FUNDAMENTOS Y ELEMENTOS BSICOS

TEORA DE PROBABILIDADES.
La teora de probabilidades se ocupa de asignar un cierto nmero a cada posible
resultado que pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos
resultados y saber si un suceso es ms probable que otro.
OBJETO DE LA TEORA DE PROBABILIDADES.
El objeto de la teora de probabilidades es proporcionar un modelo matemtico adecuado,
aplicable a la descripcin e interpretacin de los fenmenos aleatorios.
DEFINICIN DE TRMINOS BSICOS:

Estadstica: es una ciencia con base matemtica referente a la recoleccin, anlisis
e interpretacin de datos, que busca explicar condiciones regulares en fenmenos
de tipo aleatorio.
Variables: es una caracterstica que puede ser medida, adoptando diferentes
valores en cada uno de los casos de un estudio.
Variables cualitativas: son aquellas para las cuales no es posible hacer mediciones
numricas. Expresan un atributo o caracterstica, como por ejemplo, rubio,
moreno
Variables cuantitativas: Son las variables que se expresan mediante cantidades
numricas. Las variables cuantitativas pueden ser:
o Discretas: aquellas que entre dos valores prximos pueden tomar a lo sumo
un nmero finito de valores; como por ejemplo, el nmero N de hijos en
una familia pueden ser los valores 0, 1, 2, 3, 4,
o Continuas: son las que pueden adquirir cualquier valor dentro de un
intervalo especificado de valores.
Suceso: Es cada uno de los resultados posibles de una experiencia aleatoria.
Experimentos aleatorios y no aleatorios: se llama experimento aleatorio a aquel
que cada vez que se realiza, hay un conjunto determinado de resultados posibles,
pero en ningn caso es posible predecir el resultado del experimento.

Ejemplo: se arroja un dado y se anota el resultado; en un grupo de 10 alumnos, se
cuenta cuntos de ellos tienen ojos azules; se arroja un dardo sobre una superficie
plana y se observa la marca dejada. A la coleccin de resultados que se obtiene en
los experimentos aleatorios se le llama espacio muestral. En los experimentos no
aleatorios, es posible predecir el resultado. Ejemplo: se invierte un recipiente sin
tapa, que contiene lquido, se deja caer un objeto desde cierta altura y se calcula el
tiempo que tarda en tocar el piso (esto puede calcularse con la frmula
correspondiente y predecir el resultado).

ESPACIO MUESTRAL.
Es el conjunto formado por todos los resultados posibles de un experimento o
fenmeno aleatorio. Lo denotamos con la letra E.
EJEMPLO: Determine el espacio muestral en cada experimento.
- Al arrojar un dado. E = {1, 2, 3, 4, 5, 6} (conjunto finito)
- Un grupo de diez alumnos. E = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10} (conjunto finito)
- Lanzamiento de una moneda. E = {cara, sello} E = {c, s}
- Una caja contiene tres tarjetas blancas y 5 rojas. Seleccione muestra de tamao 2. 3
tarjetas blancas E = {(1B, 1B), (1B, 1R), (1R, 1B), (1R, 1R)} 5 tarjetas rojas
- Lanzamiento de dos dados. E = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,2), (2,3), (2,4),
(2,5), (2,6), (3,3), (3,4), (3,5), (3,6), (4,4), (4,5), (4,6), (5,5), (5,6), (6,6)}
En algunos experimentos ser de utilidad anotar sistemticamente los elementos del
espacio muestral por medio de un diagrama de rbol.

FUNCIN DE DISTRIBUCIN.
Sea X una variable aleatoria discreta cuyos valores suponemos ordenados de menor
a mayor. Llamaremos funcin de distribucin de la variable X, y escribiremos F(x) a la
funcin:
F(x) = p(X x)
La funcin de distribucin asocia a cada valor de la variable aleatoria la probabilidad
acumulada hasta ese valor.
En la Teora de la Probabilidad y en Estadsticas, una funcin de distribucin acumulada
(fda) describe la probabilidad de que una variable aleatoria real X sujeta a cierta ley de
distribucin de probabilidad, se site en la zona de valores menores o iguales a x.
ESPERANZA MATEMTICA.
La esperanza matemtica o valor esperado de una variable aleatoria discreta es la
suma del producto de la probabilidad de cada suceso por el valor de dicho suceso.

