de las probabilidades.

Toma de decisiones

Diariamente nos enfrentamos a situaciones de toma de decisiones, sin disponer de toda la informacin necesaria(incertidumbre).

La Teora de la Probabilidad, Ciencia de la Incertidumbre se ocupa del estudio de la mejor decisin cuando contamos con informacin reducida.

Enfrentar, entender y comunicarse claramente acerca de la incertidumbre es importante y requerido para:

Anlisis de riesgo, administracin del riesgo y reduccin del riesgo Evaluacin de proyectos de inversin Control de calidad Mejoramiento Gentico Anlisis de sobrevivencia Teora de colas, de juegos Sistemas de seguros Planificacin y control de ventas e inventarios. Contratacin de capital humano. Otros

Definiciones

Experimento

Actividad que origina un evento. Proceso de hacer una observacin y obtener un resultado. Cualquier proceso de observacin que puede repetirse a voluntad en condiciones similares, con la condicin de que el resultado no puede ser previsto antes de cada una de sus realizaciones. Lo que obtenemos de un experimento. Coleccin de todos los posibles resultados de un experimento. Uno o ms de los posibles resultados de un experimento.

Experimento Aleatorio

Resultado

Espacio Muestral

Evento

Con respecto a una determinado sector de una ciudad Experimento


Materialidad de la edificacin Estudio de lotizacin Presenta patio Nmero de patios Numero de pisos Tipos de edificacin Nmero de integrantes en una casa

Espacio Muestral
Adobe, Ladrillo, Quincha Construida, En construccin Si, No 0,1,2,3,4 1,2,3,4,5 Casa, Edificio, Escuela 1,2,3,4,5,6,7,8

Experimento: Estudio de lotizacin de dos terrenos C: Construida E: En construccin

Evento
A: Un terreno se construy B: El 1er terreno se construy C: Al menos Uno construy D: Los dos construyeron

Resultados A={C1E2, E1C2} B={C1C2, C1E2} C={C1C2, C1E2, E1C2} D={C1C2}

Espacio Muestral: ={C1C2, C1E2, E1C2, E1E2}

Probabilidad
1

Cierto

Es la medida numrica de la certeza de que un resultado pueda ocurrir.


Su valor est entre 0 y 1

.5

Imposible

Experimentos y Eventos
1.

Cul es la probabilidad de encontrar una edificacion de adobe en una cuadra de una determinada ciudad?
Nmero de Resultados Favorables Prob Nmero de Resultados Posibles

1 0.33 A, L, Q 3
Espacio Muestral: = {Adobe, Ladrillo, Quincha}

Experimentos y Eventos

Si vemos el numero de patios de dos casas, cul es la probabilidad de obtener un puntaje de 5?

Nmero de Resultados Favorables Prob Nmero de Resultados Posibles

(0,5), (1,4), (2,3), (3,2), (4,1), (5,0)


52

6 0.24 25

Experimentos y Eventos
Cul es la probabilidad de encontrar 1 edificacin construida si se analiza el estudio de lotizacin de 3 terrenos?
Considere el experimento aleatorio en el que se. Sean: C el resultado (Evento) de un terreno construido y E el resultado (Evento) de un terreno en construccin
Sea de nuestro inters contar el nmero de edificaciones construidos al analizar 3 terrenos.

Luego, los posibles resultados combinados pueden ser mejor visualizados, mediante la construccin de el rbol de decisin de ste experimento :

C
C E C C

CCC

(3)

0.53=0.125

CCE CEC

(2) (2)

0.53=0.125 0.53=0.125

E
Nmero de Edificaciones construidas

E C

CEE ECC

(1) (2)

0.53=0.125 0.53=0.125

C E C E E EEE ECE EEC

(1) (1)

0.53=0.125

0.53=0.125
0.53=0.125

(0)

El espacio muestral para este experimento ser:


EEE, EEC, ECE, ECC, CEE, CEC, CCE, CCC.

Entonces, los posibles valores de: X (nmero edificaciones construidas): x = 0,1,2,3.


