Está en la página 1de 61

TCNICAS

DECISIONALES

AGENDA
Reconocer que la incertidumbre es una Caracterstica
fundamental de cualquier entorno en el que se toman las
decisiones humanas.
Aplicar la teora de probabilidades para analizar y expresar las
incertidumbres de un evento y el entorno.
Tener las bases necesarias para hacer inferencias estadsticas
de futuros eventos y sobre las Caractersticas de la poblacin
basndonos en informacin muestral.
Eliminar la sensacin de misterio y temor en el uso de las
probabilidades.

Toma de decisiones
Diariamente nos enfrentamos a situaciones de toma de
decisiones, sin disponer de toda la informacin
necesaria(incertidumbre).
La Teora de la Probabilidad, Ciencia de la
Incertidumbre se ocupa del estudio de la mejor
decisin cuando contamos con informacin reducida.
La probabilidad es importante en la toma de
decisiones, porque suministra un mecanismo para
medir, expresar y analizar la incertidumbre asociada
con eventos futuros; permitiendo a quien toma
decisiones analizar con informacin limitada los
riesgos y minimizar el azar inherente.

Enfrentar, entender y comunicarse claramente


acerca de la incertidumbre es importante y
requerido para:
Anlisis de riesgo, administracin del riesgo y reduccin del riesgo
Evaluacin de proyectos de inversin
Control de calidad
Mejoramiento Gentico
Anlisis de sobrevivencia
Teora de colas, de juegos
Sistemas de seguros
Planificacin y control de ventas e inventarios.
Contratacin de capital humano.
Otros

Definiciones
Experimento
Actividad que origina un evento.
Proceso de hacer una observacin y obtener un resultado.

Experimento Aleatorio
Cualquier proceso de observacin que puede repetirse a voluntad en
condiciones similares, con la condicin de que el resultado no puede
ser previsto antes de cada una de sus realizaciones.

Resultado
Lo que obtenemos de un experimento.

Espacio Muestral
Coleccin de todos los posibles resultados de un experimento.

Evento
Uno o ms de los posibles resultados de un experimento.

Experimento

Espacio Muestral

Lanzar una moneda Cara, Sello.


Lanzar dos monedas CC, CS, SC, SS
Sacar una carta (valor) 2, 2, ..., A (52)
Sacar una carta (color) Roja, Negra
Lanzar un dado. 1, 2, 3, 4, 5, 6
Jugar un partido Ganar, Empatar, Perder
Inspeccionar una parte Defectuoso, Bueno

Experimento: Cobranza a dos clientes


C:cancela su deuda
N:no cancela su deuda
Evento
A: Un cliente Cancel
B: El 1er visitado Cancel
C: Al menos Uno Cancel
D: Los dos Cancelaron

Resultados
A={C1N2, N1C2}
B={C1C2, C1N2}
C={C1C2, C1N2, N1C2}
D={C1C2}

Espacio Muestral: ={C1C2, C1N2, N1C2,

Probabilidad
Es la medida numrica
de la certeza de que un
resultado pueda ocurrir.
Su valor est entre 0 y 1

Cierto

.5

Imposible

Experimentos y Eventos
1. Cul es la probabilidad de obtener 1 Cara si
arrojamos una moneda una vez?
Nmero de Resultados Favorables
Prob
Nmero de Resultados Posibles

1
0 .5
c, s 2

Experimentos y Eventos
Cul es la probabilidad de sacar un as al
sacar un naipe de una baraja?
Nmero de Resultados Favorables
Prob
Nmero de Resultados Posibles

As de Corazones, As de Trboles, As de Diamantes,


52 Naipes

As de Espadas

4
1

0.0769
52 13

Experimentos y Eventos
Si lanzamos 2 dados, cul es la
probabilidad de obtener un
puntaje de 7?
Nmero de Resultados Favorables
Prob
Nmero de Resultados Posibles

(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)


62

6
0.1667
36

Experimentos y Eventos
Cul es la probabilidad de obtener 1
compra si se analiza el comportamiento
de compra de tres clientes?
Considere el experimento aleatorio en el que se.
Sean:
C el resultado (Evento) de que un cliente decide comprar y
S el resultado (Evento) de que un cliente decide no comprar.
Sea de nuestro inters contar el nmero de clientes que deciden comprar
al analizar 3 clientes.