Los nombres de esperanza matemtica y valor esperado tienen su origen en los juegos de
azar y hacen referencia a la ganancia promedio esperada por un jugador cuando hace un
gran nmero de apuestas.
Si la esperanza matemtica es cero, E(x) = 0, el juego es equitativo, es decir, no existe
ventaja ni para el jugador ni para la banca.
PROBABILIDAD CONDICIONAL.
La probabilidad de que un evento ocurra cuando se sabe que ya ocurri un
evento se llama probabilidad condicional y se denota por que por lo general se
lee como probabilidad de que "ocurra B dado que ocurri A". Esta probabilidad se define
como:

La probabilidad condicional es una funcin de probabilidad, definida como





INDEPENDENCIA.
Se dice que dos eventos son independientes si la ocurrencia de ellos no est
influenciada por la ocurrencia del otro.

Es decir, dos sucesos aleatorios A y B son independientes si y slo si:

O sea que si A y B son independientes, su probabilidad
conjunta,
Puede ser expresada como el producto de las probabilidades individuales.
Equivalentemente:


En otras palabras, si A y B son independientes, la probabilidad condicional de A dado B es
simplemente la probabilidad de A y viceversa
Ejemplo: Se lanza una moneda tres veces; obtenemos un espacio equiprobable
S = {ccc, ccs, csc, css, scc, scs, ssc, sss}
Consideremos los eventos:
A = {primeros lanzamientos son cara}
B = {segundos lanzamientos son cara}
C = {exactamente dos caras seguidas}
Del anlisis se deduce lo siguiente:
(i) A y B son independientes, ya que la segunda cara en nada depende del resultado del
primer lanzamiento
(ii) A y C son independientes ya que las dos caras seguidas pueden darse sea que se haya
dado A o B, de forma indistinta
(iii) B y C son dependientes; ya que C slo puede darse si se dan A y B; o si e da B y a
continuacin otro lanzamiento de cara.
Comprobamos:
P(A) = 1/2 ; P(B) = 1/2 ; P(C) = 1/4 ..... luego:
P(AB) = P{ ccc, ccs} = 1/4 ; P(AC) = P{ ccc, } = 1/8 ; P(BC)= P{ ccs, scc } = 1/4
P(A)*P(B) = (1/2)*(1/2) = 1/4 = P(AB) => A y B son independientes
P(A)*P(B) = (1/2)*(1/2) = 1/4 = P(AB) => A y B son independientes
P(A)*P(C) = (1/2)*(1/4) = 1/8 = P(AC) => A y C son independientes
P(B)*P(C) = (1/2)*(1/4) = 1/8 P(BC) => B y C no son independientes
AMBIENTES DE DECISIN

