SBE11Cap04 S

Capítulo 4
Introducción a la Probabilidad
n Experimentos, Reglas de Conteo,
y Asignación de Probabilidad
n Eventos y su Probabilidad
n Algunas relaciónes básicas de
Probabilidad
n Probabilidad Condicional
n Teorema de Bayes
Slide 1
Incertidumbre
Los Gerentes usualmente basan la toma de sus desi-

ciones en análisis de incertidumbre como los siguientes.
Cuáles son las oportunidades que las ventas dis-

minuyan si los precios aumentan?
Cuál es la probabilidad que un nuevo método

aumente la productividad?
Cuál es la probabilidad que una nueva inver-

sión sea rentable?
Slide 2
Probabilidad
Probabilidad es una medida numérica de la posibi-

lidad que un evento ocurra.
Los valores de probabilidad están asignados entre

los valores 0 y 1.
Una probabilidad cercana a cero significa que no es

muy seguro que el evento ocurra.
Una probabilidad cercana a uno significa que es casi

seguro que el evento ocurra.
Slide 3
Probabilidad como una Medida Númérica
de la Ocurrencia
Aumentando la posibilidad de Ocurrencia
0 .5 1
Probabilidad:
Es poco Es casi
La ocurrencia del
seguro que seguro que
evento es segura
el evento el evento
como no lo es.
ocurra. ocurra.
Slide 4
Experimentos Estadísticos
En estadística, la noción de un experimento difiere

de alguna manera de un experimento en ciencias
físicas.
En experimentos estadísticos, la probabilidad deter-

mina resultados.
A pesar de que se repita el experimento exactamente

de la misma manera, se pueden hallar resultados
completamente diferentes
Por una razón, los experimentos estadísticos son lla-

mados experimentos aleatorios.
Slide 5
Un Experimento y su Espacio Muestral
Un experimento es cualquier proceso que genere

resultados bien definidos.
El espacio muestral de un experimento es el grupo

de resultados obtenidos.
El resultado experimental también es llamado

punto muestral.
Slide 6
Experimento Resultado experimental

Lanzar una moneda Cara, Cruz
Inspeccionar una parte Efectivo, no efectivo
Realizar una llamada Comprar, no comprar
de ventas 1, 2, 3, 4, 5, 6
Lanzar un dado Ganar, perder, empatar
Jugar una partida de
fútbol
Slide 7
n Ejemplo: Inversiones Bradley

Bradley ha invertido en dos acciones, Markley Oil
y Collins Mining. Bradley determinó que los
resultados posibles de los tres próximos meses de
esta inversión son de la siguiente manera.
Ganancia o Pérdida
en 3 Meses(en $000)
Markley Oil Collins Mining
10 8
5 -2
0
-20
Slide 8
Una Regla de Conteo para
Experimentos de Múltiples Pasos
n Si un experimento consiste en una secuencia de k pasos
en donde hay n1 resultados posibles para el primer paso,
n2 resultados posibles para el seguno paso, y así ,
entonces el total de resultados experimentales es dado por
(n1)(n2) . . . (nk).
n Una útil representación gráfica de un experimento de

múltiples pasos es el diagrama de árbol.
Slide 9
Una Regla de Conteo para
Experimentos de Múltiples Pasos
Las inversiones de Bradley pueden ser vistas como
un experimento de dos pasos. Envuelve dos
acciones, y cada una con su grupo de resultados
experimentales.
Markley Oil: n1 = 4
Collins Mining: n2 = 2
Número total de
resultados experimentales: n1n2 = (4)(2) = 8
Slide 10
Diagrama de Árbol

Markley Oil Collins Mining Resultados
(Etapa 1) (Etapa 2) Experimentales
Gana 8 (10, 8) Gana $18,000
(10, -2) Gana $8,000
Gana 10 Pierde 2
Gana 8 (5, 8) Gana $13,000
(5, -2) Gana $3,000
Gana 5 Pierde 2
Gana 8
(0, 8) Gana $8,000
Igual
(0, -2) Pierde $2,000
Pierde 20 Pierde 2
Gana 8 (-20, 8) Pierde $12,000
Pierde 2 (-20, -2) Pierde $22,000
Slide 11
Reglas de Conteo para Combinaciones
n Número de Combinaciones de N Objetos

