Estadistica para administraci6n y economia 8." edicién Paul Newbold Universidad de Nottingham William L. Carlson St Olof College Betty M. Thorne Universidad Stetson Traduccién Esther Rabasco Espériz id FAV 1O) || | | 33. El azar: métodos de probabilidad Eee seca ee) . Experimento aleatorio, resultados y sucesos 3.4. Probabilidades bivariantes La probabilidad y sus postulados Ventaja Probabilidad clésica Cociente de «sobreparticipacién= Permutaciones y combinaciones 35. El teorema de Bayes Frecuencia relativa Las probabilidades subjetivas Probabilidad subjetiva en la toma de decisiones, Regles de la probabilidad empresariales Probabilidad condicionada Independencia estadistica Introduccién En su obra cldsica y galardonada por el Financial Times con el Premio al Mejor Libro de Negocios del Ano, Fooled by Randomness, Nassim Nicholas Taleb —préspero operador en Londres y en Nueva York y profesor de economia financiera— presenta un claro andlisis de las razones por las {que todas las personas que se dedican a los negocios y al anélisis econémico deberian entenderla probabilidad. He aqui algunos pasajes: «Este libro trata de la suerte disfrazada y percibida como falta de suerte (es decir, habilidades) y, en términos més generales, de la aleatoriedad disfrazada y Percibida como ausencia de aleatoriedad (es decir, determinismo)... en términos mas gonorales, subestimamos el elemento de aleatoriedad que hay en todo... La teoria de las probabilidades es reciente en matemnaticas; la probabilidad aplicada a la practica es casi inexistente como disciplina. arece que tenemos pruebas de que lo que llamamos “valor” proviene de una subestimacién del elemento de aleatoriedad que hay en las cosas mas que de la capacidad més noble para defender una determinada creencia» (Taleb, 2005). En este capitulo y en los dos siguientes, explicamos la probabilidad y ayudamos asi al lector a evitar los problemas que analiza Taleb. Serd importante que comprenda, en primer lugar, que el mundo en el que ocurre su futuro no es determinista. En segundo lugar, si puede desarrollar y utili- zar modelos de probabilidad utilizando los conocimientos adquiridos en los siguientes capitulos, tendré mas probabilidades de tener éxito. Pero, por tillimo, también es importante saber que hay futuros resultados en los que no se puede desarrollar un modelo de probabilidad, lo que se conoce popularmente con el nombre de «cisnes negros». No se puede saber qué probabilidad hay de que ‘majiana un pufiado de locos destruya el World Trade Center de Nueva York, de que Estados Uni-er 80 Estadistica para administracion y economia dos entre en una larga y cara guerra en Oriente Medio, de que una plataforma petrolifera explote y destruya el sector pesquero y turistico de la Costa del Golfo de Estados Unidos 0 de que una serie de decisiones financieras tomadas en septiembre de 2008 provoque la mayor crisis fnanciera mun- dial registrada desde los afios 20. Y estos acontecimientos han tenido, desde luego, una gran in- fluencia en los resultados empresariales y econémicos. Pero comprender la probabilidad también puede ayudar a darse cuenta de que hay realmente «cisnes negros. Si comprendemes la probabl- lidad, es mas probable que nuestras futuras decisiones empresariales tengan éxito, Mostraremos cémo se utiizan fos modelos de probabilidad para estudiar la variacién de los datos observados y poder hacer inferencias sobre el proceso subyacent, Nuestro objetivo es entender las probabilda- des, cOmo pueden hallarse y c6mo pueden ullizarse. 3.1. Experimento aleatorio, resultados y sucesos Para el directivo, saber cudl es la probabilidad de que ocurra un suceso en el futuro es saber algo. El directive Podria saber con certeza que el suceso ocurrird; por ejemplo, existe un contrato legal. O podria no tener ni idea de si ocurriré; por ejemplo, el suceso podrfa ocurrir 0 no como parte de una nueva oportunidad empresa- ‘ial. En la mayorfa de las situaciones empresariales, no podemos estar seguros de si ocurrird o no un suceso en él funuro, pero si conocemos la probabilidad de que ocurra, tenemos més posibilidades de tomar la mejor decisién posible que si no sabemos cudl es la probabilidad de que ocurma el suceso, Las decisiones y las Politicas empresariales a menudo se basan en un conjunto implicito o supuesto de probabilidades. ara ayudar al lector a comprender de una manera clera y rigurosa la probabilidad, primero presentare- mos las definiciones y los conceptos que proporcionan una estructura para definir las probabilidades. Estas definiciones y conceptos —como el espacio muestral, los resultados los sucesos— son los elementos basicos para definir y calcular probabilidades. La probabilidad comienza con el concepto de experiment alearorio que puede tener dos © més resultados, pero no sabemos qué ocurriré a continuacién. Experimento aleatorio Un experimento aleatorio es un proceso que tiene dos o mas resultados posibles y no se sabe exac- tamente cual seré el resultado. Ejemplos de experimentos aleatorios: J. Se lanza una moneda al aire y el resultado puede ser cara 0 cruz, 2. Una empresa tiene la posibilidad de que le adjudiquen entre cero y cinco contratos. 3. No se puede saber con antelacién qué ndmero de personas ingresarén en una hora en la sala de urgencias de un hospital 4. Un cliente entra en una tienda y compre una camisa 0 no la compra. 5. Se observa Ia evolucién diaria de un indice burséti 6. Se selecciona una caja de cereales de una cadena de empaquetado y se pesa para averiguar si el peso es superior o inferior al que viene indicado en la caja. 7. Un bateador de béisbol tiene un nimero de resultados diferentes —como un hit, un walk, un siri- Keout, un fly ball out, ete — cada vez que bate. En cada uno de los experimentos aleatorios citados, podemos especificar los resultados posibles, que denominamos resultados baisicos. No sabemos de antemano cual serd el resultado. Espacio muestral Los resultados posibles de un experimento aleatorio se llaman resultados bésicos ¥ el conjunto de todos los resultados basicos se llama espacio muestral y se representa por medio del simbolo S.El azar: métodos de probabilidad 81 Los resultados bésicos deben definirse de tal forma que no puedan ocurtir simulténeamente dos resulta- dos. Ademés, el experimento aleatorio debe llevar necesariamente a la ocurrencia de uno de los resultados bésicos. EEREGERE S2teador profesional de béisbol (espacio muestral) {Cudl es el espacio muestral de un bateador profesional de béisbol? Un buen bateador profesional de béisbol, cuando batea, puede obtener los resultados que se muestran en el espacio muestral de la Ta- bla 3.1. El espacio muestral consta de seis resultados bésicos. No pueden ocurrir dos resultados a la vez y debe ocurrir uno de los siete. Las probabilidades se obtuvieron examinando los datos de batea- dores de béisbol, Tabla 3.1. Resultados de un batesdor de béisbol. Espacio muestral Probabilidad 0, Safe hit 0,30 Oy Walk o hit del lanzador 0,10 0; Strikeout 0.10 O. — Groundball out 0.30 O, Fly ball out 0418 Og Reach base on an error 0,02 EMERY Resultados de una inversién (espacio muestral) Un inversor sigue el indice bursétil Dow Jones. {Cues son los resultados basicos posibles al cierre de la sesiGn? Solucién. El espacio mvestral de este experimento es ‘5= [{1. El indice es més alto que al cierre de ayer}, (2. El fndice no es més alto que al cierre de ayer}] Debe ocurrir uno de estos dos resultados. No pueden ocurrir simulténeamente. Por tanto, los dos re- sultados constituyen un espacio muestral En muchos casos, nos interesa un subconjunto de los resultados basicos y no los resultados por separa- do. Por ejemplo, podria interesamos saber si el bateador alcanz6 la base sin problemas, es decir, si el resul- tado es safe hit, walk 0 reach base on an error. Este subconjunto de resultados se denomina suceso. Suceso Un suceso, F, es cualquier subconjunto de resultados basicos del espacio muestrel. Un suceso ocurre si el experimento aleatorio genera uno de los resultados bésicos que lo constituyen. Et suceso nulo representa la ausencia de un resultado baisico y se representa por madio de En algunas aplicaciones, nos interesa la ocurrencia simulténea de dos 0 més sucesos. En el ejemplo del bateador, podrfan interesarmos dos sucesos: «el bateador alcanza la base sin problemas (suceso A (0, Ox Qg]) 0 «el bateador golpea la bola» (suceso B [01, Ox, Os, Og)). Una posibilidad es que ocurran simulténea-82 Estadistica para administracion y economia mente resultados especfficos de ambos sucesos. Eso ocurriré en el caso de los resultados contenidos en ambos sucesos, es decir, sufe hit, O; 0 reach base on an error, Og. Este sltimo conjunto de resultados es la interseccién Am B[O,, Og]. Por tanto, en el ejemplo del bateador los resultados, safe hit, O,, 0 reach base ‘on an error, Og, pertenecen a estos dos sucesos: «e! bateado? alcanza la base sin problemas» (suceso A [Q,, Qs, Ogl) y «el bateador golpea la bola» (suceso B [O;, Oz, Os, Og]). Obsérvese que la probabilidad de esta interseccién es 0,32 (0,30 + 0,02) Interseccién de sucesos Sean A y B dos sucesos contenidos en el espacio muestral S. Su interseccién, representada por A B, {85 el conjunto de todos los resultados basicos en $ que pertenecon tanto aA como a B. Por tanto, la interseccién AmB ocuree si y solo si ocurren tanto A como &. Utlizaremos el término probabilidad conjunta de A y 8 para representar la probabilidad de la interseccién de A y B. En términos mas generales, dados K sucesos E}, E;,... Ex, SU intersecci6n, E) - Ey-\---m Ex es el Conjunto de todos los resultados basicos que pertenacen a todos los Ei = 1, 2, ... K). Es posible que la interseccién de dos sucesos sea el conjunto vaeio, En el ejemplo del bateador, si hhubigramos definido un suceso C, «el bateador es eliminado», la intersecciGn de los sucesos A, «el bateador alcanza la base sin problemas», y C serfa un conjunto vacio, por lo que A y C son mutuamente excluventes Mutuamente excluyentes Silos sucesos A y # no tienen ningun resultado bésico comiin, se llaman mutuamente excluyentes y se ice que su interseccién, Am B, es el Conjunto vacio, lo cual indica que A.