Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
Modelo
Frecuentemente el objetivo de un investigador es establecer una
adecuada descripción matemática de algún fenómeno natural o
artificial.
Modelo determinístico
Ejemplos
1. Al quemar un hidrocarburo como el gas propano en presencia del oxígeno, se
produce dióxido de carbono y agua.
2. Leyes de Kepler (comportamiento de los planetas).
3. Leyes gravitacionales (un cuerpo baja en ciertas condiciones).
Etc….
Probabilidades y toma de decisiones
Conceptos Básicos.
Definición de experimento estadístico
Un experimento que tiene las siguientes características es
llamado experimento aleatorio o estadístico.
Ejemplos
Ejemplos
Conceptos Básicos.
Estadística vs Probabilidad.
Existen tres componentes esenciales de un modelo estocástico (o
probabilístico):
Conceptos Básicos.
Estadística vs Probabilidad.
En probabilidad, nosotros hacemos ciertas suposiciones acerca de la
población y entonces decimos algo acerca de la muestra.
Definición :
Cualquier situación donde el resultado es incierto se llama
experimento aleatorio.
Probabilidades y toma de decisiones
Definición:
Espacio Muestral
Para cualquier experimento, el espacio muestreal S del experimento consiste
en todos los resultados posibles del experimento.
Por ejemplo,
En el lanzamiento de un dado, una vez, el espacio muestral S es = {1, 2, 3, 4, 5,
6}, que es un espacio con número finito de puntos. Ahora si el experimento
consiste en lanzar una moneda legal, hasta que aparezca el primer sello, el
espacio muestral es: S = { C,C,C,…..}; ya que el resultado deseado puede ocurrir
en la primera, segunda, tercera, . . . , tirada.
Probabilidades y toma de decisiones
Definición:
Evento:
Un evento E es cualquier colección de puntos (conjunto de resultados) en el
espacio muestral.
Cuantificación de la probabilidad
• Si un evento E ocurre m veces en un experimento de n ensayos, entonces la probabilidad de
realizar el evento E se define como:
Probabilidad aditiva.
Donde:
P(E) : probabilidad de que ocurra el evento E.
P(F) : probabilidad de que ocurra el evento F.
P(E⋃F) : probabilidad de que ocurra el evento E o el evento F.
P(E⋂F) : probabilidad de que ocurra el evento E y el evento F a la vez.
Dos eventos A y B son mutuamente excluyentes si no pueden ocurrir al mismo
tiempo, es decir, si no tienen elementos comunes.
Ejemplo
Ejemplo
Si P(A) = 0,6 ; P(B) = 0,4 y P(A∩B)=0,18.
Calcular:
a) P(A|B)
b) P(B|A)
Solución:
a) Usamos la fórmula de probabilidad condicional:
Probabilidades y toma de decisiones
Solución:
b) Usamos la fórmula de fórmula de probabilidad condicional, teniendo en cuenta
que vamos a calcular la probabilidad de que ocurra B, dado que ha ocurrido A.
Probabilidades y toma de decisiones
• Cada variable X aleatoria continua o discreta puede ser cuantificada por una función de
distribución de probabilidad (fdp).
Probabilidades y toma de decisiones
Binomial
de Poisson
Exponencial
Normal
Probabilidades y toma de decisiones
Distribución binomial
Un fabricante produce un artículo en lotes de n artículos cada uno. La
fracción de artículos defectuosos, p, en cada lote se estima a partir de datos
históricos. Nos interesa determinar la fdp de la cantidad de artículos
defectuosos en un lote.
Ejemplo
Las labores diarias de John Doe requieren hacer 10 viajes redondos por
automóvil entre dos ciudades.
Una vez que realiza los 10 viajes, el señor Doe puede descansar el resto
del día, una motivación suficientemente buena para exceder el límite de
velocidad. La experiencia muestra que hay 40% de probabilidad de ser
multado por exceso de velocidad en cualquier viaje redondo.
(a) ¿Cuál es la probabilidad de que el día termine sin una multa por
exceso de velocidad?
(b) Si cada multa por exceso de velocidad es de $80, ¿Cuál es la multa
diaria promedio?
Probabilidades y toma de decisiones
Solución:
Esto significa que la probabilidad de terminar el día sin ser multado es menor que
1%.
La multa promedio por día es :
0.2865
Distribución exponencial
Si el número de llegadas a una instalación de servicio durante un lapso de
tiempo específico sigue la distribución de Poisson entonces,
automáticamente, la distribución del tiempo entre llegadas (es decir, entre
llegadas sucesivas) es la distribución exponencial.
Específicamente, si l es la tasa de ocurrencia de las llegadas de Poisson,
entonces la distribución del tiempo entre llegadas, x, es:
0.3935
Distribución normal
P{0.97 < x < 1.03} = P{(0.97 – 1) / 0.1 < z < (1.03 – 1)/ 0.1 }
= P{ -0.3 < z < 0.3}
= P{z < 0.3} - P{z < -0.3}
= P{z < 0.3} - P{z > 0.3} Por simetría
= P{z < 0.3} - [1 - P{z < 0.3}]
= 2P{z < 0.3} - 1
= 2 * 0.6179 - 1
= 0.2358
Observe que P{z < - 0.3} = 1 – P{z < 0.3} debido a la simetría de la fdp, como
se muestra en la figura.
La probabilidad acumulada P{z < 0.3} = 0.6179, se obtiene con la tabla normal
estándar (Tabla A.1) con la entrada designada con la fila z = 0.3 y la columna
z = 0.00.
-0.3 0 0.3
Toma de decisiones.