Escogidos n veces en un tiempo.
Una segunda regla de conteo nos permite contar
el número de resultados experimentalos cuando n
objetos serán seleccionados de un grupo de N
objetos.
æ Nö N!
CnN =ç ÷ =
è n ø n !(N - n )!
donde: N! = N(N - 1)(N - 2) . . . (2)(1)

n! = n(n - 1)(n - 2) . . . (2)(1)
0! = 1
Slide 12
Regla de Conteo para Permutaciones
n Número de Permutaciones para N Objetos

escogidos n veces en un tiempo.
Una tercera regla de conteo útil nos permite
contar el número de resultados experimentales
cuando n objetos son escogidos de un grupo de N
objetos, donde el orden de selección es
importante.
æ Nö N!
PnN = n !ç ÷ =
è n ø (N - n )!
donde: N! = N(N - 1)(N - 2) . . . (2)(1)

n! = n(n - 1)(n - 2) . . . (2)(1)
0! = 1
Slide 13
Asignando Probabilidades
n Requerimientos básicos para Asignar Probabilidades
1. La probabilidad asignada a cada resultado expe-

rimental debe estar entre 0 y 1.
0 < P(Ei) < 1 for all i
donde:
Ei es el resultado experimental i
y P(Ei) es su probabilidad.
Slide 14
n Requerimientos básicos para Asignar Probabilidades
2.La suma de probabilidades de todos los resultados

experimentales debe ser igual a 1.
P(E1) + P(E2) + . . . + P(En) = 1
donde:
n es el número de resultados experimentales
Slide 15
Método Clásico
Asignar probabilidades basado en la asunción de
que todos los resultados son igualmente probables.
Método de Frecuencia Relativa

Asignar probabilidades basado en experimentación
o datos históricos.
Método Subjetivo
Asignar probabilidades basado en el juicio.
Slide 16
Método Clásico
n Ejemplo: Lanzar un dado

Si un experimento tiene n resultados posibles, el
método clásico asignará una probabilidad de
1/n a cada resultado.
Experimento: lanzar un dado

Espacio muestral: S = {1, 2, 3, 4, 5, 6}
Probabilidades: Cada punto muestral tiene
1/6 oportunidades de ocurrir.
Slide 17
n Ejemplo: Lucas Tool Rental

Lucas Tool Rental quisiera asignar una
probabilidad al número de pulidores de carro que el
renta cada día. Los registros muestran las siguientes
frecuencias diarias de al menos 40 días.
Número de Número
Pulidores rentados De Días
0 4
1 6
2 18
3 10
4 2
Slide 18
n Ejemplo: Lucas Tool Rental

Cada asignación de probabilidad esta dada por la
división de la frecuencia(número de días) para el
total de la frecuencia(número total de días).
Número de Número
Pulidores rentados De Días Probabilidad
0 4 .10
1 6 .15
2 18 .45 4/40
3 10 .25
4 2 .05
40 1.00
Slide 19
Método Subjetivo
n Cuando las condiciones económicas y las circunstan-

cias de una compañía varían rapidamente puede causar
asignaciones de probabilidades inapropiadas basadas
solamente en datos
n Podemos usar cualquier dato disponible al igual que
nuestra experiencia e intuición, pero en definitiva una
probabilidad muestra nuestro grado de libertad que el
resultado experimental ocurra.
n Las mejores estimaciones de probabilidad usualmente

son obtenidas combinando los estimados del acercamiento
clásico o frecuentista con el estimado subjetivo.
Slide 20
Método Subjetivo
n Ejemplo: Inversiones de Bradley

Un análisis muestra las siguientes estimaciones.
Res. Experim. Gan. o Per. Netas Probabilidad

(10, 8) $18,000 Ganancia .20
(10, -2) $8,000 Ganancia .08
(5, 8) $13,000 Ganancia .16
(5, -2) $3,000 Ganancia .26
(0, 8) $8,000 Ganancia .10
(0, -2) $2,000 Pérdida .12
(-20, 8) $12,000 Pérdida .02
(-20, -2) $22,000 Pérdida .06
Slide 21
Eventos y sus Probabilidades
Un evento es una colección de puntos muestrales.

