CASO: B&C Electrónica

Como gerente de marketing de B&C Electrónica, usted está considerando

vender un nuevo modelo de televisor. En el pasado, 40% de los nuevos
modelos de televisores han tenido éxito, en tanto que 60% no lo han
tenido. Antes de introducir el nuevo modelo de televisor, el departamento
de investigación de mercados realiza un amplio estudio y entrega un
informe, ya sea favorable o desfavorable. En el pasado, 80% de los
nuevos modelos de televisores que tuvieron éxito recibieron informes de
investigación de mercados favorables, en tanto que 30% de los nuevos
modelos de televisores que no tuvieron éxito recibieron informes
favorables. Para el nuevo modelo de televisor que se está considerando
vender, el departamento de investigación de mercados entregó un informe
favorable, ¿cuál es la probabilidad de que el televisor tenga éxito?
TEOREMA DE BAYES Y PROBABILIDAD TOTAL
Aplicaciones
LOGRO DE APRENDIZAJE

Al término de la sesión, el estudiante

resuelve ejercicios de Teorema de Bayes
y Probabilidad Total, así como también
distribución de variable aleatoria, función
de probabilidad usando las propiedades
de las desigualdades y las leyes de
probabilidades, utilizando el procedimiento
adecuado en el tiempo establecido.
TEOREMA DE BAYES Y PROBABILIDAD TOTAL
Ω

Si conocemos la probabilidad de B en cada uno de los componentes

de un sistema exhaustivo y excluyente de sucesos, entonces
podemos calcular la probabilidad de B como la suma:

P(B) = P(B  A1) + P(B  A2) + P( B  A3) + …. + P( B  An)

P( B)  P( A1 ) P( B / A1 )  P( A2 ) P( B / A2 )  ...  P( An ) P( B / An )

PROBABILIDAD TOTAL
TEOREMA DE BAYES

Si conocemos la probabilidad de B en cada uno de los n

componentes de un sistema exhaustivo y excluyente de
sucesos, entonces…
…si ocurre B, podemos calcular la probabilidad (a
posteriori) de ocurrencia de cada Ai, (i = 1, 2, ... , n):

P(B  Ai )
P(Ai|B) 
P(B)
 TEOREMA DE BAYES

P( A1 ) P( B / A1 )
P( A1 / B) 
P( A1 ) P( B / A1 )  P( A2 ) P( B / A2 )  ...  P( An ) P( B / An )
Ejemplo

PROBABILIDAD TOTAL
El gerente de la empresa «SAGA
PLUS», sabe que el 75% de los 0,2
Niño
productos que exporta son para
varones. De ellos el 20% son para Varones
0,75 Adulto
niños. El 30% del producto de damas 0,8
Producto
son para niñas. ¿Cuál es la
probabilidad que al seleccionar un 0,3 Niña
0,25
Damas
producto , ésta sea para niños?
Eventos: 0,7 Adulta
V: Varones D: Damas
N: Niños
P(F) = P(N∩V) + P(N∩D) = P(N|V) P(V) + P(N|D) P(D)
= 0,75 · 0,2 + 0,25 · 0,3 = 0,225
Ejemplo

TEOREMA DE BAYES

Niño
En el problema anterior: Se 0,2
elige a un producto al azar Varones
y resulta que es para niños 0,75 Adulto
0,8
(niño o niña). ¿Cuál es la Producto
probabilidad que sea para 0,3 Niña
0,25
damas? Damas

0,7 Adulta

P(D) = 0,25; P(N) = 0,225

P(D|N) = P(N ∩ D)/P(N) = P(N|D) P(D) / P(N)
P(D|N) = 0,25·0,3 / 0,225 = 0,33
¿ QUÉ HEMOS APRENDIDO HASTA EL MOMENTO?