Luego, los posibles resultados combinados pueden ser mejor


visualizados, mediante la construccin de el rbol de decisin
de ste experimento :

CCC

(3)

0.53=0.125

CCS

(2)

0.53=0.125

CSC

(2)

0.53=0.125

CSS

(1)

0.53=0.125

SCC

(2)

0.53=0.125

SCS

(1)

0.53=0.125

SSC

(1)

0.53=0.125

SSS

(0)

0.53=0.125

C
C
S

Nmero de Compras
S

C
S
S

El espacio muestral para este experimento ser: SSS,


SSC, SCS, SCC, CSS, CSC, CCS, CCC.

Entonces, los posibles valores de:


X (nmero de clientes que compran): x = 0,1,2,3.

El resultado cero compras ocurri una vez.


El resultado una compra ocurri tres veces.
El resultado dos compras ocurri tres veces.
El resultado tres compras ocurri una vez.

Nmero de Resultados Favorables


Prob
Nmero de Resultados Posibles

(css ), ( scs ), ( ssc )

3
0.375
(ccc), (ccs), (csc), (css ), (scc ), ( scs ), (ssc ), ( sss ) 8

Principios de
Conteo
Frmula de la
multiplicacin
Permutacin
Variacin
Combinacin

ENFOQUES DE LA
PROBABILIDAD

PROBABILIDAD
OBJETIVA

PROBABILIDAD
CLASICA (1/n)

PROBABILIDAD
SUBJETIVA ( )

PROBABILIDAD
FRECUENCIA
RELATIVA (fi/n)

ENFOQUES DE LA
PROBABILIDAD
I. PROBABILIDAD OBJETIVA
a) Probabilidad Clsica (Situacin decisional nueva)

Se basa en la consideracin de que los


resultados de un experimento son
igualmente posibles.
Probabilid ad de un evento =

nmero de resultados favorables


nmero total de resultados posibles

EJEMPLO 1
Alexis est postulando a su primer trabajo profesional
(Adjudique/Deniegue)Cul es la probabilidad de que
obtenga el puesto?
Aplicando el concepto de probabilidad clsica:
La probabilidad sera: P(A) = = 0.5
La Brasa Roja desea adquirir su primer auto de 4
posibles marcas (Toyota, Nissan, Ford y VW). Si desea
elegir el mejor para efectos de cumplir con el reparto a
domicilio. Cul es la probabilidad de Nissan sea la
marca elegida?
Aplicando el concepto de probabilidad clsica:
La probabilidad sera: P(N)= = 0.25

b) Probabilidad Emprica o de frecuencias


relativas (Situacin decisional reiterada)
Es la probabilidad de que un evento ocurra a
largo plazo.
Se determina observando en cuantas veces se
repite un evento semejante en el pasado:
nmero de veces que ocurri el evento
Probabilidad del evento =
nmero total de observaciones

La probabilidad que suba el dlar.


La probabilidad que un cliente me compre.

EJEMPLO 2
La empresa Caterpillar ha ganado 186
licitaciones de las 1200 a las que se present
este ao. Cul es la probabilidad de que
gane la siguiente licitacin?
Aplicando el concepto de frecuencias
relativas, la probabilidad de que gane sera:
P(G) = 186 /1200 = 0.155

II.PROBABILIDAD SUBJETIVA

Probabilidad Subjetiva:
Es la probabilidad otorgada por un individuo
a la ocurrencia de un evento especfico
basada en cualquier informacin disponible:
su experiencia, opinin personal anlisis
propio de la situacin particular que se evala
(estado de informacin de una persona).
Ejemplos de la probabilidad subjetiva son
estimar la probabilidad de que un equipo de
ftbol gane el campeonato este ao.

