PROBABILIDAD

Fue aplicada en los juegos de azar, y

posteriormente en el estudio de problemas
sociales y económicos. Las compañías de
seguros que surgen en el siglo XIX, requería de
un conocimiento preciso sobre los riesgos de
perdidas, con el fin de calcular las primas.

Medio siglo después, muchos centros de aprendizaje estaban estudiando

la probabilidad como herramienta para el entendimiento de los fenómenos
sociales. En la actualidad, la teoría matemática de la probabilidad es la
base de las aplicaciones estadísticas, tanto en investigaciones sociales
como la teoría de las decisiones.

Desde el momento que actuamos bajo incertidumbre, la toma de

decisiones requiere de la teoría de probabilidades, sea no algo muy
complejo. Todos los días oímos que existe un 70% de probabilidad que
llueva, que x equipo tiene más probabilidades de ganar, que un candidato
tiene 60% de preferencias en las elecciones, etc.

No olvidemos que vivimos en un mundo incapaz de predecir el futuro con

total certidumbre. Es por eso que nos lleva a estudiar y utilizar la teoría de
probabilidad. Aprendemos a organizar la información y considerarla de
manera sistemática, seremos capases de reconocer muestras
suposiciones, comunicar nuestro razonamiento a otras personas y tomar
una decisión más sólida que la que tomaríamos si solo diéramos palos a
ciegas.

TERMINOLOGIA BASICA EN PROBABILIDAD

En general la teoría de probabilidad es que algo pase o no. La probabilidad
se expresa como fracción (⅓,⅔,⅖,⅗) o como un decimal (0.167, 0.500,
0.889) que estén entre 0 y 1. Tener una probabilidad de cero significa que
algo nunca va suceder, y 1 que siempre va a suceder.

UN EVENTO. Es una o más posibilidades de hacer algo. La posibilidad de

lanzar una moneda, si cae cara es un evento, si cae cruz es otro evento.
Elegir un estudiante entre diez que externe una opinión, la posibilidad de
tener un accidente de tránsito, etc.
 UN EXPERIMIENTO.: La de varios eventos se le denomina experimento
Al conjunto de todos los posibles resultados de un experimento se le llama
espacio muestral del experimento. Una actividad la espera de un resultado
en clases de un alumno es la siguiente

S = {aprobar, reprobar, NSP) o sea un tercio para cada situación.

Se sabe que el alumno no llevo teoría de conjuntos, pero en estadística es

importante conocer algunos conceptos así:

EVENTOS MUTUTUAMENTE EXCLUYENTES. Se dice que los eventos

son mutuamente excluyentes cuando el contenido de cada uno de los
eventos es distinto, no tienen nada en común. Las clases que llevan un
alumno de primer ingreso tiene clases distinta a una de tercer año Se
deduce que en estos casos son eventos mutuamente excluyentes. Lo
fundamental es contestarse ¿Pude ocurrir dos o más de tales eventos al
mismo tiempo? Si la respuesta es afirmativa, los eventos no son
mutuamente excluyentes. Este sería el caso de los dos alumnos sean de
primeros ingresos.

LISTA COLECTIVAMENTE EXHAUTIVA. Cuando una lista incluye todos

los eventos que pueden resultar de un experimento, se dice que la lista es
colectivamente exhaustiva. La lista de posibles candidatos a la presidencia
no es colectivamente exhaustiva si no se conoce si habrá candidaturas
independientes, pero una vez conocidos todos los candidatos es
colectivamente exhaustiva. Una sección de 15 alumnos es colectivamente
exhaustiva.

TIPOS DE PROBABILIDADES.
Existen 3 maneras básicas de clasificar las probabilidades, éstas
representan planteamientos conceptuales bastante diferentes para el
estudio de la teoría de probabilidad, los expertos no se ponen de acuerdo
sobre cuál es el planteamiento más apropiado. Empecemos definiendo
1. El planteamiento clásico.
2. El planteamiento de frecuencia relativa.
3. El planteamiento subjetivo.

PROBABILIDAD CLASICA
El planteamiento clásico define la probabilidad de que un evento ocurra
como:
 Numero de resultados en los que se presenta el evento
Probabilidad de un evento = numero total de resultados posibles

No es posible calcular una probabilidad si no se conoce todos los posibles

resultados.

Para poder aplicar la formula anterior debo conocer las veces que un
evento espero que se presente y todos los posibles resultados. Esta es
una manera bastante complicada de definir algo que nos puede parecer
intuitivamente obvio, pero podemos utilizar la definición para escribir los
ejemplos de una sección tiene varones y mujeres en igualad de cantidad
¿podemos preguntar cuál es la probabilidad de seleccionar un hombre y
una mujer podemos preguntar ¿Cuál es la probabilidad de seleccionar un
hombre o una mujer?

