ESCUELA PROFESIONAL DE INGENIERÍA QUÍMICA industTRIAL

CÁTEDRA :

ANÁLISIS Y TOMA DE DECISIONES

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

1. PROBABILIDAD DE UN SUCESO COMPUESTO ejemplos

2. PROBABILIDAD DE UNIÓN ENTRE SUCESOS ejemplo

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)

Figura 1 revisión de la probabilidad mediante el teorema de Bayes

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

Proporciona los siguientes valores de probabilidad condicional:

𝑃(𝐺|𝐴1 ) = 0.98 𝑃(𝐵|𝐴1 ) = 0.02
𝑃(𝐺|𝐴2 ) = 0.98 𝑃(𝐵|𝐴2 ) = 0.05
El diagrama de árbol que aparece en la posterior figura representa el proceso de que la
empresa recibe una parte de uno de los dos proveedores y luego descubre que la parte está
en buen o mal estado como un experimento de dos pasos. De los cuatro resultados
experimentales posibles, dos corresponden a que la parte está en buen estado y dos
corresponden a que la parte está en mal estado.
Cada uno de los resultados experimentales es la intersección de dos eventos, así que
podemos
utilizar la regla de la multiplicación para calcular las probabilidades. Por ejemplo:
𝑃(𝐴1 ∩ 𝐺) = 𝑃(𝐴1 )𝑃(𝐺|𝐴1 )

Figura 3 Diagrama de árbol de dos pasos

El proceso de calcular estas probabilidades conjuntas puede representarse por medio de

lo que suele llamarse árbol de probabilidad, como muestra la figura 4. De izquierda a
derecha en el árbol, las probabilidades para cada una de las ramas en el paso 1 son las
probabilidades previas, y las probabilidades para cada rama en el paso 2 son
probabilidades condicionales. Para determinar las posibilidades de cada resultado
experimental, tan sólo se multiplican las probabilidades en las ramas que conducen al

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.

Figura 4 Árbol de probabilidad para el ejemplo de los dos proveedores

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

4.VARIABLES ALEATORIAS: DISCRETAS Y CONTINUAS

4.1. DISTRIBUCIÓN DE PROBABILIDAD DE UNA VARIBLE ALEATORIA

DISCRETA
Cuando tenemos una variable aleatoria discreta, existe un valor de probabilidad asignado
a cada evento. Estos valores deben estar entre 0 y 1, y todos deben sumar 1.
Ejemplo:
Los 100 estudiantes en la clase de estadística de Pat Shannon acaban de terminar un
examen de matemáticas que se aplica el primer día de clases. El examen consiste en cinco
problemas de álgebra muy difíciles. La calificación del examen es el número de
respuestas correctas, de manera que en teoría las calificaciones pueden tener valores entre
0 y 5. Sin embargo, nadie en la clase recibe calificación de 0, por lo que las calificaciones

5
 ANÁLISIS Y TOMA DE DECISIONES

van de 1 a 5. La variable aleatoria X se define como la calificación del examen y las

calificaciones se resumen en la tabla 2.6. Esta distribución de probabilidad discreta se
desarrolló usando el enfoque de frecuencia relativa presentado anteriormente.
Tabla 1 Distribución de probabilidad para las calificaciones del examen

VARIABLE ALEATORIA NÚMERO PROBABILIDAD P(x)

CALIFICACIÓN
5 10 0.1=10/100
4 20 0.2=20/100
3 30 0.3=30/100
2 30 0.4=40/100
1 10 0.3=10/100
Total 100 1.0=100/100

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

La gráfica de esta distribución de probabilidad nos da una idea de su forma y ayuda a

identificar la tendencia central de la distribución, llamada media o valor esperado y la
variabilidad o dispersión
de la distribución, llamada varianza.
Valor esperado de una distribución de probabilidad discreta

6
 ANÁLISIS Y TOMA DE DECISIONES

Además de la tendencia central de una distribución de probabilidad, muchas personas

están interesadas en la variabilidad o la dispersión de la distribución. Si la variabilidad es
baja, es mucho más probable que el resultado de un experimento sea cercano al promedio
o valor esperado. Por otro lado, si la variabilidad de la distribución es alta, lo cual significa
que la probabilidad está dispersa por los diferentes valores de la variable aleatoria, hay
una posibilidad menor de que el resultado del experimento sea cercano al valor esperado.
La varianza de una distribución de probabilidad es un número que revela la dispersión
general de los datos o dispersión de la distribución. Para una distribución de probabilidad
discreta, se calcula mediante la siguiente ecuación:
𝒏