“ no tiene ningian miembro, En términos més generales, se dice que los & sucesos E}, E, ... Ey Son mutuamente excluyentes si todo par (E,, E}) 8 un par de sucesos mutuamente excluyentes. En el ejemplo del bateador, los sucesos A y C son mutuamente excluyentes. La Figura 3.1 mvestra las intersecciones utilizando un diagrama de Venn. En la parte (a) de la figura, el recténgulo S representa el espacio muestral y los dos cfrculos representan los sucesos A y B. Los resultados bésicos pertenecientes a A estén dentro del circulo A y los resultados basicos pertenecientes a B estén en el cfrculo B correspondiente. La interseccién de A y B, A 7B, se indica por medio del érea sombreada en la ue se cortan los circulos, Vemos que un resultado bésico pertenece a A B si y solo si pertenece tanto a4 como a B. Asi, en el ejemplo del bateador, los resultados safe hit, O;, 0 reach base on an error, On, pertene- cen a ambos sucesos: «el bateador alcanza la base sin problemas» (suceso A [0;, Os, Ogl) y «el bateador golpea la bola» (suceso B [O;, Oz, Os, Ol). En la Figura 3.1(b), los circulos no se cortan, lo cual indica que los sucesos A y B son mutuamente excluyentes, Por ejemplo, si se audita un conjunto de cuentas, los suce- sos amenos del 5 % comtiene errores importantes» y «més del 10 % contiene errores importantes» son mutuamente excluyentes. 3 7 a) © Figura 3.1. Diagramas de Venn de la interseccién de los sucesos A y B: (a) An B es el érea sombreada; | | (b) 4 y B son mutuamente excluyentes,El azar: métodos de probabilidad 83. Las Tablas 3.2(a) y 3.2(b) también se pueden utilizar para demostrar las mismas condiciones. Toda la tabla representa S, el espacio muestral. Los resultados bésicos que pertenecen a A se encuentran en la pri- ‘mera fila Hamada A y los resultados basicos que pertenecen a B se encuentran en Ia primera colurmna llama- da B. La segunda fila lama A a los resultados bésicos que no pertenecen a A y B a los resultados que no pertenecen a B. La interseccién de A y B, AB, se indica por medio de la casilla superior izquierda. Un resultado basico pertenece a A.B si y solo si pertenece tanto aA como a B. Por tanto, en el ejemplo del bateador —Tabla 3.2(a)— los resultados safe hit, Oy, y reach base on an error, Og, pertenecen a los dos sucesos: «el bateador alcanza la base sin problemas» (suiceso A [0,, O>, Ogl) y «el bateador golpea la bola» (suces0 B [0,, Oz, Os, Og), €l resultado mostrado en la Figura 3.1(a). En la Tabla 3.2(b), los efrculos no se cortan, Io cual indica que los sucesos A y B son mutuamente excluyentes, igual que en la Figura 3.1(b). ‘Cuando consideramos varios sucesos conjuntamente, otra posibilidad que tiene interés es que ocurra al me- nos uno de ellos. Eso sucederd si el resultado bisico del experimento aleatorio pertenece al menos a uno de Jos sucesos. El conjunto de resultados basicos que pertenecen al menos a uno de los sucesos se llama unién. En el ejemplo del bateador, los dos sucesos «el bateador alcanza la base sin problemas» (suceso A [0,, O2, Og]) y «el bateador golpes 1a bola» (suceso B (Oy, Os, Os. Oa), los sucesos (0), O2, Os, Oss Os}) estén incluidos al menos en uno de los sucesos. Se trata de un ejemplo de la unién de dos sucesos. Tabla 3.2. Interseccién de sucesos y sucesos mutuamente excluyentes, (a) Interseccién de sucesos (b) Sucesos mutuamente excluyentes. B B B B A AnB A~(AnB) A 2 A KR B-ane) AaB a B AnB Union ‘Sean y B dos sucesos contenidos en el espacio muestra, 5. Su unién, representada por A v B, es el Conjunto de todos los resultados basicos contenidos en S que pertenecen al menos a uno de estos dos, suces0s. Por tanto, la union AW B ocuree si y solo si ocurre A 0 8 o ambos. En términos més generales, dados K SUCeSOS E), E, .. Ex, SU Unién, E, UE: UU Ex, @8 6 Con junto de todos los resultados basioos pertenecientes al menos a uno de estos K sucesos. El diagrama de Venn de la Figura 3.2 muesira la uni6n; se observa claramente que un resultado bésico estard en A UB si y solo si esta en A 0 en B 0 en ambos. | Figura 3.2. Diegrama de Venn de la unlén de os sucesos Ay 2 Si la unin de varios sucesos cubre todo el espacio muestral, S, decimos que estos sucesos son colecti- vamente exhaustivos. Dado que todos los resultados bésicos estén contenidos en $, se deduce que todo resultado del experimento aleatorio estaré al menos en uno de estos sucesos, En el ejemplo del béisbol, los sucesos «el bateador alcanza la base» y «el bateador es eliminado» son colectivamente exhaustivos.wr 84 Estadistica para administracion y economia Colectivamente exhaustivo Dados K sucesos ££, ..» Ei oontenidos en el espacio muestral,$, si E; UE,U~- UEx = S, se dice ‘que estos K sucesos son colectivamente exhaustivos.. * Podemos ver que el conjunto de todos los resultados baisicos contenidos en un espacio muestral es tanto ‘mutuamente excluyente como colectivamente exhaustivo. Ya hemos sefialado que estos resultados son tales que debe ocurrir uno, pero no puede ocurrir simulténeamente més de uno, A continuacién, sea A un suceso. Supongamos que nos interesan todos los resultados bésicos no inclui- dos en A Complementario ‘Sea A un suceso contenido en el espacio muestral, S. El conjunto de resultados basicos de un experi- | ‘mento aleatorio perteneciente a S pero no a A se llama complementario de A y se representa por me- dio de A Es evidente que los sucesos A y A son mutuamente excluyentes, es decir, ningéin resultado bésico puede pertenecer a ambos, y colectivamente exhaustivos, es decir, todos los resultados bisicos deben pertenecer a ‘uno 0 a otro. La Figura 3.3 muestra el complementario de A utilizanda un diagrama de Venn. Ya hemos definido tres conceptos importantes —Ia intersecci6n, la unidn y el complementario— que serén importan- tes en nuestro desarrollo de la probabilidad. Figura 3.3. Resultados de un bateador (uniones, intersecciones y complementarios), EEMEOREN Resultados de un bateador (uniones, intersecciones y complementarios) Los siguientes ejemplos ayudan a ilustrar estos conceptos. Cuando un bateador esté lanzando, dos sucesos de interés son «el bateador alcanza la base sin problemas» (suceso A [0,, 03, Ol) y «el bateador golpea la bola» (suceso B [O,, Os, Os, Og), utilizando las definiciones del Ejemplo 3.1. 1. Los complementarios de estos sucesos son, respectivamente, «el bateador no aleanza la base sin problemas» (A) y «el bateador no golpea la bola» (B) A= [05, Og, Os] = [0 Os} 2. Laimterseccién de A y B es el suceso , Os, Oa) Consideraremos ahora estos dos sucesos: A: «el indice sube el primer diay. B: «el {ndice sube el segundo dia», Halle la intersecci6n, 1a uni6n y el complementario de A y B. Soluci6n. Vemos que A ocurre si ocurre O, u O3 y B ocurre si ocurre O; u Os; por tanto, A=[0,0] y B=[0,0,) La intersecci6n de A y B es el suceso «el {ndice sube el primer dia y sube el segundo. Este es el conjunto de todos los resultados basicos pertenecientes tanto aA como a B, AB = [0,}. La unién de A y B es el suceso «el fndice sube al menos uno de los dias». Este es el conjunto de todos los resultados pertenecientes a A 0 a Bo a ambos. Por tanto, AUB=[0,, 0, 03) Por tiltimo, el complementario de A es el suceso «el indice no sube el piimer dfa». Este es el Conjunto de todos los resultados basicos contenidos en el espacio muestral, S, que no pertenecen a A Por tanto, Al0s, 04) y, asimismo, —B[O3, Ox]vr 86 Estadistica para administracién y economia La Figura 3.4 muestra Ia interseccién de los sucesos A y B. Esta interseccién contiene todos los resultados que pertenecen tanto a A como a B. Claramente, AmB = [Os]. Figura 3.4. Diagrama de Venn de la interseccién de Ay B. En el apéadice de este capitulo, se muestran otros resultados. Ejercicios Ejercicios basicos Para los Ejercicios 3.1-3.4 utilice el espacio muestral S defini do de la forma siguiente: 5 = [By Ex, Es, Buy Boy Eos Er, Eqs Eo, Eve) Bul. Dado A = [B), Ey, Boy Eyl, detina A. 32. Dado A = (E,, Ep, Fy Fol y B= [Ex Eas Eas Eo fa, {Cul es Ia interseccién de A y B? 1b, (Cudl es la unin de A y B? cc. (Es la unién de A y B colectivamente exhaustiva? Dados A = [E,, Ey, E>, Eo] y B = (E>, Ey, Ey. Egl. a, {Cudl es la interseccion de A y B? bb. {Cudl es la unin de A y B? ¢. {Bs la unidn de A y B colectivamente exhaustiva? Dados A = (E3, Es, Eos Eyo) ¥ B= [Bay Exe Eos Esl {Cusl es la imterseecién de A y BY bb, {Cuil es la unin de A y B? ¢. {Es la unién de A y B colectivamente exhaustiva? 33. 34. Ejercicios aplicados 3.5, Una empresa adquiere una nueva méquina que debe insta larse y probarse antes de que esté lista para su uso, La em- presa estd segura de que no tardard mis de siete dfas en instalara y probarla, Sea A el suceso «se necesitarén més de cuatro dias para que la maquina esté lista» y B el suce- so «se necesitardn menos de seis dias para que la méquina esté lista» 1a. Describa el suceso que es complementario del suceso A, 'b, Describa el suceso que es Ia interseccién de los suce- 808 A y B. ‘e. Describa el suceso que es la unién de los sucesos A y B. 4. {Son los sucesos A y B mutuamente excluyentes? 36, ar. fe. {Son los sucesos A y B colectivamente exhaustivos? f. Demuestre que (AB) U (An B) = B. 1g. Demuestre que A U(AN B) = AUB. CConsidee el Ejemplo 3.4, en e que estos son cuatro resul- tados bisicos del indice hursétil en dos dis consecuivas 04: el dice sube los dos dias ©. el indice sue el primer da, pero no sube el se- undo. 9 € ndice no sube el primer de, pero sube el se- undo. («indice no sube ninguno de los dos des “Sean los sucesos Ay B los siguientes: Al indice sube el primer dia. 2: el indice sube el segundo dia, a. Demuestre que (4.0.8) UAB) = B b. Demueste que A UE B) = AUB. Florencio Frentes tiene una pequeta tienda de automévi- les usados en la que tiene tres Mercedes (My, Ma. Ms) y dos Toyotas (7), T;). Dos clientes, César y Andrés, entran fen Ia tienda y Seleccionan cada uno un autom6vil. Los clientes no se conocen y no hay comunicacién entre ellos. Sean 4 y B los sucesos siguientes: ‘A: los clients seleccionan al menos un Toyota B: tos clientes seleccionan dos automéviles del mis- smo model, 4 denifique todos los pares de sutoméviles en el espa cio muestra . Defina el suceso A Detina el suceso B 1. Defina el complementario de A. Demuestre que (4.0 B) UAB) = 8 Demueste que AU (ANB) = AUB.El azar: métodos de probabilidad 87 3.2. La probabilidad y sus postulados Estamos ya en condiciones de utilizar el lenguaje y los conceptos desarrollados en el apartado anterior pai averiguar cémo se halla una probabilidad efectiva de que ocurra un proceso. Supongamos que se realiza un cexperimento aleatorio y que queremos averiguar la probabilidad de que ocurra un determinado suceso. La probabilidad se mide en una escala de 0a 1. Una probabilidad de 0 indica que el suceso no ocurrira y una probabilidad de 1 indica que el suceso es seguro que ocurra. Ninguno de estos dos extremos es habitual en los problemas aplicados. Por tanto, nos interesa asignar probabilidades comprendidas entre 0 y 1 a los suce- os inciertos, Para ello, hay que utilizar toda Ia informacién de la que podamos disponer. Por ejemplo, si las rentas son altas, seré mas frecuente que se vendan automéviles de lujo. Un director de ventas con experien- cia puede ser capaz de saber qué probabilidad hay de que en el futuro las ventas sean superiores al nivel de remtabilidad que se ha fijado la empresa como objetivo. En este apartado, examinamos tres definiciones de probabilidad: 1. Probabilidad clésica. 