Procesos de Decisión

Procesos de decisión
Conceptos de probabilidad y aplicaciones

(Sesión 1)
1.1 Conceptos de Probabilidad
Probabilidad
Una probabilidad es una expresión numérica de la posibilidad de que ocurra
un evento.
Reglas básicas
1. La probabilidad, P, de ocurrencia de cualquier evento o estado de la
naturaleza es un número real acotado entre 0 y 1.
2. La suma de las probabilidades simples de todos los resultados posibles de

una actividad debe ser igual a 1.

Ejemplo:
Una tienda se dedica a la comercialización de Tablets y la
distribución de sus ventas en los últimos 250 días se presenta
de la siguiente manera:
Cantidad vendida Número de días Probabilidad

(unidades)
0 50 0.20
1 70 0.28
2 60 0.24
3 50 0.20
4 20 0.08
Total 250 1.00
Tipos de probabilidad
1. Probabilidad Objetiva: basada en la lógica o historia pasada.
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜

𝑃 𝑒𝑣𝑒𝑛𝑡𝑜 =
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠 𝑜 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠
2. Probabilidad subjetiva: cuando la lógica y la historia pasada no son

adecuadas, los valores de las probabilidades pueden estimarse de
manera subjetiva. La exactitud de as probabilidades subjetivas depende
de la experiencia y el buen juicio de quien realiza las estimaciones.
Eventos mutuamente excluyentes y colectivamente exhaustivos

Se dice que los eventos son mutuamente excluyentes si solo uno de ellos
puede ocurrir en un ensayo cualquiera. Se llaman colectivamente
exhaustivos si la lista de resultados incluye todos los resultados posibles.
Suma de eventos mutuamente excluyentes:

𝑃 𝐴𝑜𝐵 = 𝑃 𝐴 + 𝑃 𝐵
Suma de eventos que no son mutuamente excluyentes:
𝑃 𝐴𝑜𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∩ 𝐵
Eventos estadísticamente independientes

Los eventos pueden ser independientes o dependientes. Cuando son
independientes, la ocurrencia de un evento no tiene efecto sobre la
probabilidad de ocurrencia de otro evento.
Nota: una probabilidad marginal o simple es tan solo la probabilidad de

que ocurra un evento. La probabilidad conjunta de que ocurran dos o más
eventos independientes es el producto de sus probabilidades marginales:
𝑃 𝐴𝐵 = 𝑃 𝐴 × 𝑃 𝐵
Probabilidad condicional
Si A y B son dos eventos de un espacio muestral, entonces la probabilidad
condicional de que ocurra el evento A dado B se determina por:
𝑃 𝐴𝐵
𝑃 𝐴𝐵 = , 𝑃 𝐵 >0
𝑃 𝐵
Teorema:
Se dice que los eventos A y B son independientes si: 𝑃 𝐴𝐵 = 𝑃 𝐴 × 𝑃 𝐵
Se dice que los eventos A y B son dependientes si: 𝑃 𝐴𝐵 ≠ 𝑃 𝐴 × 𝑃 𝐵
Ejemplo:
Se tiene una urna que contiene 10 pelotas con la siguiente
descripción:
4 son blancas y con letra
2 son blancas y con número
3 son amarillas y con letra
1 es amarilla y con número
Si se extrae una pelota al azar de la urna y es amarilla, ¿cuál es

