Experto nos habla de las Probabilidades

en muchos casos de la vida diaria

 Ley general Multiplicativa para n
eventos

P( A1  A2  A3 ...  Ak )  P( A1 ) P( A2 \ A1 ) P( A3 \ A1  A2 )...P( Ak \ A1  A2 ...  Ak 1 )

INDEPENDENCIA DE n EVENTOS

P( A1  A2  A3 ...  Ak )  P ( A1 ) P ( A2 ) P ( A3 )...P ( Ak )
Probabilidad total.-
Sean A1, A2, A3..., An eventos disjuntos
(mutuamente excluyentes), que forman una
partición de Ω.
Esto es Ai  Aj =  para toda i y toda j, y además
Ω = A1  A2  A3  An

A2
A5
A3
A1 A4

A6

An
Y sea E otro evento tal que E  Ω y E  Ai  

A2
A5
A3
A1 A4

E
A6

An

E
Entonces
E = Ω  E = (A1  A2 A3 An)  E
= (A1  E) (A2  E) (A3 E)
 (An E)

Al aplicar la función de probabilidad a ambos eventos,

se tiene que:
P(E) = P(A1E) + P(A2E) +P(A3E) ++P(An E)

Ya que (Ai  E) es ajeno a (Aj  E) para i ≠ j

Como (Ai  E) = (E  Ai) entonces
P(Ai  E) = P(E  Ai) = P(E/Ai) P(Ai)

Entonces la probabilidad completa de E es:

P(E) = P(E/A1) P(A1) + P(E/A2) P(A2) +

P(E/A3)P(A3)+...+ P(E/An) P(An)
Ejemplo.-
En una pequeña empresa de tejidos se obtiene su
producción con tres máquinas hiladoras M1, M2
y M3 que producen respectivamente 50%, 30%
y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Si se selecciona un artículo al azar,
¿ Cuál es la probabilidad de que el artículo sea
defectuoso ?
Sea
D el evento: Que sea un artículo defectuoso.
P(M1) = .50 P(D/M1) = .03
P(M2) = .30 P(D/M2) = .04
P(M3) = .20 P(D/M3) = .05

P(D) = P(D/M1) P(M1) + P(D/M2) P(M2) +

P(D/M3) P(M3)
= .03(.50) + .04(.30) + .05(.20) = 0.037
 P(D/M1)=.03
D P(M1)*P(D/M1)=.5*.03=.015
P(M1)=.5 M1
0 ND
P(ND/M1)=.97

P(D/M2)=.04 P(M2)*P(D/M2)=.3*.04=.012
D
P(M2)=.30 M2
P(ND/M2)=.96 ND

P(D/M3)=.05
D P(M1)*P(D/M1)=.2*.05=.01
P(M3)=.2 M3
0
ND
P(ND/M3)=.95
P(D) = .015+.012+.01=.037
 Teorema de Bayes.
En el año 1763, dos años después de la muerte de Thomas Bayes
(1702-1761), se publicó una memoria en la que aparece, por vez
primera, la determinación de la probabilidad de las causas a partir
de los efectos que han podido ser observados. El cálculo de dichas
probabilidades recibe el nombre de teorema de Bayes.
 El teorema de Bayes
Supongamos que sobre el espacio muestral S tenemos una
partición Ai, con i = 1, ..., n.
Esto significa que cualquier resultado de S necesariamente debe
estar en uno y solo uno de los eventos Ai
Por ejemplo, piense en todos los pacientes hospitalizados en una
determinada ciudad, y la ciudad tiene cuatro hospitales, digamos
los hospitales 1, 2, 3 y 4. De modo que el conjunto de pacientes
hospitalizados va a estar en uno y solo uno de esos cuatro
hospitales.
Si definimos los sucesos Ai como el conjunto de pacientes
hospitalizados en el i-ésimo hospital, con i = 1, 2, 3, 4.
Entonces los sucesos A1, A2, A3 y A4 constituyen una partición
sobre el conjunto de todos los pacientes hospitalizados, que
llamaremos S.
De otra forma, si seleccionamos al azar un paciente hospitalizado,
entonces el paciente que elegiremos pertenecerá a uno y solo uno
de los Ai.
 El teorema de Bayes
Consideremos un suceso B, que indica una determinada propiedad de los
pacientes, por ejemplo B puede ser el suceso de que el paciente
seleccionado al azar tenga un diagnóstico grave.