El resultado cero edificaciones construidas ocurri una vez. El resultado 1 edificacin construida ocurri tres veces. El resultado dos edificaciones construidas ocurri tres veces. El resultado tres edificaciones construidas ocurri una vez.

Nmero de Resultados Favorables Prob Nmero de Resultados Posibles

3 0.375 (ccc), (cce), (cec), (cee), (ecc), (ece), (eec), (eee) 8

(cee), (ece), (eec)

Principios de Conteo
Frmula de la multiplicacin Permutacin Variacin Combinacin

ENFOQUES DE LA PROBABILIDAD

PROBABILIDAD OBJETIVA

PROBABILIDAD SUBJETIVA

PROBABILIDAD CLASICA (1/n)

PROBABILIDAD FRECUENCIA RELATIVA (fi/n)

ENFOQUES DE LA PROBABILIDAD
I. PROBABILIDAD OBJETIVA
a)

Probabilidad Clsica (Situacin decisional nueva) Se basa en la consideracin de que los resultados de un experimento son igualmente posibles.
nmero de resultados favorables nmero totalde resultados posibles

Probabilidad de un evento =

EJEMPLO 1
En una cuadra de una determinada ciudad se encontr los tipos de edificacin (Casa/Edificio/ Escuela )Cul es la probabilidad de que salga escuela? Aplicando el concepto de probabilidad clsica: La probabilidad sera: P(A) = 1/3 = 0.33

b)

Probabilidad Emprica o de frecuencias relativas (Situacin decisional reiterada) Es la probabilidad de que un evento ocurra a largo plazo. Se determina observando en cuantas veces se repite un evento semejante en el pasado:
nmero de veces que ocurri el evento Probabilidad del evento = nmero total de observaciones

La probabilidad que suba el dlar. La probabilidad que un cliente me compre.

EJEMPLO 2

En una determinado sector de una ciudad se encontr 50 casas que presentaban patios de 240 . Cul es la probabilidad de que encontrar casas con patios en el siguiente sector? Aplicando el concepto de frecuencias relativas, la probabilidad de que gane sera: P(G) = 50 /240 = 0.208

II. PROBABILIDAD SUBJETIVA

Probabilidad Subjetiva:
Es la probabilidad otorgada por un individuo a la ocurrencia de un evento especfico basada en cualquier informacin disponible: su experiencia, opinin personal anlisis propio de la situacin particular que se evala (estado de informacin de una persona). Ejemplos de la probabilidad subjetiva son estimar la probabilidad de que una edificacin termine en el tiempo estimado.

ENFOQUES DE LA PROBABILIDAD

PROBABILIDAD OBJETIVA

PROBABILIDAD SUBJETIVA

PROBABILIDAD CLASICA (1/n)

PROBABILIDAD FRECUENCIA RELATIVA (fi/n)

Consideraciones: Sea cualquier caso, los eventos deben

Eventos Mutuamente Excluyentes. Eventos Colectivamente Exhaustivos.

Eventos mutuamente excluyentes: La ocurrencia de cualquier evento implica que ningn otro puede ocurrir al mismo tiempo. Eventos Colectivamente exhaustivos: Lista de eventos que registra todos los resultados posibles cuando se realiza un experimento, de modo tal que su unin debe ser igual al espacio muestral .
Evento A
Evento B

Evento A

Evento B

Analizando el caso de:


Experimento: Estudio de lotizacin de dos terrenos Espacio Muestral: ={C1C2, C1E2, E1C2, E1E2}

Considere el evento de que un terreno se construy A={C1E2,E1C2} Probabilidad de que un terreno construy P(A) = 2/4 = 1/2.

