ESTADSTICA PARA LA

ADMINISTRACIN Y ECONOMA
Sptima Edicin

Anderson
Sweeney
Williams
Marzo 2015

1
Slide

Captulo 4
Introduccin a la Probabilidad

Experimentos, Espacio Muestral, y Counting

Rules
Asignacin de Probabilidades a un Resultado
Muestral.
Eventos y sus Probabilidades
Algunas Relaciones Basicas de Probabilidad
Probabilidad Condicional
Teorma de Bayes

2
Slide

Un Experimento y su Espacio Muestral

Un experimento es un proceso que genera

resultados bien definidos.
El espacio muestral para un experimento es el
conjunto de todos los resultados
experimentales.
Un punto muestral es un elemento del espacio
muestral , es un resultado experimental en
particular.

3
Slide

Ejemplo: Inversiones Bradley

Bradley ha invertido en dos acciones, Aceite
Markley y Minera Collins. Bradley ha
determinado que los posibles resultados de
estas inversiones tres meses desde ahora son
como sigue:
Ganancia o Prdida
de la inversin
en 3 Meses (en $000)
Aceite Markley
Minera Collins
10
8
5
-2
0
-20
4
Slide

Regla de Conteo para Experimentos de

Multiples Etapas
Si un experimento consiste de una secuencia
de k etapas en cual hay n1 posibles resultados
para la primera etapa, n2 posibles resultados
para el segundo resultado, y as
sucesivamente, entonces el nmero total de
resultados experimentales esta dado por (n1)
(n2) . . . (nk).

5
Slide

Regla de Conteo para Experimentos de

Multiples Etapas

Ejemplo: Inversiones Bradley puede ser visto

como un experimento en dos etapas; esto
implica dos acciones, cada una con un cojunto
de resultados experimentales.
Aceite Markley :
n1 = 4
Minera Collins :

n2 = 2

Nmero Total de
Resultados Experimentales:
(4)(2) = 8

n1 n 2 =

6
Slide

Ejemplo: Inversiones Bradley

Tree Diagram
Aceite Markley Minera Collins Resultado
(Etapa 1)
(Etapa 2)
Experimental
GanaGana
8
(10, 8)
$18,000
(10, -2) Gana $8,000
Pierde 2
Gana 10
(5, 8)
Gana $13,000
Gana
8
(5, -2) Gana $3,000
Gana 5 Pierde 2Gana 8
(0, 8)
Gana $8,000
Pierde (0, -2) Pierde $2,000
Pierde 2
(-20,
Pierde 2
Gana 8 8) Pierde $12,000
(-20, -2)Pierde $22,000
Pierde 2

7
Slide

Regla de Conteo por Combinaciones

Una til regla de conteo que nos permite contar
el nmero de resultados experimentales
cuando n objetos han de ser seleccionados de
un conjunto N de objetos.
El nmero de combinaciones de N objetos
tomados n a la vez
n
N!

N n !( N n)!
donde N! = N(N - 1)(N - 2) . . . (2)(1)
n! = n(n - 1)(n - 2) . . . (2)(1)
0! = 1
8
Slide

Asignacin de Probabilidades para

Resultados Experimentales

Mtodo Clsico
Asignar probabilidades basados sobre el
supuestode resultados igualmente
probables.
Mtodo de Frecuencia Relativa
Asignar probabilidades basados sobre
experimentacin o data histrica.

9
Slide

Asignacin de Probabilidades para

Resultados Experimentales

Mtodo Clsico
Si un experimento tiene n posibles resultados,
este mtodo asignara una probabilidad de 1/n
a cada resultado.

Ejemplo
Experimento: Lanzar un dado
Espacio Muestral: S = {1, 2, 3, 4, 5, 6}
Probabilidades: Cada punto muestral tiene
1/6 de
posibilidad de ocurrir.