la probabilidad de que la pelota tenga letra?
1.2 Probabilidades revisadas aplicando el Teorema de Bayes
Teorema de Bayes
El teorema de Bayes se emplea para incluir información adicional cuando esté
disponible y ayuda a crear probabilidades posteriores o revisadas. Esto
significa que podemos tomar datos nuevos o recientes y luego revisar y
mejorar nuestras estimaciones de probabilidades anteriores para un evento.
Probabilidades
previas
Probabilidades
Proceso de Bayes
posteriores
Información nueva
Ejemplo:
Un vaso contiene dos dados idénticos en apariencia. Sin
embargo, uno es legal (no está cargado) y el otro no es legal (sí
está cargado). La probabilidad de obtener un 3 en el dado legal
es 1/6. La probabilidad de obtener el mismo número en el
dado cargado es 0.60.
No tenemos idea de cuál es el dado legal, pero seleccionamos
uno al azar y lo lanzamos. El resultado es un 3. Dada esta
información adicional, ¿podemos encontrar la probabilidad
(revisada) de que el dado lanzado fuera el legal? ¿Podemos
determinar la probabilidad de que el dado que lanzamos era el
cargado?
Ejemplo:
• Probabilidades Previas: 𝑃 𝑙𝑒𝑔𝑎𝑙 = 0.5, 𝑃 𝑐𝑎𝑟𝑔𝑎𝑑𝑜 = 0.5
1
• Información adicional: 𝑃 3 𝑙𝑒𝑔𝑎𝑙 = , 𝑃 3 𝑐𝑎𝑟𝑔𝑎𝑑𝑜 = 0.6
6
𝑃 3 𝑦 𝑙𝑒𝑔𝑎𝑙
• Queremos conocer: 𝑃 𝑙𝑒𝑔𝑎𝑙 3 =
𝑃 3
• Usando la regla de la probabilidad condicional:

1
𝑃 3 𝑦 𝑙𝑒𝑔𝑎𝑙 = 𝑃 3 𝑙𝑒𝑔𝑎𝑙 𝑃 𝑙𝑒𝑔𝑎𝑙 = 0.5
6
• Además:
𝑃 3 = 𝑃 3 𝑦 𝑙𝑒𝑔𝑎𝑙 + 𝑃 3 𝑦 𝑐𝑎𝑟𝑔𝑎𝑑𝑜
Estado de P(B/estado de Probabilidad Probabilidad Probabilidad posterior

naturaleza naturaleza) previa conjunta
A P(B/A) x P(A) = P(B y A) P(B y A)/P(B) = P(A/B)
A’ P(B/A’) x P(A’) = P(B y A’) P(B y A’)/P(B) = P(A’/B)
P(B)
Estado de P(B/estado de Probabilidad Probabilidad Probabilidad posterior

naturaleza naturaleza) previa conjunta
Dado legal 0.166 x 0.5 = 0.083 0.083/0.383 = 0.22
Dado cargado 0.600 x 0.5 = 0.300 0.300/0.383 = 0.78
0.383
Forma General del Teorema de Bayes con dos estados de naturaleza
𝑃 𝐵/𝐴 𝑃 𝐴
𝑃 𝐴/𝐵 =
𝑃 𝐵/𝐴 𝑃 𝐴 + 𝑃 𝐵/𝐴′ 𝑃 𝐴′

Ejemplo 1
SPI es una empresa de investigación de mercados que se especializa

en encuestas políticas. Los registros indican que en elecciones
pasadas, cuando se eligió a un candidato, SPI había predicho con
precisión esto 80% de las veces y estuvieron equivocados 20% de las
veces. Los registros también muestran los candidatos que perdieron.
SPI predijo con exactitud que perderían 90% de las veces, y se
equivocaron tan solo 10% de las veces. Antes de tomar la encuesta,
existe una posibilidad de 50% de ganar la elección.
a) Si SPI predice que un candidato ganará la elección, ¿cuál es la

probabilidad de que el candidato gane realmente?
b) Si SPI predice que un candidato perderá la elección, ¿cuál es la
probabilidad de que el candidato pierda realmente?

Ejemplo 2
Se contrata a Market Researchers, Inc., para realizar un estudio que

determine si el mercado para un nuevo producto será bueno o malo.
En estudios similares realizados en el pasado, siempre que el mercado
era en realidad bueno, el estudio de investigación de mercado indicó
que sería bueno 85% de las veces. Por otro lado, cuando el mercado
era en realidad malo, el estudio predijo incorrectamente que sería
bueno 20% de las veces. Antes de realizar el estudio, se cree que hay
una posibilidad de 70% de que el mercado sea bueno. Cuando Market
Researchers realiza un estudio para este producto, los resultados
predicen que el mercado será bueno. Dados los resultados de este
estudio, ¿cuál es la probabilidad de que el mercado sea en realidad
bueno?
1.3 Variables aleatorias
Definición de variable aleatoria