DEFINIR:
 PROBABILIDAD TOTAL.
 TEOREMA DE BAYES
AHORA, FRENTE AL CASO INICIAL DE “B&C ELECTRÓNICA”
PODEMOS AYUDAR AL GERENTE CON SU PROBLEMA.
CASO: EMPRESA ELECTRONIC S.A.
Calos Antonio es dueño de la empresa Para ello ha hecho una evaluación de los
Electronic S.A., que se dedica a la venta de posibles riesgos de la pérdida de su
chips para computadoras. Últimamente ha almacén debido a una catástrofe (robo,
notado que existe muchos reclamos de sus incendios, etc.) aunque las pérdidas
clientes por fallas en los chips. Entonces toma anuales en nuevos soles se pueden deber
diez chips al azar de su almacén, los analiza, y a muchas causas, Carlos ha resumido las
sus resultados son: pérdidas anuales (x) en la siguiente tabla:
W={bbbbbbbbbb, bdbbbbbbbb, …, x (pérdidas anuales) P(x)
dddddddddd} 0 0.93
Donde: b: chip bueno, d: chip defectuoso 10000 0.02
a. Carlos Antonio no sabe mucho de 25000 0.015
estadística, pero piensa que para espacios 30000 0.015
muestrales como el anterior, cuyos puntos 50000 0.01
de muestra son grandes, debe existir un 100000 0.01
proceso más simple (que posiblemente Total 1
involucre funciones matemáticas) para c. Si Carlos va a contratar una póliza de
calcular probabilidades. ¿Qué le dirías? seguros contra cualquier catástrofe para su
b. Supón, además, que Carlos esté almacén, ¿Qué valor aproximadamente le
considerando la posibilidad de comprar convendría pagar? Ayudemos a Carlos a
una póliza de seguros. encontrar este valor.
VARIABLE ALEATORIA
 Variable aleatoria
Una variable aleatoria X es una función que asocia a
cada suceso del espacio muestral Ω de un experimento
aleatorio un valor numérico real:

X: Ω  IR
w  X(w)

12
 VARIABLE ALEATORIA (V.A.)

X: La suma que aparece al lanzar un par de dados.

Y: Peso de 20 animales después de 30 días de

alimentarlos de la misma manera.

W: El tiempo de espera para ser atendido en un banco

Z: El número de errores que se encuentran

en la página de un libro contable.
TIPOS DE VARIABLE

V.A. DISCRETA V.A CONTINUA

Es aquella que Es la que puede
solo puede tomar tomar un número
un número finito o infinito no
infinito numerable numerable de
de valores. valores.
X : Ω  IN X : Ω  IR
VARIABLES ALEATORIAS
Ejemplos de variables aleatorias Ejemplos de variables aleatorias
DISCRETAS: CONTINUAS:

Experimento Variable Valores Experimento Variable Valores

aleatoria posibles aleatoria posibles V.A
V.A
Funcionamiento Tiempo en
Llamar a cinco W: Cantidad 0, 1,2,3,4,5 de un banco minuto, entre X>=0
clientes de clientes llegadas de
clientes

Inspeccionar X: Cantidad 0,1,2,….,40 Llenar una lata Cantidad de

un embarque de chips de bebida onzas 0<=x<=12.1
de 40 chips defectuosos (máx =12.1
onzas)

Proyecto para Porcentaje de

Funcionamient Y: Cantidad 0,1,2,3……. construir un terminado del 0<=x<=100
o de un de clientes biblioteca proyecto
restaurante
durante un día Ensayar un Temperatura
nuevo proceso cuando se lleva
químico a cabo la 150<=x<=212
reacción
Vender un Z: Sexo 0: hombre y deseada (min
automóvil Cliente 1: mujer 150º F; máx
212ºF)
¿En los siguientes experimentos que v.a. podría
definirse y cuales serían sus posibles valores?

Inspeccionar
50 autos

Funcionamiento de
una bombilla eléctrica
 Ejemplo de variable aleatoria discreta:
Número de caras al lanzar
2 monedas.
Elementos del
SS CS SC CC
espacio muestral

Ley de
correspondencia

Nº reales
(# de caras) 0 1 2 caras

Establecer una variable aleatoria

para un experimento aleatorio no
es más que una manera de asignar
de "manera natural" números a los
eventos.

