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.
Lanzar una moneda Cara, Sello.
Lanzar dos monedas CC, CS, SC, SS
Sacar una carta (valor) 2v, 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 Espacio Muestral


1 Cara y 1 Sello CS, SC
Cara en la 1ra. moneda CC, CS
Al menos una Cara CC, CS, SC
Cara en cada lanzamiento CC
Experimento: Lanzar dos monedas
Espacio Muestral: CC, CS, SC, SS

Evento Resultados
Probabilidad
Es la medida numrica
de la posibilidad de que
un evento pueda ocurrir.
Su valor est entre 0 y 1

Cierto
Imposible
.5
1
0
Experimentos y Eventos
1. Cul es la probabilidad de obtener 1 cara si
arrojamos una moneda una vez?
Posibles Resultados de Nmero
Favorables Resultados de Nmero
Prob=
{ }
{ }
5 . 0
2
1
,
= =
s c
c
Experimentos y Eventos
Cul es la probabilidad de sacar un as al
sacar un naipe de una baraja?
Posibles Resultados de Nmero
Favorables Resultados de Nmero
Prob=
{ }
0769 . 0
13
1
52
4
Naipes 52
Espadas de As Diamantes, de As Trboles, de As Corazones, de As
= = =
Experimentos y Eventos
Si lanzamos 2 dados, cul es la probabilidad
de obtener un puntaje de 7?
Posibles Resultados de Nmero
Favorables Resultados de Nmero
Prob=
{ }
1667 . 0
36
6
6
) 1 , 6 ( ), 2 , 5 ( ), 3 , 4 ( ), 4 , 3 ( ), 5 , 2 ( ), 6 , 1 (
2
= =
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 :
Experimentos y Eventos
Cul es la probabilidad de obtener 1
compra si se analiza el comportamiento
de compra de tres clientes?
C
S
C
C
C
C
C
S
S
S
S
S
S
C
CCC
CCS
CSC
CSS
SCC
SCS
SSC
SSS
(3)
(2)
(2)
(1)
(2)
(1)
(1)
(0)
0.5
3
=0.125
0.5
3
=0.125
0.5
3
=0.125
0.5
3
=0.125
0.5
3
=0.125
0.5
3
=0.125
0.5
3
=0.125
0.5
3
=0.125
Nmero de Compras
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.
6-4
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.
Posibles Resultados de Nmero
Favorables Resultados de Nmero
Prob=
{ }
{ }
375 . 0
8
3
) ( ), ( ), ( ), ( ), ( (csc), ), ( ), (
) ( ), ( ), (
= =
sss ssc scs scc css ccs ccc
ssc scs css
Algunos principios de conteo
Frmula de la multiplicacin.
Permutacin.
Variacin.
Combinacin.
5-37

ENFOQUES DE LA PROBABILIDAD

I.- PROBABILIDAD OBJETIVA
1.- PROBABILIDAD CLASICA
2.- PROBABILIDAD EMPIRICA O DE
FRECUENCIA RELATIVA
II.- PROBABILIDAD SUBJETIVA
ENFOQUES DE LA PROBABILIDAD
a) Probabilidad Clsica
Se basa en la consideracin de que los
resultados de un experimento son
igualmente posibles.
posibles resultados de total nmero
favorables resultados de nmero
= evento un de ad Probabilid
5-4
I. PROBABILIDAD OBJETIVA
Consideracioneslos 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 .
5-6
Evento A Evento B
Evento A Evento B
EJEMPLO 1
Considere el experimento de lanzar dos monedas al
mismo tiempo.
El espacio muestral = {CC, CS, SC, SS}
Considere el evento de una cara.
Probabilidad de una cara = 2/4 = 1/2.
Los cuatro resultados posibles son mutuamente
excluyentes. CC, CS, SC, SS
Los cuatro resultados posibles son colectivamente
exhaustivos.
En otras palabras, la suma de las probabilidades es:
(0.25 + 0.25 + 0.25 + 0.25) = 1
5-5
b) Probabilidad Emprica o de frecuencias
relativas
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:
nes observacio de total nmero
evento el ocurri que veces de nmero
= evento del ad Probabilid
5-8
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:
186 /1200 = 0.155
5-9
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.

5-10
II. PROBABILIDAD SUBJETIVA


REGLAS O PROPIEDADES DE LA PROBABILIDAD

1.- COMPLEMENTO

2.-ADICION:
Evento Mutuamente Excluyente
Evento Colectivamente Exhaustivos
2.- MULTIPLICACION
Eventos Independientes
Eventos Dependientes
Complemento
Evento A
Complemento de A