10
Slide

Ejemplo : Alquiler de herramientas Lucas

Mtodo de Frecuencia Relativa
Lucas quisiera saber asignar probabilidades a el
nmero de pulidores de pisos que se alquila
por da. La Oficina de registros muestra las
siguientes frecuecias de alquileres diarios para
los ltimos 40 das.
Nmero de
Nmero
Pulidores Rentados de Das
0
4
1
6
2
18
3
10
4
2

11
Slide

Ejemplo : Alquiler de herramientas Lucas

Mtodo de Frecuencia Relativa
Las probabilidades asignadas estan dadas por
dividir las frecuencias (nmero de das) por la
frecuencia total (nmero total de das)
Nmero de
Nmero
Pulidores Rentados de Das
Probabilidad
0
4
.10 = 4/40
1
6
.15 = 6/40
2
18
.45 etc.
3
10
.25
4
2
.05
40
1.00

12
Slide

Eventos y sus Probalidades

Un evento es una coleccin de puntos

muestrales.
La probabilidad de algn evento es igual a la
suma de las probabilidades de los puntos
muestrales en el evento.
Ejemplo:
Evento M =Beneficios de Aceite Markley
M = {(10, 8), (10, -2), (5, 8), (5, -2)}
P(M) = P(10, 8) + P(10, -2) + P(5, 8) +
P(5, -2)
= .2 + .08 + .16 + .26
= .70
Evento C = Beneficios de Minera Collins 13
Slide
P(C) = .48 (de manera similar)

Some Basic Relationships of Probability

Complemento de un Evento
Unin de Dos Eventos
Interseccin de Dos Eventos
Eventos Mutuamente Excluyentes

14
Slide

Complemento de un Evento

El complemento de A se define como el evento

que consiste en todos los puntos muestrales
que no se encuentran en A.
El complemento de A se denota por Ac.
El diagrama de Venn debajo ilustra el concepto
de un complemento. Espacio muestral S

Evento A

Ac

15
Slide

Unin de Dos Eventos

La unin de eventos A y B es el evento que

contiene todos los puntos muestrales que se
encuentran en A o en B.
La unin se denota por A B
La unin de A yB se ilustra debajo.
Espacio muestral S

Evento
A

Evento
B

16
Slide

Unin de Dos Eventos

Example:
Evento M = Beneficios de Aceite Markley
Evento C = Beneficios Minera Collins
M C = Beneficios de Aceite Markley
or
Beneficios de Minera

M C = {(10, 8), (10, -2), (5, 8), (5, -2), (0, 8),
(-20, 8)}
P(M 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
17
Slide

Interseccin de Dos Eventos

La interseccin de eventos A y B es el
conjunto de todos los puntos muestrales que
se encuentran tanto en A como B.
La interseccin es denotada por A
La intercepcin de A y B es el rea
superpuesta en la ilustracin
debajo.
Espacio
muestral S

Evento
A

Evento
B
18
Slide

Interseccin de Dos Eventos

Ejemplo:
Evento M = Beneficios de Aceite Markley
Evento C = Beneficios de Minera Mining
M C = Beneficios de Aceite Markley
y Beneficios de Minera Collins
M C = {(10, 8), (5, 8)}
P(M C) = P(10, 8) + P(5, 8)
= .20 + .16
= .36
19
Slide

Ley de Adicin

La ley de adicin provee una manera de

calcular la probabilidad del evento A o B, o
ambos A y B que se produzcan.
La ley es escrita como:
P(A B ) = P(A ) + P(B ) - P(A
Ejemplo: Beneficios de Aceite Markley o
Minera Collins
Sabemos: P(M ) = .70, P(C ) = .48, P(M C
) = .36
Entonces: P(M C ) = P(M ) + P(C ) - P(M
C)
= .70 + .48 - .36
= .82
20
Este resultado es el mismo que se obtuvo Slide

Ley de Adicin para Eventos Mutuamente

Excluyentes

Dos eventos se dicen ser mutuamente

excluyetes si los eventos no tiene puntos
muestrales en comn. Esto es, dos eventos
son mutuamente excluyentes si , cuando uno
ocurre el otro no puede ocurrir.
Espacio
muestral S
Evento A
Evento B

Ley de Adicin para eventos mutuamente

excluyentes:
P(A B ) = P(A) + P(B )

21
Slide

Probabilidad Condicional

La probabilidad de un evento dado que otro

evento ha ocurrido se llama probabilidad
condicional.
La probabilidad condicional A dado B es
denotado por P(A|B ).
Una probabilidad condicional
P ( A B ) es calculada
como sigue: P ( A| B ) P ( B )
Ejemplo: Beneficios de Minera Collins dado
Beneficios de Aceite Markley.
P (C M ) . 36
P (C | M )