ENFOQUES DE LA
PROBABILIDAD
PROBABILIDA
D OBJETIVA

PROBABILIDA
D CLASICA
(1/n)

PROBABILIDA
D SUBJETIVA (
)

PROBABILIDA
D
FRECUENCIA
RELATIVA
(fi/n)

Consideraciones:
Sea cualquier caso, los eventos deben ser.

Eventos Mutuamente Excluyentes.


Eventos Colectivamente Exhaustivos.
Eventos mutuamente excluyentes: La ocurrencia de
cualquier evento implica que ningn otro puede ocurrir
al mismo tiempo.
Eventos Colectivamente exhaustivos: Lista de eventos
que registra todos los resultados posibles cuando se
realiza un experimento, de modo tal que su unin debe
ser igual al espacio muestral .
Evento A

Evento B

Evento A

Evento B

Analizando el caso de:


Experimento: Cobranza a dos clientes
Espacio Muestral: ={C1C2, C1N2, N1C2,
N1N2}

Considere el evento de que un cliente cancel


A={C1N2,N1C2}
Probabilidad de que un cliente cancel P(A) = 2/4 = 1/2.

Los cuatro resultados posibles son mutuamente excluyentes.


C1C2,C1N2,N1C2,N1N2
Los cuatro resultados posibles son colectivamente
exhaustivos. En otras palabras, la suma de las Prob. es:
(0.25 + 0.25 + 0.25 + 0.25) = 1

REGLAS O PROPIEDADES DE LA
PROBABILIDAD
1.- COMPLEMENTO
2.-ADICION:
Evento Mutuamente Excluyente
Evento Colectivamente Exhaustivos
2.- MULTIPLICACION
Eventos Independientes
Eventos Dependientes

Regla del complemento


La regla del complemento se utiliza para
determinar la probabilidad un evento, conociendo
su probabilidad de No Ocurrencia.
Se obtiene restando del nmero 1 la probabilidad
de que No ocurra un evento.
Si P(A) es la probabilidad del evento A y P(Ac) es
el complemento de A,
P(A) + P(Ac) = 1
P(A) = 1 P(Ac).

Complemento de A
Evento A

Ac

5-12

EJEMPLO 3
Tans acaba de proporcionar la
siguiente informacin de sus
vuelos de Lima a Nueva York:
LLEGADA

Frecuencia

Antes de Tiempo

100

Demorado

75

A tiempo

800

Cancelado

25

Total

1000

Sea el evento que un vuelo:


A :llegue antes de tiempo.
B: llegue demorado.
C: llegue a tiempo
D: sea cancelado
P(A) = 100 /1000 = 0.1.
P(B) = 75 /1000 = 0.075.
P(C) = 800 /1000 = 0.8.
P(D) = 25 /1000 = 0.025.

Utilice la regla del complemento para mostrar que la probabilidad


de que el vuelo llegue antes de tiempo (A) o demorado (B) es 0.175.

5-17

EJEMPLO 3

continuacin

P(A o B) = 1 - P(C o D) = 1 - [0.8 + 0.025] = 0.175

C = 0.8
(C o D)C = (A o B)= 0.175
D=0.025

A=0.1

B=0.075

Regla de la Adicin
Si dos eventos A y B son mutuamente excluyentes, la
probabilidad de que ocurra A o B es igual a la suma de
sus probabilidades respectivas:
P(A o B) = P(A U B) = P(A) + P(B)
EJEMPLOS:
Probabilidad que al lanzar una moneda salga Cancel o
Posterg.
La probabilidad de que un vuelo llegue antes de tiempo o
demorado es
P(A o B) = P(A U B) = P(A) + P(B) = 0.1+0.075 = 0.175

Regla de la Adicin
Si A y B son dos eventos no mutuamente
excluyentes, entonces
P(A o B) = P(A U B) = P(A)+P(B)-P(A y B)
Probabilidad conjunta es la probabilidad que
mide la posibilidad de que dos o ms eventos
ocurran juntos.