Los cuatro resultados posibles son mutuamente excluyentes. C1C2,C1E2,E1C2,E1E2 Los cuatro resultados posibles son colectivamente exhaustivos. En otras palabras, la suma de las Prob. es:

REGLAS O PROPIEDADES DE LA PROBABILIDAD 1.- COMPLEMENTO

2.-ADICION: Evento Mutuamente Excluyente Evento Colectivamente Exhaustivos 2.- MULTIPLICACION Eventos Independientes Eventos Dependientes

Regla del complemento

La regla del complemento se utiliza para determinar la probabilidad un evento, conociendo su probabilidad de No Ocurrencia. Se obtiene restando del nmero 1 la probabilidad de que No ocurra un evento. Si P(A) es la probabilidad del evento A y P(Ac) es el complemento de A,
P(A) + P(Ac) = 1 P(A) = 1 P(Ac).

Complemento de A Evento A

Ac

5-12

EJEMPLO 3

Tans acaba de proporcionar la siguiente informacin de sus vuelos de Lima a Nueva York: LLEGADA Frecuencia Antes de Tiempo Demorado A tiempo Cancelado Total 100 75 800 25 1000

Sea el evento que un vuelo: A :llegue antes de tiempo. B: llegue demorado. C: llegue a tiempo D: sea cancelado P(A) = 100 /1000 = 0.1. P(B) = 75 /1000 = 0.075. P(C) = 800 /1000 = 0.8. P(D) = 25 /1000 = 0.025.

Utilice la regla del complemento para mostrar que la probabilidad de que el vuelo llegue antes de tiempo (A) o demorado (B) es 0.175.

5-17

EJEMPLO 3

continuacin

P(A o B) = 1 - P(C o D) = 1 - [0.8 + 0.025] = 0.175


C = 0.8

D=0.025

A=0.1

B=0.075

Regla de la Adicin

Si dos eventos A y B son mutuamente excluyentes, la probabilidad de que ocurra A o B es igual a la suma de sus probabilidades respectivas: P(A o B) = P(A U B) = P(A) + P(B) EJEMPLOS: Probabilidad que al lanzar una moneda salga Cancel o Posterg. La probabilidad de que un vuelo llegue antes de tiempo o demorado es P(A o B) = P(A U B) = P(A) + P(B) = 0.1+0.075 = 0.175

Regla de la Adicin

Si A y B son dos eventos no mutuamente excluyentes, entonces P(A o B) = P(A U B) = P(A)+P(B)-P(A y B)


Probabilidad conjunta es la probabilidad que mide la posibilidad de que dos o ms eventos ocurran juntos.

Regla especial de la Adicin


Espacio Muestral

Evento A

Evento B

P(A o B) = P(A) + P(B) - P(A y B)

Probabilidad Conjunta

EJEMPLO 4
De 500 estudiantes, 300 aseveraron tener estreo, 280 dijeron Tv. y al preguntarles quienes tenan ambos 180 asintieron. Tv. 280

Estreo 300

Ambos 180

Si un estudiante es seleccionado aleatoriamente, Cul es la probabilidad de que tenga un Estreo, tenga una Tv., y tanto Tv. como Estreo?

P(S) = 300 /500 = 0.6 P(T) = 280 /500 = 0.56 P(S y T) = 180 /500 = 0.36 P(S o T) = P(S) + P(T) - P(S y T) = 0.6 + 0.56 - 0.36 = 0.8

Regla de la Multiplicacin

Si dos eventos A y B son independientes (la ocurrencia de B no afecta la probabilidad de ocurrencia de A). Es decir: P(A|B) = P(A) Su probabilidad conjunta es: P(A y B) = P(A B) = P(A) * P(B).

Si dos eventos A y B no son independientes (la ocurrencia de B afecta la probabilidad de ocurrencia de A). Surge el concepto de Probabilidad Condicional

Probabilidad condicional

Probabilidad condicional es la probabilidad de que ocurra un evento en particular, dado que ocurri otro evento. P(B|A). Se lee: La probabilidad de que ocurra el evento B dado que ya ocurri A. P(A|B). Se lee: La probabilidad de que ocurra el evento A dado que ya ocurri B.
P( A B) P( B | A) P( A)

Regla general de multiplicacin


La probabilidad conjunta que ambos ocurran se encuentra multiplicando la probabilidad de A por la probabilidad condicional de B dado que A ocurri.