2. Frecuencia relativa. 3. Probabilidad subjetiva. Probabilidad clasica Probabilidad clasica La probabilidad clésica es la proporcién de veces que ocurrra un suceso, suponiendo que todos los resultados contenidos en un espacio muestral tienen la misma probabilidad de ocurrir. Dividiendo el ‘nlimero de resultados contenidos en el espacio muestral que satistace el suceso por el numero total de resultados contenidos en el espacio muestral se obtiene la probabilidad de un suceso. La probabilidad de un suceso A es ay = 33) Ny (3.3) donde Nes el ntimero de resultados que satisfacen la condicién del suceso A y 1’ es el ntmero total de resultados contenidos en el espacio muestra. La idea importante aqui es que Se puede hallar una pro- babilidad a partir de un razonamiento fundamental sobre el proceso. J En el método de la probabilidad clasica, hay que contar los resultados contenidos en el espacio mues- tral. A continuacién, se utiliza el recuento para hallar la probabilidad. El siguiente ejemplo indica cémo se puede utilizar la probabilidad clésica en un problema relativamente sencillo. Seleccién de un ordenador (probabilidad clésica) Carla Alcdntara tiene una pequefa tienda de ordenadores. Un dfa tiene tres Hewlett-Packard y dos Dell en existencias. Supongamos que entra en la tienda Susana Eslava a comprar dos ordenadores. A Susana Ie da igual la marca —todos los ordenadores tienen las mismas especificaciones técnicas— Por lo que selecciona los ordenadores puramente al azar: cualquiera de los ordenadores que hay en el expositor tiene la misma probabilidad de ser elegido. ,Cudl es la probabilidad de que Susana compre un Hewlett-Packard y un Dell?” Solucién. La respuesta se puede hallar utilizando la probabilidad clisica. Primero se define el es- pacio muestral, que son todos los pares posibles de dos ordenadores que pueden seleccionarse en la88 Estadistica para administracion y economia tienda. A continuaci6n, se cuenta el niimero de pares, que es el mimero de resultados que satisfacen la condicién: un Hewlett-Packard y un Dell. Representemos los tres ordenadores Hewlett-Packard por medio de H,, H, y Hy y los dos Dell por medio de Dr y Dy, El espacio muestral, S, contiene los siguientes pares de ordenadores: S= (H\Dy, H\Ds, HaD,, HD>, HyD,, HyDa, H\Hs, HH, HaHy, D,D2) EI ntimero de resultados contenidos en el espacio muestral es 10. Si A es el suceso «se elige un Hewlett-Packard y un Dell», el ntimero, N,, de resultados que tienen un Hewlett-Packard y un Dell es 6. Por tanto, la probabilidad de que ocurra el suceso A —un Hewlett-Packard y un Dell— es Me 8 gg N10 Pa)= El recuento de todos los resultados llevarfa mucho tiempo si tuvigramos que identificar primero todos los resultados posibles. Sin embargo, muchos de los lectores habrén aprendido en cursos anteriores la f6r- mula basica para calcular el niimero de combinaciones de n objetos que se toman x de cada ver Férmula para hallar el ntimero de combinaciones El proceso de recuento puede generalizarse utilizando a siguiente ecuacién para calcular el nimero de combinaciones de n objetos que.se toman x de cada vez: oma 84) waa! En cl siguiente apartado, se desarrollan combinaciones; el lector debe estudiarlo si necesita aprender 0 repasar las combi Permutaciones y combinaciones Una dificultad préctica que se plantea a veces cuando se calcula la probabilidad de un suceso es contar el niimero de resultados bésicos contenidos en el espacio muestral y el suceso de interés. En algunos proble- ‘mas, puede ser stil el uso de permutaciones de. combinaciones. 4. Numero de ordenaciones Comenzamos con el problema de la ordenacién. Supongamos que tenemos un nimero x de objetos que hay que ordenar. Cada uno solo se puede utilizar una vez. ,Cudntas series diferentes son posibles? Podemos imaginar que en este problema se nos pide qué coloquemos cada uno de los objetos en cada una de las x cajas colocadas en fila ‘Comenzando por la caja situada a la izquierda en la Figura 3.5, hay x formas de lenarla. Una vez que se coloca un objeto en esa caja, quedan (x ~ 1) objetos, por lo que hay (x ~ 1) formas de lenar la segunda caja. Es decir, para cada una de las x formas de colocar un objeto en la primera caja, hay (x ~ 1) formas posibles de Hlenar la segunda caja, por lo que las dos primeras cajas pueden llenarse de un total de x (x ~ 1) formas. Dado que las dos primeras cajas estin llenas, ahora hay (x — 2) formas de enar la tercera, por lo que las tres primeras pueden lenarse de un total de x (x ~ 1) (x — 2) formas. Cuando Negamos a la dltima caja, solo queda un objeto para Ilenarla, Tenemos finalmente el niimero de ordenaciones posibles.El azar: métodos de probabilidad 89 + oy 2) a 1 Figura 3.5. Las ordenaciones de x objetos. Numero de ordenaciones posibles El numero total de formas posibles de ordenar x objetos viene dado por aCe = 1) = 2) (V1) = at donde x! es «x factorial» 2. Permutaciones Supongamos que ahora tenemos un nimero n de objetos con Ios que se podrfan Henar x cajas ordenadas (siendo n > x). Cada objeto solo se puede utilizar una vez. El ntimero de ordenaciones posibles se lama nimero de permutaciones de x objetos clegidos de ny se representa por medio del simbolo P'. Ahora podemos hacer el mismo razonamiento que antes, salvo que habré n formas de Henar la primera caja, (n ~ 1) formas de Hlenar la segunda, y asf sucesivamente, hasta llegar a la dltima caja. En ese momen- to, quedarin (n — x + 1) objetos, cada uno de los cuales podria colocarse en esa caja, como muestra la Figura 3.6. » on 2) (weve?) roe) quedan (7) cbjetos Figura 3.6. Las permutaciones de x objetos elegidos de n. Permutaciones El numero total de permutaciones de x objetos elagidos de n, P’, es el numero de ordenaciones posi- bles cuando se seleccionan x objetos de un total de n y se ordenan. PL= a(n = In 2)-—-(n =x +1) Multiplicando y dividiendo el segundo miembro por (290 x4 1) QA) = n= tenemos que nin = 1a = 2) (0 (aan r+ Doron D=@XDer 90 Fstadistica para administracion y economia Cinco letras (permutaciones) Supongamos que hay que seleceionar dos letras de A, B, C. D y B y colocarlas en orden. ,Cudntas ppermutaciones son posibles? Soluci6n. El nimero de permutaciones, siendo n= 5 y x= 2,es 5! Bale 772 Estas son AB AC AD AE BC BA CA DA EA CB BD BE CD CE DE DB EB DC «EC OED 3. Combinaciones ‘Supongamos, por iltimo, que nos interesa saber cuél es el niimero de formas en que se puede seleccionar x ‘objetos de n (donde no se puede elegir ningtin objeto mas de una vez), pero el orden no es importante. Obsérvese que en el Ejemplo 3.6 las entradas de la segunda fila y de la cuarta son simplemente reordena- ciones de las que se encuentran ditectamente encima de ellas, por Io que podemos dejarlas de Indo, Por tanto, solo hay 10 posibilidades de elegir dos objetos de un grupo de cinco si el orden no es importante, El nimero de selecciones posibles se lama ndmero de combinaciones y se representa por medio de C, donde hay que elegir x objetos den, Para hallar este mimero, obsérvese primero que el niimero de permutaciones posibles es P*. Sin embargo, muchas son reordenaciones de los rismos x objetos, por lo que son ierelevan: tes, De hecho, como x objetos pueden ordenarse de x! formas, solo nos interesa una proporcién Wx! de las permutaciones. Eso nos Jieva a un resultado antes formulado, a saber, la Ecuacién 35. Numero de combinaciones El nimero de combinaciones, C7, de x objetos elegidos de n es el numero de selecciones posibles que pueden realizarse. Este nimero es Pr a= © simplemente C= 3.5) * 3G = a) En algunas aplicaciones, se utiliza la notacién ()-c-a a Llustramos la ecuacién de combinacién, la Ecuacién 3.5, sefialando que en el Ejemplo 3.5 el mimero de ‘combinaciones de los cinco ordenadores de los cuales se toman dos de cada vez es el ntimero de elementos contenidos en el espacio muestral:,El azar: métodos de probabilidad 91 Probabilidad de seleccién de empleados (combinaciones) Un jefe de personal tiene ocho candidatos para cubrir cuatro puestas parecidos. Cinco son hombres y ‘res son mujeres. Si todas las combinaciones de candidatos tienen las mismas probabilidades de ser legidas, {cual es la probabilidad de que no se contrate a ninguna mujer? Soluci6n.. En primer lugar, el niimero total de combinaciones posibles de cuatro candidates elegi- dos de ocho es 8! — 70 quai Ahora bien, para que no se contrate a ninguna mujer, los cuatro candidates seleceionados deben pro- ceder de los cinco hombres. EI nimero de esas combinaciones es 3 wes am Por tanto, si al principio cada una de las 70 combinaciones posibles tenia las mismas probabilidades de ser elegida, la probabilidad de que se eligiera una de las cinco combinaciones formadas Gnica- mente por hombres es 5/70 = 1/14. etek Reconsideracién de la seleccién de un ordenador (probabilidad clasica) Supongamos que ahora en la tienda de Carla hay diez ordenadores Hewlett-Packard, cinco Dell y cinco Sony. Susana entra en la tienda y quiere comprar tres. Los selecciona puramente al azar en el expositor. {Cus es ahora la probabilidad de que seleccione dos ordenadores Hewlett-Packard y un Dell? Soluci6n. Utilizaremos la definici6n clasica de probabilidad. Pero en este cjemplo emplearemos Ja férmula de las combinaciones para determinar el niimero de resultados contenidos cn el espacio rmuestral y el nimero de resultados que satisfacen la condicién A: [dos Hewlett-Packard y un Dell]. EI ndmero total de resultados contenidos en el espacio muestral es el siguiente: 20! = CP = Sag mayi 7 40 EI ngmero de maneras en que podemos seleccionar dos ordenadores Hewlett-Packard de los diez que hay se calcula de la siguiente manera 10! © 2100 = 2)! 