A
c
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(A
c
) es
el complemento de A,
P(A) + P(A
c
) = 1
P(A) = 1 P(A
c
).
5-14
EJEMPLO 3
New England Commuter Airways acaba de
proporcionar la siguiente informacin de sus
vuelos de Boston a Nueva York:
5-12
LLEGADA Frecuencia
Antes de Tiempo 100
Demorado 75
A tiempo 800
Cancelado 25
Total 1000
EJEMPLO 3 continuacin
Si A es el evento de que un vuelo llegue
antes de tiempo, entonces
P(A) = 100 /1000 = 0.1.
Si B es el evento de que un vuelo llegue
demorado, entonces
P(B) = 75 /1000 = 0.075.
5-13
EJEMPLO 4
Recuerde el EJEMPLO 3.
Si C es el evento de que un vuelo llegue a tiempo,
entonces P(C) = 800 /1000 = 0.8.
Si D es el evento de que un vuelo sea cancelado,
entonces
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.
5-16
EJEMPLO 4 continuacin
P(A o B) = 1 - P(C o D) = 1 - [0.8 + 0.025] = 0.175
C
.8
D
.025
~(C o D) = (A o B)
.175
5-17
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 cara o sello.
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.
5-18
Regla especial de la Adicin
Evento A Evento B Evento A Evento B
P(A o B) = P(A) + P(B) - P(A y B)
Espacio Muestral
Probabilidad
Conjunta
EJEMPLO 5
En una muestra de 500 estudiantes, 320
dijeron tener un estreo, 180 dijeron tener
una Tv. y 100 dijeron tener ambos:
Estreo
320
Ambos
100
Tv.
180
5-20
EJEMPLO 5 continuacin
Si un estudiante es seleccionado
aleatoriamente, cul es la probabilidad de que
tenga un Estreo, tenga una Tv., y tanto Tv.
como Estreo?
P(S) = 320 /500 = 0.64.
P(T) = 180 /500 = 0.36.
P(S y T) = 100 /500 = 0.20.
5-21
EJEMPLO 5 continuacin
Si un estudiante es seleccionado
aleatoriamente, cul es la probabilidad de que
tenga un estreo o una Tv. en su habitacin?
P(S o T) = P(S) + P(T) - P(S y T)
= 0.64 + 0.36 - 0.20 = 0.80
5-22
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
5-24
Probabilidad condicional
Probabilidad condicional es la probabilidad de que
ocurra un evento en particular, dado que ocurri otro
evento.

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.
5-27
) (
) (
) | (
A P
B A P
A B P

=
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)
5-29
EJEMPLO 6
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.
5-25
EJEMPLO 7
La directora de la escuela de administracin
en Miami recolect la siguiente informacin
acerca de los estudiantes de licenciatura del
colegio:
rea Hombre Mujer Total
Contabilidad 170 110 280
Finanzas 120 100 220
Mercadotecnia 160 70 230
Administracin 150 120 270
Total 600 400 1000


5-30
EJEMPLO 7 continuacin
Si un estudiante se selecciona al azar, Cul es
la probabilidad de que el estudiante sea mujer
del rea de contabilidad?.
P(A y F) = 110 / 1000.
Dado que la estudiante es mujer, Cul es la
probabilidad que est en el rea de contabilidad?
P(A|F) = [P(A y F)] / [P(F)]
= [110 / 1000] /[400 / 1000]
= 0.275.
5-31
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 08
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 08 continuacin
R1
B1
R2
B2
R2
B2
7/12
5/12
6/11
5/11
7/11
4/11
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:

a.Si llueve: probabilidad de accidente del 20%
b.Si nieva: probabilidad de accidente del 10%
c.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:
) | ( * ) ( ) | ( * ) (
) | ( * ) (
) | (
2 2 1 1
1 1
1
A B P A P A B P A P
A B P A P
B A P
+
=
% de produccin total
Motupe 55
Pucallpa 25
Lima 20
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).
Cul es la probabilidad de que:
% botellas falladas (contenido inadecuado)
3
5
4
La compaa Backus ha recibido varias quejas
debido al bajo contenido de sus botellas.
Una queja fue recibida hoy, el gerente de
Produccin no puede identificar la fuente
(Motupe, Pucallpa o Lima) de la botella.
S sabemos que:

Defina eventos.
Elabore un Diagrama del rbol.
Diagrama de rbol
Definiendo Eventos
M = Motupe
P = Pucallpa
L= Lima
B = Buen estado
F = Fallada
M
P
L
P(P) = 0.25
F
B
F
B
F
B
P(MF)= P(MyF) = P(MF)= P(M)*P(F/M)
=(0.55)(0.03)=0.0165
P(MB)= P(MyB) = P(MB)= P(M)*P(B/M)
=(0.55)(0.97)=0.5335
P(PF)= P(PyF) = P(PF)= P(P)*P(F/P)
=(0.25)(0.05)=0.0125
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
P(LB)= P(LyB) = P(LB)= P(L)*P(B/L)
=(0.2)(0.96)=0.192
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).
Teorema de Bayes
Revisin de Probabilidades
Posibilidades
a priori
Informacin
Nueva
Teorema
de Bayes
Posibilidades
posteriores
) (
) (
) | (
A P
A B P
A B P