A1 Pr( B  A1 )

A2 Pr( B  A2 )

w B
A3
Pr( B  A3 ) n
. Pr( B)   Pr( B  Ai )
i 1
.
.

Resultado de la Pr( B  An )
An
selección
 El teorema de Bayes

En función de las probabilidades condicionales, nos queda

A1
Pr( A1 ) Pr( B / A 1)
A2
Pr( B / A 2 )
Pr( A2 ) B
A3 Pr( B / A 3)
Pr( A3 )
n
.
Pr( B )   Pr( B / Ai ) Pr( Ai )
. i 1

.
Pr( A n ) Pr( B / A n )

An
 El teorema de Bayes

A1
Pr( B / A 1)
Pr( A1 )
A2 Pr( B / A 2 )
Pr( A2 )
Pr( B / A 3) B
Pr( A3 ) A3
n
.
Pr( B)   Pr( B / Ai ) Pr( Ai )
. i 1
Pr( A n ) Pr( B / A n )
.

An

Este cálculo es para medir la incertidumbre de la ocurrencia del evento B.

Medición del futuro, representado por el evento B

 El teorema de Bayes

A1
Pr( B / A 1)
Pr( A1 )
A2 Pr( B / A 2 )
Pr( A2 )
w Pr( B / A 3) B
Pr( A3 ) A3
.
. Supongamos ahora que B ocurre.
Pr( A n ) Pr( B / A n )
. ¿Cuál de los sucesos Aj ha ocurrido?

An

De otra forma, ¿cuál es el valor de Pr( A j / B) con j = 1, ...n?

 El teorema de Bayes

A1
Pr( B / A 1)
Pr( A1 )
A2 Pr( B / A 2 )
Pr( A2 )
w Pr( B / A 3) B
Pr( A3 ) A3
.
Pr( Aj  B) Pr( B / Aj )  Pr( Aj )
. Pr( A j / B)  
Pr( A n ) Pr( B / A n ) Pr( B) Pr( B)
.

Pr( B / Aj )  Pr( Aj )
An Pr( A j / B)  n

 P( B / A )  Pr( A )
i 1
i i

Medición del pasado, representado por el evento Aj

 El teorema de Bayes

Las aplicaciones del teorema de Teorema de Bayes son infinitas, y no

exentas de grandes polémicas. El problema radica es que al decir “B ha
ocurrido” se puede pensar que es un hecho determinístico, y por lo tanto
no tiene objeto calcular la probabilidad Pr(B), es decir si B ha ocurrido
entonces Pr(B) = 1. No obstante, el problema cambia radicalmente si
uno expresa “si B ocurre”, y esta es la interpretación correcta. Por otro
lado, las probabilidades asociadas a los eventos Ai son de tipo a priori, y
que a veces de manera arbitraria deben asignarse puesto que no se tiene
información sobre el “pasado”, y que se espera que van a ser
“mejoradas” con la información que puede entregar el suceso B, de
hecho las probabilidades Pr(Ai / B) son llamadas a posteriori.

Muchos casos judiciales de tipo forense acuden a este teorema para

la dictación de las sentencias por parte de los jueces.
 El teorema de Bayes

El teorema de Bayes (caso partición finita)

Suponga que un individuo acusado de un delito confiesa, por lo tanto

podemos asegurar de que ¿es culpable del delito?

El individuo acusado necesariamente debe pasar por uno y solo uno

de los eventos: culpable o no culpable.

De manera que el juez piensa ¿cuál es la probabilidad de que este

individuo sea culpable dado que confesó su delito?

Algunos piensan, si ha confesado su delito, entonces es necesariamente

es culpable.

Afortunadamente, la confesión por sí sola no es suficiente para

determinar la culpabilidad en un delito, ¿o sí?

Estudie con detalles las siguientes transparencias...

La falacia del interrogador
(Falacia, es un argumento que parece válido, pero no lo es.)

