MBATPg3 201408 AnalisisDatos S06 ProbabilidadBasica

Anlisis de Datos para la Gerencia
CURSO: Anlisis de Datos para la Gerencia
Jos Antonio Robles Flores

Sistemas de Informacin y Mtodos Cuantitativos
ESAN Graduate School of Business
Lima - Peru
Basado en: Levine; Krehbiel & Berenson 2014.

Estadstica para Administracin 6ta Edicin.
Pearson.
Jos Antonio Robles Flores 2014
CURSO: Anlisis de Datos para la Gerencia
SESION 06: Introduccin a la Probabilidad:

Conceptos bsicos
(Captulo 04)
Basado en: Levine; Krehbiel & Berenson 2014. Estadstica para

Administracin 6ta Edicin. Pearson.
Objetivos de esta sesin

Los conceptos y definiciones bsicos de
probabilidad
Probabilidad condicional
Uso del Teorema de Bayes
Reglas de conteo
Conceptos Bsicos de Probabilidad

Probabilidad la posibilidad de que un evento
incierto ocurrir (siempre entre 0 y 1)
Evento Imposible un evento que no tiene ninguna
posibilidad de ocurrir (probabilidad = 0)
Evento Cierto un evento que ocurrir con toda
seguridad (probabilidad = 1)
Evaluando la Probabilidad
Hay tres aproximaciones para evaluar la
probabilidad de un evento incierto:
1. probabilidad clsica a priori
Probabilidad
probabilid
ad de
deocurrencia
ocurrencia
Asumiendo
que todos los
resultados
son
igualmente
posibles
X
nmero de formas en las que el evento ocurre
T
nmero total de resultados posibles
2. probabilidad clsica emprica

probabilidadde
deocurrencia
ocurrencia
Probabilidad
nmero de formas observadas del evento

nmero total de resultados observados
3. probabilidad subjetiva
sobre la base de una combinacin de la experiencia de una persona,
la opinin personal y el anlisis particular de la situacin
Ejemplo de una probabilidad a priori

Cuando se selecciona aleatoriamente un da del
ao 2012, cul es la probabilidad de que el da sea
uno de Enero?
X
nmero de das en Enero
Probabilidad de Da en Enero
T
nmero total de dias en 2012
X
31 das en Enero
31
T
366 das en 2012 366
Ejemplo de una probabilidad emprica

Encuentre la probabilidad de seleccionar un hombre
que est tomando el curso de anlisis de datos de
una poblacin descrita en la siguiente tabla:
Tomando
An. Datos
No Tomando Total
An. Datos
Hombre
84
145
229
Mujer
76
134
210
Total
160
279
439
Probabilidad hombre An. Datos
nmero hombre tomando An. Datos 84
0.191
nmero total de personas
439
Eventos
Cada posible resultado de una variable es un evento.
Evento simple
Un evento que se describe por una sola caracterstica
e.g., Un naipe rojo de una baraja de cartas
Evento conjunto
Un evento que se describe por dos o ms caractersticas
e.g., Un as rojo de una baraja de cartas
Complemento de un evento A (representado por A)

Todos los resultados que no son parte del evento A
e.g., Todas los naipes que no son diamantes
Espacio Muestral
El Espacio Muestral es el conjunto de todos los
eventos posibles
Ej.: Las 6 caras de un dado:
Ej.: Los 52 naipes de un juego de cartas:
Visualizando Eventos
Tablas de Contingencias Para todos los das en 2012
Ene
No Ene
Mirc
48
52
No Mierc
27
287
314
31
335
Total
366
rbol de Decisin
4
Espacio
Muestral
Todos los
das en 2012
Total
27
48
Nmero
total de
resultados
en el
Espacio
Muestral
287
10
Definicin: Probabilidad Simple

La Probabilidad Simple se refiere a la probabilidad
de un evento simple.
Ej: P(Ene)
Ej: P(Mierc)
Ene
No Ene
Total
Mirc
48
52
No Mierc
27
287
314
31
335
366
Total
P(Mierc.) = 52 / 366
P(Ene.) = 31 / 366
11
Definicin: Probabilidad Conjunta

La Probabilidad Conjunta se refiere a la probabilidad de
ocurrencia de dos o ms eventos (evento conjunto).
Ej: P(Ene. Y Mierc.)
Ej: P(No Ene. Y No Mierc.)
Ene
No Ene
Total
Mirc
48
52
No Mierc
27
287
314
31
335
366
Total
P(Not Jan. and Not Wed.)

