ESCUELA DE POSGRADO

MODALIDAD A DISTANCIA
PROGRAMA ACADEMICO DE MAESTRIA EN

ADMINISTRACION DE NEGOCIOS MBA

PRODUCTO ACADEMICO:

INFORME DEL AVANCE DEL PRODUCTO INTEGRADOR

COLABORATIVO PROBABILIDADES Y ANALISIS DE SITUACIONES
EMPRESARIALES EN LA TOMA DE DESICIONES

AUTOR(A):

GRECIA PAMELA ENCISO MENDOZA

CLELIA YENIFER GARAY HERRADA

EVELYN JANETH TORRES LOZANO

DOCENTE:

MG. ASPAJO QUIÑONES TULIO

LIMA-PERU

2024
I. INTRODUCCION

El teorema de Bayes fue propuesto por el reverendo Thomas Bayes y es un principio fundamental de
la teoría de la probabilidad. Se centra en actualizar las probabilidades en función de nueva
información. El teorema de Bayes se utiliza para calcular la probabilidad de un evento dada
información previa sobre el evento. Este principio proporciona una base para ajustar creencias
previas a la luz de evidencia adicional, lo que lo convierte en una herramienta valiosa para el análisis
estadístico.

El teorema de Bayes juega un papel crucial en la teoría de la probabilidad, ya que permite que las
probabilidades cambien a medida que se recopilan más datos. En este contexto, en la investigación
de mercado, esta capacidad de actualización se manifiesta como la capacidad de adaptarse
dinámicamente a los cambios en las preferencias de los consumidores e identificar nuevos patrones,
aumentando así la precisión de los pronósticos. El Teorema de Bayes es un principio en
estadística y probabilidad que describe cómo actualizar la creencia en la probabilidad de un
evento, dada nueva evidencia.

Formalmente, establece la relación entre la probabilidad condicional de un evento A dado

un evento B y la probabilidad condicional de B dado A. El teorema de Bayes es fundamental
en diversos campos, desde la inteligencia artificial y el aprendizaje automático hasta la
medicina y la economía, ya que proporciona un marco para actualizar creencias sobre
eventos en función de nueva evidencia.

El Teorema de Bayes es de gran importancia en una variedad de campos debido a su capacidad para
actualizar creencias en base a nueva evidencia. Por ello identificamos ciertos objetivos que nos
ayudarán a poder comprenderlo mejor y aplicarlo en nuestra vida diaria. Comprender la teoría: Este
objetivo se centra en entender los fundamentos matemáticos y conceptuales detrás del Teorema de
Bayes, incluyendo cómo se deriva y cómo se aplica en diferentes contextos.
Aplicar el teorema en problemas reales: Este objetivo implica practicar la aplicación del Teorema de
Bayes en problemas del mundo real, como en la estadística, la inteligencia artificial, la medicina, la
ingeniería y otros campos donde la inferencia probabilística es importante.
Analizar casos de estudio: Puedes establecer el objetivo de analizar casos de estudio o ejemplos
donde el Teorema de Bayes haya sido utilizado para tomar decisiones, resolver problemas o realizar
predicciones.
Explorar extensiones y aplicaciones avanzadas: El Teorema de Bayes tiene muchas extensiones y
aplicaciones en áreas como el aprendizaje automático bayesiano, la estadística bayesiana, la
inferencia causal, entre otros. Puedes establecer como objetivo explorar estas áreas avanzadas.
Implementar algoritmos bayesianos: Si estás en un campo relacionado con la informática o la
ingeniería, puedes establecer como objetivo implementar algoritmos que utilicen el enfoque
bayesiano para resolver problemas específicos.
Educar a otros: Puedes establecer como objetivo educar a otros sobre el Teorema de Bayes, ya sea
dando charlas, escribiendo artículos o tutoriales, o explicando el concepto a tus colegas o
estudiantes.
Contribuir a la investigación: Si estás en un campo académico, puedes establecer como objetivo
contribuir a la investigación en estadística bayesiana, probabilidad o campos relacionados, ya sea
realizando investigaciones originales o participando en proyectos colaborativos.
II. Marco Conceptual

2.1 Análisis Bayesiano _: Según Hernández (2012) Lo define como un grado de creencia y
probabilidad a partir del razonamiento elogiable presentado como generalización de la
lógica aristotélica al tener que razonar en condiciones de incertidumbre, mediante el cual se
analiza el concepto de verosimilitud y se demuestra el Teorema de Bayes que lo constituye,
junto al concepto de probabilidad como grado de creencia, el otro pilar sobre el que se
fundamenta el Análisis Bayesiano.