. 51
P( M )
. 70
22
Slide

Ley de Multiplicacin

La ley de multiplicacin provee una manera de

calcular la probabilidad de una interseccin de
dos eventos.
La ley es escrita como:
P(A B ) = P(B)P(A|B )
Ejemplo: Beneficios de Aceite Markley y
Beneficios de Minera Collins
Sabemos: P(M ) = .70, P(C|M ) = .51
Entonces: P(M C ) = P(M)P(M|C )
= (.70)(.51)
= .36
Este resultado es el mismo como se obtuvo
usando la defincin de probabilidad de un 23
evento.
Slide

Ley de Multiplicaticin para Eventos

Indipendientes

Eventos A y B son independientes si P(A|B ) =

P(A ).
La Ley de Multiplicacin para Eventos
Independientes:
P(A B ) = P(A )P(B )
La Ley de Multiplicacin tambin puede ser
usado como una prueba para ver si dos
eventos son independientes
Ejemplo: Son M y C independentes?
EsP(M C ) = P(M )P(C ) ?
Sabemos: P(M C ) = .36, P(M ) = .70, P(C
) = .48
24
Pero: P(M )P(C ) = (.70)(.48) = .34
Slide

Teorema de Bayes
A menudo comenzamos un anlisis de
probabilidad con probabilidad iniciales o
probabilidades previas .
Entonces, de una muestra, reporte especial, o
un producto de prueba obtenemos alguna
informacin.
Dado esta informacin, calculamos
probabilidades revisadas o posteriores
probabilidades.
Teorema de Bayes provee
los medios para
Aplicacin
Probabilidades
Nueva
Probabidades
Al a
Teorema
revisar
las
probabilidades
priori.
Previas
Informacin
a priori

De Bayes

25
Slide

Ejemplo: L. S.
Un centro comercial propuesto
proporcionar una fuerte competencia para los
negocios del centro como L. S. Clothiers. Si el
centro comercial es construido, el dueo de L.
S. Clothiers cree que sera mejor una
relocalizacin de su empresa.
El centro comercial no puede ser
construido al menos que un cambio zonal sea
aprobado por el ayuntamiento. La junta de
planificacin primero debera hacer una
recomendacin a favor o en contra del cambio
de zonificacin a el consejo.
A1 =Ayuntamiento aprueba el cambio de
zonficacin
26

Slide

Ejemplo: L. S. Clothiers

Nueva Informacin
La junta de planificacin ha recomendado
contra el cambio de planificacin. Si B denota
el evento de una recomendacin negativa por
la Junta.
Dado que B ha ocurrido, debera L. S.
Clothiers revisar las probabilidades que el
ayuntamiento apruebe o desapruebe el
cambio zonal?
Data histrica con la Junta y el
ayuntamiento indica las siguientes
probabilidades condicionales :
P(B|A1) = .2
P(B|A2) = .9
27
Slide

Ejemplo: L. S. Clothiers

Anlisis de rbol de Probabilidad

P(B|A1) = .2 P(A B ) = .14
1
P(A1) = .7
c
P(Bc|A1) = .8 P(A1 B ) = .56

P(A2) = .3

P(B|A2) = .9

P(B |A2) = .1

P(A2 B ) = .27

P(A2 Bc ) = .03
28
Slide

Teorema de Bayes

Para encontrar la posterior probabilidad que el

evento Ai ocurrir dado que el evento B ha
ocurrido aplicamos el Teorema de Bayes.
P ( Aii ) P ( B| Aii )
P ( Aii| B )
P ( A11) P ( B| A11) P ( A22 ) P ( B| A22 ) ... P ( Ann ) P ( B| Ann )

El Teorema de Bayes es aplicable cuando los

eventos por los que queremos calcular
probabilidades posteriores son mutuamente
excluyentes y su unin es el completo espacio
muestral.

29
Slide

Ejemplo: L. S. Clothiers

Probabilidades Posteriores
Dado la recomendacin de la Junta no aprueba
el cambio de zonificacin, revisamos las
probablidades previas como sigue:
P ( A11) P ( B| A11)
(. 7 )(. 2 )
P ( A11| B )

P ( A11) P ( B| A11) P ( A22 ) P ( B| A22 ) (. 7)(. 2 ) (. 3)(. 9)

= .34
Conclusin
La recomendacin de la Junta son buenas
noticias para L. S. Clothiers. La probabilidad
posterior de que el ayuntamiento apruebe el
cambio de zonificacin es .34 contra una
probabilidad previa de .7.
30
Slide