Probabilidades y toma de decisiones
Características:
•Los parámetros son constantes conocidos y ciertos.
•Solamente hay una consecuencia para cada alternativa.
•Se tiene conocimiento total sobre el problema.
•Información exacta, medible y confiable acerca del resultado de cada una
de las alternativas que consideremos.
Toma de decisiones en condición de riesgo.
Riesgo :
Las decisiones se toman con base en información que permite
estimar la probabilidad de ocurrencia de cada posible resultado.
Donde:
VEi : Valor esperado de la alternativa “i”
vij : Recompensa o costo que se obtendría al elegir la alternativa “i”, y se
presenta el estado de la naturaleza “j”.
pj : Probabilidad de ocurrencia del estado de la naturaleza ”j”
Tabla de Recompensas.
Tabla de Recompensas.
Ejemplo
Una compañía de investigación de mercados está considerando tres
opciones para el procesamiento de sus datos:
- Continuar con el propio personal
- Contratar una empresa externa (outsourcing)
- Un combinación de las dos opciones anteriores
- Alternativas de decisión
- Eventos aleatorios o estados de la naturaleza
- Probabilidades de ocurrencia de cada estado de la naturaleza
- Recompensas o pagos asociados a las alternativas y estados de la naturaleza
- Valor esperado de cada alternativa de decisión
Laplace
Se basa en el principio de razón insuficiente. Ya que no se conocen las
distribuciones de probabilidad, no hay razón alguna para creer que las
probabilidades asociadas con los estados de la naturaleza sean
diferentes. Por tanto, las alternativas se evalúan utilizando la suposición
simplificadora de que todos los estados son igualmente probables de
que ocurran; es decir, P{s1} = P{s2} = P{s3} =…..= P{sn} = 1/n.
Si la retribución v(ai,sj) representa
la ganancia, la mejor alternativa
es la que da por resultado:
Probabilidades y toma de decisiones
Savage
Este criterio “modera” el grado de conservadurismo del criterio minimax
al reemplazar la matriz de retribución (ganancia o pérdida) v(ai, sj) con una
matriz de pérdida (o lamento), r(ai, sj) mediante la siguiente transformación:
Para demostrar por qué el criterio de Savage modera el criterio minimax
(maximin), considere la siguiente matriz de pérdida:
La aplicación del criterio minimax muestra que a2, con una pérdida definida de
$10,000, es la alternativa preferida. Sin embargo, puede ser mejor elegir a1 porque
hay una probabilidad de limitar la pérdida a $90 sólo si s2 ocurre. Éste suele ser
el caso cuando se utiliza la matriz de lamento:
Probabilidades y toma de decisiones
Hurwicz
Está diseñado para representar diferentes actitudes de decisión que van
desde la más optimista hasta la más pesimista. Defina 0 < a < 1.
La acción seleccionada debe asociarse con:
El parámetro a es el índice de optimismo.
Si a = 0, entonces el criterio se reduce al criterio minimax conservador,
que busca la mejor de las peores condiciones.
Si a = 1, entonces el criterio es optimista porque busca la mejor de las
mejores condiciones.
s1 s2 s3 s4
a1 5 10 18 25
a2 8 7 18 23
a3 21 18 12 21
a4 30 22 19 15
Probabilidades y toma de decisiones
Laplace
Dado que P{sj}= ¼, j = 1 a 4, los valores esperados con las diferentes acciones se
calculan como:
Probabilidades y toma de decisiones
Laplace
s1 s2 s3 s4
a1 5 10 18 25 14,5
a2 8 7 12 23 12,5
a3 21 18 12 21 18
a4 30 22 19 15 21,5
Probabilidades y toma de decisiones
Minimax
s1 s2 s3 s4
a1 5 10 18 25 25
a2 8 7 12 23 23
a3 21 18 12 21 21
ß Minimax
a4 30 22 19 15 30
Probabilidades y toma de decisiones
Savage
La matriz de arrepentimiento se determina restando 5, 7, 12 y 15 de las
columnas 1 a 4, respectivamente. Por lo tanto,
s1 s2 s3 s4 s1 s2 s3 s4
a1 5 10 18 25 a1 0 3 6 10 10
a2 8 7 12 23 a2 3 0 0 8 8
a3 21 18 12 21 a3 16 11 0 6 16
a4 30 22 19 15 a4 25 15 7 0 25
Probabilidades y toma de decisiones
Hurwicz
a = 0,5
Valor esperado
Fila Fila VE =Alfa*fila
a *max minv+ +
(1 (1-
– alfa)*Fila
a)min max * vi
i i
s1 s2 s3 s4 min max
5 a1 25 (5)(0,5)
15 + (25)(1-0,5)
19 = 15
9,2 19,6
a1 5 10 18 25
7
a2 23
(7)(0,5)
15
+ (23)(1-0,5)
18,2
= 15 18,68
10,36
a2 8 7 12 23
a3 (12)(0,5) + (21)(1-0,5) = 16,5
12 21 16,5 18,3 13,89 18,57
a3 21 18 12 21
a4 (15)(0,5) + (30)(1-0,5) = 22,5
15 30 22,5 25,5 18,15 25,95
a4 30 22 19 15
Alfa 0,5 0,3 0,7 0,9
Utilizando una a apropiada podemos determinar la alternativa óptima.
Para el ejemplo, con a = 0.5, a1 o a2 es la óptima
Comparativo
a1 14,5 25 15 10
a2 12,5 23 15 8
a3 18 21 16,5 16
a4 21,5 30 22,5 25
Probabilidades y toma de decisiones
Bibliografía
Hillier, F. y Lieberman, G. (2010). Introducción a la Investigación