DEFINICIN.
Existen tres ambientes de decisin:
1. Ambiente de Certeza
Conocido el estado de la naturaleza que se va a presentar, el problema se reduce a
valorar en trminos econmicos los diferentes desenlaces y elegir aquella estrategia que
conduce al resultado ms favorable.
2. Ambiente de Riesgo
El ambiente de riesgo es aqul en el que el decisor sabe qu estados de la naturaleza
se pueden presentar y la probabilidad que tiene cada uno de ellos de presentarse. Bajo estas
condiciones un criterio de decisin aplicable es el denominado criterio del valor monetario
esperado. Este criterio consiste en calcular el valor monetario de cada alternativa de
decisin y elegir aqulla que presenta un valor monetario mximo.
3. Ambiente de Incertidumbre
En este ambiente existe escasa informacin y para tomar la decisin se basar en la mera
intuicin. Los principales criterios de decisin en un ambiente de incertidumbre
estructurada son los siguientes:
Criterio de Laplace
Consiste en la aplicacin del concepto de probabilidad clsica a priori, es decir, que
ante la ignorancia de las probabilidades de ocurrencia de cada suceso se parte del principio
de equiprobabilidad de los mismos. A continuacin, se elegir el valor esperado mximo de
la situacin de riesgo.
Criterio Optimista
El decisor elegir la alternativa que ofrezca un resultado ms favorable en el mejor
de los casos, aceptando a cambio el posible riesgo.
Criterio Pesimista o de Wald
El decisor piensa que se presentar el estado ms desfavorable, por tanto, elegir la
alternativa que maximice los resultados mnimos esperados.
Criterio de Hurwicz
Constituye un compromiso entre los criterios optimista y pesimista y para su clculo
se introduce un coeficiente de optimismo () comprendido entre 0 y 1, y el complementario
que sera el denominado coeficiente de pesimismo = (1-). El mejor de los resultados de
cada estrategia se pondera con el coeficiente de optimismo, en tanto que el peor de los
resultados se pondera con el de pesimismo, sumndose los resultados de ambos productos.
La alternativa a elegir segn este criterio es aqulla cuya suma de los resultados ms y
menos favorables debidamente ponderados sea la mejor.
Criterio de Savage
Este criterio de decisin es el que siguen aquellos que tienen aversin a arrepentirse
por equivocarse. Se empieza realizndose la denominada matriz de costes de oportunidad o
de los perjuicios que el sujeto soportara por no haber elegido la mejor alternativa. Para ello
debemos calcular lo que dejamos de ganar por no haber seleccionado en cada uno de los
estados de la naturaleza la mejor estrategia. As en cada uno de los estados de la naturaleza
le restamos el mejor valor de las distintas estrategias correspondiente a dicho estado, as se
ira construyndose la matriz de costes de oportunidad. Una vez construida dicha matriz, se
seleccionara el mximo valor de cada una de las estrategias y de estas el mnimo

DATOS EN FORMA DETERMINSTICA.
A diferencia de los procesos de toma de decisiones determinsticas tal como,
optimizacin lineal resuelto mediante sistema de ecuaciones, sistemas paramtricos de
ecuaciones y en la toma de decisin bajo pura incertidumbre, las variables son normalmente
ms numerosos y por lo tanto ms difciles de medir y controlar. Sin embargo, los pasos
para resolverlos son los mismos. Estos son:
Simplificar
Construir un modelo de decisin
Probar el modelo
Usando el modelo para encontrar soluciones:
- El modelo es una representacin simplificada de la situacin real
- No necesita estar completo o exacto en todas las relaciones
- Se concentra en las relaciones fundamentales e ignora las irrelevantes.
- Este es entendido con mayor facilidad que un suceso emprico (observado), por lo
tanto permite que el problema sea resuelto con mayor facilidad y con un mnimo de
esfuerzo y prdida de tiempo.
El modelo puede ser usado repetidas veces para problemas similares, y adems puede
ser ajustado y modificado. Afortunadamente, los mtodos probabilsticos y estadsticos
para el anlisis de toma de decisiones bajo incertidumbre son ms numerosos y mucho
ms poderosos que nunca. Las computadoras hacen disponible muchos usos prcticos.