10 2 Asimismo, el niimero de maneras en que podemos seleccionar un ordenador Dell de los cinco que hay es cinco y, por tanto, el niimero de resultados que satisfacen el suceso A es el siguiente: Ny = Cf! x Ch = 45 x 5 = 225 Por itimo, la probabilidad de A = (dos Hewlett-Packard y un Dell] es la siguiente: Na _ CY XC} _ 45x N ~ 1.140 0,197Estadistica para administracion y economia Frecuencia relativa ‘A menudo utilizamos la frecuencia relativa para hallar las probabilidades de una determinada poblacin, La ‘frecuencia relativa es el nimero de sucesos contenidos en la poblacién que satisfacen la condicién divididg por el niimero total de sucesos. Estas probabilidades indican la frecuencia con que ocurriré un suceso en ‘comparacién con otros. Por ejemplo, si el suceso A tiene una probabilidad de 0,40, sabemos que ocurrird e| 40 % de las veces. Es mis frecuente que el suceso B si el suceso B solo tiene una probabilidad de 0,30 de ‘ccurtir. Pero no sabemos qué suceso, el A 0 el B, ocurrird a continuaci6n. Frecuencia relativa La frecuencia relativa es el limite de la proporcién de veces que ocurre el suceso A en un gran numero Ge pruebas, mn: A= eo) onde n, es el niimero de veces que se obtiene A y 1 es el nimero total de pruebas o resultados. La probabilidad es el limite a medida que n se hace mas grande (0 tiende a infinito). Las probabilidades del bateador de béisbol de! Ejemplo 3.1 se calcularon a partir de ficheros estadfsti- cos del béisbol utilizando la definicisn de frecuencia relativa. Probabilidad de que las rentas sean de mas de 75.000 $ (frecuencia relativa) Sara Alvarez est considerando Ia posibilidad de abrir un nuevo concesionario de automéviles en una Ciudad que tiene una poblacién de 150.000 habitantes. La experiencia de otros muchos concesiona- Fios indica que en otras ciudades parecidas un concesionario tiene éxito si al menos el 40 % de los hogares tiene una renta anval de mas de 75.000 S. Ha pedido a Alba Tomés, consultora de marketing, ue estime la proporcién de rentas familiares de més de 75,000, o sea, la probabilidad de esas rentas. Solucién. Después de examinar el problema, Alba llega a la conclusi6n de que 1a probabilidad debe basarse en la frecuencia relativa, Primero examina los datos censales mas recientes y observa que en la ciudad habia 54.345 hogarés y que 31.496 tenfan una renta de més de 75.000 S. Alba caleu- Ja Ja probabilidad del suceso A, «renta familiar de mas de 75.000 $», de la forma siguiente: ‘Como Aba sabe que hay varios errores en los datos censales, también consulta una reciente fuente de datos sobre Ia poblacién en la web a la que esti suscrita su empresa, Basdndose en esta fuente, obtie- ne $5.10 hogares, de los cuales 32.047 tienen una renta de més de 75.000 $. Alba calcula la probabi- lidad del suceso A a partir de esta fuente de la forma siguiente: = 0,582 35.100” Comio estas cifras son parecidas, podria dar cualquiera de las dos, Alba decide dar la probabilidad de 0,58. Este ejemplo muestra que las probabilidades basadas en el enfoque de la frecuencia relativa a menudo pueden obtenerse utilizando las fuentes de datos existentes. También indica que pueden ocurrir y ocurren diferentes resultados y que los analistas y los directivos con experiencia tratarén de verificar sus resultadosEl azar: métodos de probabilidad 93 utilizando més de una fuente. Se necesita experiencia y mucho criterio para decidir si los diferentes datos ‘son suficientemente parecidos. Probabilidad subjetiva Probabilidad subjetiva La probabilidad subjetiva expresa el grado en que una persona cree que ocurrird un suceso. Estas probabilidades subjetivas se utilizan en algunos procedimientos para tomar decisiones en el mundo de la empresa. Podemos comprender el concepto de probabilidad subjetiva utilizando el concepto de apuestas justas. Por ejemplo, si afirmo que la probsbilidad de que suba el precio de las acciones de una empresa la préxima semana es 0,5, creo que el precio de las acciones tiene tantas probabilidades de subir como de bajar. Cuan- do expreso esta probabilidad subjetiva, no estoy pensando necesariamente en un experimento repetido sino en el precio que tendrén las acciones la préxima semana. La probabilidad subjetiva que expreso implica que considerarfa justa una apuesta en la que pagara un dolar si el precio bajara y recibiera un dolar si el precio subiera. Si recibiera mas de un d6lar por una subida del precio, consideraria que la apuesta me favo- rece, Asimismo, si creo que la probabilidad de que un caballo gane una carrera cs 0,4, estoy expresando mi ‘opini6n personal de que hay una posibilidad del 40 % de que gane, Dada esta creencia, consideraria justa luna apuesta en la que recibiera tres ddlares si el caballo ganara y perdiera dos dolares si el caballo perdiera. Queremos hacer hincapié en que las probabilidades subjetivas son personales, No es necesario que todo el mundo piense que un mismo suceso tiene las mismas probabilidades. En el ejemplo del precio de las acciones, legarfamos a la conclusién de que la probabilidad correcta de que suban las ucciones es 0,50. Sin embargo, una persona que tuviera mds informacién sobre las acciones podria creer otra cosa, En el ejemplo de la carrera de caballos, es probable que dos apostantes lleguen a probabilidades subjetivas diferentes Pueden no tener Ia misma informacién y, aunque la tengan, pueden interpretaria de manera distinta. Sabe- ‘mos que Jos inversores no tienen todos ellos las mismas opiniones sobre la futura conducta del mercado de valores. Sus probabilidades subjetivas dependen de la informacién que tienen, de su experiencia y del modo cen que las interpretan. Los directivos de diferentes empresas tienen probabilidades subjetivas diferentes sobre las oportunidades de ventas en un determinado mercado regional y, por tanto, toman decisiones diferentes. Postulados probabilisticos ‘Necesitamos desarrollar un marco para evaluar y manipular las probabilidades. Para ello, primero formula remos tres reglas (0 postwlados) que deben cumplir las probabilidades y demostraremos que estos requisitos son «razonables». Postulados probabilisticos ‘Sea S el espacio muestral de un experimento aleatorio, 0, los resultados basicos y A un suceso. Para ‘cada suceso 4 del espacio muestra, 5, suponemos que se define P(A) y tenemos los siguientes postu- lados probabilisticos: 4. SiA es cualquier suceso contenido en el espacio muestral, 5, O, ...Ay¥ By, Bs, . By. Sitodo suceso A, 6S esta- isticamente independiente de todo suceso B;, entonces Ay B son sucesos independientes. Dado que A, y B, no son estadisticamente independientes, se deduce que los sucesos «frecuencia con ue se ve el programa» y «rent» no son independientes. En muchas aplicaciones pricticas, no se conoven con precisiGn las probabilidades conjuntas. Se obtiene tuna muestra de una poblacién y se estiman las probabilidades conjuntas a partir de los datos muestrales. Queremos saber, baséndonos en esta evidencia muestral, si estos sucesos son independientes unos de otros. Ms adelante en este libro presentamos un método para realizar un contraste de ese tipo. Ventaja La ventaja se emplea para transmitir informaci6n sobre las probabilidades en algunas situaciones. Por ejemplo, un comentarista deportivo podrfa afirmar que la ventaja a favor del equipo A frente al equipo B es de 2 a 1. La ventaja puede convertirse directamente en probabilidades y las probabilidades pueden conver- tirse en ventaja utilizando las siguientes ecuaciones. Ventaja La ventaja de un suceso es el cociente entre la probabilidad del suceso y la probabilidad de su comple- mentario. La ventja a favor de A oe | Ventaja = PA _ PA Me T= PA) PA) 3.12) = Por tanto, la ventaja de 2 a 1 puede convertirse en Ia probabilidad de que gane A 2 PA) 1” 1= P(A) y aplicando el algebra basica 2.x (1 ~ P(A) = POA) de donde P(A) = 0.67 Asimismo, si la ventaja a favor de ganar es de 3 a 2, la probabilidad de ganar es 0,60. Obsérvese que 0,60/0,40 es igual a 3/2, Cociente de «sobreparticipacion» Hay algunas situaciones en las que es dificil hallar las probabilidades condicionadas deseadas, pero se dis- pone de probabilidades condicionadas altemativas. Por ejemplo, puede ser dificil hallar las probabilidades porque los costes de enumeracién son altos 0 porque alguna restriccisn critica, ética o legal impide hallar irectamemte las probabilidaces. En algunos de esos casos, es posible utilizar relaciones probabilisticas ba- sicas para hallar las probabilidades deseadas a partir de las probabilidades de las que se dispone. En esteElazar: métodos de probabilidad 115 apartado, presentamos uno de esos métodos basado en el uso de cocientes de «sobreparticipacién» (Carlson y Thorne, 1997). Comenzamos examinando un sencillo ejemplo. Supongamos que sabemos que cl 60 % de los que com- pran nuestro producto ha visto nuestro anuncio, pero solo lo ha visto el 30 % de los que no lo compran. El cociente entre 60 y 30 % es el cociente de «sobreparticipacidn» del suceso «ha visto nuestro anuncio» en el grupo de los que compran el producto, en comparaciGn con el grupo que no lo compra. En el andlisis si- guiente, mostramos que un cociente de «sobreparticipaciGn» mayor que 1,0 es una prueba, por ejemplo, de ‘que la publicidad influye en la conducta de compra. El cociente de «sobreparticipacién, presentado en la Ecuaci6n 3.13, es el cociente de la probabilidad {de un suceso —como ver un anuncio— en el que solo hay dos resultados mutuamente excluyentes y com- plementarios, como la venta de un producto o la no venta de un producto. Si el cociente de las probabilida- des condicionadas no es igual a 1,0, entonces el suceso influye en los resultados. Estos cocientes tienen aplicaciones en algunas situaciones empresariales, entre las que se encuentran el marketing, la produccién y la contabilidad. En este apartado, desarrollamos la teorfa y la aplicacién de los cocientes de sobrepartici- pacién Cocientes de «sobreparticipacién» La probabilidad del suceso A |, condicionada al suceso B,, dividida por la probabilidad de A ,, condicio- nada al suceso B., donde B y B. son mutuamente excluyentes y complementarios, es el cociente de «sobreparticipacion»: PAB) pane .13) PAB) oe Un cociente de «sobreparticipacién» mayor que 1 PUA, 5) POAi| B2) implica que el suceso A, aumenta la ventaja condicionada @ favor de 2 PUBIAD , PCB) P(B3|A\)~ P(Bs) Consideremos una empresa que desea averiguar la eficacia de un nuevo anuncio. Se realiza un experi ‘mento en el que se muestra el anuncio a un grupo de clientes y no a otro y se observa la conducta de compra de los dos grupos. Este tipo de estudios tiene una alta probabilidad de error; puede estar sesgado, ya gue la gente a menudo se comporta de forma distinta cuando se la observa de cerca y cuando no s¢ la observa. Sin embargo, es posible calcular el porcentaje de compradores que han visto un anuncio y el por- contaje de no compradores que To han visto. Veamos cémo se pueden analizar esos datos para hallar la eficacia del nuevo anuncio. La eficacia