Métodos Cuantitativos

Ing. Herman B. Collazos Saldaña

hcollazoss@hotmail.com
 METODOS CUANTITATIVOS (Parte 5)

⚫Probabilidad:
• Definición Clásica (a priori)
• Definición por frecuencia relativa
• Probabilidad subjetiva
⚫Axiomas de la probabilidad:
⚫Probabilidad Conjunta:
• Probabilidad de la Intersección de eventos
• Probabilidad de la Unión de eventos
• Probabilidad condicional
• Regla de Multiplicación.
• Variables Aleatorias:
• Discretas: Binomial, Poisson y Hipergeométrica
 Probabilidad

•Probabilidad es la medida 1 Certero

numérica de la ocurrencia de
un evento.
•SuValor esta entre 0 y 1.
.5
•La Suma de las
probabilidades de todos los
eventos mutuamente
excluyentes es 1.
0 Imposible
 Probabilidad
• Definición Clásica: (a priori)
• La Probabilidad de un Evento, E:
Numero de resultados del evento 𝒏(𝑨)
P( E ) = =
𝒏(𝜴)
Total resultados en EspacioMuestral
e.g. P( ) = 2/36
(Hay 2 formas para obtener un 6 y el otro 4)
• Cada Uno de los resultados del espacio
muestral tienen igual posibilidad de ocurrir.
 Probabilidad
• Ejemplo:
• Si se lanza una moneda tres veces, cuál es la
Probabilidad que ocurran: (a) dos caras : (b)
al menos dos caras.
• Ω : CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS
n(Ω) = 8
• (a) Sea el evento A: «ocurre dos caras»

• A = CCS, CSC, SCC n(A) = 3 ; entonces P(A) = 𝟑

𝟖
• (b) Sea el evento B: «Ocurre al menos dos caras»

• B = CCS, CSC, SCC, CCC n(B) = 4; entonces P(B) = 4

8
 Probabilidad
• Definición por Frecuencia Relativa:
(a posteriori).
• Si un experimento bien definido se repite n
veces (n grande); sea nA < n el número de
veces que el evento A ocurre en los n
ensayos, entonces la frecuenc𝒏ia relativa de
veces que ocurre el eventoA 𝑨 , es la
𝒏
estimación de la probabilidad que ocurra el
eventoA, o sea
𝑷 𝑨 = 𝒏𝑨
𝒏
 Probabilidad
• Ejemplo:
• Una muestra aleatoria de 10 fabricas que emplean
un total de 10,000 personas, demostró que
ocurrieron 500 accidentes de trabajo durante un
período reciente de 12 meses. Hallar la probabilidad
de un accidente de trabajo en una industria
determinada.
n = 10,000, número de veces que se repite el
experimento.
Sea el EventoA: «un accidente de trabajo en la
industria determinada», Entonces nA = 500 ; y
𝟓𝟎𝟎
𝑷𝑨 = = 𝟎. 𝟎𝟓
𝟏𝟎,𝟎𝟎𝟎
 Probabilidad
• Probabilidad Subjetiva.
• Dado un experimento determinado, la probabilidad de
un evento A, es el grado de creencia asignado a la
ocurrencia de este evento por un individuo particular,
basado en toda la evidencia a su disposición.
• Desde que, la probabilidad subjetiva de la ocurrencia
de un evento A, es un número asignado por un
individuo de acuerdo a la evidencia que dispone, otra
persona con otras evidencias podría asignar a la
ocurrencia del mismo evento A, otra probabilidad
diferente. Ejemplo: ¿Cuál es la probabilidad de que en
el próximo examen de Estadística obtenga 15 de nota?
 Axiomas de Probabilidad
• Independientemente de la forma como se
defina la probabilidad, esta cumple los
axiomas siguientes:
• Ax.1 0 ≤ P[A] ≤ 1, para cada eventoA en Ω
• Ax.2 P[Ω] = 1
Ax.3 Para cualquier número finito k de
eventos mutuamente excluyentes en
Ω es:
𝑃 ∪ 𝑘𝑖 =1 𝐴𝑖 = ∑𝑘 𝑃 𝐴𝑖
𝑖=
 Cálculo de Probabilidad de la
Intersección de Eventos

La Probabilidad de un Evento Conjunto, A ∩ B:

Numero de elementos del Evento conjunto A ∩ B

P(A ∩ B) =
Total Resultados en Espacio Muestral

2 Ases Rojos 1
P(Carta Roja ∩ As) = 52 Total Numero de Cartas =
26
Probabilidad Conjunta usando Tablas
de Contingencia

Evento
Event B1 B2 Total
A1 P(A1 y B1) P(A1 y B2) P(A1)

A2 P(A2 y B1) P(A2 y B2) P(A2)

Total P(B1) P(B2) 1

Probabiidad Conjunta Marginal (Simple) Probabilidad
 Cálculo de
Probabilidad Condicional
La Probabilidad de el Evento:
EventoA dado que Evento B ha ocurrido
𝑷(𝑨 ∩ 𝑩)
P(A B) =
𝑷(𝑩)
e.j.
𝟐 𝑨𝒄𝒆𝒔 𝑹𝒐𝒋𝒐𝒔 𝟏
P(Carta Roja dado que es un As) = =
𝟒 𝑨𝒄𝒆𝒔 𝟐
Probabilidad Condicional usando
Tablas de Contingencia
Evento Condicional :Escoja 1 Carta. y determine

Color
Tipo Rojo Negro Total
As 2 2 4
No-As 24 24 48
Total 26 26 52

𝑷(𝑨𝒔∩𝑹𝒐𝒋𝒐) 𝟐/𝟓𝟐 𝟐
𝑷(𝑨𝒔/𝑹𝒐𝒋𝒐) = = =
𝑷(𝑹𝒐𝒋𝒐) 𝟐𝟔/𝟓𝟐 𝟐𝟔
Probabilidad Condicional usando
Tablas de Contingencia (Ejemplo)
Usted recolectó datos sobre 500 economistas en la academia, la
industria privada y el gobierno respecto a sus opiniones sobre si la
economía podría ser estable, podría expandirse o podría entrar en un
período de contracción en el futuro próximo. Sin embargo parte de la
información se perdió resultando la siguiente tabla de contingencia
parcial con base a los datos de la tabla encuentre:

Economia
Economistas Total
Estable (S) Expansion (E) Contraccion (C)
Academicos (A) 125 100 100 325
I. Privada (I) 50 35 25 110
Gobierno (G) 25 40 0 65
Total 200 175 125 500
 Probabilidad Condicional usando
Tablas de Contingencia (Ejemplo)

a. P(A υ S) = P(A) + P(S) – P(A Ո S) = 325/500 + 200/500 – 125/500 = 0,80

b. P(I υ C) = P(I) + P(C) – P(I Ո C) = 110/500 + 125/500 – 25/500 = 0,42

c. P(E υ G) = P(E) + P(G) – P(E Ո G) = 175/500 + 65/500 – 40/500 = 0,40

d. P(A υ G) = P(A) + P(G) = 325/500 + 65/500 = 0,78

e. P(S/A) = P (S Ո A)/P(A) = (125/500)/(325/500) = 125/325 = 0,38

 Regla de Multiplicación
De la definición de probabilidad condicional,
obtenemos una formula para hallar la probabilidad
de la intersección (o producto) de los eventosA y B
• 𝑃 𝐴 ∕ 𝐵 = 𝑃 𝐴∩𝐵 , P[B] > 0
𝑃𝐵

• 𝑃 𝐵 ∕ 𝐴 = 𝑃 𝐴∩𝐵 , P[A] > 0

𝑃𝐴
• REGLA DE MULTIPLICACIÓN
• 𝑃 𝐴 ∩ 𝐵 = P[B] 𝑃 𝐴 ∕ 𝐵 = P[AB] y
• 𝑃 𝐴 ∩ 𝐵 = P[A] 𝑃 𝐵 ∕ 𝐴 = P[AB]
 Regla de Multiplicación
Ejemplo: Una Urna contiene 5 bolas blancas y 6 negras; se
extrae al azar sucesivamente y sin reemplazo dos bolas. ¿ Cuál
es la probabilidad que las dos resulten blancas?
Sean los eventos:
A1: «La primera bola resultó blanca»
A2: «La segunda bola resultó blanca»
E : «Las dos bolas resultaron blancas»
• 𝑃 𝐸 = 𝑃 𝐴1 ∩ 𝐴2 = P[A1] 𝑃 𝐴2 ∕ 𝐴1
• P[A1] = 5 En la Urna hay 11 bolas , 5 son blancas
11
4
• 𝑃 𝐴2 ∕ 𝐴1 = Si se saco una quedan 10, 4 son blancas
10
5 4 𝟐
• 𝑃 𝐸 = P[A1] 𝑃 𝐴2 ∕ 𝐴1 = ∗ =
11 10 𝟏𝟏
 Probabilidad Total
𝑷(𝑨 ∩ 𝑩)
Probabilidad Condicional : P(AB) =
𝑷(𝑩)
Regla de Multiplication : P(A ∩ B) = P(B)•P(A B)
Partición de un Evento
B1 B2 B3 ∙ ∙ Bk