P(A y B) = P(A B) = P(A) * P(B|A)

EJEMPLO 5
Ripley posee dos inventarios independientes uno de otro. La probabilidad de que el inventario A aumente su valor el prximo ao es 0.5, mientras que la probabilidad de que el B aumente el suyo es 0.7. Cul es la probabilidad de que ambos aumenten su valor el prximo ao? Cul es la probabilidad de que al menos uno aumente su valor el prximo ao (esto implica que cualquiera de los dos o ambos aumenten)?

P(A y B) = (0.5)(0.7) = 0.35. As, P(al menos uno) = (0.5)(0.3)+(0.5)(0.7)+(0.7)(0.5)

EJEMPLO 6
La directora de la escuela de administracin recolect la siguiente informacin de los estudiantes: GENERO
Si se elige uno al azar, CARRERA Hombre Mujer cul es la probabilidad de Contabilidad 170 110 que el estudiante sea mujer Economa 120 100 del rea de contabilidad? Marketing 60 70 P(M y C) = 110 / 900. Administracin 150 120 S se sabe que la estudiante es mujer, cul es la probabilidad que estudie contabilidad? P(C|M) = [110/400]= 0.275
Total 500 400 Total

280
220 130 270 900

P(HyA)=
P(H/A)= P(A/H)= P(HoA)=

Diagrama de rbol
Un diagrama de rbol (o arborigrama) es una representacin grfica muy til para visualizar las probabilidades condicional y conjunta y en particular para el anlisis de decisiones administrativas que involucran varias etapas.
Donde cada segmento en el rbol es una etapa del problema.
Nodo inicial. Puede o no representar un evento. Nodos finales o terminales. Son el nmero de alternativas. Ramas. Une a dos nodos

EJEMPLO 07
Una bolsa contiene 7 fichas rojas (R) y 5 azules (B), se escogen 2 fichas, una despus de la otra sin reemplazo. Construya el diagrama de rbol con esta informacin.

Definiendo a los posibles eventos como: R1: Primera ficha elegida es de color rojo. B1: Primera ficha elegida es de color azul. R2: Segunda ficha elegida es de color rojo. B2: Segunda ficha elegida es de color azul.

EJEMPLO 07

continuacin

6/11
7/12 R1 5/11 7/11 5/12 B1 4/11

R2

B2

R2
B2

PROBABILIDAD A PRIORI

Es la probabilidad inicial con base en el nivel actual de informacin.

PROBABILIDAD A POSTERIORI

Es una probabilidad revisada con base en informacin adicional. EJEMPLO: El parte meteorolgico ha anunciado tres posibilidades para el fin de semana: Que llueva: probabilidad del 50%. b.Que nieve: probabilidad del 30% c.Que haya niebla: probabilidad del 20%.
a.

Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente:
Si llueve: probabilidad de accidente del 20% b.Si nieva: probabilidad de accidente del 10% c.Si hay niebla: probabilidad de accidente del 5%.
a.

Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no sabemos que tiempo hizo (llovi, nev o hubo niebla). Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se denominan "probabilidades a priori" (lluvia con el 50%, nieve con el 30% y niebla con el 20%).

Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se denominan "probabilidades a posteriori

Teorema de Bayes

El teorema de Bayes se representa con la frmula:

P( A1) * P( B | A1) P( A1 | B) P( A1) * P( B | A1) P( A2) * P( B | A2)

La compaa Backus ha recibido varias quejas debido al bajo contenido de sus botellas. Una queja fue recibida hoy, el gerente de Produccin no puede identificar la fuente (Motupe, Pucallpa o Lima) de la botella. S sabemos que: % de produccin total

% botellas falladas (contenido inadecuado)

Motupe Pucallpa

55 25

3 5

Lima

20

Cul es la probabilidad de que:

a) La botella fallada haya salido de la planta de Motupe. (La botella sea de Motupe si s que estaba fallada: P(M/F).) b) Una botella sea de Motupe y est en buen estado: P(MyB). c) Una botella est en buen estado si s que era Motupe: P(B/M). d) Una botella est fallada: P(F). e) Una botella sea de Lima si s que estaba buen estado: P(L/B).