1
P (mujer) = 2 = 0.5 = 50% donde 1 es el de seleccionar una mujer; el dos
es todos los posibles resultados.

E proceso del calculo o el numero de posibles resultados dependerá de lo

que uno quiere calcular

A la probabilidad clásica se le denomina probabilidad a priori, porque

podemos establecer los resultados posibles a priori, sin necesidad de
realizar un evento. En lugar de experimentos podemos llegar a
conclusiones, basados en el razonamiento lógico.

Teóricamente se define que el nacimiento de una persona, la probabilidad

1
ser seleccionar cualquiera de los dos sexos es igual 2

1
Seleccionar cualquier día de la semana es 7
Ninguno de los dos puede variar aun cambiado las situaciones.

.
Limitaciones del planteamiento. Tiene serios problemas cuando
intentamos aplicarla a problemas de tomas de decisiones menos
predecibles, como en la administración. Que puedo hacer como empresa
en este caso de pandemia La clásica presupone un mundo con simetría.
Nuestro mundo es asimétrico, o sea llenos de problemas, desordenada,
etc.

Por eso se dice como la física cuántica, ningún evento se comportará

igual, por lo tanto, el ser humano nos movemos bajo incertidumbre. Nadie
tiene la bola de cristal para saber con exactitud que va ha suceder. La
estadística nos apoya a la toma de decisiones, pero no nos garantiza el
éxito.

FRECUENCIA RELATIVA DE PRESENTACION

Si nos hacemos preguntas más complejas como ¿Si salgo de la
universidad a las 9 pm, a qué hora llegare a mi casa? Las respuestas
pueden ser múltiples, dependiendo de lo que suceda en el camino. Es
difícil emitir una respuesta por adelantado, sin hacer algo de
experimentación, sobre cuáles son las probabilidades.

En la actualidad, este planteamiento se le llama frecuencia relativa de

presentación de un evento y define la probabilidad como:
1. La frecuencia relativa observada de un evento durante un gran
número de intentos o;
2. La fracción de veces que un evento se presenta a la larga, cuando
las condiciones son estables.

Los eventos pasados se convierten en una probabilidad. Determinamos

que tan frecuentemente ha sucedido algo en el pasado y usamos una cifra
para predecir la probabilidad de que suceda de nuevo en el futuro.

Si se lleva un registro cada vez que llego a la casa, Los resultados son:
Sin problemas Con algún problema Cambio de decisión
Llegadas 10 3 2
Probabilidad 0.67 0.20 0.133

Un día cualquiera puedo decir que tengo la probabilidad de llegar sin

problemas 66.7%
Observe que es la técnica de la Distribución de frecuencias (tema 2)

Una segunda característica de las probabilidades por la frecuencia relativa

de presentación de un evento se vuelve estable conforme la cantidad de
llegadas a mi casa son registradas, y el grado de precisión se vuelva más
constante. Esta precisión no es definitiva, porque tenemos que contar con
el tiempo y costo que implica tener más observaciones.

Hacer una encesta de qué candidato ganara las próximas elecciones, no le

garantizan ganar, porque las personas pueden cambiar de opinión.

Para tener una probabilidad más precisa se requiere de una evaluación

con un número suficiente de resultados.

PROBABILIDAD SUBJETIVA
Está basada en las creencias de las personas que efectúan la estimación
de probabilidades. Se define como la probabilidad asignada a cada evento
por parte de un individuo, basado en las evidencias que tenga disponible.
Esta evidencia puede presentarse en forma de frecuencias relativas de
presentación d eventos pasados o pude tratarse de una creencia mediata.
¿Ejemplo clásico es cuando salen las candelillas, se dice que comienzan
las lluvias? Es ampliamente flexible que los otros conceptos analizados
anteriormente. El tomador de decisiones puede hacer uso de cualquier
evidencia que tenga a mano y mezclarla con los sentimientos personales
sobre la situación.

Se debe usar esta, cuando sucede una única vez o el número de veces es
muy reducido.

REGLAS DE PROBABILIDAD
La mayoría de los administradores que utilizan la probabilidad se
preocupan por dos condiciones:
1. El caso en que un evento u otro se presente.
2. La situación en que dos o más eventos se presenten al mismo
tiempo.