La probabilidad de cualquier evento es igual a la
de las probabilidades de los puntos muestrales en
el evento.
Si podemos identificar todos los puntos muestrales
de un experimento y asignar la probabilidad de cada
uno, podemos calcular la probabilidad del evento.
Slide 22
Evento M = Markley Oil Rentabilidad

M = {(10, 8), (10, -2), (5, 8), (5, -2)}
P(M) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2)
= .20 + .08 + .16 + .26
= .70
Slide 23
n Example: Bradley Investments
Evento C = Collins Mining Rentabilidad

C = {(10, 8), (5, 8), (0, 8), (-20, 8)}
P(C) = P(10, 8) + P(5, 8) + P(0, 8) + P(-20, 8)
= .20 + .16 + .10 + .02
= .48
Slide 24
Algunas relaciones básicas de Probabilidad
Existen algunas relaciones básicas de probabilidad

que pueden ser usadas para calcular la probabilidad
de un evento sin el conocimiento de todas las proba-
bilidades de los puntos muestrales.
Complemento de un Evento
Unión de dos Eventos
Intersección de dos Eventos
Eventos Mutuamente Excluyentes
Slide 25
Complemento de un Evento
El complemento de un evento A esta definido como el

evento que consiste con todos los puntos muestrales
que no están en A.
El complemento de A se define como Ac.
Espacio
Evento A Ac Muestral S
Diagrama
de Venn
Slide 26
Union de Dos Eventos
La unión de los eventos A y B es el evento que contie-

ne todos los puntos muestrales en A o B o ambas.
La unión de eventos A y B se denota como A È B.
Espacio
Evento A Evento B Muestral S
Slide 27
Unión de Dos Eventos
Evento M = Markley Oil Rentable

Evento C = Collins Mining Rentable
M È C = Markley Oil Rentable
o Collins Mining Rentable (o ambas)
M È C = {(10, 8), (10, -2), (5, 8), (5, -2), (0, 8), (-20, 8)}
P(M È C) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2)
+ P(0, 8) + P(-20, 8)
= .20 + .08 + .16 + .26 + .10 + .02
= .82
Slide 28
Intersección de Dos Eventos
Ls intersección de los eventos A y B es el grupo de todos

los puntos muestrales que hay en A y B.
La intersección de los eventos A y B se define A Ç B.
Espacio
Intersección de A y B
Slide 29
Intersección de dos eventos

M Ç C = Markley Oil Rentable
and Collins Mining Rentable
M Ç C = {(10, 8), (5, 8)}
P(M Ç C) = P(10, 8) + P(5, 8)
= .20 + .16
= .36
Slide 30
Ley de Adición
La ley de adición brinda una manera de calcular la pro-

babilidad de que A, o B, o A y B ocurran.
La ley es de la siguiente forma:
P(A È B) = P(A) + P(B) - P(A Ç B)
Slide 31
Ley de Adición

M È C = Markley Oil Rentable
or Collins Mining Rentable
Sabemos: P(M) = .70, P(C) = .48, P(M Ç C) = .36
Entonces: P(M È C) = P(M) + P(C) - P(M Ç C)
= .70 + .48 - .36
= .82
(Este es el mismo resultado que el obtenido anterior-
mente usando la definición de probabilidad de un
evento.)
Slide 32
Se dice que dos eventos son mutuamente excluyentes si

no tienen ningun punto muestral en común.
Dos eventos son mutuamente excluyentes si, cuando un

evento ocurre, el otro no.
Espacio
Slide 33
Si los eventos A y B son mutuamente excluyentes,

P(A Ç B) = 0.
La ley de adición para eventos mutuamente exluyentes
es:
P(A È B) = P(A) + P(B)
No es necesario
incluir“- P(A Ç B)”
Slide 34
Probabilidad Condicional
La probabilidad de un evento dada la ocurrencia de

otro evento se llama probabilidad condicional.
La probabilidad condicional de A dado B se denota por