Regla especial de la Adicin


Espacio Muestral

Evento A

Evento B

P(A o B) = P(A) + P(B) - P(A y B)

Probabilidad
Conjunta

EJEMPLO 4
De 500 estudiantes, 300 aseveraron
tener estreo, 280 dijeron Tv. y al
preguntarles quienes tenan ambos 180
asintieron.

Estreo
300

Ambos
180

Tv.
280

P(S) = 300 /500 = 0.6


P(T) = 280 /500 = 0.56
P(S y T) = 180 /500 = 0.36
P(S o T) = P(S) + P(T) - P(S y T)
= 0.6 + 0.56 - 0.36 = 0.8

Si un estudiante es
seleccionado
aleatoriamente, Cul
es la probabilidad de
que tenga un Estreo,
tenga una Tv., y tanto
Tv. como Estreo?

Regla de la Multiplicacin
Si dos eventos A y B son independientes (la
ocurrencia de B no afecta la probabilidad de
ocurrencia de A). Es decir: P(A|B) = P(A)
Su probabilidad conjunta es:
P(A y B) = P(A B) = P(A) * P(B).
Si dos eventos A y B no son independientes (la
ocurrencia de B afecta la probabilidad de ocurrencia
de A).
Surge el concepto de Probabilidad Condicional

Probabilidad condicional
Probabilidad condicional es la probabilidad de que
ocurra un evento en particular, dado que ocurri otro
evento.
P( A B)
P ( B | A)
P ( A)

P(B|A).
Se lee: La probabilidad de que ocurra el evento B dado
que ya ocurri A.
P(A|B).
Se lee: La probabilidad de que ocurra el evento A dado
que ya ocurri B.

Regla general de multiplicacin


La probabilidad conjunta que ambos ocurran se
encuentra multiplicando la probabilidad de A
por la probabilidad condicional de B dado
que A ocurri.

P(A y B) = P(A B) = P(A) * P(B|A)

EJEMPLO 5
Ripley posee dos inventarios independientes uno de
otro. La probabilidad de que el inventario A aumente
su valor el prximo ao es 0.5, mientras que la
probabilidad de que el B aumente el suyo es 0.7.
Cul es la probabilidad de que ambos aumenten su valor
el prximo ao? Cul es la probabilidad de que al
menos uno aumente su valor el prximo ao (esto
implica que cualquiera de los dos o ambos aumenten)?
P(A y B) = (0.5)(0.7) = 0.35.
As, P(al menos uno) = (0.5)(0.3)+(0.5)(0.7)+(0.7)(0.5)
= 0.85.

EJEMPLO 6

La directora de la escuela de administracin recolect la


siguiente informacin de los estudiantes:
GENERO

Si se elige uno al azar, CARRERA Hombre


cul es la probabilidad de Contabilidad
170
que el estudiante sea mujer
Economa
120
del rea de contabilidad?
Marketing
60
P(M y C) = 110 / 900.
Administracin
150
S se sabe que la estudiante
es mujer, cul es la
probabilidad que estudie
contabilidad?
P(C|M) = [110/400]= 0.275

Total

P(HyA)=
P(H/A)=
P(A/H)=
P(HoA)=

500

Mujer

Total

110

280

100

220

70

130

120

270

400

900

Diagrama de rbol
Un diagrama de rbol (o arborigrama) es una representacin grfica
muy til para visualizar las probabilidades condicional y conjunta y
en particular para el anlisis de decisiones administrativas que
involucran varias etapas.
Donde cada segmento en el rbol es una etapa del problema.
Nodo inicial. Puede o no representar un evento.
Nodos finales o terminales. Son el nmero de alternativas.
Ramas. Une a dos nodos

EJEMPLO 07
Una bolsa contiene 7 fichas rojas (R) y 5 azules (B), se escogen 2 fichas, una
despus de la otra sin reemplazo. Construya el diagrama de rbol con esta
informacin.
Definiendo a los posibles eventos como:
R1: Primera ficha elegida es de color rojo.
B1: Primera ficha elegida es de color azul.
R2: Segunda ficha elegida es de color rojo.
B2: Segunda ficha elegida es de color azul.