Thomas BAYES (1702 - 1761)

La falacia del interrogador
El problema de la confesión
Sea A el suceso “el acusado es culpable”
Sea C el suceso “el acusado ha confesado”
Consideremos P(A) como la probabilidad de culpabilidad del
acusado, antes de “las nuevas pruebas” de su autoconfesión
P(C / A) : probabilidad de que ha confesado el delito dado
que es realmente culpable.
P(C / Ac ): probabilidad de que ha confesado el delito dado
que no es culpable

Entonces P(C / A) P(A)

P(A/C) =
P(C / A) P(A) + P(C/Ac ) P(Ac )
La falacia del interrogador
El problema de la confesión
Entonces P(A / C) es la probabilidad de que el
acusado sea culpable dado que ha confesado el
delito
P(C / A) P(A)
P(A/C) =
P(C / A) P(A) + P(C/Ac ) P(Ac )

P(C / Ac )
Sea P(A) = p, y definamos r =
P(C / A)

De modo que p
P(A / C) =
p + r (1 - p)
 c
P(C / A )
Sea P(A) = p, y definamos r =
P(C / A)
P(C / Ac )
P(C / A) =
r
c
P(A ) = 1 - p
P(C / Ac )
p
r
P(A/C) =
+
P(C / Ac ) P(C / Ac ) (1 – p)
p
r
P(A/C) =
+ (1 – p)

p
P(A / C) =
p + r (1 - p)
La falacia del interrogador
El problema de la confesión
c
P(C / A ) es llamada “razón de confesión”
r=
P(C / A)

Esta nueva prueba de confesión, debería aumentar la

probabilidad de culpabilidad, esto es:

P(A / C) > P(A)

de otra forma p
>p
p + r (1 - p)
La falacia del interrogador
El problema de la confesión

p
>p
p + r (1 - p)
Esta desigualdad se cumple solamente si r < 1
y esto significa que P(C / Ac ) < P(C / A)

Es decir, la probabilidad de que confiese dado que realmente

es culpable, debe ser mayor a que confiese dado que no es
culpable. Pero, ¿quién nos asegura que esta desigualdad
“naturalmente” se cumplirá?

De modo que, en ciertos casos, la confesión puede hacer

menor la probabilidad de culpabilidad (cuando r > 1)
La falacia del interrogador

Puede ser más verosímil que confiese una persona

inocente que una culpable, en situaciones de terrorismo
como en Irlanda del Norte, o en estados dictatoriales.

Los perfiles psicológicos indican que los individuos más

sugestionables, o más débiles tienen mayor probabilidad de
confesar en un “interrogatorio”
1. TEORÍA MATEMATICA
La teoría general de la administración ha recibido muchos aportes de
las ciencias exactas, específicamente de la matemática.

Modelos matemáticos han proporcionado soluciones a diversos

problemas y/o situaciones empresariales, por ejemplo: en el área de
personal o recursos humanos, producción, mercadeo, finanzas, etc.

Las decisiones administrativas pueden tomarse con base a ecuaciones

matemáticas que constituyen simulaciones de situaciones reales, que
obedecen a determinadas leyes.
La teoría matemática aplicada a problemas de administración se
conoce como Investigación de Operaciones. Este enfoque comprende
una tendencia muy amplia que hace énfasis en el proceso de toma de
decisiones. De ahí que es una contribución al proceso decisorio del
administrador.
La toma de decisiones es la elección entre varias alternativas, derivada de
dos o más opciones.

La investigación de operaciones estudia una situación y construye un

modelo matemático, el cual somete a prueba para desempeñar su
desempeño optimo para, a continuación, recomendarlo al administrador.
La Investigación de Operaciones incluye teoría de juegos, teoría de
colas, programación lineal, probabilidad y estadística, y en la actualidad
simulación por computadoras.
Teoría de colas o líneas de espera: Se da el caso de personas que
acuden a los bancos, sufren incomodidades por las líneas de espera en
las cajas.
Teoría de Juegos: Competencia
Simulación: Es una técnica cuantitativa para la toma de decisiones,
mediante la cual se obtiene la solución de determinados tipos de
problemas; aumentó su popularidad desde que se dispone de
computadoras para ejecutar muchos cálculos necesarios.
Estadística: La estadística como técnica se utiliza para la representación
gráfica, con objeto de que sea más comprensible un problema o solución
matemática.
Probabilidad: Es una herramienta fundamental en la planificación
estratégica de los movimientos sociales, económicos y laborales de toda
la comunidad, mediante este recurso matemático, es posible ajustar de la
manera más exacta posible los imponderables debidos al azar en los
más variados campos tanto de la ciencia como de la vida cotidiana.
Los principales campos de acción de la teoría matemática son:

Con relación a personas: Organización y gerencia, ausentismos

y relaciones de trabajo, economía entre otras.

Con relación a personas y máquinas: Eficiencia y productividad,

controles de calidad, inspección y muestreo, cambios
tecnológicos, etc.

Con relación a movimientos: Transportes, almacenamiento,

distribución, comunicaciones.