Una variable aleatoria asigna un número real a cada resultado o evento
posible de un experimento. Cuando el resultado es una cantidad numérica o
cuantitativa, los resultados pueden ser los valores de la variable aleatoria;
cuando el resultado no es numérico, es necesario definir un valor asociado a
cada resultado posible.
Variable aleatoria discreta: puede suponer tan solo un conjunto finito o

limitado de valores (generalmente asociada a números enteros)
Variable aleatoria continua: tiene un conjunto infinito o ilimitado de valores

(generalmente asociada a números reales)
1.4 Distribuciones de probabilidad
1.4.1 Distribución de probabilidad de una variable aleatoria discreta
• La distribución de probabilidad de una variable

aleatoria describe cómo se distribuyen las
probabilidades entre los valores de la variable
aleatoria.
• En el caso de una variable aleatoria discreta 𝑥, la
distribución de probabilidad está definida por una
función de probabilidad, denotada por 𝑓(𝑥).
Cantidad vendida Número de días Probabilidad

(unidades)
0 50 0.20
1 70 0.28
2 60 0.24
3 50 0.20
4 20 0.08
Total 250 1.00
0.20 , 𝑠𝑖 𝑥 = 0
0.28 , 𝑠𝑖 𝑥 = 1
𝑓 𝑥 = 0.24 , 𝑠𝑖 𝑥 = 2
0.20 , 𝑠𝑖 𝑥 = 3
0.08 , 𝑠𝑖 𝑥 = 4
• El valor esperado de una variable aleatoria es la

media (medida de localización central de la variable
aleatoria)
𝐸 𝑥 = 𝜇 = ෍ 𝑥𝑓 𝑥
• En el ejemplo anterior:
0.20 , 𝑠𝑖 𝑥 = 0
0.28 , 𝑠𝑖 𝑥 = 1
𝑓 𝑥 = 0.24 , 𝑠𝑖 𝑥 = 2
0.20 , 𝑠𝑖 𝑥 = 3
0.08 , 𝑠𝑖 𝑥 = 4
𝐸 𝑥 = 0 0.20 + 1 0.28 + 2 0.24 + 3 0.20 + 4 0.08 = 1.68
• En promedio, se ha vendido menos de 2 tablets por

día.
• La varianza resume la variabilidad en los valores de

la variable aleatoria.
𝑉𝑎𝑟 𝑥 = 𝜎 2 = ෍ 𝑥 − 𝜇 2 𝑓 𝑥
• La desviación estándar es la raíz cuadrada de la

varianza y está medida en las mismas unidades que
la variable.
𝜎= 𝜎2
• En el ejemplo anterior:
0.20 , 𝑠𝑖 𝑥 = 0
0.28 , 𝑠𝑖 𝑥 = 1
𝑓 𝑥 = 0.24 , 𝑠𝑖 𝑥 = 2
0.20 , 𝑠𝑖 𝑥 = 3
0.08 , 𝑠𝑖 𝑥 = 4
𝑉𝑎𝑟 𝑥 = 0 − 1.68 2 0.20 + 1 − 1.68 2 0.28 +

2 − 1.68 2 0.24 + 3 − 1.68 2 0.20 + 4 − 1.68 2 0.08
1.4.2 Distribución de probabilidad de una variable aleatoria continua
Distribución de probabilidad de una variable aleatoria continua

