Documente Academic
Documente Profesional
Documente Cultură
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.
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.
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
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
Evento
A: Un terreno se construy B: El 1er terreno se construy C: Al menos Uno construy D: Los dos construyeron
Probabilidad
1
Cierto
.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
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
(1) (1)
0.53=0.125
0.53=0.125
0.53=0.125
(0)
Principios de Conteo
Frmula de la multiplicacin Permutacin Variacin Combinacin
ENFOQUES DE LA PROBABILIDAD
PROBABILIDAD OBJETIVA
PROBABILIDAD SUBJETIVA
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
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
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
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
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:
2.-ADICION: Evento Mutuamente Excluyente Evento Colectivamente Exhaustivos 2.- MULTIPLICACION Eventos Independientes Eventos Dependientes
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
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
Evento A
Evento 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)
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)?
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
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
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
Motupe Pucallpa
55 25
3 5
Lima
20
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
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)
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
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(N|noE)
P(noE,N)=0.95x0.85=0.8075
P( E | P)
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)
Tipo As
No As Total
Rojo
Negro
2 24 26 Color
Rojo
2 24 26
Negro
Tipo As
No As Total
1/26 6/13
1/26
6/13 12/13
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
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
Evento A B Total
Evento C D 4 2 1 5 3 5
Total 6 4 10
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(M|2)
P(2,M)=0.35x0.05=0.0175
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
P(NC,BBB)=0.30x(0.40)3=0.0192
P(NC)
P(C | BBB )
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( No Calibrada | BBB )