de la publicidad se averigua realizando el siguiente andlisis. La poblacién se divide en B,: compradores Bz: no compradores yen A: os que han visto el anuncio Az: 10s que no han visto el anunci La ventaja a favor del comprador en este problema es Pw PCB.)116 Estadistica para administracién y economia Asimismo, podemos definir la ventaja condicionada, en la que utilizamos el cociente de las probabil. dades que son ambas condicionadas al mismo suceso. En este problema, la ventaja de un comprador condi. cionada al suceso «haber visto un anuncio» es P(Bi|Ay) PUI) Si la ventaja condicionada es mayor que 1a incondicionada, se dice que el suceso condicionante influye en el suceso que nos interesa. Por tanto, Ia publicidad se considerarta eficaz si PCBIA,) PCB) PRIA) ~ PC) Los términos del primer miembro son iguales a Peay|Ay) = PAWL BOP) PAY) POA,| B2)PCB) P(B|A,) = (CAL) mA} Introduciendo estos iltimos términos en la primera ecuacién, la ecuacién de la ventaja condicionada se convierte en P| B)PB) PB) P(A,| B2)P(B)~ P(B2) Dividiendo Jos dos miembros por el cociente de la derecha, tenemos que PAB) Pca,” Este resultado muestra que si el porcentaje de compradores que han visto el anuncio es mayor que el orcentaje de no compradores que lo han visto, la ventaja a favor de comprar condicionada a haber visto el anuncio es mayor que Ta ventaja incondicionada. Por tanto, tenemos pruebas de que la publicidad va acom- pafada de un aumento de la probabilidad de compra. En el problema inicial, el 60 % de los compradores y el 30 % de los no compradores habian visto el nuncio. El cociente de «sobreparticipacién» es 2,0 (60/30) y, por tanto, llegamos @ la conclusién de que la publicidad aumenta la probabilidad de compra. Los analistas de mercado utilizan este resultado para eva- luar Ia eficacia de la publicidad y de otras actividades de promocién de las ventas. Se pregunta a los com- pradores de productos si han visto determinados anuncios y se realizan encuestas a hogares basadas en un mwestreo aleatorio a partir de las cuales se halla el porcentaje de personas que han visto el anuncio y no han comprado el producto. Consideremos otra situaci6n en la que es dificil, ilegal o poco ético hallar las probabilidades (Carlson 1972), El alcohol y los accidentes de trafico (cocientes de «sobreparticipacién») Los investigadores de la National Hightway Traffic Safety Administration del Departamento de Transporte de Estados Unidos querfan averiguar la influencia del alcohol en los accidentes de wafico. Es evidente que no seria ético dar alcohol a un grupo de automovilistas y comparar su participacién en accidentes con Ia de un grupo que no hubiera tomado alcohol. Sin embargo, los investigadores sfEjercicios Elazar: métodos de probabllidad 117 observaron que habfa bebido el 10,3 % de los automovilistas que iban conduciendo de noche por un ddeterminado condado y cl 32,4 % de los automovilistas involucrados en un accidente de un solo vehi- culo que iban conduciendo en ese mismo momento por ese mismo condado. Se eligieron los acciden- tes en los que habfa un solo vehfculo involucrado para garantizar que el error de un automovilista podfa atribuirse solamente a un automovilista, cuyo consumo de alcohol se habfa medido. Baséndose {en estos resultados, querfan saber si habfa pruebas para concluir que los accidentes aumentaban por la roche cuando los automovilistas habfan bebido. Utilice los datos para averiguar si el consumo de alcohol aumenta Ja probabilidad de que haya accidentes (Carlson, 1972). Solucién. Este problema puede resolverse utilizando los cocientes de «sobreparticipacién». En primer lugar, hay que definir los stcesos contenidos en el espacio muestral: Aj: el automovilista habia bebido Az: el automovilista no habia bebido Cy; el automovilista se vio involucrado en un accidente Cz: el automovilista no se vio involucrado en un accidente Sabemos que el alcohol, A), aumenta la probabilidad de que haya un accidente si PAC) POA Cy) La investigacién permite saber que las probabilidades condicionadas son >10 PIA\| C)) = 0,324 PIAy| Ca) = 0,103 Utilizando estos resultados, el cociente de sobreparticipacion es PAC) _ 0,324 _ Pac) 0103! Basdndose en este anélisis, hay pruebas para concluir que el alcohol aumenta la probabilidad de que haya accidentes de tréfico. El cociente de sobreparticipaci6n es un buen ejemplo de cémo se pueden utilizar las manipulaciones matematicas de las probabilidades para obtener resultados ditiles para tomar decisiones empresariales. La frecuente utilizacién de métodos automatizados de recogida de datos, incluidos los esedneres de cédigos de barras, la segmentaciéin de la audiencia y los datos censales en cintas y discos, permite calcular muchas probabilidades diferentes, probabilidades condicionadas y cocientes de sobreparticipacién. Como conse- Ccueneia, los andlisis parecidos a los que presentamos en este capftulo han pasado a formar parte de la rutina diaria de los analistas de marketing y de los directores de productos. Ejercicios basicos 3.54, {Cudl es la probebilidad conjunta de «renta media» y Los ejercicios bésicos 3.52 a 3.58 se refieren a la Tabla 3.10. 3.58. {Cusl es la probebilidad conjunta de srenta media» y 3.52. {Cu es la protabiidad conjunta de «rena alta» y «nunca»? ide ver en coandon? 3.53. {Cuil es la probabilidad conjunta de «renta baja» y cha. 3.86. {Cuil es la probabilidad condicionada de «renta alta», _ bitualmenten? ‘dado «nunca»?118 Estadistica para administracion y economia Tabla 3.10. Probabilidades de ver la television y renta, ‘Frecuencia con que se ve el programa Renta alta Renta media_—_—Renta baja Totales Habitualmente 0,10 0,15 0.05 0,30 De vez en cuando 0,10 0,20 0,10 0,40 Nunea_ 0,05 0.05 0,20 0,30 Totales 025 0.40 035 1,00 37, {Cudl sla probabilad condicionada de «rent bajar, SST dado «de vez en cuando»? Frecuencia Compra de productos genéricos_ delas visitas A menudo A veces Nunca 358. {Cusl es la probabilidad condicionada de , estu- dliantes que recibieron una mala nota en los exémenes. En el grupo By, el 20 % estudia més de 25 horas a I semana y en el 8, el 40 % estudia mas de 25 horas a la semana. {Cudl es el cociente de sobreparticipacién de los elevados niveles de estudio en las buenas notas con respecto a las malas notas? Ejercicios aplicados 3.64. En una encuesta realizada pars un supermercado, se ha clasificado a los clientes en los que van frecuentemente 6 infrecuentemente a la tienda y los que compran pro- ductos genéricos a menudo, @ veces © nunca, La tabla adjunta muestra Jas proporciones de personas encuesta- das en cada una de las seis clasificaciones conjuntas. b. {Cusl es le probabilidad de que un cliente que nonca Compra productos genéricos vaya a la tienda frecuen. temente? {Son independientes los sucesos «nunca compra pro- tductos genéricas» y «va a la tienda frecuentemente>” 44. ;Cu8l es la probabilidad de que un cliente que va in- frecuentemente a la tienda compre a menudo produc- tas genéricas? {Son independientes los sucesos «compra a menudo pro- ductos genéricos» y «va frecuentemente a la tienda»? £. {Cuil es la probabilidad de que un cliente vaya fre- uentemente a la Genda? 2. {Cuil es la probabilidad de que un cliente no compre hunca productos genéricos? hh. {Cual es la probabilidad de que un cliente vaya fre> cuentemente a la tienda o no compre nunca produc- tos genéricos 0 ambas cosas? 3.68. Una consultora predice si el préximo aio los beneficios de las empresas serén excepcionalmente bajos, excep- cionalmente altos © normales. Antes de decidir si conti ‘nga comprando estas predicciones, un corredor de bolsa compara las predicciones pasadas con los resultados cfectives. La tabla adjunta muestra las proporciones en las nueve clasificaciones conjuntas Prediccién Excepcio- nalmente altos Bxcepcio- nalmente Normales ___bajos Resultado Excepeionalmente altos Normales Excepcionalmente bajos 023 006 oz 022 093 0.08 oot 0.06 ous3.66. 1. {8p qué proporcién de las predicciones se predice {que los beneficios serén excepcionalmente altos? {En qué proporcién de los resultados han sido los be= neficios excepcionalmente altos? .. Si una empresa tuviera unos beneficios excepeional- ‘mente altos, {cuél es la probabilidad de que la con- sulfora predijera correctamente este suceso? |. Sila consultora predijera que una empresa va a tener unos beneficios excepcionalmente altos, ,cusl es Ia probabilidad de que se materializaran? {Cuél es la probabilidad de que una empresa de la {ue se hubiera predicho que iba a tener unos bene! cios excepcionalmente altos tenga unos beneficios cexcepcionalmente bajos? AA Jos suscriptores de un periéico local se les ha pregun- ‘ado si een frecuentemente, de vez en cuando o nunca la seccién econémica y si tenfan acciones ordinarias cotiza- das en bolsa (o participaciones en un fondo de inversiGn) 3.68, Elazar: métodos de probabilidad 119 b. Si seselecciona aleatoriamente wna pieza de todas las piiezas recibidas, ,cudl es la probabilidad de que pro- ‘eda del subcontratista B? ‘¢. Cudl es la probabilidad de que una pieza procedente del subcontratista B sea defectuosa? 4. Cusl es la probabilidad de que una pieza defectuosa seleccionada aleatoriamente proceda del subcontra- tista B? . ZBs la calidad de una pieza independiente de la fuen- te de suministro? f, Desde el punto de vista de la calidad, cual de los res ssubcontratistas es més fiable? Als estudiantes de una clase de estadistica para los ne- gocios se les pregunts qué nota esperaban sacar en el ‘curso y si hacfan més problemas de los que ponfa el pro fesor. La tabla adjunta muestra las proporciones de esta diantes en cada una de las ocho clasificaciones conjuntas, ‘Nota esperada cf ao pasado. La tabla adjunta muestra las proporciones problemas de suscriptores en las seis clasificaciones conjuntas realizado i. 5 ao ae adines Leer la seein econdmica Sf 012006 012 002 cotizadas _ Frecuentemente De vez en cuando Nunca No O13 021 0,26 0,08 si 018 0.10 0.04 4. Halle la probabilidad de que un estudiante seleceio- No 0.16 031 621 nado aleatoriamente en esa clase hiiera més proble- 3.067. 