Ejemplos de la situación 1.
¿Cuál es la probabilidad que realizar mi boda el viernes y hay estado de
sitio a partir de las 9pm?
¿Cuál es la probabilidad que se realice el examen el próximo domingo, en
las actuales condiciones?

Existen varias condiciones para que se de este evento.

Existen algunos métodos para determinar las respuestas a estas
preguntas bajo una variedad de condiciones.

Algunos símbolos, definiciones y reglas de uso común

Símbolos para una probabilidad marginal. En la teoría de
probabilidades, utilizamos símbolos para simplificar la presentación de
ideas.

P(A) = la probabilidad de que el evento A suceda

Una probabilidad sencilla quiere decir que solo un evento puede llevarse a
cabo. Se le conoce como Probabilidad Marginal o Incondicional. En las
elecciones del 29 de noviembre existen 6 candidatos. Cualquiera puede
calcular la probabilidad de que 1 candidato sea electo:

1
P (Ganar) = 6 = 0.16666 = 16.67% al no conocerse la intención de voto, ni
se tiene percepción que sucederá.

Se tiene la certeza porque los eventos son mutuamente excluyentes, es

decir solo un candidato puede ser electo.

El diagrama de Venn puede ilustrar esto:

Evento

Evento Evento Evento Evento

A B A B

Dos eventos mutuamente Dos eventos no

Excluyentes Excluyentes
(a) (b)
Observe que el caso A, existen dos conjuntos que no tienen elementos en
común, por lo tanto, o es A o es B, por eso son mutuamente excluyentes.
Si observamos el caso b, los dos conjuntos se interceptan, por lo tanto,
hay elementos de ambos conjuntos que son comunes. Este caso es
tratado en la siguiente regla.

REGLA DE LA ADICION PARA EVENTOS MUTUAMENTE

EXCLUYENTES.
Algunas veces estamos interesados en la probabilidad de una cosa u otra
suceda. Si estos dos eventos son mutuamente excluyentes, podemos
expresar que esta regla está usando la regla de adición para eventos
mutuamente excluyentes y se expresa así:

P (A o B) = la probabilidad de que A o B suceda

Supongamos que ninguno de los candidatos alcanza los votos necesarios

para ganar, y la ley establece que se realizara una segunda ronda con los
dos candidatos más votados. En este caso y considerando al inicio del
1
proceso de votación, la probabilidad de que 1 candidato será electo es de 6
, pero cuál es la probabilidad de que 2 pases a la segunda ronda seria:

1 1 2
P (A o B) = 6 + 6 = 6 = 0.3333 = 33.33%

Si calculamos una vez más la probabilidad de que sucedan dos o más

eventos. El tamaño de una familia de un pueblo es necesario conocer la
probabilidad que cada familia tenga 4, 5, 6 o más miembros.

P (4, 5,6 o más) = P (4) +P (5) + P (6 o más) = 0.15+0.10+0.05) = 0.30

Observe algo interesante, como caso especial que, para cualquier evento
A, tenemos que éste suceda o no suceda. De modo que los eventos A y no
A son mutuamente excluyentes y exhaustivos.

Otra forma de calcular la probabilidad de algo suceda o no, podemos

hacerlo así:

¿Cuál es la probabilidad que los restantes candidatos no sean electos?

Sabemos que la suma de todas las probabilidades es igual a 1 o 100%,
entonces:

P (2, 3, 4, 5, 6) = P (no 1) + P (A) = 1 esto es igual a decir P (no 1) = 1 – P

(1)
Por lo tanto:

1 5
P (no 1) = 1 - 6 = 6 = 0.83333 o 83.33%

REGLA DE ADICION PARA EVENTOS QUE NO SON MUTUAMENTE

EXCLUYENTES.
Si dos eventos no son mutuamente excluyentes, es posible que se
presenten al mismo tiempo. Este caso requiere modificar la regla de
adición.

Supóngase que el candidato electo pueda ser una mujer

Probabilidad de que A suceda Probabilidad que A y C sucedan juntos

P (A o B) = P (A) + P (B) – P (AB)

Probabilidad de que se presente A o B Probabilidad que suceda B

Cuando A y B no son mutuamente excluyentes

En una reunión Hay 15 mujeres y 30 varones

Todos los pasibles resultados serían 15+30 = 45

15
La probabilidad que sea mujeres 45
30
La probabilidad que sea varones 45

La probabilidad se clasifica en dos clases:

PROBABILIDADES BAJO CONDICIONES DE INDEPENDENCIA

ESTADISTICA
Cuando se presentan 2 eventos, el resultado del primero puede, o no tener
efecto en el resultado del segundo. Esto es, los eventos pueden ser
dependientes o independientes. Comenzaremos con los que son
estadísticamente independientes, es decir, aquellos en donde la
presentación de uno no tiene efecto sobre la probabilidad de la
presentación de cualquier otro. Existen tres tipos de probabilidades que se
presentan bajo la independencia estadística.