EJEMPLO 07

continuacin

6/11
7/12

R1

5/11
7/11

5/12

R2

B2
R2

B1
4/11

B2

PROBABILIDAD A PRIORI

Es la probabilidad inicial con base en el nivel actual de informacin.

PROBABILIDAD A POSTERIORI

Es una probabilidad revisada con base en informacin adicional.


EJEMPLO:
El parte meteorolgico ha anunciado tres posibilidades
para el fin de semana:
a.Que llueva: probabilidad del 50%.
b.Que nieve: probabilidad del 30%
c.Que haya niebla: probabilidad del 20%.
Segn estos posibles estados meteorolgicos, la posibilidad de que
ocurra un accidente es la siguiente:
d.Si llueve: probabilidad de accidente del 20%
e.Si nieva: probabilidad de accidente del 10%
f.Si hay niebla: probabilidad de accidente del 5%.

Resulta que efectivamente ocurre un accidente y como


no estbamos en la ciudad no sabemos que tiempo
hizo (llovi, nev o hubo niebla).
Las probabilidades que manejamos antes de conocer
que
ha ocurrido un accidente se denominan
"probabilidades a
priori" (lluvia con el 50%, nieve con el 30% y niebla
con el
20%).
Una vez que incorporamos la informacin de que ha
ocurrido un accidente, las probabilidades del suceso A
cambian: son probabilidades condicionadas P (A/B), que
se denominan "probabilidades a posteriori

Teorema de Bayes
El teorema de Bayes se representa con la
frmula:
P ( A1) * P ( B | A1)
P ( A1 | B )
P ( A1) * P ( B | A1) P ( A2) * P ( B | A2)

La compaa Backus ha recibido varias quejas


a compaa Backus ha recibido varias quejas
debido al bajo contenido de sus botellas.
ebido al bajo contenido de sus botellas.
Una queja fue recibida hoy, el gerente de
Una queja fue recibida hoy, el gerente de
Produccin no puede identificar la fuente
Produccin no puede identificar la fuente
(Motupe, Pucallpa o Lima) de la botella.
Motupe, Pucallpa o Lima) de la botella.
S sabemos que:
S sabemos que:
% de produccin total

% botellas falladas (contenido


inadecuado)

Motupe

55

Pucallpa

25

Lima

20

Cul es la probabilidad de que:

a)

La botella fallada haya salido de la planta de Motupe. (La botella sea de


Motupe si s que estaba fallada: P(M/F).)
b) Una botella sea de Motupe y est en buen estado: P(MyB).
c) Una botella est en buen estado si s que era Motupe: P(B/M).
d) Una botella est fallada: P(F).
e) Una botella sea de Lima si s que estaba buen estado: P(L/B).

Diagrama de rbol
Defina eventos.
Elabore un Diagrama del rbol.

a)

La botella fallada haya salido de la planta de Motupe. (La botella sea de Motupe si s que estaba fallada:
P(M/F).)
b)
Una
botella sea de Motupe y est en buen estado: P(MyB).
Definiendo
Eventos
c)
Una botella est en buen estado si s que era Motupe: P(B/M).
M = Motupe
d)
Una botella est fallada: P(F).
P = Pucallpa
e)
Una botella sea de Lima si s que estaba buen estado: P(L/B).

L= Lima
B = Buen estado
F = Fallada

P(

0.03
=
)
F /M

P(
M
)=

0.
55

P(B/
M

P(P) = 0.25
P(
L

)=

) = 0.9

P(MB)= P(MyB) = P(MB)= P(M)*P(B/M)


=(0.55)(0.97)=0.5335
B

0.05
=
)
P
P(F/

P(PF)= P(PyF) = P(PF)= P(P)*P(F/P)


=(0.25)(0.05)=0.0125

P(B/P)
= 0.