4 {Cudl es ln probabiidad de que un suscriptorselec- ‘ionado aletoriamente no lea nunca la seecién eco- réimica? '. PP,) = 0.10 Utilizando el teorema de Bayes, observamos que P(D,| P,)P(Pi) POP) FTP PR) + PD,PIPPD 0,40 « 0,10 040 x 0,10 + 0,10 x 0,90 = 0,308 Por tanto, la probabilidad de que se compre un automévil es mayor, dada la cena con el vende- dor. b. Se pide que calculemos Ja probabilidad de que se compre un automévil, P,, dado que el cliente no cena con el vendedor, D,. Aplicando de nuevo el teorema de Bayes, tenemos que P(Ds| PPP) P(D,| P;)P(P,) + PD,| P;)P(P2) 0,60 * 0,10 60 * 0,10 + 0,90 x 0,90 0,069 P(P;|D2) ‘Vemos que Jos que rechazan la cena tienen menos probabilidades de comprar un automévil. Para realizar una evaluaci6n adicional de! programa de ventas, también podrfamos comparar las ventas realizadas durante seis meses con las de otros concesionarios y con las de otros, programas anteriores, dadas unas condiciones econémicas similares.126 Estadistica para administracién y economia Hemos presentado un método paso a paso Iégico 0 lineal para resolver problemas de Bayes. Este méto. do funciona muy bien para las personas que tienen experiencia en la resolucién de este tipo de problema ‘También puede ayudar a organizar los problemas de Bayes. Sin embargo, los problemas reales en situacio. nes nuevas no se resuelven casi ninguno siguiendo un método paso a paso o lineal. Es probable, pues, que el lector tenga que volver a los pasos anteriores y revisar las definiciones iniciales. En algunos casos, puede resultar tui] formular el teorema de Bayes antes de definir las probabilidades. La forma matemética define las probabilidades que se deben obtener de la descripcién del problema, También se puede construir una tabla de doble sentido, como la del Ejemplo 3.23. Cuando el lector se disponga a resolver estos problemas, utilice la estructura, pero aprenda a ser creativo y a estar dispuesto a volver a repetir los pasos anteriores, Estudio de mercado (teorema de Bayes) Blue Star United, un gran distribuidor de electrénica, ha contratado a Southwest Forecasters, empresa de estudios de mercado, para predecir et nivel de demanda de su nuevo producto que es al mismo tiempo un teléfono mévil y permite utilizar Internet a un precio considerablemente inferior al de sus grandes competidores. Como parte de los resultados que tiene que entregar, Southwest da una califi- cacién de Malo, Regular o Bueno, baséndose en su investigaciGn. Antes de contratar a Southwest, la direcci6n de Blue Star lleg6 a la conclusién de que las probabilidades de los niveles de demanda del mercado eran los siguientes: P(Bajo) = P(s,) =0,1 P(Moderado) = Ps, 5 PlAlto) = Piss) = 0,4 Southwest termina su estudio y llega a la conclusiGn de que el potencial de mercado de este producto es ‘malo. {Qué conclusién deberia extraer Blue Star basindose en los resultados del estudio de mercado? Solucién. El estudio de los archivos de la empresa de estudios de mercado revela la calidad de sus predicciones anteriores en esta materia, La Tabla 3.12 muestra para cada resultado sobre el nivel de demanda, 1a proporcién de valoraciones Malo, Regular y Bueno que se realizaron antes de introducir el producto en el mercado, Tabla 3.12. Proporcién de valoraciones realizadas por un empresa de estudios de mercado antes de distintos niveles de demanda del mercado (probabilidades condicionadas). Demanda efectiva de mercado después de la valoracién ‘Valoraci6n’ Demanda baja (s,) Demanda moderada (sz) Demanda alta (s,) Malo 06 03 oO. Regular 02 O48 0,2 Bueno 0,2 03 0,7 Por ejemplo, en el 10 % de las ocasiones en las que la demanda fue alta, la valoracién realizada antes de la introduccién del producto en el mercado fue Malo, Por tanto, en la notacién de la probabi- lidad condicionada, lamando s,, sy 5 a los niveles de demanda Bajo, Moderado y Alto, respectiva- mente, se deduce que P(Malo|s,)=0,6 — P(Malo|s,)= 0,3 P(Malo| s;) = Dada esta nueva informacién, las probabilidades a priori a PU) = 01 Pls =05 Pls) = 04El azar: métodos de probabilidad 127 de los tres niveles de demanda pueden modificarse utilizando el teorema de Bayes. En el caso de un bajo nivel de demanda, la probabilidad a posteriori es: P(Malo| s)P(s)) P(Malo| 5)P(s) + P(Malo| s,)P(s,) + P(Malo] s)P%ss) (0.60.1) _ 0.06 0.0.1) + (0.30.5) + 0.10.4) 0,25 P(s,| Malo) = 0,24 Asimismo, en el caso de Jos otros dos niveles de demanda, las probabilidades a posteriori son (0,3)(0,5) P(s2| Malo) = 95 0.6 Pbs3| Malo) Baséndonos en este andlisis, vemos que la probabilidad de que la demanda sea alta ahora se reduce 20,16 y el resultado mas probable es una demanda moderada con una probabilidad @ posteriori de 0,6. Las probabilidades subjetivas en la toma de decisiones empresariales Se ha realizado una interesante interpretacién del teorema de Bayes en el contexto de las probabilidades subjetivas, Supongamos que una persona esté interesada en el suceso B y tiene una opiniGn subjetiva sobre la probabilided de que ocurra B; en este contexto, la probabilidad P(B) se llama probabilidad a priori. Si ‘obtiene después més informacién —a saber, que ha ocurrido el suceso A— eso puede cambiar su opinin inicial sobre Ia probabilidad de que ocurra B, Como sabe que ha ocurrido A, la probabilidad relevante de B ahora es la probabitidad condicionada de B, dado A, y se denomina probabilidad a posteriori. Podemos considerar que el teorema de Bayes, visto de.esta forma, es un mecanismo para actualizar una probabilidad 4 priori y convertirla en una probabilidad a posteriori cuando se dispone de la informacién de que ha ‘ocurrido A. El teorema establece que la actualizacién se logra multiplicando la probabilidad a priori P(B) por P(A| BYP(A). Sabemos que la gente normalmente realiza valoraciones de las probabilidades subjetivas y después las modifica, Por ejemplo, una parte importante de la labor de un auditor es averiguar si la contabilidad es correcta, Antes de examinar una determinada cuenta, el auditor se habré formado una opinién, basada en auditorias anteriores, de la probabilidad de que haya un error. Sin embargo, si obscrva que el saldo es muy diferente de lo que cabria esperar, dads las cifras de los tltimos aiios, el auditor creer que la probabilidad de que haya un error es mayor y, por tanto, prestaré especial atencién a la cuenta, En este caso, la probabili- dad a priori se ha actualizado a la luz de la informacién adicional. Auditoria de las cuentas de una empresa (teorema de Bayes) Baséndose en el examen de la contabilidad anterior de una empresa, un auditor observa que el 15 % contenfa errores. Considera que en el 60 % de los saldos que contienen errores, los valores son inu- suales a juzgar por las cifras anteriores. El 20 % de todos los saldos contables son valores inusuales, Si la cifra de un determinado saldo parece inusual segiin este criterio, ;cusl es la probabilidad de que sea errénea? Solucién. Sea A, «error en el saldo contable» y B, «valor inusual a juzgar por las cifras anterio- res». Basdndose en la informacién de la que se dispone, se deduce que PAY O15 PUB) =0,20 P(B,|A,) = 0.60128 —_Estadistica para administracién y economia Utilizando el teorema de Bayes, P(B\|Ay)P(A:) _ (9,60)(0,15) _ Pail i Pe) 020 Por tanto, dada Ja informacién de que el saldo contable parece inusual, la probabilidad de que sea ica y pasa de una probabilidad a priori de 0,15 a una probabilidad a posteriori Ejercicios Ejercicios basicos Los siguientes ejercicios bésicos utilizan un espacio muestral efinido por los sucesos Ay, A>, By y Bs. 3.8. Dados P(A,)= 0.40, P(B,) A,)=0,60 y PUB,|A2)=0,70, {cual es la probabilidad de PCA | B,)? 3.19. Dados P(Ay) = 0.80, P(B,| A,)= 0,60 y PB,1 43) =0,20, {cual es la probabilidad de P(A, B,)? 3.80. Dados P(A,) = 050, P(B,| 41) =0.40 y P(B,|A)=0,70, {.oual es la probabilidad de P(A,| B,)? |. Dados P(Ay) = 0.40, P(B,| A,)= 0,60 y PCB,1 As) {cual es la probabilidad de P(Aa| B,)? 3.82, Dados P(A,)= 0,60, P(B,| A,) = 0,60 y P(B,|A3)= {cual es la probabilidad de PCA,| B,)? Ejercicios aplicados 3.83. Una editorial envia publicidad de un libro de texto de contabilidad al 80 % de todos los profesores que impar- ten la asignatura de contabilidad. El 30 % de los profeso- res que reciben esta publicidad adopta el libro, al igual ue el 10 % de los que no la reciben. {CuAl es Ia proba- bilidad de que un profesor que adopta el lio haya reci- bdo la publicidad? Un analista burstil examine las perspectivas de las accio- res de un gran niimero de empresas. Cuando analizé os resultados de estas acciones un afio més tarde, results que el 25 % obtuvo unos resultados mucho mejores que la media, cl 25 4% obtuvo unos resultados mucho peores y el 50 % restante obtuvo unos resultados parecidos a la me- dia. BI 40 % de las acciones que obmavieron unos resulta- {dos mucho mejores que la media fueron calificades de ‘buenas compras» por el analista, al igual que el 20 % de los que obsuvieron unos resultados parecidos a la media y el 10 % de los que obtuvieron unos resultados mucho peores que la media. ;Cudl es la probabilidad de que una accién calificada de buena compra» por el analista obtu- viera unos resultados mucho mejores que la media? 3.84. 045 3.85. Nuevas Bombillas Gallego, S.A. envia grandes partidas ‘de bombillas a grandes usuarios industriales. Cuando | proceso de produccién funciona correctamente, lo cual ‘ocurre el 90 % de las veces, el 10 % de todas las bombi- lias producidas es defectuoso, Sin embargo, el proceso puede funcionar mal de vez en cuando y, en ese caso, la tasa de bombillas defectuosas es del 50 %. Si se encuen- tra una bombilla defectuose, {cual es la probabilidad de {que el proceso esté funcionando correctamente? Si se encuentra una bombilla que no es defectuosa, {cual es la probsbilidad de que el proceso esté funcionando correc: tamente? 3.86. Suponge que es el responsable de productos cénicas de Alimentos Gigantescos, un gran distribuidor de produc- tos alimenticios para supermercados que esté estudiendo las caracteristieas de toda su combinacién de productos de pollo. Los pollos se compran tanto a Granjas Avico- las en Libertad como a Grandes Productos Alimenticios, S.A. Granjas Avicolas en Libertad produce pollos que se limentan con granos naturales en libertad. En su com nacién de productos, el 10 % de los pollos procesados ppesa menos de tres kilos. Grandes Productos Alimenti- ios produce pollos en jaulas utilizando granos enrique- cidos para que crezcan répidamente. Observa que el 20 % de sus pollos procesados pesa menos de tes kilos. Alimentos Gigantescos compra el 40 % de sus pollos & Granjas Avicolas en Libertad y mezcla los productos sin identificar el proveedor. Suponga que compra un pollo {que pesa mas de tres kilos. {Qué probabilidad hay de que provenga de Granjas Avicolas en Libertad? Si com- pra cinco pollos, ,qué probabilidad hay de que al menos tres provengan de Granjas Avfcolas en Liertad? 