= 287 / 366
P(Jan. and Wed.) = 4 / 366

12
Eventos Mutuamente Excluyentes

Eventos que no pueden ocurrir en simultneo
Ejemplo: Elegir aleatoriamente un da de 2012
A = da en Enero;
B = da en Febrero
Eventos A y B son mutuamente excluyentes
13
Eventos Colectivamente Exhaustivos

Eventos colectivamente exhaustivos
Uno de los eventos debe ocurrir
El conjunto de eventos cubre todo el espacio muestral
Ejemplo: Elegir aleatoriamente un da de 2012

A = Da de semana; B = Fin de semana
C = Enero; D = Primavera
Los eventos A, B, C y D son colectivamente exhaustivos
(pero no mutuamente excluyentes un da de semana
puede ser en Enero o en Primavera)
Los eventos A y B son colectivamente exhaustivos y
tambin mutuamente excluyentes
14
Computando Probabilidades Conjunta y Marginal

La probabilidad de un evento conjunto, A y B:
nmero de resultados que satisfacen A y B
P(A y B)
nmero total de resultados bsicos
Computando una probabilidad marginal (o simple) :

P(A) P(A y B1 ) P(A y B2 ) P(A y Bk )
Donde B1, B2, , Bk son k eventos mutuamente excluyentes y
colectivamente exhaustivos
15
Ejemplo de Probabilidad Conjunta

P (Enero y Mircoles)
nmero de das en Ene. y Mierc.

4
nmero total de das en 2012

366
Enero No Ene Total
Mierc
48
52
No-Mierc
27
287
314
Total
31
335
366
16
Ejemplo de Probabilidad Marginal

P(Mierc)
4
48
52
P(Mierc y Ene) P(Mierc y No Ene)
366 366 366
Ene
No Ene Total
Mierc
48
52
No-Mierc
27
287
314
Total
31
335
366
17
Probabilidades Marginal y Conjunta utilizando

Tablas de Contingencia
Evento
B1
Evento
B2
Total
A1
P(A1 y B1)
P(A1 y B2)
P(A1)
A2
P(A2 y B1)
P(A2 y B2)
P(A2)
Total
P(B1)
Probabilidad Conjunta
P(B2)
Probabilidad Marginal (Simple)
18
Probabilidad
Probabilidad es la medida numrica de
la posibilidad de que un evento ocurra
Certeza
La probabilidad de un evento debe estar

entre 0 y 1, inclusive
0 P(A) 1 Para cualquier evento A

La suma de las probabilidades de todos
los eventos mutuamente excluyentes y
colectivamente exhaustivos es 1
0.5
P(A) P(B) P(C) 1

Si A, B, y C son mutuamente excluyentes y
Imposible
19
Regla General de la Adicin

Regla General de la Adicin:
P(A o B) = P(A) + P(B) - P(A y B)
Si A y B son mutuamente excluyentes, entonces
P(A y B) = 0, por lo que la regla se puede
simplificar:
P(A o B) = P(A) + P(B)
Para eventos mutuamente excluyentes A y B
20
Ejemplo de la Regla General de la Adicin

P(Rojo o As) = P(Rojo) +P(As) - P(Rojo y As)
= 26/52 + 4/52 - 2/52 = 28/52
Tipo
Color
Rojo
Negro
Total
As
No-As
24
24
48
Total
26
26
52
No contar los
dos ases rojos
repetidamente!
21
Computando la Probabilidad Condicional

Una probabilidad condicional es la probabilidad
de un evento, dado que otro evento ha ocurrido:
P(A y B)
P(A | B)
P(B)
La probabilidad
condicional de A dado
que B ha ocurrido
P(A y B)
P(B | A)
P(A)
La probabilidad
condicional de B dado
que A ha ocurrido
Donde P(A y B) = probabilidad conjunta de A y B

P(A) = probabilidad marginal o simple de A
P(B) = probabilidad marginal o simple de B
22
Ejemplo de Probabilidad Condicional

En un lote de autos usados, 90% tienen aire
acondicionado (AC) y 40% tienen un GPS.
35% de los autos tienen ambos.
Cul es la probabilidad de que un auto tenga un GPS
dado que tiene AC?
i.e., queremos hallar P(GPS | AC)
23
Ejemplo de Probabilidad Condicional (continuacin)

En un lote de autos usados, 90% tienen aire
acondicionado (AC) y 40% tienen un GPS.
35% de los autos tienen ambos.
GPS
No GPS Total
AC
0.35
0.55
0.90
No AC
0.05
0.05
0.10
Total
0.40
0.60
1.00
P(GPS y AC) 0.35

P(GPS | AC)
0.3889
P(AC)
0.90
24
Ejemplo de Probabilidad Condicional (continuacin)