2.2 Redes Bayesiano- Según Succar (1993) ,Las redes Bayesianas son una representación o
modelo grafico de dependencias e independencias para razonamiento probabilístico entre
un conjunto de variables mediante un gráfico dirigido, en ellas los nodos representan
variables aleatorias y los arcos representan relaciones de dependencia directa entre
variables

2.3 Probabilidad condicional: La probabilidad que ocurra un evento dado que otro evento se
denota como ? (? I ?) P(A/B), que representa la probalidad de que el evento A ocurra dado
que el evento B ha ocurrido.

2.4 Regla del producto : esta regla establece como calcular la probabilidad conjunta de dos
eventos. En términos simples, la probabilidad de que ocurran dos eventos simultáneamente
es el producto de la probabilidad de uno de los eventos y la probabilidad condicional delo
otro evento dado el primero.
2.5 ….
2.6 …..
2.5 Cuestionario

Ejemplo 1

El teorema de bayes nos permite calcular una probabilidad de un suceso A, a partir de lo ocurrido en
el suceso B. Usualmente el teorema de bayes es aplicable a las áreas de control de calidad el cual
nos permite conocer las probabilidades de defectuosidad o no defectuosidad.

El 60% de los poligrafistas de la empresa CCASS son policías y el 20% son de la FAP. El 65 % de los
poligrafistas policías ocupan puesto de jefe y el 50% de los poligrafistas de la FAP también, mientras
que los no poligrafistas policías y los no de la FAP solamente el 20% un cargo de jefe. ¿Cuál es la
probabilidad de que un poligrafista con cargo de jefe elegido al azar sea poligrafista policía?

Desarrollo:

Consideramos los siguientes eventos y sus probabilidades:

 C1 "Los poligrafistas son policías" P (C1) = 0.6

 C2 "Los poligrafistas son de la FAP" " P (C2) = 0.2
 C3 "Los poligrafistas tienen otra carrera" " P (C3) = 0.2

Así mismo, consideramos el evento K "el poligrafista ocupa puesto directivo, el cual tenemos las
siguientes probabilidades:

P(K-C1) = 0.65 , P(K-C2) = 0.5 , P(K-C3) = 0.2

Podemos resumir en el siguiente diagrama de árbol:

Ejemplo 2

Queremos encontrar P (C1 – K), es decir queremos encontrar la probabilidad que un poligrafista sea
policía dado que a priori sabemos que es directivo. Por tanto:
 P ( K|C 1) P(C 1)
P ( C1|K ) = 3

∑ ❑ P ( K|Ci ) P(Ci)
i=1

( 0.65 ) (0.6)
=
( 0.65 ) ( 0.6 ) + ( 0.5 )( 0.2 ) +(0.2)(0.2)
= 1.38

Este Teorema de Bayes, Silva (2001) ,lo define como una teoría de la probabilidad aunque han
existido muchas controversias sobre el tipo de probabilidades que emplea. En consecuencia, los
seguidores de la estadística tradicional también denominada objetivista o frecuencia lista, sólo
admiten probabilidades basadas en experimentos repetibles y que tengan una confirmación
empírica mientras que los llamados estadísticos bayesianos permiten y defienden la utilidad de las
probabilidades subjetivas. Este teorema, que ha vuelto a resurgir con mucha popularidad desde hace
ya algunos años, puede servir entonces para indicar cómo debemos modificar nuestras
probabilidades subjetivas cuando recibimos información adicional de un experimento. Este enfoque
que promulga la estadística bayesiana está demostrando su utilidad y su versatilidad en ciertas
estimaciones basadas en el conocimiento subjetivo a priori y permitir revisar esas estimaciones en
función de la evidencia, lo que está abriendo nuevas formas de hacer conocimiento.

Ejemplo 3

En el área de Abastecimiento, las áreas usuarias del Congreso de la Republica requieren la

adquisición e instalación de equipos de aire acondicionado, para esto se adquiere de tres
proveedores, General Services, Condor Roque y Kramer, se sabe que el 30 % fue abastecido por
General Services , el 20% Condor Roque y el 50% por la empresa kramer y se sabe que los
porcentajes de defecto en estas máquinas son del 4%, 3% y 2% respectivamente , en el área de
control queremos conocer cuál es la probabilidad de que una de las maquinas seleccionadas
defectuosas sea de la empresa General Services , ya que es la que presenta mayor porcentaje de
defectos de los equipos de aire acondicionado , para saber si seguiremos comprando estas máquinas
a esta empresa en el próximo requerimiento.

