Académique Documents
Professionnel Documents
Culture Documents
CÁTEDRA :
DOCENTE :
Ms. Orellana Lazo Luis Abel
ALUMNA :
Manrique Palomino Ingrit
SEMESTRE :
X ‘‘A’’
HUANCAYO – PERÚ
2018
ANÁLISIS Y TOMA DE DECISIONES
Contenido
1.PROBABILIDAD DE UN SUCESO COMPUESTO ejemplos ............................................................ 3
2.PROBABILIDAD DE UNIÓN ENTRE SUCESOS ejemplo ................................................................ 3
3. TEOREMA DE BAYES .................................................................................................................. 3
4.VARIABLES ALEATORIAS: DISCRETAS Y CONTINUAS .................................................................. 5
4.1. DISTRIBUCIÓN DE PROBABILIDAD DE UNA VARIBLE ALEATORIA DISCRETA ...................... 5
4.2. DISTRIBUCIÓN DE PROBABILIDAD PARA UNA VARIABLE ALEATORIA CONTINUA ............. 7
2
ANÁLISIS Y TOMA DE DECISIONES
3. TEOREMA DE BAYES
En el estudio de la probabilidad condicional se indica que una fase importante del análisis
de probabilidad consiste en revisar las probabilidades cuando se obtiene nueva
información.
Con frecuencia, se comienza con un análisis con estimaciones iniciales o de probabilidad
previa para eventos específicos que nos interesan. Luego, a partir de fuentes como una
muestra, un informe especial o una prueba de producto, se obtiene cierta información
adicional acerca de los eventos. Con esta información nueva actualizamos los valores de
probabilidad previa al calcular las probabilidades revisadas, conocidas como
probabilidades posteriores. El teorema de Bayes proporciona un medio para hacer estas
revisiones de la probabilidad. Los pasos de este proceso de revisión de la probabilidad se
muestran en la siguiente figura. (Seeney 2011)
Según (Render, Stair y Hanna 2012) el teorema de Bayes se emplea para incluir
información adicional cuando esté disponible y ayuda a crear probabilidades posteriores
o revisadas. Esto significa que podemos tomar datos nuevos o recientes y luego revisar y
mejorar nuestras estimaciones de probabilidades anteriores para un evento.
Ejemplo 1:
Aplicar el teorema de Bayes a la empresa de manufactura que recibe envíos de partes
provenientes de dos proveedores distintos. Sea A1 el evento de que una parte es del
proveedor 1, y A2 el evento de que una parte es del proveedor 2. Actualmente, 65% de
las partes compradas por la empresa es del proveedor 1 y 35% del proveedor 2. De ahí
que si una parte se selecciona al azar, asignaríamos las probabilidades previas 𝑃(𝐴2 ) =
0.65 𝑦 𝑃(𝐴2 ) = 0.35.
La calidad de las partes compradas varía con la fuente de suministro. Con base en datos
históricos, las probabilidades condicionales de recibir partes en buen y en mal estado de
3
ANÁLISIS Y TOMA DE DECISIONES
los dos proveedores se muestran en la figura 2. Por tanto, si G denota el evento de que
una parte está en buen estado y B el evento de que una parte está en mal estado, la
información de la siguiente figura:
Figura 2: Probabilidades condicionales de recibir partes en buen y en mal estado de dos proveedoresos
4
ANÁLISIS Y TOMA DE DECISIONES
resultado. Cada una de estas probabilidades conjuntas se muestra en la figura 4, junto con
las probabilidades conocidas para cada rama. Note que las probabilidades de los cuatro
resultados experimentales suman 1.
Resumen de los cálculos del teorema de Bayes para el problema de los dos proveedores
http://www.ugr.es/~jsalinas/bayes.htm
http://www2.famaf.unc.edu.ar/rev_edu/documents/vol_26/26-3-Teor-de-bayes-II.pdf
5
ANÁLISIS Y TOMA DE DECISIONES
La distribución cumple las tres reglas requeridas para todas las distribuciones de
probabilidad:
1. los eventos son mutuamente excluyentes y colectivamente exhaustivos, 2. los valores
de probabilidad individuales están entre 0 y 1 inclusive, y 3. el total de los valores de
probabilidad suma 1.
Aunque listar la distribución de probabilidad como se hizo en la tabla 1 es adecuado,
quizá sea difícil tener una idea de las características de la distribución. Para vencer este
obstáculo, los valores de probabilidad con frecuencia se presentan en forma gráfica. La
gráfica de la distribución de la tabla 1 se presenta en la figura 1.
Serie 2
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
Categoría 1 Categoría 2 Categoría 3 Categoría 4 Categoría 5
Serie 2
6
ANÁLISIS Y TOMA DE DECISIONES
𝒊=𝟏
Donde:
𝑋𝑖 = 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑒𝑑𝑎𝑑 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎
𝐸(𝑋) = 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎
[𝑋𝑖 − 𝐸(𝑋)] = 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑐𝑎𝑑𝑎 𝑣𝑎𝑙𝑟𝑜 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎
𝑃(𝑋𝑖 ) = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑣𝑎𝑙𝑜𝑟 𝑝𝑜𝑠𝑖𝑏𝑙𝑒 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑒𝑑𝑎𝑑 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎
Para calcular la varianza, cada valor de la variable aleatoria se resta del valor esperado,
la diferencia se eleva al cuadrado y se multiplica por la probabilidad de ocurrencia de ese
valor. Luego, se suman los resultados para obtener la varianza.
Veamos cómo funciona este procedimiento para las calificaciones del ejercicio anterior:
𝟓
7
ANÁLISIS Y TOMA DE DECISIONES
Ejemplo:
Esta curva representa la función de densidad de probabilidad del peso de una pieza
específica elaborada por una máquina. El peso varía de 5.06 a 5.30 gramos, donde los
pesos alrededor de 5.18 gramos son los más probables. El área sombreada representa la
probabilidad de que el peso esté entre 5.22 y 5.26 gramos.
Si queremos conocer la probabilidad de que una pieza pese exactamente 5.1300000
gramos, por ejemplo, tendríamos que calcular el área de una línea de ancho 0. Desde
luego, esto sería 0, cuyo resultado parecería extraño, pero si insistimos en suficientes
lugares decimales de exactitud, encontramos que el peso será diferente de 5.1300000
gramos exactamente, aunque la diferencia sea muy pequeña.
8
ANÁLISIS Y TOMA DE DECISIONES
Bibliografía
Render, Stair, y Hanna. Métodos cuantitativos para los negocios. Naucalpan de Juárez:
Pearson, 2012.
Seeney, Williams, Camm. Métodos cuantitativos para los negocios. México D. F.: Cengage
Learning, 2011.