1. Marginal.
2. Conjunta.
3. Condicional.

PROBABILIDAD MARGINAL BAJO CONDICIONES DE

INDEPENDENCIA ESTADISTICA.
Una probabilidad marginal o incondicional, es la probabilidad simple de
presentación de un evento. Al lazar una moneda no cargada las
probabilidades son .50 para cara y cruz respectivamente. No importa
cuántos lanzamientos se realicen, la probabilidad será siendo igual, no
importa los resultados anteriores. Cada lanzamiento es único y no hay
manera de conectarlo con ningún otro. Es por eso que es un evento
estadísticamente independiente de los resultados de cualquier otro
lanzamiento de moneda.

PROBABILIDAD CONJUNTA BAJO CONDICIONES DE

INDEPENDENCIA ESTADISTICA.
La probabilidad de que dos o más eventos independientes se presenten
juntos o en sucesión es producto de sus probabilidades marginales.
Matemáticamente se describe como:

P (AB) = P (A) x P (B)

Donde P (AB) = probabilidad de que los eventos A y B se presenten juntos
o en sucesión; se le conoce como probabilidad marginal.
P (A) = probabilidad marginal de que se presente el evento A
P (B) = probabilidad marginal de que se presente el evento B
La probabilidad de que en dos lanzamientos se tenga cara seria:
P (H1H2) = probabilidad de H1 x Probabilidad de H2 = 0.5 x 0.5 = 0.25
La probabilidad que en dos lanzamientos consecutivos obtenga A es 0.25,
por ser estadísticamente independientes. Así sucesivamente 3 o más
lanzamientos se va multiplicando 0.50 x n veces.
Si una moneda estuviera cargada, donde al lanzar la moneda sea cara su
probabilidad es 0.80, entonces en 2 lanzamientos seria su probabilidad
sería:

P (H1H2) = (0.80 x 0.80) = 0.64 = 64%

Observe que los resultados no suman 1, porque no se toma en cuenta los

dos posibles resultados: En este caso la probabilidad de que sea cruz los
dos lanzamientos es 1 – 0.64 = 0.36.

El siguiente árbol de probabilidades ejemplariza el resultado:

¡ 0.
P(H) = 0.50 0.2
¡ P(H)=0.5 5 P(H)55= 0.5 P(H)=
0125
0.5
5
¡ 0.2
¡ 55
¡ P(H)=0.5 0.12
5
¡ P(T)= 0.5 0.
¡ 5.
Esta red muestra los cambios que experimenta la probabilidad a media de
se proyecta un nuevo lanzamiento.

El P(H)= 0.5 es la probabilidad conjunta de obtener una de las dos caras

en cada lanzamiento. El P(H1) para cada una de las posibilidades en el
segundo lanzamiento es la probabilidad marginal y así sucesivamente en
cada lanzamiento adicional.

PROBABILIDAD CONDICIONAL BAJO INDEPENDENCIA

ESTADISTICA
La probabilidad condicional se escribe como:

P(B/A) = P(B)

La probabilidad de que se presente el evento B, dado que el evento A se

ha presentado.

Para eventos estadísticamente independientes, la probabilidad condicional

de que suceda el evento B dado que el evento A se ha presentado es
simplemente la probabilidad de B.
Pareciera ser contradictorio, pero recuerde que son estadísticamente
independientes, solo está condicionado a que el evento A sé de, para que
el evento B cumpla su condición.

En el caso de las monedas seria:

P(CARA/CRUZ) = P(CARA) = 0.5

El primer resultado no tiene nada que ver con el segundo evento.

PROBABILIDAD BAJO CONDICIONES DE DEPENDENCIA

ESTADISTICA
La dependencia estadística existe cuando la probabilidad de que se
presente algún evento dependiendo o se ve afectada por la presentación
de algún otro. Los tipos son al igual que los independientes:
1. Condicional
2. Conjunta
3. Marginal

PROBABILIDAD CONDICIONAL BAJO DEPENDENCIA ESTADISTICA

La probabilidad condicional y conjunta bajo condiciones de dependencia
estadística es más complicada que la probabilidad marginal en estas
mismas circunstancias. Se analiza primero las probabilidades
condicionales, ya que la probabilidad conjunta se ilustra mejor si utilizamos
la probabilidad condicional como base.

