En el mbito laboral de la ingeniera industrial se aplica la estadstica, ya que

para realizar exitosamente cualquier proyecto o experimento, se debe calcular

las probabilidades que tengamos para que este sea viable o para ver los
riesgos a que nos podemos enfrentar, gracias a las herramientas que nos
facilita la estadstica podemos analizar desde capacidades de ventas de un
producto, hasta estrategias logsticas, pero ms profundamente se analizaran
las aplicaciones del teorema de Bayes en el campo laboral de esta ingeniera
En la teora de la probabilidad, el teorema de Bayes demuestra que
probabilidad condicional de un evento aleatorio A dado B en trminos de la
distribucin de probabilidad condicional del evento B dado A y la distribucin
de probabilidad marginal de slo A.
De acuerdo con Lesley Mesa, Miller Rivera y Jess Romero (2011) Los
mtodos bayesianos se han generalizado particularmente: (1) porque es til
para la solucin de problemas en la toma de decisiones. (2) La utilidad de estos
mtodos consiste bsicamente en el uso de situaciones en las que existe
informacin limitada acerca de un gran nmero de variables o cuando la
informacin proviene de diferentes fuentes. (3) primordialmente incorporan
conocimiento previo para poder estimar modelos tiles dentro de un espacio
muestral y de este modo poder estimar parmetros que provengan de la
experiencia o de una teora probabilstica (4) provee cantidades tanto
conocidas como desconocidas. Muy verdica la afirmacin de los autores del
trabajo anteriormente citado porque el teorema de Bayes nos puede servir de
ayuda para solucionar problemas en la labor como ingeniero industrial,
problemas como: el grado de satisfaccin de algn producto, que mtodos
logsticos son ms efectivos dentro de un empresa, como vimos en clase saber,
cuntos productos de una muestra no tienen las especificaciones, y estos 3
casos de muchsimos en los que el teorema de bayes nos sirve como estrategia
para analizar y poder tomar decisiones con respecto a la situacin o el
problema que se est presentando, en su 2da afirmacin, preferira que toda la
informacin con la que estoy desarrollando mi anlisis sea de la misma fuente,
quiz si son de fuentes diferentes podra tener ms cobertura, pero que sea de
la misma fuente me est dando ms seguridad ya que ser el mismo grupo de
personas que cumplan o no A y por ende cumplan o no B y el resto de variables
que necesite usar para poder solucionar la situacin problema. Claramente si
necesitamos conocimientos previos para poder estimar los modelos prximos a
desarrollar y tener claro que esto es ms importante cuando necesitemos
desarrollar la solucin de un problema a posteriori, ya que para este caso es
necesario que tengamos en cuenta todos los datos histricos recogidos
anteriormente, las investigaciones desarrolladas y todos los conocimientos e
investigaciones que puedan servir de base para que el anlisis sea los ms
exacto y verdico posible, en cambio s es un caso que sea a priori, no seran
necesario investigaciones o trabajos desarrollados sobre este mismo tema
antes, porque es en base de probabilidades que son de fcil recoleccin, y