Ejemplo 4

En uno de los Edificios del Congreso de la República, hay dos ascensores que ya son antiguos y por lo
mismo cada cierto tiempo se están malogrando, el primero es usado el 70% y el segundo el 30%, el
uso continuo de estos provoca un fallo del 3 % y 2 % respectivamente, lo que se quiere saber es la
probabilidad de que con el tiempo cuál de los dos sea el primero en dejar de funcionar.
Ejemplo 5

Ejemplo 6

2.6 CASO DE TOMA DE DECISIONES

CASO 1

En la empresa CCASS la mayoría de los poligrafistas tienen un trabajo propio el cual incurre en fallar
a la empresa cuando confirman pasar pruebas, por el cual la probabilidad de que un poligrafista
policía falle una prueba y no informe a tiempo al área de operaciones es del 60%. La probabilidad
que no falle una prueba y no informe es el 25 % y la probabilidad de que un poligrafista falle e
informe al área de operaciones es del 15%. Si se hubiera informado al área de operaciones, ¿cuál es
la probabilidad de que el poligrafista no falle ninguna prueba?

Desarrollo:

Consideramos los siguientes eventos y sus probabilidades:

 C1 "Los poligrafistas fallen una prueba" P (C1) = 0.6

 C2 "Los poligrafistas no fallen ninguna prueba" P (C2) = 0.4

Así mismo, consideramos el evento K "el poligrafista ocupa puesto directivo, el cual tenemos las
siguientes probabilidades:

P(K-C1) = 0.25 , P(K|C1) = 0.75 , P(K|C2) = 0.15, P(K|C2) = 0.85

Podemos resumir en el siguiente diagrama de árbol:

Queremos encontrar P (C1 – K), es decir queremos encontrar la probabilidad que un poligrafista no
falle ninguna prueba. Por tanto:

P ( K|C 1) P(C 1)
P ( C1|K ) = 3

∑ ❑ P ( K|Ci ) P(Ci)
i=1

( 0.15 ) (0.4)
=
( 0.15 ) ( 0.4 ) + ( 0.25 )( 0.6 )

= 0.8

CASO 2

En el área de Abastecimiento, las áreas usuarias del Congreso de la Republica requieren la

adquisición e instalación de equipos de aire acondicionado, para esto se adquiere de tres
proveedores, General Services, Condor Roque y Kramer, se sabe que el 30 % fue abastecido por
General Services , el 20% Condor Roque y el 50% por la empresa kramer y se sabe que los
porcentajes de defecto en estas máquinas son del 4%, 3% y 2% respectivamente , en el área de
control queremos conocer cuál es la probabilidad de que una de las maquinas defectuosas que
se encontró en una de las Oficinas del Congreso sea de la empresa General Services , ya que es
la que presenta mayor porcentaje de defectos de los equipos de aire acondicionado , para saber
si seguiremos comprando estas máquinas a esta proveedor en el próximo requerimiento.

A1 =General Service B1 = Defectuoso

A2 = Condor Roque B2 = No defectuoso
A3 = Kramer

P (B1/ A1) =.04

A1= General P (B2/A1) = .96

P (A1) = .30

A2 = Condor Roque P (B1/ A2) =.03

P (A2)= .20
 A3= Kramer P (B2/ A2) = .97

P (A3) = .50

P (B1/A3)=0.2

P (B2/ A3)=.98

P (A2/B1) = P (A1) P (B1/A1)

P (A1) P (B1/A1) + P (A2) P (B1/A2)+P (A3) (B1/A3)

= (.30) (.04) = 0.428

(.30)(.04) + (.20) (.03)+ (.50) (.02)

Entonces se determina que la probabilidad de que el aire acondicionado defectuoso es de la

empresa General Service es de un 0.428 o 42.8%.

CASO 3

Supongamos que tenemos dos hoteles, Hotel A y Hotel B, y queremos determinar cuál de los dos
tiene una mayor probabilidad de ofrecer una experiencia satisfactoria para los clientes. Podríamos
tener cierta información previa sobre la calidad de ambos hoteles, basada en opiniones de clientes
anteriores, calificaciones en sitios web de reseñas, o cualquier otro tipo de datos.