Dado AC, slo consideramos la fila superior (90% de los autos).
De stos, 35% tienen GPS. 35% de 90% es aprox. 38.89%.
GPS
No GPS Total
AC
0.35
0.55
0.90
No AC
0.05
0.05
0.10
Total
0.40
0.60
1.00
P(GPS y AC) 0.35

P(GPS | AC)
0.3889
P(AC)
0.90
25
Utilizando rboles de Decisin

.35
.90 P(AC y GPS) = 0.35
Dado AC o
no AC:
Todos
los
Autos
.55 P(AC y GPS) = 0.55

.90
Probabilidades
Condicionales
.05
.10 P(AC y GPS) = 0.05
.05 P(AC y GPS) = 0.05

.10
26
Utilizando rboles de Decisin

.35
.90 P(AC y GPS) = 0.35
Dado AC o
no AC:
Todos
los
Autos
.55 P(AC y GPS) = 0.55

.90
Probabilidades
Condicionales
.05
.10 P(AC y GPS) = 0.05
.05 P(AC y GPS) = 0.05

.10
27
Utilizando rboles de Decisin (continuacin)

Dado GPS o
no GPS:
Todos
los
Autos
.35
.40 P(CD y AC) = 0.35
.05 P(CD y AC) = 0.05

.40
.55
.60 P(CD y AC) = 0.55
.05 P(CD y AC) = 0.05

.60
28
Independencia Estadstica
Dos eventos son independientes si y
slo si:
P(A | B) P(A)
Los eventos A y B son independientes cuando la
probabilidad de un evento no est afectada por el
otro evento
29
Reglas de Multiplicacin
Regla de Multiplicacin para dos eventos A y B:
P(A y B) P(A | B) P(B)

Nota: Si A y B son independientes, entonces P(A | B) P(A)
y la regla de multiplicacin se simplifica a
P(A y B) P(A) P(B)

30
Probabilidad Marginal
La probabilidad marginal para el evento A:
P(A) P(A | B1 )P(B1 ) P(A | B2 )P(B2 ) P(A | Bk )P(Bk )
Donde B1, B2, , Bk son k eventos mutuamente
excluyentes y colectivamente exhaustivos
31
Teorema de Bayes
El Teorema de Bayes se utiliza para revisar
probabilidades calculadas previamente cuando hay
informacin adicional
Fue desarrollado por Thomas Bayes en el Siglo 18
Es una extensin de la probabilidad condicional
32
Teorema de Bayes
El teorema de Bayes se utiliza para revisar
probabilidades previamente calculadas despus de
obtener nueva informacin
P(A | B i )P(B i )
P(B i | A)
P(A | B 1 )P(B 1 ) P(A | B 2 )P(B 2 ) P(A | B k )P(B k )
donde:
Bi = isimo evento de k eventos mutuamente
excluyentes y colectivamente exhaustivos
A = nuevo evento que puede tener impacto en P(Bi)
33
Ejemplo del Teorema de Bayes

Una compaa de perforacin ha estimado un 40% de
posibilidad de obtener petrleo para su nuevo pozo.
Una prueba detallada se ha programado para obtener
mayor informacin. Histricamente, 60% de los pozos
exitosos han tenido pruebas detalladas, y 20% de los
pozos no exitosos han tenido pruebas detalladas.
Dado que este pozo ha sido programado para la
prueba detallada, cul es la probabilidad
de que el pozo ser exitoso?
34
Ejemplo del Teorema de Bayes (continuacin)

Sea S = pozo exitoso
U = pozo no exitoso
P(S) = 0.4 , P(U) = 0.6
(probabilidades previas)
Definir el evento de prueba detallada como D

Probabilidades Condicionales:
P(D|S) = 0.6
P(D|U) = 0.2
La meta es encontrar P(S|D)

35

Aplicar el Teorema de Bayes:
P(D | S)P(S)
P(S | D)
P(D | S)P(S) P(D | U)P(U)
(0.6)(0.4)
(0.6)(0.4) (0.2)(0.6)
0.24
0.667
0.24 0.12
Entonces, la probabilidad revisada de xito, dado que este pozo
ha sido programado para una prueba detallada es 0.667
36

Dada la prueba detallada, la probabilidad
revisada de que el pozo sea exitoso ha
aumentado a 0.667 del estimado
original de 0.4
Evento
Prob
Previa
Prob
Condicional
Probabilidad
Conjunta
Probablidad
Revisada
S (exitoso)
0.4
0.6
(0.4)(0.6) = 0.24
0.24/0.36 = 0.667
U (no-exitoso)
0.6
0.2
(0.6)(0.2) = 0.12
0.12/0.36 = 0.333
Suma = 0.36
37
Reglas de Conteo
Reglas para contar el nmero de posibles
resultados
Regla de Conteo 1:
Si uno de k eventos diferentes mutuamente excluyentes y
colectivamente exhaustivos puede ocurrir en cada uno de
n intentos, el nmero de posibles resultados es igual a
kn
Ejemplo:
Si se lanza un dado 3 veces entonces hay 63 = 216 posibles
resultados
38
Reglas de Conteo (continuacin)