B
 Probabilidad Total
Partición de un Evento:
o Mutuamente excluyentes: 𝑩𝟏 ∩ 𝑩𝟐. .∩ 𝑩𝒌 = 𝟎
o Colectivamente exhaustivos: 𝑩𝟏 𝖴 𝑩𝟐. .𝖴 𝑩𝒌 = 𝛀
B1 B2 B3 ∙ ∙ Bk
A

𝐀 ∩ B1 𝐀 ∩ B2 𝐀 ∩ B3 . . 𝐀 ∩ Bk

B Probabilidad Total:
𝑷 𝑨 = ∑𝒌𝒊=𝟏 𝑷 𝑨 ∩ 𝑩𝒌 = ∑𝒌𝒊=𝟏 𝑷(𝑩𝒌)(𝑷𝑨/𝑩𝒌)

Regla de Multiplicación
 Teorema de Bayes

𝑷 𝑩𝒌 𝑷(𝑨/𝑩𝒌)
P(Bk A) =
𝑷 𝑩𝟏 𝑷 𝑨/ 𝑩𝟏 +∙ ∙∙ +𝑷 𝑩𝒌 𝑷(𝑨/ 𝑩𝒌)

𝑷(𝑨∩𝑩𝒌) 𝑹.𝑴
= = Sumando las
𝑷(𝑨) 𝑷.𝑻 partes de A
en todos los
B’s
Mismo
Evento
 Teorema de Bayes
Ejemplo:
Los ingenieros de ventas 1, 2 y 3 estiman los costos de 30%, 20% y
50%, respectivamente, de todos los trabajos licitados por una
Compañía. Las probabilidades de cometer error grave, al estimar el
costo, de los ingenieros son de 0.01, 0.03 y 0.02 respectivamente.
a. Halle la probabilidad de que se cometa error grave al
estimar el costo en una licitación.
Ai = El ingeniero i estima los costos de una licitación i=1,2,3
E = Se comete error grave al estimar el costo

𝑷 𝑬 = 𝑷 𝑨𝟏 𝑷 𝑬/𝑨𝟏 + 𝑷 𝑨𝟐 𝑷 𝑬/𝑨𝟐 + 𝑷 𝑨𝟑 𝑷 𝑬/𝑨𝟑

= 𝟎. 𝟎𝟎𝟑 + 𝟎. 𝟎𝟎𝟔 + 𝟎. 𝟎𝟏 = 𝟎. 𝟎𝟏𝟗

PROBABILIDAD TOTAL
 Teorema de Bayes
Ejemplo:
b. Si en una licitación en particular se incurre en
un grave error al estimar los costos. ¿Cuál es la
probabilidad de que el Ingeniero 2 haya
cometido el error?

𝑃 𝐴2 𝑃(𝐸/𝐴2) 0.2 × 0.03

𝑃 𝐴2/𝐸 = = = 0.3157
𝑃(𝐸) 0.019

TEOREMA DE BAYES
Teorema Bayes : Tabla Contingencia
Un meteorólogo acierta en un 80% los días de lluvia y en
un 90% los días soleados. Llueve el 10% de los días.
Habiendo Previsto que llueve. ¿ Cuál es la probabilidad
que acierte
Clima
Diagnostico Llueva Soleado Prob.
10%*80% = 0,08 Acierte .08 ? ?
No Acierte .18 ? ?
90%*20% = 0,18
.26 ?
Prob. 1

𝑷(𝑳𝒍𝒖𝒆𝒗𝒂 ∩ 𝑨𝒄𝒊𝒆𝒓𝒕𝒆) 𝟎.𝟎𝟖

P(Acierte/llueve) = = = 𝟎. 𝟑𝟎
𝑷(𝑳𝒍𝒖𝒆𝒗𝒂) 𝟎.𝟐𝟔
 Variable Aleatoria
• Variable Aleatoria : Función que asigna valores
numéricos a un espacio muestral:
• En el experimento de lanzar 3 monedas, el espacio
muestral es:
Ω : CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS
n(Ω) = 8
• Suponga que solo nos interesa el número de caras que
salen, y si se introduce una función que determine esto,
Entonces:
X(ccc) = 3; X(ccs), X(csc), y X(scc) = 2; X(css), X(scs),
X(ssc) = 1; y X(sss) = 0
 Variable Aleatoria Discreta
• Variable Aleatoria : representa resultados de un
experimento.