El Teorema de Bayes nos permite actualizar nuestra creencia inicial sobre la calidad de los hoteles a
medida que obtenemos nueva evidencia. Por ejemplo, si recibimos una nueva reseña positiva sobre
el Hotel A, podemos utilizar el Teorema de Bayes para actualizar nuestra estimación de la
probabilidad de que el Hotel A proporcione una experiencia satisfactoria para los clientes.

P (Hotel A es satisfactorio| evidencia) es la probabilidad de que el hotel A proporcione una

experiencia satisfactoria dado cierta evidencia.

P (evidencia | Hotel A es satisfactorio) es la probabilidad de que observemos la evidencia dada que

el Hotel A proporciona una experiencia satisfactoria.

P (Hotel A es satisfactorio) es la probabilidad inicial de que el Hotel A proporcione una experiencia

satisfactoria.

P(evidencia) es la probabilidad de observar la evidencia, independientemente de si el Hotel A es

satisfactorio o no. Utilizando esta fórmula y actualizando nuestras creencias a medida que
obtenemos nueva evidencia, podemos tomar decisiones más informadas sobre la calidad y
satisfacción de los hoteles.

Imagina que estás planeando un viaje y estás buscando un buen hotel para alojarte. Tienes dos
opciones: Hotel A y Hotel B. Has escuchado diferentes opiniones sobre ambos hoteles, pero aún no
estás seguro de cuál es mejor. Supongamos que tienes dos criterios importantes para ti: la calidad
del servicio y la limpieza de las habitaciones. Basándote en las opiniones que has escuchado, sabes lo
siguiente:

1. El 80% de las personas que han estado en Hotel A calificaron el servicio como excelente, mientras
que solo el 60% de las personas que han estado en Hotel B lo calificaron así.

2. El 90% de las personas que han estado en Hotel A consideraron que las habitaciones estaban muy
limpias, mientras que solo el 70% de las personas que han estado en Hotel B compartieron esa
opinión.

Ahora, supongamos que eliges un hotel al azar y quieres determinar la probabilidad de que hayas
elegido el Hotel A si el servicio fue excelente y las habitaciones estaban muy limpias. Aquí es donde
entra en juego el Teorema de Bayes:

Definimos los eventos de la siguiente manera:

- \( A \): Elegir el Hotel A.

- \( B \): El servicio fue excelente y las habitaciones estaban muy limpias.

Entonces, lo que queremos calcular es la probabilidad de que hayas elegido el Hotel A dado que el
servicio fue excelente y las habitaciones estaban muy limpias, es decir, \( P(A|B) \).

Utilizando el Teorema de Bayes, tenemos:

\[ P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} \]

Donde:

- \( P(B|A) \): Probabilidad de que el servicio sea excelente y las habitaciones estén muy limpias dado
que has elegido el Hotel A.

- \( P(A) \): Probabilidad de elegir el Hotel A (suponiendo que tienes las mismas posibilidades de
elegir cualquier hotel).

- \( P(B) \): Probabilidad de que el servicio sea excelente y las habitaciones estén muy limpias
(considerando ambos hoteles).

Podemos calcular estos valores utilizando la información proporcionada y las reglas de la

probabilidad. Luego, podemos determinar la probabilidad de que hayas elegido el Hotel A dado que
experimentaste un servicio excelente y habitaciones muy limpias.

3. Resolver los siguientes Problemas

CASO: 3.1. En un estudio estadístico realizado, se estima que el 50% de los e-mails son Spam. Para
ello, un software ha sido aplicado para filtrar tales e-mails spam y evitar que lleguen a la bandeja de
entrada. La marca de software DETECTA asegura que su producto puede detectar el 99% de emails
Spam y que la probabilidad de un falso positivo (un e-mail no Spam pero que es detectado como tal)
es 5%. Si un e-mail es detectado como Spam, ¿cuál es la probabilidad que este no es un email Spam?