Regla de Conteo 2:
Si hay k1 eventos en el primer intento, k2 eventos en
el segundo intento, y kn eventos en el nsimo
intento, el nmero de posibles resultados es
(k1)(k2)(kn)
Ejemplo:
Se quiere ir a un parque, almorzar en un restaurante e ir al
cine. Hay 3 parques, 4 restaurantes y 6 cines. Cuntas
posibles combinaciones hay?
Respuesta: (3)(4)(6) = 72 posibilidades diferentes
39

Regla de conteo 3:
El nmero de formas que n objetos pueden arreglarse
en orden es
n! = (n)(n 1)(1)
Ejemplo:
Usted tiene cinco libros para poner en una repisa. De cuntas
maneras puede usted ponerlos en la repisa?
Respuesta: 5! = (5)(4)(3)(2)(1) = 120 diferentes posibilidades
40

Regla de Conteo 5:
Combinaciones: El nmero de formas en que se puede
seleccionar X objetos de n objetos, sin importar el orden,
es
n!
n Cx
X! (n X)!
Ejemplo:
Usted tiene cinco libros y va a seleccionar tres aleatoriamente para
leer. Cuntas combinaciones diferentes de libros puede
seleccionar?
Respuesta:
Cx
n!
5!
120
10 posibilidades diferentes
X!(n X)! 3!(5 3)! (6)(2)
41
Resumen del Captulo:

Se presentaron los conceptos bsicos de probabilidad
Espacios muestrales y eventos, tablas de contingencia,
probabilidad simple y probabilidad conjunta
Se presentaron las reglas bsicas de probabilidad
La regla general de la suma, la regla de la suma para
eventos mutuamente excluyentes, la regla para eventos
Se present la definicin de probabilidad condicional
Independencia estadstica, probabilidad marginal, rboles de
decisin y la regla de la multiplicacin
Se present el Teorema de Bayes
Se examinaron las reglas de conteo
42
Referencias
Levine; Krehbiel & Berenson 2014. Estadstica para
Administracin 6ta Edicin. Pearson.
43

MBATPg3 201408 AnalisisDatos S06 ProbabilidadBasica

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MBATPg3 201408 AnalisisDatos S06 ProbabilidadBasica

Cargado por

Copyright:

Formatos disponibles

Anlisis de Datos para la Gerencia

CURSO: Anlisis de Datos para la Gerencia

Jos Antonio Robles Flores

Basado en: Levine; Krehbiel & Berenson 2014.

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

CURSO: Anlisis de Datos para la Gerencia

SESION 06: Introduccin a la Probabilidad:

Basado en: Levine; Krehbiel & Berenson 2014. Estadstica para

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Objetivos de esta sesin

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Conceptos Bsicos de Probabilidad

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

2. probabilidad clsica emprica

nmero de formas observadas del evento

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Ejemplo de una probabilidad a priori

Anlisis de Datos para la Gerencia

Ejemplo de una probabilidad emprica

Probabilidad hombre An. Datos

Jos Antonio Robles Flores 2014

nmero hombre tomando An. Datos 84

Anlisis de Datos para la Gerencia

Complemento de un evento A (representado por A)

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Ej.: Los 52 naipes de un juego de cartas:

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Anlisis de Datos para la Gerencia

Definicin: Probabilidad Simple

Anlisis de Datos para la Gerencia

Definicin: Probabilidad Conjunta

P(Not Jan. and Not Wed.)

P(Jan. and Wed.) = 4 / 366

Anlisis de Datos para la Gerencia

Eventos Mutuamente Excluyentes

Eventos A y B son mutuamente excluyentes

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Eventos Colectivamente Exhaustivos

Ejemplo: Elegir aleatoriamente un da de 2012

Anlisis de Datos para la Gerencia

Computando Probabilidades Conjunta y Marginal

Computando una probabilidad marginal (o simple) :

Anlisis de Datos para la Gerencia

Ejemplo de Probabilidad Conjunta

nmero de das en Ene. y Mierc.

nmero total de das en 2012

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Ejemplo de Probabilidad Marginal

366 366 366

Jos Antonio Robles Flores 2014

Anlisis de Datos para la Gerencia

Probabilidades Marginal y Conjunta utilizando

Probabilidad Marginal (Simple)

Anlisis de Datos para la Gerencia

La probabilidad de un evento debe estar