e.g. Lanzar un dado dos veces:

Contar el número de veces que sale 4 (0, 1, o 2 veces)
• Variable Aleatoria Discreta :
• Obtenido Contando (0, 1, 2, 3, etc.)
• Usualmente finito el número de valores
e.g. Tirar una moneda 5 veces. Contar el número de sellos.
(0, 1, 2, 3, 4, o 5 veces)
 Distribución de Probabilidad
Discreta

Evento: Tirar 2 Monedas. Contar # Cruz.

Distribución Probabilidad
Valores Probabilidad
T 0 1/4 = .25
1 2/4 = .50
T
2 1/4 = .25
T T
 Distribución de Probabilidad
Discreta
• Lista de Todos Posibles [ Xi, P(Xi) ] Pares
Xi = Valor de Variable Aleatoria (Resultado) P(Xi)
= Probabilidad Asociada con el Valor
• Mutuamente Exclusiva (No sobrepuesto)
• Colectivamente Exhaustivos (Ninguna queda fuera)
0  P(Xi)  1
 P(Xi) = 1
 Variable Aleatoria Discreta
Medidas de Resúmen
Valor Esperado
La Media de la Distribución Probabilidades, Promedio Ponderado
 = E(X) = Xi P(Xi)
e.g. Lanzar 2 monedas, Contar cruz, Calcular Valor Esperado:
 = 0  .25 + 1 .50 + 2  .25 = 1
Varianza Number de cruces
Desviación Promedio al cuadrado con la media ponderado
 = E [ (Xi -  )2]= (Xi -  )2P(Xi)
e.g. El mismo:
 = (0 - 1)2(.25) + (1 - 1)2(.50) + (2 - 1)2(.25) = .50
Importantes Distribuciones de
Probabilidades Discreta

Distribución
Probabilidades Discreta

Binomial Hipergeometrica Poisson

 Distribución Probabilidades
Binomial
• ‘n’ Identicos Ensayos (Ensayos Bernoulli), e.g.
15 lanzamientos de una moneda,
10 focos de luz tomados de una ferretería
• 2 Resultados Mutuamente Exclusivos,
e.g. cara o cruz en cada tirada de la moneda,
defectuoso o no defectuoso focos de luz
• Probabilidad Constante por cada ensayo,
e.g. probabilidad de sacar cruz es la misma cada
vez que se lanza la moneda y cada foco de luz
tiene la misma probabilidad de ser defectuoso
 Distribución Probabilidades
Binomial
• ‘n’ Identicos Ensayos (Ensayos Bernoulli), e.g.
15 lanzamientos de una moneda,
10 focos de luz tomados de una ferretería
• 2 Resultados Mutuamente Exclusivos,
e.g. cara o cruz en cada tirada de la moneda,
defectuoso o no defectuoso focos de luz
• Probabilidad Constante por cada ensayo,
e.g. probabilidad de sacar cruz es la misma cada
vez que se lanza la moneda y cada foco de luz
tiene la misma probabilidad de ser defectuoso
 Función de Distribución de
Probabilidades Binomial
n! n−X
P(X) = p ( −p
X
1 )
X !(n − X)!
P(X) = probabilidad de X éxitos en n ensayos
X = numero de „éxitos‟en
muestra, (X = 0, 1, 2, ..., n)
p = probabilidad de „éxito‟
Sellos en 2 Tiros de una moneda
n = tamaño de muestra
X P(X)
Ω= CC, CS, SC, SS 0 1/4 = .25
1 2/4 = .50

0,25 0,50 0,25

2 1/4 = .25
 Características de la
Distribución Binomial

Media P(X) n = 5 p = 0.1

.6
 = E(X ) = np .4
.2
e.g.  = 5 (.1) = .5 0 X
0 1 2 3 4 5

Deviación Estandar
 = n = 5 p = 0.5
np ( − p )
P(X)
.6
.4
e.g.  = 5(.5)(1 - .5) = 1.118 .2
0 X
0 1 2 3 4 5
 Distribución Binomial (Ejemplo)