Ejemplo 1:
En una caja hay 10 bolas distribuidas así:

Tres son de color y tienen puntos

Una es de color y tiene franjas
Dos son grises y tienen puntos
Cuatro son grises y tiene franjas
Donde:
Color (C )
Gris (G)
Con Puntos (D)
Con franjas (S)
La probabilidad de sacar cualquier bola es de 0.10 al ser 10 bolas con
igual probabilidad de ser elegida.

La probabilidad de sacar una bola de color es (3 + 1)*0.10 = 0.40

La probabilidad de sacar una bola gris = (2 +4) * 0.10 = 0.60
La probabilidad de sacar una de color y tiene puntos = 3 x 0.10 = 0.30
La probabilidad de que tengan puntos = (3+2) * 0.10 = 0.50
La probabilidad de que tenga puntos y rayas = (3+1+2+4) = 1.0

Ejemplo 2:
Cuando utilizamos el ejemplo de las bolas de color y grises, respondemos
a las preguntas, ¿Cuál es la probabilidad de P(D|¿G), es decir que de las
bolas grises tengan puntos y P(S|G), que de las grises tengan franjas?
Donde:
D = Son grises y tienen puntos
G = grises
P ( DG) 0.2 1
Solución: P(D/G) = P(G ) = 0.6 = 3
Donde:
SG = grises y tiene franjas
G = Griess
P (SG ) 0.4 2
P(S/G) = P(G) = 0.6 = 3
Se debe considerar que si la bola que salió es gris solo es posible con
franjas o puntos.

Ejemplo No. 3
Calcule P(G|D) y P(C|D)
P (G∨D) 0.2
P(G|D) = P(D) = 0.5 = 0.4

P (CD) 0.3
P(C|D) = P( D) = 0.5 = 0.6
Total 1.0

Ejemplo No. 4

P (CS) 0.4
P(C|S) = P (S ) = 0.5 = 0.8
Total 1.0
PROBABILIDAD CONJUNTA BAJO CONDICIONES DE DEPENDENCIA
ESTADISTICA
Hemos mostrado que la fórmula para calcular la probabilidad condicional
bajo dependencia estadística es:
P (BA)
P(B|A) = P( A)
Si de esta ecuación despejamos P(BA) mediante una multiplicación,
obtendremos la fórmula para probabilidad conjunta bajo condiciones de
dependencia estadística.

Probabilidad conjunta de los Probabilidad de que suceda el

evento B
Eventos B y A se presentan al mismo dado que ya se presentó A
Tiempo o en sucesión.

P(BA) = P(B|A) x P(A)

Probabilidad de que se presente el evento A

Observe que esta fórmula no es P(BA) = P(B) x P(A) y en términos de

color (C), gris (G), con puntos (D) y con franjas (S), tendremos P(CD) =
P(C|D) x P(D)
O P(CD) = 0.6 x 0.5 = 0.3. Aquí 0.6 es la probabilidad de obtener una bola
de color, dado que ésta tiene puntos (calculada en el ejemplo 3 anterior y
0.5 es la probabilidad de obtener una bola con puntos (también calculada
en el ejemplo 3)

El resultado, P(CD) = 0.3 puede verificarse en los datos originales en la

que llegamos a la probabilidad por inspección: tres bolas de q0 son de
color y con puntos.

P(CS) = P(C|S) x P(S) = 0.2 x 0.5 = 0.1

P(GD) = P(G|D) x P(D) = 0.4 x 0.5 = 0.2
P(GS) = P(G|S) x P(S) = 0.8 x 0.5 = 0.4
PROBABILIDAD MARGINAL BAJO CONDICIONES DE DEPENDENCIA
ESTADISTICA.

Las probabilidades marginales en condiciones de dependencia estadística

se calculan mediante la suma de las probabilidades de todos los eventos
conjuntos en los que se presenta el evento sencillo. En el ejemplo anterior,
podemos calcular la probabilidad marginal del evento bola de color
mediante la suma de la probabilidad de los eventos conjuntos en los que
aparece una bola de color.

P(C) = P(CD) + P(CS) = 0.3 + 0.1 = 0.4

De manera parecida, la probabilidad marginal del evento bola gris se

puede calcular sumando la probabilidad de los dos eventos conjuntos en
los que aparece una bola de color.

P(G) = P(GD) + P(GS) = 0.2 + 0.4 = 0.6

Igualmente, podemos calcular la probabilidad marginal del evento bola con

puntos mediante la suma de las probabilidades de los eventos conjuntos
en los que se tiene una bola con puntos.