P(PB)= P(PyB) = P(PB)= P(P)*P(B/P)


=(0.25)(0.95)=0.2375

P(LF)= P(LyF) = P(LF)= P(L)*P(F/L)


=(0.2)(0.04)=0.008

0.
20

P(MF)= P(MyF) = P(MF)= P(M)*P(F/M)


=(0.55)(0.03)=0.0165

95

0.04
=
)
L
P(F/

L
P(B/
L

) = 0.96

P(LB)= P(LyB) = P(LB)= P(L)*P(B/L)


=(0.2)(0.96)=0.192

Teorema de Bayes
Revisin de Probabilidades
Posibilidades
a priori

Informacin
Nueva

Teorema
de Bayes

P ( B A)
P ( B | A)
P ( A)

Posibilidades
posteriores

Ejemplo 09
En un pueblo alejado, 5% de la poblacin padece una
enfermedad originaria de dicho lugar. A priori podemos
afirmar que la probabilidad de que una persona seleccionada al
azar padezca la enfermedad es 5%, y de que no la padezca es
95%.
Existe una prueba de diagnstico para detectar la enfermedad.
Si una persona tiene la enfermedad, la prueba sale positiva en 90% de
los casos.
La estadstica muestra adems que en 15% de los casos, a pesar de que
la persona no padeca la enfermedad, la prueba sali positiva.

Si escogemos a una persona, y al hacerle la prueba de


diagnstico, sta sale positiva, Cul es la probabilidad de que
la persona tenga realmente la enfermedad?

P(E)

Es

o
m
er
f
en 05
t
0.
NO

es

P(E,P)=0.05x0.90=0.0450
P(P|E) sitiva
o
aP 0
b
e
0.9
Pru
Pru
eb a
N
0.1 egat
iva
0
P(E,N)=0.05x0.10=0.0050
P(N|E)

P(P|noE)
en
0.
va
P(noE,P)=0.95x0.15=0.1425
i
t
i
95
s
fe
Po
rm
a
b
o rue
P
.15
0
P(no E)
Pru
eb
a
0.8 Neg
ati
5
va
P(noE,N)=0.95x0.85=0.8075
P(N|noE)
t

P( E | P)

P ( E , P ) 0.0450

0.24
P( P)
0.1875

0.0450 +
0.1425
0.1875

Tabla de Contingencia
Evento
Evento

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
Probabilidad
Conjunta

P(B1)

P(B2)

Probabilidad Marginal (Simple)

Caso de la Baraja de Naipes..


Tipo

Color
Rojo

Negro

Total

As

No As

24

24

48

Total

26

26

52

Rojo

Negro

Total

As

1/26

1/26

2/26

No As

6/13

6/13 12/13

Total

13/26 13/26 26/26

Tipo

Color

Caso de produccin
A: Artculos en idioma espaol
B: Artculos en idioma ingls.
C: Artculos sobre estrategia.
D: Artculos sobre gestin.

Evento
Evento C D Total
A 4 2 6
B 1 3 4
Total 5 5 10

Cul es la Probabilidad de escoger un artculo?


P (A) =
P (D) =
P (C y B) =
P (A o D) =
P (B y D) =

Solucin

E
v
e
n
t
o
E
ve
tA
n
o
C
D
T
o
t
a
l
4
2
6
B
1
3
4
T
o
tal 5510

Las probabilidades son:


P (A) = 6/10
P (D) = 5/10
P (C y B) = 1/10
P (A o D) = 9/10
P (B y D) = 3/10

Plus

Cul es la probabilidad?
P (A|D) =
P (C|B) =
Son C y B
independientes?

E
v
e
n
t
o
E
ve
tA
n
o
C
D
T
o
t
a
l
4
2
6
B
1
3
4
T
o
tal5510
A: Artculos en idioma espaol
B: Artculos en idioma ingls.
C: Artculos sobre estrategia.
D: Artculos sobre gestin.