P(A|B).
La probabilidad condicional se calcula:
P( A Ç B)
P( A|B) =
P( B)
Slide 35
Probabilidad Condicional

P(C | M ) = Collins Mining Rentable
dado Markley Oil Rentable
Sabemos: P(M Ç C) = .36, P(M) = .70
P(C Ç M ) .36
Entonces:P(C | M ) = = = .5143
P( M ) .70
Slide 36
Ley de Multiplicación
La ley de multiplicación brinda un modo para calcular

la probabilidad de intersección de dos eventos.
La ley es de la siguiente forma:
P(A Ç B) = P(B)P(A|B)
Slide 37
Ley de Multiplicación

M Ç C = Markley Oil Rentable
y Collins Mining Rentable
Sabemos: P(M) = .70, P(C|M) = .5143
Entonces: P(M Ç C) = P(M)P(M|C)
= (.70)(.5143)
= .36
(Este es el mismo resultado que el obtenido anterior-
mente usando la definición de probabilidad de un
evento.)
Slide 38
Tabla de probabilidad conjunta
Collins Mining
Markley Oil Rentable (C) No Rentable(Cc) Total
Rentable (M) .36 .34 .70

No rentable (Mc) .12 .18 .30
Total .48 .52 1.00
Probabilidad
conjunta Probabilidades
(aparece en el cuerpo marginales
de la tabla) (aparecen en los
márgenes de la tabla)
Slide 39
Eventos Independientes
Si la probabilidad de un evento A no varía con la

existencia de un evento B, se puede decir que los
los eventos A y B son independientes.
Dos eventos A y B son independientes si:
P(A|B) = P(A) o P(B|A) = P(B)
Slide 40
Ley de Multiplicación para eventos
Independientes
La ley de multiplicación tambien puede usarse para
probar si dos eventos son independientes.
La ley se da de la siguiente manera:
P(A Ç B) = P(A)P(B)
Slide 41
Ley de Multiplicación para eventos
Independientes

Los eventos M y C son independientes?
Es P(M Ç C) = P(M)P(C) ?
Sabemos: P(M Ç C) = .36, P(M) = .70, P(C) = .48
Per: P(M)P(C) = (.70)(.48) = .34, not .36
Por lo tanto: M y C no son independientes.
Slide 42
Exclusividad Mutua e Independencia
No confundir la nocion de eventos mutuamente

excluyentes y eventos independientes.
Dos eventos con probabilidades distintas a cero no
pueden ser ambas, mutuamente excluyentes e inde-
pendientes
Si se sabe que un evento mutuamente excluyente
ocurre, el otro no.; entonces, la probabilidad de ocu-
rrencia del otro evento se reduce a cero.(y por eso
son dependientes).
Dos eventos que no son mutuamente excluyentes,

pueden o no pueden ser independientes.
Slide 43
Teorema de Bayes
n Usualmente se comienza el análisis de probabilidad

con probabilidades previas o iniciales.
n Después, de una muestra, reporte especial, o prueba
de un producto se obtiene la información adicional.
n Dada esta información, calculamos
probabilidades posteriores.
n El Teorema de Bayes brinda los medios para revisar
n las probabilidades a priori.
Aplicación
Probabilidades Nueva del Probabilidades
a priori Información Teorema de a posteriori
Bayes
Slide 44
Teorema de Bayes
n Ejemplo: L. S. Clothiers
Un centro de compras propuesto proporcionará un
fuerte competición a negocios de centro como L. S.
Clothiers. Si se construye el centro de compras, el
dueño de L. S. Clothiers siente que sería mejor
reubicar el centro de compras.
El centro de compras no puede ser construido sin