P(D) = P(CD) + P(GD) = 0.3 + 0.2 = 0.5

Y por último, la probabilidad marginal de un evento bola con franjas se

puede calcular mediante la suma de las probabilidades de los eventos
conjuntos en los que se presenta una bola con franjas:

P(S) = P(CS) + P(GS) = 0.1 + 0.4 = 0.5

Estos resultados pueden inspeccionarse en la tabla original.

Resumen de las formulas desarrolladas.

Sugerencia: distinga entre probabilidad condicional y probabilidad

conjunta mediante el uso cuidadoso de los términos dado que y
ambos y P(A|B) es la probabilidad de que A ocurra dado que ocurra B
y P(AB) es la probabilidad de que amos, A y B ocurran. La
probabilidad de que ocurra A, sucede B o no.
 Formula bajo Formula bajo
Tipo de Probabilidad independencia dependencia
Símbolo estadística estadística
Margina P(A) P(A) Suma de las
probabilidades de
los eventos
conjuntos en los que
A ocurre
Conjunta P(AB) P(A) x P(B) P(A|B) x P(B)
O P(BA) P(B) x P(A) P(B|A) x P(A)
Condicional P(A|B) P(B) P (BA)
O P(A|B) P(A)
P( A)
P ( AB)
P(B)

REVISION DE LAS ESTIMACIONES ANTERIORES DE

PROBABILIDADES: TEOREMA DE BAYES.
En el mundo de los negocios se presenta la incertidumbre, por ejemplo, si
el negocio seguirá comportándose de forma similar, porque pueden
presentarse situaciones no controladas.

Las probabilidades son alteradas después que uno obtiene información

adicional. Las nuevas probabilidades se conocen como probabilidades
revisadas o posteriores. Como estas pueden revisarse en la medida que
hay más información, la teoría de las probabilidades adquiere una gran
importancia para la toma de decisiones.

Fue Tomas Bayes quien formuló este concepto. La fórmula básica para la
probabilidad condicional en circunstancias de dependencia es:

P (BC )
P(B|A) = P (A ) se conoce como teorema de Bayes.

El teorema de Bayes ofrece un potente método estadístico para evaluar

nueva información y revisar nuestras estimaciones anteriores (basado solo
en información limitada) de la probabilidad de que las cosas se encuentren
en un estado o en otro. Si es utilizado de manera correcta, se hace
innecesario reunir grandes cantidades de datos en un periodo grande
con el fin de tomar mejores decisiones, basadas en las
probabilidades.
CALCULO DE PROBABILIDADES POSTERIORES
Supongamos que tenemos al nacer un niño (sesgado) en un hospital. La
mitad de estos fueron varones y se presenta 40% de veces o sea 0.4 (de
100 nacimientos 40 fueron varones. La otra mitad de estas fueron mujeres
y se presenta el 70% de las veces (de 100 nacimientos 70 fueron mujeres.
Si se espera el siguiente nacimiento el resultado es una mujer. ¿Cuál es la
probabilidad de que el siguiente nacimiento sea varón? Sabiendo que el
nacimiento de un niño puede ser varón o mujer, podemos contestar
1
incorrectamente que la probabilidad es de 2 , pero podemos hacer una
mejor estimación. Para responder a la pregunta de manera correcta, debe
construirse una tabla:

Probabilidad del P(Sexo| evento P(Sexo, evento

Evento evento elemental elemental*
Elemental elemental
Varón 0.5 0.4 0.4 x 0.5=0.20
Mujer 0.5 0.7 0.7x0.5=0.35
1.0 0.55
* Se utiliza la coma para separar los eventos conjuntos. Podemos poner
junta letras individuales para indicar, sin que haya confusión, eventos
conjuntos (AB), pero al poner juntas palabras completas, produciríamos
eventos de apariencia extraña (sexo evento elemental), que podría
ocasionar confusión.

Si observamos la 3era columna la suma no es el resultado 1.0,

simplemente porque la probabilidad condicional del nacimiento de un niño,
está dada es la realidad de lo que sucedió. Lo que se hace es ajustar la
probabilidad de cada uno de acuerdo al evento realizado. Así podemos
calcular la probabilidad si:

Probabilidad varon 0.20

P(varón) = Probabilidad conjunta = 0.55 = 0.364 o 36.4%

Probabilidad mujer 0.35

P(mujer) = Probabilidad conjunta = 0.55 = 0.636 o 63.6%
La última columna nos muestra la probabilidad de que el niño que nace
tiene una probabilidad de 0.20 y que sea mujer es 0.35 y la probabilidad
conjunta es de 0.55, es la probabilidad marginal de un nacimiento.