E
v
e
n
t
o
E
v
e
n
t
o
C
D
T
o
t
a
l
A
4
2
6
B
1
3
4
T
o
ta
l 551
0

2
P(A y D) 10 2
P(A | D)

5 5
P(D)
10
1
P(C y B) 10 1
P(C | B)

4 4
P(B)
10
5 1
6 2
P(C)

P(A)

10 4
10 5

Tipos de Probabilidades
Tipos de
Probabilidad

Smbolo

Marginal

P(A)

Conjunta

P ( A,B )

Condicional

P ( A|B )

Condiciones de
Independencia Estadstica
P(A)
P(A) x

P (B)

P(A)

Condiciones de
Dependencia Estadstica
P (ABi)
P (A | B) x P (B )
P (A,B) / P ( B )

Ejemplo 10
Una manufacturera recibe embarques de piezas de dos
proveedores. El 65% de las piezas adquiridas provienen del
proveedor 1 y el 35% restante del proveedor 2. Segn la
estadstica existente, de las 100 ltimas piezas recibidas del
proveedor 1, 98 estuvieron buenas y 2 estuvieron malas. En el
caso del proveedor 2, 95 piezas de 100 estuvieron buenas y 5
fueron malas. Suponga que una de las piezas recibidas de los
dos proveedores est mala, cul es la probabilidad que
provenga del proveedor 1? Cul es la probabilidad que
provenga del proveedor 2?

P(1)
1
r
do
e
5
e
6
v
.
0
o
Pr
Pr
ov
ee
0. dor
35
2

P(2)

P(B|1)
a
n
8
e
0.9
Bu
Ma
la
0.0
2
P(M|1)

P(B|2)

P(1,M)=0.65x0.02=0.0130

P(2,B)=0.35x0.95=0.3325

ena 95
u
B
.
0
Ma
la

0.0
5

P(M|2)

P (1 | M )

P(1,B)=0.65x0.98=0.6370

P (1, M ) 0.0130

0.4262
P( M )
0.0305

0.0130 +
0.0175
0.0305

P(2,M)=0.35x0.05=0.0175

P (2, M ) 0.0175
P (2 | M )

0.5738
P( M )
0.0305

Tabla de Excel

P(1, M )
P (1 | M )
P(M )

P(2, M )
P(2 | M )
P( M )

Ejemplo 11
En una fbrica existe una mquina que produce
automticamente engranajes. Si la mquina est correctamente
calibrada producir 90% de piezas buenas. Si est mal
calibrada producir slo 40% de piezas buenas. La experiencia
pasada indica que el 70% de los trabajos de calibracin dan
buenos resultados. Luego de un trabajo de mantenimiento, la
mquina produce 3 engranajes buenos, como las primeras tres
piezas.
Se desea conocer la probabilidad revisada que la calibracin
halla sido buena?

P(B|C)
a
n
e
Bu

P(C,BBB)=0.70x(0.90)3=0.5103

0.5103 +
0.0192

Mal
a

0.5295

Ca
l

ib

r
0.7 ada
0

P(C)

0
0.9
0.10

P(BBB|C)
ena
u
P(BB|C)
B .90
0
a
n
0
e
Bu .90 Ma .10
0
la
0.10
Mal
a

0
da
0.3 ibra
l
Ca

No

P(NC)

ena
u
B .40

0
0.60
M

ena
u
B .40
0
0.60

ena
u
B .40

P(NC,BBB)=0.30x(0.40)3=0.0192

0
0.6
Ma 0

la

Mal
a

ala

P (C | BBB )

P (C , BBB ) 0.5103

0.9637
P( BBB )
0.5295

Tabla de Excel

P(Calibrada | BBB )

P (Calibrada , BBB )
P ( BBB )

P ( No Calibrada | BBB )

P ( No Calibrada , BBB )
P ( BBB )