DATOS DESCRITOS MEDIANTE DISTRIBUCIONES DE
PROBABILIDAD.
Una distribucin de probabilidad indica toda la gama de valores que pueden
representarse como resultado de un experimento si ste se llevase a cabo. Es decir,
describe la probabilidad de que un evento se realice en el futuro, constituye una
herramienta fundamental para la prospectiva, puesto que se puede disear un escenario
de acontecimientos futuros considerando las tendencias actuales de diversos
fenmenos naturales.
Toda distribucin de probabilidad es generada por una variable (porque puede tomar
diferentes valores) aleatoria x (porque el valor tomado es totalmente al azar), y puede
ser de dos tipos:
Variable aleatoria discreta (x).Porque solo puede tomar valores enteros y un nmero
finito de ellos.
Variable aleatoria continua (x).Porque puede tomar tanto valores enteros como
fraccionarios y un nmero infinito de ellos dentro de un mismo intervalo
CLASIFICACIN DE LA TOMA DE DECISIONES.
No todas las decisiones tienen la misma importancia ni producen las mismas
consecuencias. Obviamente, no es lo mismo localizar una nueva planta de produccin,
contratar a un nuevo empleado o clasificar los artculos en un inventario.
POR NIVELES
La clasificacin por niveles se realiza en base al nivel jerrquico que ocupa la
persona que realiza la decisin.
Decisiones Estratgicas: Son decisiones adoptadas por altos directivos y se refieren
principalmente a las relaciones entre la organizacin o empresa y su entorno. Sus
consecuencias afectan a toda la organizacin a largo plazo y son difcilmente
reversibles. Por ltimo, cabe sealar que son complejas porque requieren el anlisis,
evaluacin e integracin de mucha informacin con incertidumbre elevada.
Decisiones Operativas: Sus consecuencias se dan en el corto plazo, a diferencia de
las estratgicas y afectan a una unidad especfica de la empresa, por lo que son
fcilmente reversibles. Por ejemplo, las decisiones de la renovacin de un pedido de
materiales.
Decisiones Tcticas: Tienen consecuencias a medio plazo. Comprende un rea
funcional de la empresa y son reversibles aunque puede tener costes ms o menos
elevados. Por ejemplo, la seleccin de proveedores de materias primas en el
subsistema de produccin.
POR MTODO
Se distingue una serie continua de decisiones en cuyos extremos estn las decisiones
programadas y no programadas.
Decisiones Programadas: Son repetitivas y rutinarias, cuando se ha establecido un
criterio que facilita hacerles frente, permitiendo la no ser tratada de nuevo cada vez
que se debe tomar una decisin. Es repetitiva porque el problema ocurre con cierta
frecuencia de manera que se idea un procedimiento habitual para solucionarlo. Por
ejemplo, cundo hay que formular un pedido a un proveedor concreto.
Decisiones No Programadas: Son aquellas que resultan nuevas para la empresa, no
estructuradas e importantes en s mismas. No existe ningn mtodo preestablecido
para manejar el problema porque este no haya surgido antes o porque su naturaleza
o estructura son complejas. Por ejemplo la decisin para una empresa de establecer
actividades en un nuevo pas.
SNTESIS
Esta clasificacin se puede considerar una sntesis de las dos anteriores. En esta
clasificacin se tiene en cuenta a la vez el mtodo utilizado y el nivel que tiene dentro
de la empresa la persona que toma la decisin.

Las decisiones estructuradas: Son aquellas que las fases de inteligencia,
diseo y eleccin, son estructuradas, es decir, que se pueden emplear mtodos
previos para la resolucin del problema. Estas coincidiran tanto con las
decisiones programadas de la clasificacin anterior como con la mayora de las
decisiones operativas. Ejemplos: la gestin de stocks. Sin embargo, tambin
pueden existir decisiones estratgicas que sean estructuradas, como puede ser la
localizacin de la empresa etc., que si bien es tomada por la decisin de la
empresa son estratgicas, pero s que existen modelos matemticos para
resolver el problema de localizacin de la planta de la empresa.

Las decisiones semiestructuradas. Su rasgo caracterstico es que la fase de
inteligencia no se puede formalizar, no se puede establecer un mtodo para
detectar el problema, pero una vez detectado el problema ya se pueden
establecer modelos matemticos en las fases de diseo y eleccin. Ejemplos:
los planes de renovacin de equipos. Esto correspondera con las decisiones
tcticas, aunque algunas de las decisiones estratgicas pueden ser
semiestructuradas como pueden ser la decisin de fusionar la empresa.

Las decisiones no estructuradas: Se caracterizan porque ninguna fase del
proceso de toma de decisiones es estructurada. Estas coincidiran con las
decisiones no programadas y con la mayora de las decisiones estratgicas.