Con la información adicional, hemos sido capaces de alterar o revisar

nuestra estimación anterior de probabilidad.

La suma de las probabilidades de los eventos elementales (de que el niño

sea varón y mujer) es 1.0, por tener solo 2 sexos. Las dos clases de sexo
constituyen una lista mutuamente excluyente y colectivamente exhaustiva.

PROBABILIDAD POSTERIOR CON MÁS INFORMACION

Si al revisar los resultados de un evento, necesitamos obtener información
adicional, esto requeriría de realizar los eventos otras veces, pero la toma
de decisiones se torna más complicada y lleva más tiempo.

Supongamos que deseamos realizarlo, el siguiente cuadro muestra los

cálculos:
Probabilida
Evento P1(sexo | P2( sexo| P(2 sexo,
d del
Element evento evento evento
evento
al elemental) elemental) elemental)
elemental
0.16x0.5=
Varón 0.5 0.4 0.16
0.080
Mujer 0.5 0.7 0.49 0.49x0.5=0.245
P(2
1.0
bola)=0.325
Nota: la tercera columna es la segunda elevada al cuadrado. Ejemplo 0.4 x
0.4 = 0.16 y 0.7 x 0.7 = 0.49
Podemos obtener información adicional sobre los nacimientos.
Supongamos que realizo nuevamente el evento ¿Cuál es la probabilidad
de el niño que nazca sea varón?

La tabla anterior muestra los resultados, con una nueva columna, de la

realización del segundo evento. Así que después de realizarlo, la
probabilidad de que sea varón es de 8% y la probabilidad de que sea
mujer es de 24.5%

Ahora podremos ser capaces de calcular la probabilidad de que el niño

que nazca sea varón o mujer así:
 Probabilidad varon 0.08
P(varón) = Probabilidad Conjunta = 0.325 = 0.246 o 24.6%

Probabilidad Mujer 0.245

P(mujer) = Probabilidad Conjunta = 0.325 = 0.754 0 75.4%
Esto se debe que si uno observa en un hospital día a día cambia la
cantidad de nacimientos, en algunos casos nacen más varones y otros
más mujeres o en cantidades similares. Hay factores que producen este
fenómeno.

UN PROBLEMA RELACIONADO CON TRES ELEMENTOS DE

INFORMACION
Supongamos que una cajera de banco el 85% de las operaciones es
correcta cuando tiene un ambiente tranquilo, pero cuando esta presionada
solo alcanza un 35% de operaciones incorrectas. La experiencia indica que
el 75% de las veces tiene un ambiente tranquilo. ¿Cuál es la probabilidad
que la cajera tenga operaciones correctas? El cuadro siguiente muestra los
cálculos.

P(evento,
Evento P(evento) P(ambiente|evento) P(3|evento)
3)
0.6141 x
Correctas 0.75 0.85 0.6141 0.75 =
0.4606
0.0429 x
Incorrecta
0.25 0.35 0.0429 0.25 =
s
0.0107
1.0 0.4713
Nota. La segunda columna se eleva al cubo = 0.85 x 0.85 x 0.85 = 0.6141

Podemos calcular la probabilidad que el siguiente día, realice operaciones

correctas:

Probabilidad correcta 0.4606

P(correcta) = Probabilidad conjunta = 0.4713 = 0.977 = 97.7%

Probabilidad correcta 0.0107

P(incorrecta) = probabilidad conjunta = 0.4713 = 0.023 = 2.3%
La probabilidad cambio de 75% a 97.7% basado en tres días de
operaciones.

PROBABILIDADES POSTERIORES CON RESULTADOS

INCONSISTENTES.
Muchas veces se tiene resultados inconsistentes. La siguiente tabla
muestra 5 resultados distintos:

P(evento P(evento,sbbbb
Evento P(S|evento) P(sbsss|evento)
) )
.85x0.15x0.85x0.8 0.07830x0.75 =
Correcta 0.75 0.85
5x.85 = 0.07830 0.05873
Incorrect 0.35x0.65x0.35x0. 0.00975x0.25 =
0.25 0.35
a 35x0.35 = 0.0095 0.00244
P(sbsss) =
0.06117

Probabilidad correcta 0.05873

P(correcta) = probabilidad conjunta = 0.06117 = 0.9601 o 96%

VALOR ESPERADO
CONBINACION DE PROBABILIDADES Y
VALORES MONETARIOS
Esto es aplicable más a productos perecederos.
Sin embargo, en la actualidad con los avances
tecnológicos cualquier producto puede ser
perdedero.