tienen caractersticas de ser situaciones menos complejas que las a posteriori,

es decir para las a priori no necesitamos datos recolectados ni nada de esas
informaciones recolectadas porque esta no depende de la experiencia,
entonces es viable que se base solo en datos recogidos. Solo cantidades
conocidas son en las que nos podemos basar para desarrollar el teorema de
bayes pero los resultaos de estos siempre nos dars resultados desconocidos,
porque nunca ser exactamente igual en la vida real, a el resultado obtenido
despus de los procesos del teorema de bayes , ya que estos ltimos puedes
estar muy cerca de los datos reales, pero realmente son valores aproximados
que nos ayudan a descifrar o visionar los comportamientos y resultados
aproximados de las variables por estudiar. En general sus afirmaciones son
corresponden a las aplicaciones del teorema de Bayes en el campo de la
ingeniera industrial y como se usa en esta, aunque respecto a la informacin y
sus fuentes no nos parecieron de un todo ciertas, porque tenemos otras idea al
respecto de la recoleccin de los datos que usemos para desarrollar las
probabilidades, de resto nos gust y podramos compartir la corta tesis de
nuestros autores con nuestros compaeros, porque nos parece que sera de
gran ayuda para que conozcan que el teorema de Bayes en un futuro como
ingenieros les puede servir como una buena herramienta.
Quisimos analizar una situacin, esta es: Neelamegham & Chintagunta (1999)
(1) han usado una estructura jerrquica bayesiana para pronosticar, llevando a
cabo un anlisis que predice ventas durante la primera semana de nuevos
lanzamientos de pelculas estadounidenses en mercados internacionales. (2) La
metodologa permite que los pronsticos se puedan realizar con informacin
proveniente de bases de datos de previas producciones. (3)Entre ms
informacin se hace disponible, la metodologa utilizada permite combinar la
informacin histrica de mercados internacionales en comparacin con el
natal. Se muestra en este trabajo el mejor desempeo del modelo predictivo
bayesiano para este tipo de situaciones. Nos gust mucho esta situacin,
aunque ya tiene algunos aos podemos ver el gran papel que desempeo los
pronsticos bayesianos para predecir las ventas de una pelcula
estadounidense en el exterior, gracias al teorema de bayes ellos pudieron
predecir o saber aproximadamente el comportamiento de sus ventas
internacionales en la primera semana, siendo esto muy importante, porque si a
ellos los estudios realizados les hubieran arrojado un mal resultado, no se
hubieran arriesgado a sacar su pelcula a una venta internacional, pero los
resultados fueron positivos y esa fue la luz verde para la toma de su decisin,
tambin nos muestra como usan un anlisis a posteriori, es decir cuya validez
depende de la experiencia, por eso usaron informacin basada de las bases de
datos de producciones anteriores, ver los comportamientos de ellas y as poder
hallar las probabilidades necesarias, y porque para este mtodo era ms
seguro ver como se vendan en el exterior otras pelculas segn su gnero o
con iguales caractersticas para que les pusiera arrojar un criterio ms verdico.

Ellos compararon el mercado internacional con el natal, sera una buena

estrategia para comparar por ejemplo las edades de los potenciales
compradores pero solo para caractersticas como esta, porque en pases
diferentes no podemos usar la misma informacin y menos compararlas porque
dejara de ser predecible como dijimos anteriormente pensamos que es mejor
que la informacin completa venga de la misma poblacin en este caso, de la
misma ubicacin geogrfica donde deseamos vender nuestro filme, para
terminar, nos impact y sirvi como una gran demostracin ver la importancia
que tienen las herramientas estadsticas en la ingeniera industrial, ver cmo
nos ayudaran a tomar decisiones exitosas, a tener ms seguridad y no decidir
sin antes tener nuestros pronsticos desarrollados, por es muy importante
aprender a usarlas, a entender sus resultados y saber ponerlas en prctica.

Vitutor (2013) Teorema de Bayes

http://www.vitutor.com/pro/2/a_17.html

Lesley Ofelia Mesa Pez, Miller Rivera Lozano, Jess Andrs Romero Davila
(2011) Descripcin general de la Inferencia Bayesiana y sus aplicaciones en los
procesos de gestin
http://www.urosario.edu.co/Administracion/documentos/investigacion/laboratori
o/miller_2_2.pdf

MARISOL VALENCIA CRDENAS

Magister en Estadstica, Phd(c) en ingeniera, industria y organizaciones
SEBASTIN RAMREZ AGUDELO
Ingeniero Industrial
JOS FERNANDO TABARES MUOZ
Ingeniero Industrial
CARLOS ANDRS VELSQUEZ GALVIS
Ingeniero Industrial
(2014) MTODOS DE PRONSTICOS -CLSICOS Y BAYESIANOS CON
APLICACIONES

http://www.bdigital.unal.edu.co/12560/1/MarisolValenciaCardenas.2014.pdf