el permiso de la consejería de la ciudad.
La junta de planificación debe hacer primero una
recomendación, a favor o en contra de la
aprobación, al concejero.
Slide 45
Probabilidades Previas
Sea:
A1 = La consejería aprueba la solicitud.
A2 = La consejería no aprueba la solicitud.
Usando un juicio subjetivo:
P(A1) = .7, P(A2) = .3
Slide 46
Nueva información
La junta de planificación ha recomendado en
contra de la solicitud. Sea B sea el evento de una
recomendación negativa de la junta de
planificación.
Dado que B ha ocurrido, debería L. S. Clothiers
revisar las probabilidades que la consejería
aprobará o no aprobará la solicitud.?
Slide 47
Probabilidades Condicionales
Historia pasada con la junta de planificación y la
consejería de la ciudad indican:
P(B|A1) = .2 P(B|A2) = .9
Por lo tanto: P(BC|A1) = .8 P(BC|A2) = .1
Slide 48
Diagrama de Árbol
Consejería Junta de Plan. Resultados

Experimentales
P(B|A1) = .2 P(A1 Ç B) = .14

P(A1) = .7
c
P(B |A1) = .8 P(A1 Ç Bc) = .56
P(B|A2) = .9
P(A2 Ç B) = .27
P(A2) = .3
P(A2 Ç Bc) = .03
P(Bc|A2) = .1
Slide 49
Teorema de Bayes
n Para encontrar la probabilidad posterior de que Ai dado

que el evento B ha occurrido, aplicamos Teorema de
Bayes.
P( Ai )P( B| Ai )
P( Ai |B) =
P( A1 )P( B| A1 ) + P( A2 )P( B| A2 ) + ... + P( An )P( B| An )
n El Teorema de Bayes es aplicable cuando los eventos de

los cuales se quiere calcular la probabilidad posterior son
mutuamente excluyenes y su union es todo el espacio
muestral.
Slide 50
Probabilidades Posteriores
Dada la recomendación de la junta de no aprobar
la solicitud, se revisa las probabilidades posteriores
de la siguiente manera:
P( A1 )P( B| A1 )
P( A1 |B) =
P( A1 )P( B| A1 ) + P( A2 )P( B| A2 )
(. 7 )(. 2 )
=
(. 7 )(. 2 ) + (. 3)(. 9)
= .34
Slide 51
Probabildiades Posteriores
La recomendación de la junta es una buena noticia
para L. S. Clothiers. La probabilidad posterior de
la consejería aprobando la solicitud es .34
comparada con la probabilidad posterior de .70.
Slide 52
Teorema de Bayes: Aproximación tabular
• Paso 1
Preparar las siguientes tres columnas:
Columna 1 - Los eventos mutuamente excluyentes
de los cuales se desea la probabilidad posterior.
Columna 2 - Las probabilidades previas de los eventos
Columna 3 - Las probabilidades condicionales de los
eventos dado cada evento.
Slide 53
Teorema de Bayes: Aproximación Tabular
• Paso 1
(1) (2) (3) (4) (5)
Probabilidades Probabilidades
Eventos previas condicionales
Ai P(Ai) P(B|Ai)
A1 .7 .2
A2 .3 .9
1.0
Slide 54
• Paso 2
Preparar una cuarta columna:
Columna 4
Calcular las probabilidades conjuntas de los eventos
y la nueva información B usando la ley de
multiplicación.
Multiplicar las probabilidades previas de la
columna 2 con las probabilidades condicionales
correspondientes de la columna l. Es decir, P(Ai !B) =
P(Ai) P(B|Ai).
Slide 55
• Paso 2
(1) (2) (3) (4) (5)
Probabilidades Probabilidades Probabilidades
Eventos previas condicionales conjuntas
Ai P(Ai) P(B|Ai) P(Ai ! B)
A1 .7 .2 .14
A2 .3 .9 .27
.7 x .2
1.0
Slide 56
• Paso 2 (continuación)
Observamos una probabilidad de .14 de que la con-
sejería apruebe la solicitud y una recomendación nega-
tiva de la junta de planificación.
Hay una probabilidad de .27 de que la consejería no
apruebe la solicitud y una recomendación nega-
tiva de la junta de planificación.
Slide 57
• Paso 3
Sumar las probabilidades conjuntas de la columna 4.
La suma es la probabilidad de la nueva información,
P(B). La suma .14 + .27 muestra una probabilidad ge-
neral de .41 de una recomendación negativa de la junta.
Slide 58
• Paso 3
(1) (2) (3) (4) (5)
Probabilidades Probabilidades Probabilidades
Eventos previas condicionales conjuntas
Ai P(Ai) P(B|Ai) P(Ai ! B)
A1 .7 .2 .14
A2 .3 .9 .27
1.0 P(B) = .41
Slide 59
• Paso 4
Preparar la quinta columna:
Columna 5
Calcular las probabilidades posteriores usando
la relación básica de la probabilidad condicional.
P( Ai Ç B)
P( Ai | B) =
P( B)
Las probabilidades conjuntas P(Ai ! B) estan en
la columna 4 y la probabilidad P(B) es la suma
de la columna 4.
Slide 60
• Paso 4
(1) (2) (3) (4) (5)
Probabilidades Probabilidades Probabilidades Probabilidades
Eventos Previas Condicionales Conjuntas Posteriores
Ai P(Ai) P(B|Ai) P(Ai ! B) P(Ai |B)
A1 .7 .2 .14 .3415
A2 .3 .9 .27 .6585
1.0 P(B) = .41 1.0000
.14/.41
Slide 61