Ejemplo.
Este método para seleccionar el lote optimo de compra o existencia. En él
hay dos métodos, pero ambos nos llevan a la misma respuesta.

Una caja de medicamentos tiene un vencimiento muy corto y no me lo

rep0ne el proveedor cuesta L 150 y lo vende a L 200 Este no puede
especificar el número de que un cliente en cualquier día dado, pero su
análisis de registros pasados ha producido la información que se
presentan en la siguiente tabla:
Se calcula la probabilidad dividiendo en número de días de venta entre el
total de días igual como las frecuencias relativas en la distribución de
frecuencias.
Probabilidad de
Número de días de
Ventas Diarias ventas de cada
venta
cantidad
10 3 0/10
11 6 0.20
12 11 0.37
13 10 0.33
Totales 30 1.00

El vendedor en ese tipo de productos puede sufrir dos tipos de perdidas:

1. Perdidas por obsolescencia. Producto que se daña
2. Perdidas de oportunidad. Por no tener existencia.

Para simplificar el procedimiento el desarrollo de este tema solo de

elaboran 2 cuadros en contrario a los textos así:

Es una matriz con las cantidades vendidas

--------------existencia----------------------
venta 10 11 12 13 Probabilidad

10 0 150 300 450 0/10

11 50 0 150 300 0.20
12 100 50 0 150 0.37
13 300 150 50 0 0.33
10 0 15 30 45
11 10 0 30 60
12 37 18.50 18.50 55.50
13 33 49.50 0 0
Total 80 63 78.50 160.50

La menor perdida se da en nivel 11 Respuesta

Si miramos la primera fila de la matriz podemos construirla y se coloca las

probabilidades del cuadro anterior así:
Primera fila
- Si tengo 10 y puedo vender. No pierdo nada
 - Si tengo 11 y puedo vender 10. Pierdo 1 unidad que tengo que botar
1 pierdo el costo de 1 unidad o sea 150.
- Si tengo 12 y puedo vender 10 pierdo 2 unidades. Al costo
1250x2=300
- Si tengo 13 y puedo vender 10. Pierdo 3 unidades. Al costo 450
Segunda fila
- Si tengo 10 y puedo vender 11. Dejo de ganarle a 1 unidad (costo de
oportunidad). 1 unidad x L50 que dejo de ganar
- Si tengo 11 y pedo vender 11 no pierdo nada.
- Si tengo 12 unidades y puedo vender 11. Pierdo 1 unidad que tengo
que botar1x 150 = 150
- Si tengo 13 unidades y le puedo vender 11. Pierdo 2 unidades 2 x
150 = 300
Tercera fila:
- Si tengo 10 y puedo vender 12. Pierdo 2 unidades que dejo de ganar
2 x 50 = 100
- Si tengo 11 y puedo vender 12. Pierdo 1 unidad que dejo de ganarle
1 x 50 = 50
- Si tengo 12 y pardo vender 12. No pierdo nada
- Si tengo 13 unidades y puedo vender 12 unidades Pierdo 1 unidad
que tengo que botar 1 150 = 150
Cuarta Fila
Se sigue el mismo procedimiento.

Ya tenemos el primer cuadro

La segunda se repite las cantidades
Cada fila se multiplica por la probabilidad así:
0 x 0.10 no se pierde nada =01
.50 x0.20 - 10
100 x 0.37= 37
300 x .33 = 33
El total de la columna 10 es 80
Seguimos con la columna 11 12 y 13 igual

La menor perdida se da en el nivel 11 unidades. RESPUESTA

Ganancia Esperados
El procedimiento es similar y solo se incluye la perdida por botar producto.
El costo de oportunidad no existe y no importa lo que pueda vender, solo
se le gana a lo que tengo. La matriz es la siguiente

--------------existencia----------------------
venta 10 11 12 13 Probabilidad

10 500 350 150 0/10

11 500 350 150 0.20
12 500 350 150 0.37
13 500 350 150 0.33
10
11
12
13
Total

Primeras fila
Si tengo 10 unidades y puedo vender 10 unidades le ganoare las 10 x50
=500
Como no importa lo que pueda vender siempre ganasre en la columna 10
lo mismo. Bajo los 500
Segunda Columna
- Si tengo 11 y puedo vender 11, a las 10 le ganare 500 pero perdere
1 a 150 500-150 – 350
- Si tengo 112 y puedo vender a las 12 l2 ganare 50 2 150 – 300 = -
150