Diagrama de rbol

Defina eventos. Elabore un Diagrama del rbol.

La botella fallada haya salido de la planta de Motupe. (La botella sea de Motupe si s que estaba fallada: P(M/F).) b) Una botella sea de Motupe y est en buen estado: P(MyB). Definiendo Eventos c) Una botella est en buen estado si s que era Motupe: P(B/M). M = Motupe d) Una botella est fallada: P(F). P = Pucallpa e) Una botella sea de Lima si s que estaba buen estado: P(L/B).

a)

L= Lima B = Buen estado F = Fallada

P(MF)= P(MyF) = P(MF)= P(M)*P(F/M) =(0.55)(0.03)=0.0165

P(MB)= P(MyB) = P(MB)= P(M)*P(B/M) =(0.55)(0.97)=0.5335 B F P(P) = 0.25 P(PF)= P(PyF) = P(PF)= P(P)*P(F/P) =(0.25)(0.05)=0.0125

P(PB)= P(PyB) = P(PB)= P(P)*P(B/P) =(0.25)(0.95)=0.2375 P(LF)= P(LyF) = P(LF)= P(L)*P(F/L) =(0.2)(0.04)=0.008
P(LB)= P(LyB) = P(LB)= P(L)*P(B/L) =(0.2)(0.96)=0.192

Teorema de Bayes Revisin de Probabilidades

Posibilidades a priori

Informacin Nueva

Teorema de Bayes

Posibilidades posteriores

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

Ejemplo 09

En un pueblo alejado, 5% de la poblacin padece una enfermedad originaria de dicho lugar. A priori podemos afirmar que la probabilidad de que una persona seleccionada al azar padezca la enfermedad es 5%, y de que no la padezca es 95%. Existe una prueba de diagnstico para detectar la enfermedad.

Si una persona tiene la enfermedad, la prueba sale positiva en 90% de los casos. La estadstica muestra adems que en 15% de los casos, a pesar de que la persona no padeca la enfermedad, la prueba sali positiva.

Si escogemos a una persona, y al hacerle la prueba de diagnstico, sta sale positiva, Cul es la probabilidad de que la persona tenga realmente la enfermedad?

P(P|E)

P(E,P)=0.05x0.90=0.0450

P(E)
P(E,N)=0.05x0.10=0.0050 P(N|E) 0.0450 + 0.1425 0.1875

P(P|noE) P(noE,P)=0.95x0.15=0.1425 P(no E)

P(N|noE)

P(noE,N)=0.95x0.85=0.8075

P( E | P)

P( E , P) 0.0450 0.24 P( P) 0.1875

Tabla de Contingencia

Evento
Evento
A1 A2 B1 P(A1 y B1) P(A2 y B1) B2 P(A1 y B2) P(A2 y B2)

Total
P(A1) P(A2)

Total
Probabilidad Conjunta

P(B1)

P(B2)

Probabilidad Marginal (Simple)

Caso de la Baraja de Naipes..


Color

Tipo As
No As Total

Rojo

Negro

Total 4 48 52 Total 2/26

2 24 26 Color
Rojo

2 24 26
Negro

Tipo As
No As Total

1/26 6/13

1/26

6/13 12/13

13/26 13/26 26/26

Caso de produccin
A: Artculos B: Artculos C: Artculos D: Artculos en idioma espaol en idioma ingls. sobre estrategia. sobre gestin.

Evento A B Total

Evento C D 4 2 1 5 3 5

Total 6 4 10

Cul es la Probabilidad de escoger un artculo?


P (A) = P (D) =

P (C y B) =
P (A o D) = P (B y D) =

Solucin
Las probabilidades son: P (A) = 6/10 P (D) = 5/10 P (C y B) = 1/10

Evento A B Total

Evento C D 4 2 1 5 3 5

Total 6 4 10

P (A o D) = 9/10
P (B y D) = 3/10

Plus
Cul es la probabilidad? P (A|D) =
Evento A B Total
A: Artculos B: Artculos C: Artculos D: Artculos

P (C|B) =
Son C y B independientes?