3.87. Usted y un amigo son grandes aficionados al fitbol y es tun debatiendo sobre Ia posibilidad de que el FC Barce- lona gane la final de la Champions de Ia UBFA frente al Manchester United, Usted va con el Manchester United, pero su amigo le dice que los corredores de apuestas es. tin apostando por el partido dos contra ocho (Manches- ter United frente a FC Barcelona). Qué probabilidad hay de que gane ef Manchester United?Tose de sobrepanicipacién SSeatvamenteexbaustvos $ Saminacion + Somlenetr 1 Scio mies ¢ Speimentoalestoro $ fecuenia eave © independencia estadistica $ imersecion 1 iAtamenteexclyentes 1 Aimar de sombinaciones 5 pas pus calclar la probabilidnd por medio Uatteorema de Bayes + permuaciones 1 edn prbabiliicos 3.88, Suponga que tiene un amigo inteligente que no ha estu- iad probabilidad. ¢Cémo le explicaria Ia distincisn en- lie sucesos mutuamente excluyentes y sucesos indepen- dientes? Lustre su respuesta con ejemplos adecuados. 3.89. Indique si cada una de las afirmaciones siguientes es verdadera o falsa y arguméntelo, a. El complementario de la unién de dos sucesos es la interseccién de sus complementarios. b. La suma de las probabilidades de sucesos colectiva- ‘mente exhaustivos debe ser igual a 1. © El nimero de combinaciones de x objetos extraidos ‘de m es igual al nimero de combinaciones de (n ~ x) objetivos extrafdos de n, donde 1 ” b, « Se sabe que el 20 % de todas las exploraciones agrico- las de una regi6n tiene mas de 160 acres y que el 60 % de todas las explotaciones agricolas de esa regién per- tenece a personas de més de 50 aftos. FI 55 % de todas las explotaciones agricolas de la regién de mis de 160 ‘acres es propiedad de personas de més de 50 aos. ‘a, {Cusl es le probabilidad de que una explotacién ‘agricola seleccionada aleatoriamente en esta regién tenga més de 160 acres y sea propiedad de una per- ssona de mas de 50 afios? {Cus es 1a probabilidad de que una explotacién ‘agricola de esia regién tenga mds de 160 acres 0 sea propiedad de una persona de mas de 50 afios (o am- bas cosas)? . {Cudl es la probabilidad de que una explotacién agricola de esta region, propiedad de una persona de més de 50 aftos, enga mas de 160 acres? ¢Son estadisticamente independientes la extensién de la explotacién y Ia edad del propictario en esta repion? En una gran empresa, el 80 % de los empleados son hombres y el 20 % son mujeres. Por lo que se refiere 2 los hombres, el 10 % tiene estudios de postgrado, el 30 % tiene estudios de grado y el 60 % tiene estudios 4e secundaria, En el caso de las mujeres, e1 15 9 tiene ‘studios de postgrado, el 40 % tiene estudios de grado y-el 45 4% tiene estudios de secundaria,3.03, 3.104, 3.108. {Cul es la probabilidad de que un empleado selec tionado aleatoriamente sea un hombre que solo ti ne estudios de secundaria? .. Cual es Ia probabilidad de que un empleado selec- Cionado aleatoriamente tenga estudios de posters do? {Cuil es la probabilidad de que un empleado selec ionado aleatoriamente que tiene estudios de post- grado sea un hombre? . {Son estadfsticamente independientes el sexo y ef nivel de estudios de los empleados de esta empresa? .. {Cudl es la probabilidad de que un empleado selec- Cionado aleatoriamente que no tiene estudios de postgrado sea una mujer? ‘Una gran empresa sometié @ votacion entre todos sus trabajadores un nuevo plan de primas. Se observé que cra partidario del plan el 65 % de todos los trabajadores, del turno de noche y el 40 % de todas las mujeres. Ade- mds, el 50 % de todos los wabajadores estaba en el tur- no de noche y el 30 % de todos eran mujeres. Por dlti= mo, el 20% de todos los trabajadores del tuo de noche eran mujeres. {Cuil es Is probabilidad de que un empleado selec- Cionado aleatoriamente sea una mujer partidaria del plan? b. {Cusl es la probabilidad de que un empleado selec- Cionado aleatoriamente sea una mujer 0 un trabaja- dor del turno de noche (0 ambas cosas)? {Es el sexo del trabsjador independiente de que tre baje 0 no en el tumo de noche? 4d. {Cudl es la probabilided de que una empleada trabs- je en el turmo de noche’? €. Si el 50 % de todos los empleados varones es parti- dario del plan, ;cudl es la probabilidad de que un ‘empleado seleccionado aleatoriamente no trabaje en ‘el turmo de noche y no sea partidario del plan? Hay que clegir a un jurado de 12 miembros de entre ‘ocho hombres y ocho’ mujeres. a. {Cuantas selecciones son posibles? b. Si la seleccién se hace aleatoriamente, cual es Ia probabilidad de que la mayorfa de los miembros del jurado sean hombres? Un envio de 12 componentes electrénicos contiene un ‘componente defectuoso. Se seleccionan aleatoriamente dos para probarlos. a. {Cudntas combinaciones de dos componentes po- rian seleccionarse? b. {Cu6l es la probabilidad de que se seleccione el ‘componente defectuoso para probarlo? Fondos Tigre, S.A. gestiona una serie de fondos de in- versiOn en el sector de alta tecnologia y en el sector fi- nnanciero, Héctor Robledo, es un gestor de fondos que lleva un gran fondo que contiene acciones de una am- plia variedad de empresas de alta tecnologia. Como 3.106, 3.107. 3.108, Elazar: métodos de probabilidad 131 zestor de fondos, decide las empresas de las que hay {que comprar acciones para el fondo de inversién. El plan de remuneraci6n de los gestores de fondos incluye una-prima durante el primer afio por las acciones que compre de cada empresa cuyo valor aumente més de un 10 % durante los seis primeros meses. El valor de las acciones del 40 % de las empresas que tiene la compa fifa sube después de tenerlas dos aflos. Al revisar los re~ sultados del Sr. Robledo, se observa que recibié una prima el primer aio por el 60 % de las acciones que compré que habjan subido después de dos aos. Tam: bign recibié una prima el primer aiio por el 40 % de las acciones que compré que no habfan subido después de dos ats. ¢Cual es la lidad de que las acciones 6c una empresa suban después de dos aiios dado que el Sr. Robledo recibi6 una prima el primer ano? De 100 pacientes que padec‘an una determinada enfer- medad, se cligicron diez aleatoriamemte para someter- Jos a un tratamiento farmacol6gico que aumenta la tasa de curacién del 50 % en el caso de los que no reciben el tratamiento al 75 % en el caso de los que reciben el tamiento ‘a, {Cual es ta probabilidad de que un paciente selec- Cionado aleatoriamente se curara y recibiera el ata miento? b. {Cuil es la probabilidad de que un paciente que se ‘curé hubiera recibido el tratamiento? ‘& {Cull la probabilidad de que se cligiera un grupo especifico de diez pacientes para recibir el trata- ‘miento? Exprese sus resultados en factoriales. Las suscripeiones a una revista se clasifican en regalos, renovaciones anteriores, correo directo y servicio de suscripcién. En enero, el 8 % de las suscripciones que expiraron eran regalos; el 41 % eran renovaciones ante- rores; el 6 % era conreo directo; y el 45 % era servicio de suscripeién, Los porcentajes de renovaciones en 5 Cuatro categorias eran 81, 79, 60 y 21 %, respectv mente. En febrero de ese mismo afio, el 10 % de las suscripciones que expiraron eran regalos; el $7 % eran renovaciones anteriores; el 24 ‘ era correo directo; y €1 9 % era servicio de suscripcién. Los porcentajes de renovaciones eran 80, 76, 51 y 14 %, respectivamente. a, Halle la probabitidad de que una suscripcién selec- cionada aleatoriamente que expiraba en enero se }. Halle la probabilidad de que una suscripcién selec- cionada aleatoriamente que expiraba en febrero se renovara. Verifigue que ta probabilidad del apartado (b) es mayor que la del apartado (a). ,Cree que los direc ores de esta revista deben considerar que el cambio de enero a febrero es positivo 0 negative? Una agencia de inspeccién de acluanas en aeropuertos intemacionales ha desarrollado un sistema de elabora-132 3.109. 3.110, 3am. 3412. Estadistica para administracion y economia cin del perfil de fos pasajeros para detectar los que in- tentan iniroducir en el pais més bebidas aleohlicas de las que permite la legislacién actual. Segin algunos es- tudios a largo plazo, el 20 % de los pasajeros lleva més bebidas alcohdlicas de las permitidas. Las pruebas rea- lizadas con el nuevo sistema de elaboracién del perfil de los pasajeros ha mostrado que se identifica al 80 % los que llevan una cantidad ilegal de bebidas alcohdli- cas y se inspecciona todo su equipaje. Ademds, tam- bign se identifica y se inspecciona todo el equipaje del 20 % de los que no llevan una cantidad ilegal de bebi- das alcohdlicas. Sil sistema identifica a un passjero, zqué probat lidad hay de que este lieve una cantidad ilegal de bet «das alcohblicas? Comente el valor de este sistema. En una gran ciudad, el 8 % de los habitantes ha contrat do una enfermedad. Se realiza una pruca y el result {do es positivo en el 80 % de las personas que tienen Ia, ‘enfermedad y negativo en el 80 4% de las personas que no la tienen. {Cusl es la pfobabilidad de que tenga la ‘enfermedad una persona cuya prueba ha dado un cesul- tado positive? Un vendedor de seguros de vida observa que el 70 % de las personas a las que vende un seguro ya tiene una po- liza, También observa que el 50 % de todas las perso- nas con las que contacta y @ las que no vende un seguro ‘ya tiene una péliza. Ademés, consigue vender una po ‘za al 40 % de todas las personas con las que contacta {Cudl es la probabilidad de que venda una poliza a una persona con la que contacta y que ya tiene una Un profesor observa que pone una calificacién final de sobresaliente al 20 % de los estudiantes. El 70 % de los {que obtienen una calificaciOn final de sobresaliente ob- ‘uvo una calificacién de sobresaliente en el examen parcial. Adem, ¢1 10 % de Jos estudiantes que no ob- tiene una calificacién final de sobresaliente obtuvo un sobresaliente en el examen parcial. ;Cudl es la probabi- lidad de que un estudiante que obtuvo un sobresaliente cn el examen parcial obtenga una calificacién final de sobresaliente? La tabla adjunta muestra el mimero de predicciones de los beneficios por accién de 1.000 empresas realizadas Por analistas financieros y los resultados (en compara- ‘in con el aio anterior) divididos en tres categoria. Resultado Mejores Prediccion Mas o menos iguales 82 Peores 6 ‘Mejores 210 Mas 0 menos iguales Peores 153 5 149 106 15 3.13. 34. 