DESARROLLO:

Formulamos las siguientes probabilidades;

 P ( S|N ) P( N )
P(N|S) =
P( S)

P(S) = P(S|N)P(N) + P(S| N L ¿ P( N C )

Reemplazamos los datos:

N=El e-mail no es spam

S=El programa detecta como spam

C
N =El e-mail es spam
P(N)=0.5

P(N ¿¿ C)¿=0.5

P(S|N)=0.05

P(S| N C ¿=0.99

P(S) = P(S|N)P(N) + P(S| N C ¿ P( N C )

P(S)= (0.05)(0.5) + (0.99)(0.5)

P(S)=0.025+0.495

P(S)=0.52

P ( S|N ) P( N )
P(N|S) =
P( S)
(0.05)(0.5)
P(N|S) =
0.52
0.025
P(N|S) =
0.52
P(N|S) = 0.048

3.2 En el laboratorio MEDICIS se están analizando tres tipos de BACTERIAS A.B.C , a través de 3
tubos con la bacteria A ,2 tubos con la bacteria B y 5 tubos con la bacteria C. La Probabilidad que
la bacteria A genere enfermedad es 1/3, para la bacteria B es 2/3 y para la bacteria C es 1/7

A1 = Bacteria A = 3 Tubos
A2 = Bacteria B= 2 tubos A3= Bacteria C= 5 Tubos

B1 = Genere Enfermedad
B2= No Genere Enfermedad
 Probabilidad a Priori Probabilidad Condicional

P (B1/ A1) = 1/3

A1= Bacteria A P (B2/A1) = 2/3

P (A1) = 3

A2 = Bacteria B P (B1/ A2) = 2/3

P (A2)= 2

A3= Bacteria C P (B2/ A2) = 1/3

P (A3) = 5

P (B1/A3)= 1/7

P (B2/ A3)=6/7

3.2.1 Probabilidad de que se consiga la enfermedad

P (A1 y B1) = P (A1)P(B1/A1) P (A2 y B1) = P (A1)P(B1/A1) P (A3 y B1) = P

(A3)P(B1/A3)

(3)(1/3) = 1 (2) (2/3) =1.333 (5) ( 1/7) =0.714

1+1.333+0.714=3.047

La probabilidad de que el ratón consiga la enfermedad es de 3.047

3.2.2 P (A3/B1) = P (A3) P (B1/A3)

P (A1) P (B1/A1)+P (A2) P (B1/A2)+P (A3) (B1/A3)

= (5) (1/7)

(3)(1/3)+ (2) (2/3)+ (5) (1/7)

= 0.714

3.047

=0.234

La probabilidad de que la bacteria inyectada sea la bacteria c es de 0.234

IV. Conclusiones

 La teoría bayesiana, que se propone para estimar la probabilidad de los sucesos que puedan
ocurrir, en el caso empleado sobre los aires acondicionados, con defectos ingresados al
Congreso de la República, Entonces se pudo determinar que la probabilidad de que el aire
acondicionado defectuoso sea de la empresa General Service es de un 0.428 o 42.8%., este
método es muy efectivo para calcular el porcentaje de equipos defectuosos en las entidades.

 El teorema de bayes utiliza una estadística que nos permite retroalimentar continuamente y
obtener mejores resultados conforme se incrementen la cantidad de casos a considerar. El
teorema de bayes permite realizar estudios a pequeña escala que se apoya en la
información logrando obtener resultados más confiables, así mismo permite recabar
información para futuros escenarios.

 El Teorema de Bayes es una herramienta fundamental en la teoría de la probabilidad y la

estadística que tiene importantes implicaciones y aplicaciones en una variedad de campos.
También proporciona un marco formal para actualizar nuestras creencias o probabilidades
iniciales sobre un evento en función de nueva evidencia o información observada. Esto es
esencial en situaciones donde la incertidumbre es inherente y se requiere una toma de
decisiones informada. En resumen, el Teorema de Bayes es un principio fundamental que
ofrece una forma sistemática de actualizar creencias, incorporar evidencia y tomar
decisiones basa
V. Referencia Bibliográfica

Barreto, A. (2012). El progreso de la Estadística y su utilidad en la evaluación del desarrollo. Papeles

de Población, 18(73), 1-13.

Silva, B. (2001). El enfoque bayesiano: otra manera de inferir. Gaceta Sanitaria

https://www.sciencedirect.com/science/article/pii/S0213911101715786

Sucar.L (1993). Chapter 1: Redes Bayesianas. INAOE.

https://ccc.inaoep.mx/~esucar/Clases-mgp/caprb.pdf

Hernández, D. (2012). Análisis bayesiano: conceptos y fundamentos. Instituto Nacional de

Investigación y Desarrollo Pesquero .https://www.inidep.edu.ar/wordpress/?page_id=7189