Evento C D 4 2 1 5 3 5

Total 6 4 10

en idioma espaol en idioma ingls. sobre estrategia. sobre gestin.

Evento A B Total

Evento C D 4 2 1 5 3 5

Total 6 4 10

2 P(A y D) 10 2 P(A | D) 5 5 P(D) 10 1 P(C y B) 10 1 P(C | B) 4 4 P(B) 10 5 1 6 2 P(C) P(A) 10 4 10 5

Tipos de Probabilidades
Tipos de Probabilidad Marginal Smbolo Condiciones de Independencia Estadstica P(A) Condiciones de Dependencia Estadstica P (ABi)

P(A)

Conjunta
Condicional

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

P(A) x

P (B)

P (A | B) x P (B )
P (A,B) / P ( B )

P(A)

Ejemplo 10

Una manufacturera recibe embarques de piezas de dos proveedores. El 65% de las piezas adquiridas provienen del proveedor 1 y el 35% restante del proveedor 2. Segn la estadstica existente, de las 100 ltimas piezas recibidas del proveedor 1, 98 estuvieron buenas y 2 estuvieron malas. En el caso del proveedor 2, 95 piezas de 100 estuvieron buenas y 5 fueron malas. Suponga que una de las piezas recibidas de los dos proveedores est mala, cul es la probabilidad que provenga del proveedor 1? Cul es la probabilidad que provenga del proveedor 2?

P(B|1)

P(1,B)=0.65x0.98=0.6370

P(1) P(1,M)=0.65x0.02=0.0130 P(M|1)

P(B|2) P(2,B)=0.35x0.95=0.3325 P(2)

0.0130 + 0.0175 0.0305

P(M|2)

P(2,M)=0.35x0.05=0.0175

P(1, M ) 0.0130 P(1 | M ) 0.4262 P( M ) 0.0305

P(2, M ) 0.0175 P(2 | M ) 0.5738 P( M ) 0.0305

Tabla de Excel
Pr. Marginal Pr. Condicional Pr. Conjunta Evento P(Evento) P(Mala|Evento) P(Evento,Mala) Proveedor 1 0.65 0.02 0.0130 P(1,Mala) Proveedor 2 0.35 0.05 0.0175 P(2,Mala) 0.0305 P(Mala) P(1|M) P(2|M) 0.4262 0.5738

P(1, M ) P(1 | M ) P( M )

P (2, M ) P(2 | M ) P( M )

Ejemplo 11

En una fbrica existe una mquina que produce automticamente engranajes. Si la mquina est correctamente calibrada producir 90% de piezas buenas. Si est mal calibrada producir slo 40% de piezas buenas. La experiencia pasada indica que el 70% de los trabajos de calibracin dan buenos resultados. Luego de un trabajo de mantenimiento, la mquina produce 3 engranajes buenos, como las primeras tres piezas. Se desea conocer la probabilidad revisada que la calibracin halla sido buena?

P(BBB|C)
P(BB|C) P(B|C) P(C)

P(C,BBB)=0.70x(0.90)3=0.5103

0.5103 + 0.0192 0.5295

P(NC,BBB)=0.30x(0.40)3=0.0192

P(NC)

P(C | BBB )

P(C , BBB ) 0.5103 0.9637 P( BBB ) 0.5295

Tabla de Excel
Evento Calibrada No Calibrada Pr. Marginal Pr. Condicional Pr. Condicional Pr. Conjunta P(Evento) P(B|Evento) P(BBB|Evento) P(Evento,BBB) 0.70 0.90 0.7290 0.5103 P(Calibrada, BBB) 0.30 0.40 0.0640 0.0192 P(No Calibrada, BBB) 0.5295 P(BBB) 0.9637 0.0363

P(Calibrada|BBB) P(No Calibrada|BBB)

P(Calibrada, BBB ) P(Calibrada | BBB ) P( BBB )

P( No Calibrada | BBB )

P( No Calibrada , BBB ) P( BBB )

Das könnte Ihnen auch gefallen