Como las variables aleatorias pueden tomar un número infinito de valores,
deben modificarse las reglas de probabilidad fundamentales para variables
aleatorias continuas.
Igual que con las distribuciones de probabilidad discretas, la suma de los

valores de probabilidad debe ser igual a 1. Sin embargo, como hay un número
infinito de valores de la variable aleatoria, la probabilidad de cada valor debe
ser 0.
Para una distribución de probabilidad continua, existe una función

matemática continua que describe la distribución de probabilidad (función de
densidad de probabilidad)
1.4.3 Función de distribución normal
• La función de distribución Normal tiene las siguientes

características:
1. La curva Normal tiene forma de campana y un solo pico
en el centro de la distribución.
2. La media aritmética, la mediana y la moda son iguales.
3. La distribución es simétrica alrededor de la media.
• Para indicar que una variable aleatoria X sigue una

distribución Normal con media 𝜇 y varianza 𝜎 2 ,
denotaremos:
𝑋~𝑁 𝜇, 𝜎 2
La probabilidad de que una variable aleatoria X tome un valor

determinado entre dos números reales x1 y x2 viene dada por el
área de la región encerrada por la función:
1  x 
2
  
f x  
1 2  
e
 2
x2
Px1  X  x2    f x dx
x1
Si 𝑋~𝑁 𝜇, 𝜎 2 , entonces la variable aleatoria 𝑍 definida como:

𝑋−𝜇
𝑍=
𝜎
Distribuye normal con una media cero y una varianza igual a 1.
𝑍~𝑁 0,1
Esta distribución es conocida como normal estándar.

Ejemplo:
Suponga que 𝑋~𝑁 100, 162
¿Cuál es la probabilidad de que X tome un valor entre 100 y
115?
100−100 𝑋−𝜇 115−100
𝑃 100 ≤ 𝑋 ≤ 115 = 𝑃 ≤ ≤
16 𝜎 16
= 𝑃 0 ≤ 𝑍 ≤ 0.94 = 𝑃 𝑍 ≤ 0.94 − 𝑃 𝑍 ≤ 0
𝑷 𝒁≤𝟎
𝑷 𝒁 ≤ 𝟎. 𝟗𝟒
Ejemplo:
¿Cuál es la probabilidad de que X tome un valor entre 100 y
115?
100−100 𝑋−𝜇 115−100
𝑃 100 ≤ 𝑋 ≤ 115 = 𝑃 ≤ ≤
16 𝜎 16
= 𝑃 0 ≤ 𝑍 ≤ 0.94 = 𝑃 𝑍 ≤ 0.94 − 𝑃 𝑍 ≤ 0
= 0.8264 − 0.5 = 0.3264
Ejemplo:
¿Cuál es la probabilidad de que X tome un valor mayor a 90?
𝑋−𝜇 90−100
𝑃 𝑋 > 90 = 𝑃 >
𝜎 16
= 𝑃 𝑍 > −0.63 = 1 − 𝑃 𝑍 ≤ −0.63
𝑷 𝒁 ≤ −𝟎. 𝟔𝟑
Ejemplo:
¿Cuál es la probabilidad de que X tome un valor mayor a 90?
𝑋−𝜇 90−100
𝑃 𝑋 > 90 = 𝑃 >
𝜎 16
= 𝑃 𝑍 > −0.63 = 1 − 𝑃 𝑍 ≤ −0.63
= 1 − 0.2643 = 0.7357
Ejercicio:
Suponga que la longitud de las barras que salen de una nueva
máquina cortadora se aproxima a una distribución normal con
media de 10 pulgadas y desviación estándar de 0.2 pulgadas.
Encuentre la probabilidad de que una barra seleccionada al
azar tenga una longitud:
a) Menor que 10 pulgadas.

b) Entre 10 y 10.4 pulgadas.
c) Entre 10.1 y 10.4 pulgadas.
d) Entre 9.6 y 9.9 pulgadas.
e) Entre 9.9 y 10.4 pulgadas.
Ejercicio:
Una empresa ordena a sus clientes en categorías de acuerdo con sus
salarios. Se sabe que los salarios de los clientes siguen una distribución
normal. La empresa conoce la media 𝜇 y la varianza 𝜎 2 de los ingresos. Las
categorías se distribuyen de la siguiente manera:
Categoría Rango de ingresos
A Si el salario es mayor a 𝜇 + 𝜎
B Si el salario es mayor a 𝜇, pero menor o igual a 𝜇 + 𝜎
C Si el salario es mayor a 𝜇 − 𝜎, pero menor o igual a 𝜇
D Si el salario es mayor a 𝜇 − 2𝜎, pero menor o igual a 𝜇 − 𝜎
E Si el salario es menor o igual a 𝜇 − 2𝜎
Sobre la base de esta información, estime qué porcentaje de clientes se

ubicará en cada categoría.