𝝈 = 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 = ∑[𝑿𝒊 − 𝑬(𝑿)]𝟐 𝑷(𝑿𝒊 )

𝟐

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

𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 = ∑[𝑿𝒊 − 𝑬(𝑿)]𝟐 𝑷(𝑿𝒊 )

𝒊=𝟏
𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 = (𝟓 − 𝟐. 𝟗)𝟐 (𝟎. 𝟏) + (𝟒 − 𝟐. 𝟗)𝟐 (𝟎. 𝟐) + (𝟑 − 𝟐. 𝟗)𝟐 (𝟎. 𝟑) + (𝟐 − 𝟐. 𝟗)𝟐 (𝟎. 𝟑)
+ (𝟏 − 𝟐. 𝟗)𝟐 (𝟎. 𝟏)
= 𝟎. 𝟒𝟒𝟏 + 𝟎. 𝟐𝟒𝟐 + 𝟎. 𝟎𝟎𝟑 + 𝟎. 𝟐𝟒𝟑 + 𝟎. 𝟑𝟔𝟏
= 𝟏. 𝟐𝟗
Una medida de dispersión relacionada es la desviación estándar. Esta cantidad también
se utiliza en muchos cálculos referentes a distribuciones de probabilidad. La desviación
estándar es tan solo la raíz cuadrada de la varianza:
𝝈 = √𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 = √𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂𝟐
La desviación estándar para la variedad aleatoria X del ejemplo es:
𝝈 = √𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂
= √𝟏. 𝟐𝟗 = 𝟏. 𝟏𝟒
4.2. DISTRIBUCIÓN DE PROBABILIDAD PARA UNA VARIABLE
ALEATORIA CONTINUA
Existen muchos ejemplos de variables aleatorias continuas. El tiempo que lleva terminar
un proyecto, el número de onzas en un barril de mantequilla, las temperaturas altas
durante un día dado, la longitud exacta de un tipo dado de madera y el peso de un vagón
de ferrocarril con carbón son ejemplos de variables aleatorias continuas. Como las
variables aleatorias pueden tomar un número infinito de valores, deben modificarse las
reglas de probabilidad fundamentales para variables aleatorias continuas.
Igual que con las distribuciones de probabilidad discretas, la suma de los valores de
probabilidad debe ser igual a 1. Sin embargo, como hay un número infinito de valores de

7
 ANÁLISIS Y TOMA DE DECISIONES

la variable aleatoria, la probabilidad de cada valor debe ser 0. Si los valores de

probabilidad para los valores de la variable aleatoria fueran mayores que cero, la suma
sería infinitamente grande.
Para una distribución de probabilidad continua, existe una función matemática continua
que describe la distribución de probabilidad. Esta función se llama función de densidad
de probabilidad o simplemente función de probabilidad. En general, se representa con
f(X). Cuando se trabaja con distribuciones de probabilidad continuas, se grafica la función
de probabilidad y el área bajo la curva representa la probabilidad. Entonces, para
encontrar cualquier probabilidad, simplemente calculamos el área bajo la curva asociada
con el intervalo de interés. (Render, Stair y Hanna 2012)

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.

Figura 5 Ejemplo de la función de densidad de una muestra

Esto es importante porque parece que, para cualquier distribución continua, la

probabilidad no cambia si se agrega un solo punto al intervalo de valores que se considera.
En la figura 5 esto significa que las siguientes probabilidades son exactamente iguales:
𝑃(5.22 < 𝑋 < 5.26) = 𝑃(5.22 < 𝑋 ≤ 5.26) = 𝑃(5.22 ≤ 𝑋 < 5.26) = 𝑃(5.22 ≤ 𝑋 ≤ 5.26)

La inclusión o exclusión de cualquier punto extremo (5.22 o 5.26) no tiene influencia

sobre la probabilidad.

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.