35. a. Halle la probabilidad de que si se predice que tog beneficios disminuiran, se obtenga este resultado, b. Si se predice que los beneficios mejorardn, halle Ig probabilidad de que no se obtenga este resultado, Un decano ha observado que el 62 % de los estudiantes de primer afio y el 78 % de los estudiantes procedentes de programas de formacién profesional acaban obte. niendo el ttulo de grado. EI 73 ‘% de todos los nuevos estudiantes son estudiantes de primer aio y el resto son estudiantes procedentes de programas de formacin profesional a. {Cuél es ls probabilidad de que un nuevo estudian- te seleccionado aleatoriamente sea un estudiante de Primer aho que acabaré obteniendo un titulo de szrado? Halle la probabilidad de que un nuevo estudiante se- leccionado aleatoriamente acabe obteniendo un titu- lo de grado. ©. {Cuil es la probabilidad de que un nuevo estudiante Seleceionado aleatoriamente sea un estudiante de primer aio 0 acabe obteniendo un ilo de grado (0 ambas cosas)? {Son independientes los sucesos «acaba obteniendo un titulo de grado» y «procede de un programa de formacién profesional»? Un grupo de estudios de mercado se especializa en e Iuar las perspectivas de los locales para abrir nuevas tiendas de ropa en centros comerciales. El grupo consi- dra que las perspectivas son buenas, razonables o ma: las. Se han examinado las valoraciones realizadas por este grupo y se ha observade que en el caso de todas las tiendas que han fenido unas ventas anuales de mas de ‘un millén de délares, el grupo habfa dicho que las pers- pectivas eran buenas en el 70 %, razonables en el 20 % ¥y malas en el 10 %. De todas las tiendas que fracasa- on, habia dicho que las perspectivas eran buenss en el 20 %, razonables en el 30 % y malas en el 50%. Se sabe que el 60 % de las nuevas tiendas de ropa tiene éxito y el 40 & frncase, 1 {Cval es la probabilidad de que el grupo considere buenas las perspectivas de una tienda seleccionada aleatoriamente? ». Silas perspectivas de una tienda se consideran bue- nas, {cual es la probabilidad de que tenga éxito? ©. {Son estadfsticamente independientes los sucesos ‘las perspectivas son buenas» y «la tienda tiene éxito»? 4. Suponga que se eligen aleatoriamente cinco tiendas, {Cuil es la probabilidad de que al menos una de elas tenga éxito? El director de un restaurante clasifica a los clientes en asiduos, esporddicos y nuevos y observa que el 50, e! 40 y el 10 % de todos los clientes, respectivamente, Pertenecen a estas categorias. Observa que el 70 % de3.116. aul? 3.418, 3.19, Jos clientes ssiduos, el 50 % de los clientes esporddicos, y €1 30 % de los clientes nuevos piden vino. ‘a. {ual es la probabilidad de que un cliente seleccio- nado aleatoriamente pida vino? . Si se pide vino, {cusl es la probabilidad de que Ia persona que lo pide sea un cliente asiduo? ¢. Sise pide vino, jcudl es la probabilidad de que la persona que lo pide sea un cliente nuevo? El dueio de una tienda de discos divide a los clientes ‘que entran en su tienda en clientes en edad escolar, clientes en edad universitaria y clientes mayores y ob- serva que el 30, cl 50 y el 20 % de todos los clientes, respectivamente, pertenecen a estas calegorias. Tam- bién obscrva que compra discos el 20 % de Ios elientes| cen edad escolar, e160 % de los clientes en edad univer- siteria y el 80 % de los clientes mayores. 1. ;Cual es la probabilidad de que un cliente seleccio- nado sleatoriamente compre un disco? b. Si un cliente seleccionado aleatoriamente compra tun disco, jcudl es la probabilidad de que esté en edad escolar? Obsérvese que este ejercicio representa una situacién absolutarente imaginaria, Suponga que en una clase de estadistica hay exactamente ocho hombres y ocho mujeres. Ha descubierto que el profesor ha decidido suspender a cinco personas en un examen extrayendo aleatoriamente los nombres de un sombrero. Ha llega- doa la conclusién de que es més fécil. que califiear o- dos los trabajos de curso y que todos sus estudiantes tienen Jos mismos conocimientos de estadistica, pero alguien tiene que suspender. ;Cusl es 1a probabilidad de que los cinco suspendidos sean hombres? Segun un estudio sobre los mejores destinos turisticos asidticos, 23 de 70 personas colocaron Singapur en pri= mer lugar, mientras que 15 colocaron Hong Kong, 11 Shanghai, siete Beijing y el resto Tokic. Basdndose en estos datos, calcul lo siguiente a. La probabilidad de que el destino preferido sea una ciudad de China (en este caso espectiice, Hong ‘Kong no se considera parte de China). b. La probabilidad de que el destino preferido no sea ‘una ciudad china (en este caso, Hong Kong se consi dra una ciudad china, aungue esté fuera de China). ©. La probabilidad de que et destino preferide sea To- kio. 4. La probabilidad de que el destino preferido no sea Singapar. Suponga que es responsable de detectar Ia fuente del error cuando fallael sistema informatico. De su andlisis se desprende que Ia fuente del error es la unidad de disco, la memoria o el sistema operativo. Sabe que el 150 4e de los errores son errores de Ia unidad de disco, el 3.120. 3421. 3422. Elazar: métodos de probabilidad 133 30 S son errores de Ia memoria y el resto son errores: el sistema operative, De acuerdo con las espe ciones técnicas de fos componente, sabe que cuando el emtot es de la unidad de disco, Ia probabilidad de que falle el sistema informético es de 0,60; que cusndo el crtor es de la memoria, ls probabilidad de que fale el sistema informético es de 0.7; y que cuando e| error es del sistema operativo, la probabilidad de que falle el las especificaciones técnicas de los componentes, {cud ¢ 1a probabilidad de que el error sea de la unidad de disco, dado que hubo un fallo en el sistema informético? ‘Tras reunirse con los directores regionales de ventas, ‘Laura Andrés, presidenta de una empresa de ordenado- res, eree que Ia probabilidad de que las ventas aumen: ten un 10 % el proximo afio es de 0,70, Tras Heger a esa conclusin, recibe un informe de que Juan Canda, mo, presidente de una empresa de programas inforraati- 0s, acaba de anunciar un nuevo sistema operative que estard a la venta dentro de ocho meses. Sabe por expe: riencia que en las situaciones en las que han acabado sumentando las ventas, se han anuneiado sistemas ope- rativos el 30 % de las veces. Sin embargo, en las sit ciones en las que las ventas no han acabado aumentan= do, se han anunciado nuevos sistemas operativas el 10 % de las veces. Basindose en todos estos hechos, icusl es la probabilidad de que las ventas crezcen vn 10 %? Sara Flores compra madera para uns tienda que fabrica :muebles a medida, Tiene tres proveedores, Maderas del Norte, Maderas Valmayor y Maderas Segura. La made- $e clasifica en madera perfecta o madera defectuosa, ue representa un 20 % de la pila. Segsin un andlisis re- ciente de la pila de madera defectuosa, el 30 % proce- dia de Maderas del Norte y el 50% de Maderas Val- ‘mayor. El andlisis de la pila perfecta indica que el 40% procedfa de Maderas del Norte y el 40 % de Maderas Segura. {Cual es el porcentaje de madera perfecta pro- ceedente de cada uno de los tres proveedores? {Cudl es 1 porcentaje de madera procedente de cada uno de los tes proveedores? Roberto Sanchez utiliza la arada normal o Ta arada mf nrima para preparar los maizales de su explotacién agricola. Ha utilizado 1a arada normal en el 40 % de sus acres de maizales. El anilisis realizado después de larecoleccién muestra que el 50% de los acres de alto rendimiento procede de campos en los que ha utiliza do la arada minima y el 40 % de los campos de bajo rendimiento procede de campos en los que ha utiliza- do la arada normal. ,Qué probabilidad hay de obtener tun elevado rendimiento si se emplea la arada normal? {Cuil es la probabilidad de que un campo de elevado rendimiento se haya preparado utilizando la arada normal?194 Estadistica para administracion y economia Apéndice: Uniones e intersecciones de sucesos Los diagramas de Venn de las Figuras 3.10, 3.11 y 3.12 muestran tres resultados que implican uniones ¢ intersecciones de sucesos. Resultado 1 Sean A y B dos sucesos. Los sucesos An By 4B son mutuamente excluyentes y su unién es B, ‘como muestra el diagrama de Venn de la Figura 3.10. Claramente, (ANB LAB) =B G16) Figura 3.10. Diagrama de Venn del resultado 1: (AB) (AB) = B. Resultado 2 ‘Sean A y B dos sucesos. Los sucesos A y AB son mutuamente excluyentes y su unién es AUB, ‘como muestra el diagrama de Venn de la Figura 3.11. Es decir, AUANB)= AUB a7) =. ane Figura 3.11. Diagrama de Venn del resultado 2: 4 UAB) = AUB. Resultado 3 Sean \, E:, ... Ex K sucesos mutuamente excluyentes y colectivamente exhaustivos y A algin otro suceso, Entonces, los K sucesos £, 04, Ex04, ... EA Son mutuamente excluyentes y su unién es A. Es decir, (EMA) ULE) VERA) =A 3.18) Podemos comprender mejor Ia tercera afirmacién examinando el diagrama de Venn de la Figura 3.12. El recténgulo grande representa todo el espacio muestral y est dividido en recténgulos mas pequefios que representan K sucesos mutuamente excluyentes y colectivamente exhaustivos, Ey, E>... Ex. El suceso AElazar: métodos de probabilidad 185 std representado por la primera fila, Vemos que los sucesos formados por la interseccién de A con cada uno de los E sucesos son, de hecho, mutuamente excluyentes y que su unién es simplemente el suceso A Por tanto, tenemos que EA UE NA)U UE AA) A a.a]S& cone | Ee AJE\nA| nA] Ena | Bnd | Bod Eqn Figura 3.12. Diagrama de Venn del resultado 3. Lanzamiento de un dado al aire (resultados 1 y 2) Considere el experimento del lanzamiento de un dado al aire, donde A= (2, 4. 6] y B= [4, 5, 61 Demuestre lo siguiente: a (ANB) UANB)=B b AUANB)=AUB Solucién. Sabemos que 1.3.5) Se deduce que, 4,6) y AnB=15) a. Entonces, AB y Ar B son mutuamente excluyentes y su unién es B = (4, 5, 6]; es decir, (ANB)UENB) = [4, 5,6) =B b. También, A y 4'9 8 son mutuamente excluyentes y su unién es AvUANB)=[2,4,5.6]=AUB Lanzamiento de un dado al aire (resultado 3) Considere el experimento del lanzamiento de un dado al aire en el que los sucesos A, Ey, Ey y Es vienen dados por A=1246) 2 =(,2) &=(3.4) &=(5,6) Demuestre que Ey A, E2VA y E; A son mutuamente excluyentes y que su uniGn es A. Solucién. En primer lugar, observamos que E,, Ey y E; son mutuamente excluyentes y colectiva- mente exhaustivos. Entonces EoA=2] RoA=[4) Bn A= (6) Claramente, estos tres sucesos son mutuamente excluyentes y su unién es Ey, NA) U(E2 NA) (E04) = [2,46] =A136 Estadistica para administracién y economia Bibliografia 1, Bayes, T., 1958, «Essay Towards Solving a Problem in the Doctrine of Chance», Biometrika 45, pags, 293-315 (reproducci6n de un articulo de 1763), 2. Carlson, W. L,, 1972, «Alcohol Usage of the Night Driver», Journal of Safety Research 4 (1), pigs. 12-29. 3. Carlson, W. L. y B. Thome, 1997, Applied Statistical Methods for Business and Economics,. Upper Saddle River, NJ, Prentice Hall. 4, Taleb, N. N., 2005, Fooled by Randomness, Nueva York, Random House.