Procesos de Decisión - S1y2

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Procesos de Decisión - S1y2

Cargado por

Copyright:

Formatos disponibles

Conceptos de probabilidad y aplicaciones

1.1 Conceptos de Probabilidad

2. La suma de las probabilidades simples de todos los resultados posibles de

1.1 Conceptos de Probabilidad

Cantidad vendida Número de días Probabilidad

1.1 Conceptos de Probabilidad

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜

2. Probabilidad subjetiva: cuando la lógica y la historia pasada no son

1.1 Conceptos de Probabilidad

Eventos mutuamente excluyentes y colectivamente exhaustivos

Suma de eventos mutuamente excluyentes:

1.1 Conceptos de Probabilidad

Eventos estadísticamente independientes

Nota: una probabilidad marginal o simple es tan solo la probabilidad de

1.1 Conceptos de Probabilidad

1.1 Conceptos de Probabilidad

Si se extrae una pelota al azar de la urna y es amarilla, ¿cuál es

1.2 Probabilidades revisadas aplicando el Teorema de Bayes

1.2 Probabilidades revisadas aplicando el Teorema de Bayes

1.2 Probabilidades revisadas aplicando el Teorema de Bayes

• Usando la regla de la probabilidad condicional:

1.2 Probabilidades revisadas aplicando el Teorema de Bayes

Estado de P(B/estado de Probabilidad Probabilidad Probabilidad posterior

Estado de P(B/estado de Probabilidad Probabilidad Probabilidad posterior

1.2 Probabilidades revisadas aplicando el Teorema de Bayes

Forma General del Teorema de Bayes con dos estados de naturaleza

1.2 Probabilidades revisadas aplicando el Teorema de Bayes

SPI es una empresa de investigación de mercados que se especializa

a) Si SPI predice que un candidato ganará la elección, ¿cuál es la

1.2 Probabilidades revisadas aplicando el Teorema de Bayes

Se contrata a Market Researchers, Inc., para realizar un estudio que

1.3 Variables aleatorias

Definición de variable aleatoria

Variable aleatoria discreta: puede suponer tan solo un conjunto finito o

Variable aleatoria continua: tiene un conjunto infinito o ilimitado de valores

1.4 Distribuciones de probabilidad

1.4.1 Distribución de probabilidad de una variable aleatoria discreta

• La distribución de probabilidad de una variable

1.4 Distribuciones de probabilidad

1.4.1 Distribución de probabilidad de una variable aleatoria discreta

Cantidad vendida Número de días Probabilidad

1.4 Distribuciones de probabilidad

1.4.1 Distribución de probabilidad de una variable aleatoria discreta

• El valor esperado de una variable aleatoria es la

1.4 Distribuciones de probabilidad

1.4.1 Distribución de probabilidad de una variable aleatoria discreta

𝐸 𝑥 = 0 0.20 + 1 0.28 + 2 0.24 + 3 0.20 + 4 0.08 = 1.68

• En promedio, se ha vendido menos de 2 tablets por

1.4 Distribuciones de probabilidad

1.4.1 Distribución de probabilidad de una variable aleatoria discreta

• La varianza resume la variabilidad en los valores de

• La desviación estándar es la raíz cuadrada de la

1.4 Distribuciones de probabilidad

1.4.1 Distribución de probabilidad de una variable aleatoria discreta

𝑉𝑎𝑟 𝑥 = 0 − 1.68 2 0.20 + 1 − 1.68 2 0.28 +

1.4 Distribuciones de probabilidad

1.4.2 Distribución de probabilidad de una variable aleatoria continua

Distribución de probabilidad de una variable aleatoria continua

Igual que con las distribuciones de probabilidad discretas, la suma de los

Para una distribución de probabilidad continua, existe una función

1.4 Distribuciones de probabilidad