SBE11Cap04 S

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

SBE11Cap04 S

Cargado por

Copyright:

Formatos disponibles

Capítulo 4

Los Gerentes usualmente basan la toma de sus desi-

Cuáles son las oportunidades que las ventas dis-

Cuál es la probabilidad que un nuevo método

Cuál es la probabilidad que una nueva inver-

Probabilidad es una medida numérica de la posibi-

Los valores de probabilidad están asignados entre

Una probabilidad cercana a cero significa que no es

Una probabilidad cercana a uno significa que es casi

En estadística, la noción de un experimento difiere

En experimentos estadísticos, la probabilidad deter-

A pesar de que se repita el experimento exactamente

Por una razón, los experimentos estadísticos son lla-

Un experimento es cualquier proceso que genere

El espacio muestral de un experimento es el grupo

El resultado experimental también es llamado

Experimento Resultado experimental

n Ejemplo: Inversiones Bradley

n Una útil representación gráfica de un experimento de

n Ejemplo: Inversiones Bradley

n Número de Combinaciones de N Objetos

donde: N! = N(N - 1)(N - 2) . . . (2)(1)

n Número de Permutaciones para N Objetos

donde: N! = N(N - 1)(N - 2) . . . (2)(1)

n Requerimientos básicos para Asignar Probabilidades

1. La probabilidad asignada a cada resultado expe-

0 < P(Ei) < 1 for all i

n Requerimientos básicos para Asignar Probabilidades

2.La suma de probabilidades de todos los resultados

P(E1) + P(E2) + . . . + P(En) = 1

Método de Frecuencia Relativa

n Ejemplo: Lanzar un dado

Experimento: lanzar un dado

n Ejemplo: Lucas Tool Rental

n Ejemplo: Lucas Tool Rental

n Cuando las condiciones económicas y las circunstan-

n Las mejores estimaciones de probabilidad usualmente

n Ejemplo: Inversiones de Bradley

Res. Experim. Gan. o Per. Netas Probabilidad

Un evento es una colección de puntos muestrales.

n Ejemplo: Inversiones de Bradley

Evento M = Markley Oil Rentabilidad

n Example: Bradley Investments

Evento C = Collins Mining Rentabilidad

Existen algunas relaciones básicas de probabilidad

Unión de dos Eventos

Intersección de dos Eventos

Eventos Mutuamente Excluyentes

El complemento de un evento A esta definido como el

La unión de los eventos A y B es el evento que contie-

La unión de eventos A y B se denota como A È B.

n Ejemplo: Inversiones de Bradley

Evento M = Markley Oil Rentable

Ls intersección de los eventos A y B es el grupo de todos

La intersección de los eventos A y B se define A Ç B.

n Ejemplo: Inversiones de Bradley

Evento M = Markley Oil Rentable

La ley de adición brinda una manera de calcular la pro-

La ley es de la siguiente forma:

P(A È B) = P(A) + P(B) - P(A Ç B)

n Ejemplo: Inversiones de Bradley

Evento M = Markley Oil Rentable