=
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)
P(no E)
P(P|E)
P(N|E)
P(P|noE)
P(N|noE)
24 . 0
1875 . 0
0450 . 0
) (
) , (
) | ( = = =
P P
P E P
P E P
P(E,P)=0.05x0.90=0.0450
P(E,N)=0.05x0.10=0.0050
P(noE,P)=0.95x0.15=0.1425
P(noE,N)=0.95x0.85=0.8075
0.0450 +
0.1425
0.1875
P(A
1
y B
2
) P(A
1
)
Total Evento
Tabla de Contingencia
P(A
2
y B
1
)
P(A
1
y B
1
)
Evento
Total 1
Probabilidad
Conjunta
Probabilidad Marginal (Simple)
A
1
A
2
B
1
B
2
P(B
1
) P(B
2
)
P(A
2
y B
2
) P(A
2
)
Caso de la Baraja de Naipes..
Negro
Color
Tipo
Rojo Total
As 2 2 4
No As 24 24 48
Total 26 26 52
Negro
Color
Tipo
Rojo Total
As 1/26 1/26 2/26
No As
6/13
6/13 12/13
Total 13/26
13/26 26/26
Caso de produccin
Cul es la Probabilidad de escoger un artculo?
P (A) =
P (D) =
P (C y B) =
P (A o D) =
P (B y D) =
Evento
Evento C D Total
A 4 2 6
B 1 3 4
Total 5 5 10


A: Artculos en idioma espaol
B: Artculos en idioma ingls.
C: Artculos sobre estrategia.
D: Artculos sobre gestin.
Solucin
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
Evento
Evento C D Total
A 4 2 6
B 1 3 4
Total 5 5 10


Plus
Cul es la probabilidad?
P (A|D) =
P (C|B) =
Son C y B
independientes?
Evento
Evento C D Total
A 4 2 6
B 1 3 4
Total 5 5 10


A: Artculos en idioma espaol
B: Artculos en idioma ingls.
C: Artculos sobre estrategia.
D: Artculos sobre gestin.
5
2
10
6
P(A)
4
1
10
5
P(C)
4
1
10
4
10
1
P(B)
B) y P(C
B) | P(C
5
2
10
5
10
2
P(D)
D) y P(A
D) | P(A
= = = =
= = =
= = =
Evento
Evento C D Total
A 4 2 6
B 1 3 4
Total 5 5 10


Tipos de Probabilidades
Condiciones de
Dependencia Estadstica
Condiciones de
Independencia Estadstica
Tipos de
Probabilidad
Smbolo
Marginal P ( A ) P ( A ) P (ABi)
Condicional P ( A|B ) P ( A ) P (A,B) / P ( B )
Conjunta P ( A,B ) P ( A ) x P (B) P (A | B) x 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)
P(2)
P(B|1)
P(M|1)
P(B|2)
P(M|2)
4262 . 0
0305 . 0
0130 . 0
) (
) , 1 (
) | 1 ( = = =
M P
M P
M P
P(1,B)=0.65x0.98=0.6370
P(1,M)=0.65x0.02=0.0130
P(2,B)=0.35x0.95=0.3325
P(2,M)=0.35x0.05=0.0175
0.0130 +
0.0175
0.0305
5738 . 0
0305 . 0
0175 . 0
) (
) , 2 (
) | 2 ( = = =
M P
M P
M P
Tabla de Excel
) (
) , 1 (
) | 1 (
M P
M P
M P =
) (
) , 2 (
) | 2 (
M P
M P
M P =
Pr. Marginal Pr. Condicional Pr. Conjunta
Evento P(Evento) P(Mala|Evento) P(Evento,Mala)
Proveedor 1 0.65 0.02 0.0130 P(1,Mala)
Proveedor 2 0.35 0.05 0.0175 P(2,Mala)
0.0305 P(Mala)
P(1|M) 0.4262
P(2|M) 0.5738
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(C)
P(NC)
P(B|C)
P(BB|C)
P(BBB|C)
P(C,BBB)=0.70x(0.90)
3
=0.5103
P(NC,BBB)=0.30x(0.40)
3
=0.0192
9637 . 0
5295 . 0
5103 . 0
) (
) , (
) | ( = = =
BBB P
BBB C P
BBB C P
0.5103 +
0.0192
0.5295
Tabla de Excel
) (
) , (
) | (
BBB P
BBB Calibrada P
BBB Calibrada P =
) (
) , Calibrada No (
) | Calibrada No (
BBB P
BBB P
BBB P =
Pr. Marginal Pr. Condicional Pr. Condicional Pr. Conjunta
Evento P(Evento) P(B|Evento) P(BBB|Evento) P(Evento,BBB)
Calibrada 0.70 0.90 0.7290 0.5103 P(Calibrada, BBB)
No Calibrada 0.30 0.40 0.0640 0.0192 P(No Calibrada, BBB)
0.5295 P(BBB)
P(Calibrada|BBB) 0.9637
P(No Calibrada|BBB) 0.0363