De 6 lanzamientos de una moneda equilibrada cuál es la

probabilidad de obtener 2 caras

Solución n=6 p = 1/2 q = 1 – ½ = 1/2

k igual a 2

P ( X = 2) = 𝐶26 𝑝2 𝑞4 = 15 * 0,25 * 0,0625 = 0,2344

La probabilidad de éxito de una determinada vacuna es 0.72

calcular la probabilidad de que una vez administrada a 15
pacientes
a. ninguno sufra una enfermedad
b. todos sufran la enfermedad
c. 2 de ellos sufran la enfermedad
 Distribución Binomial (Ejemplo)

Solución n = 15 p = 1 – 0,72 = 0,28 q = 0,72

a. P ( X = 0) = 𝐶015 𝑝0 𝑞15 = 1 * 1 * 0,0072 = 0,0072

15 15 0
b. P ( X = 15) = 𝐶15 𝑝 𝑞 = 1 ( 5,098 x 10 -9 ) 1 = 0,00

c. P ( X = 2) = 𝐶215 𝑝2 𝑞13 = 105 * 0,784 * 0,0140 =

0,1152
 Distribución de Poisson
Poisson Procesó:
• Eventos Discretos en un ‘Intervalo’ P(X = x|
– La Probabilidad de Un Suceso en
Intervalo es estable e- x
– La Probabilidad de más que un x!
Suceso en este Intervalo es 0
• Probabilidad de Suceso es
Independiente de Intervalo a
Intervalo
e.g. # aviones que arrivan en 15 min.
# Defectos Por cajas de focos de
luz
 Función de Distribución de
Probabilidades Poisson
− X
P(X) = e 
X!
P(X ) = probabilidad de X sucesos dado 
 = (media) esperada num. de ‘sucesos’
e = 2.71828 (base log. natural)
X = número de „sucesos‟ por unidad.
e.g. Encuentre la probabilidad de 4 -3.6 4
aviones arrivando en 3 minutos cuando e 3.6 = .1912
P(X) =
la media es 3.6. 4!
 Características de la
Distribución Poisson
Media P(X)  = 0.5
 = E(X) =  .6
.4
N .2
=  X i P( X i ) 0 X
0 1 2 3 4 5
i =1

P(X) =6
.6
Deviación Estandar .4

 = 𝝀
.2
0 X
0 2 4 6 8 10
 Distibucion de Poisson (Ejemplo)
Sí 2% de los libros encuadernados en cierto taller tienen
encuadernación defectuosa, Cuál es la probabilidad de que 5
de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas?

Solucion: n = 400 p = 0,02 (2%) λ = np = 400 x 0,02 = 8

P(X = 5) = e-8 x 85 / 5! = 0,0916

 Distribución Hipergeométrica

•‘n’ ensayos en una muestraTomados de

una Población Finita de tamaño N
• La muestra se toma Sin Reemplazo
• Los ensayos son Dependientes
•Concerniente con encontrar la
Probabilidad de ‘X’ Sucesos en la
muestra donde hay ‘A’ Sucesos en la
Población.
 Distribución Hipergeométrica
A N -A

P(X ) = ( X )( n-X )
( N
n )
P(X) = probabilidad de X sucesos dado 3 Focos de luz fueron
n, N, y A seleccionados de 10. De los 10
n = tamaño de muestra hubo 4 defectuosos. Cual es la
N = tamaño población probabilidad que 2 de los 3
seleccionados sean
A = número de “sucesos”
defectuosos?
en la población
X = número de “sucesos” ( 4 )( 6 )
P(2) = 2 1 = .30
en la muestra (X = 0, 1, 2, n) ( 10)
3
Características de la Distribución
Hipergeométrica

Media
 = E(X ) = n A
N
Corrección
Población
Desviación Estándar Finita

= nA(N − A) N − n
N −1
2
N
Distribución Hipergeométrica (Ejemplo)

Un fabricante ofrece el artículo que produce en lotes de 10

unidades de las cuales el 80% está en buenas condiciones el
comprador plantea someter el lote a una prueba que consiste
en sacar a azar 2 artículos del lote y si éstas están en buenas
condiciones las compra, en caso contrario lo rechaza. Qué
probabilidades ay que el comprador compré el lote ?
Solución: N = 10 , n = 80% = 8

𝐶28 𝑥𝐶02 28
P(X = 2) = 𝐶210
= 55
= 0,51 51%