17
Función de probabilidad o distribución

Una vez definida una variable aleatoria X, podemos

definir una función de probabilidad o distribución
de probabilidad asociada a X, de la siguiente forma:

p :   [0,1]
x  p ( x)  P( X  x)
La función de probabilidad debe cumplir:

(i ) 0  p( x)  1 x  
(ii )  p( x)  1 (Suma sobre todos los posibles valores
x que puede tomar la variable aleatoria).
 Función de probabilidad discreta
Ejemplo: Lanzamos dos monedas y definimos la variable aleatoria X,
número de caras obtenidas. La función de probabilidad de X es

S S
Valores Probabilidad
S 0 1/4 = 0.25
1 2/4 = 0.50
S 2 1/4 = 0.25

Es habitual expresar la función xi 0 1 2

de probabilidad en una tabla de 1 2 1
la forma: fX (xi)
4 4 4
La función de probabilidad se puede expresar también:

1 si x = 0 o 2
4
fX (x) = 1 si x = 1
2
0 en otro caso

f xi   PX  xi 

Observa que se tiene que cumplir

1) f xi   0, i

2)  f (x )  1
1
i
Función de distribución (acumulada)
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
F :  [0,1]
x  F ( x)  P( X  x)
En nuestro ejemplo de las dos monedas:
xi 0 1 2
F(xi) 1 3 1
4 4

F(1) = P(X  1) = P(x = 0 ó x = 1)

F(1) = 1/4 + 2/4 = 3/4
21
 Función de Distribución (Acumulada)

Ejemplo : Sea X La función de probabilidad de la variable aleatoria X

viene dada por la tabla.

xi 0 1 2 3
fX (xi) 0,2 0,3 0,1 0,4

Representar la función de probabilidad y la función de distribución de X

 Función de Distribución (Acumulada)
Juntamos en una tabla la función de probabilidad y la función de
distribución de X

xi 0 1 2 3
fX (xi) 0,2 0,3 0,1 0,4
FX (xi) 0,2 0,5 0,6 1
Función de probabilidad Función de distribución (Acumulada)
 ESPERANZA MATEMATICA Y VARIANZA PARA V.A DISCRETAS

Variable estadística X que toma Variable aleatoria X que toma

valores x1, …, xi, … valores x1, …, xi, …
Media aritmética: Media aritmética o esperanza:
 x n
i i
   xi  f xi 
x i
  xi  f i
N i
i

Varianza: Varianza:
 i  ni
x 2
 2   xi2  f xi    2
s2  i
 x 2   xi2  f i  x 2 i
N i o bien:
o bien:

 ix  x 2
 ni
 2   xi   2  f xi 
s2    xi  x   f i
i 2
i
N i

Desviación típica: s  s2 Desviación típica:   2

 EJEMPLO

Hallar la esperanza, la varianza y la desviación típica de la variable

aleatoria X, dada por la función de probabilidad.
xi 0 1 2 3
pX (xi) 0,1 0,2 0,4 0,3

Primero se calcula la esperanza matemática=E(X)=

E(X)= = x1·p(x1) + x2·p(x2) + x3·p(x3) + x4·p(x4) =
= 0 · 0,1 + 1 · 0,2 + 2 · 0,4 + 3 · 0,3 = 1,9

La varianza:   x1  p( x1 )  x2  p( x2 )  x3  p( x3 )  x4  p( x4 )  
2 2 2 2 2 2

2 = 02 · 0,1 + 12 · 0,2 + 22 · 0,4 + 32 · 0,3 − 1,92 = 0.89

La desviación típica es la raíz cuadrada de la varianza:

  0,89  0,94
Ejercicio
Una pizzería que atiende pedidos por correo tiene cinco líneas telefónicas. Sea X la
variable aleatoria que representa el número de líneas en uso en un momento
específico. Supongamos que la función de probabilidad f de X está dada en la
siguiente tabla:

x 0 1 2 3 4 5
f(x) 0,2 0,25 0,1 0,15 0,09 0,21

Calcule la probabilidad de cada uno de los siguientes eventos:

a) Menos de 4 líneas estén en uso.
b) Por lo menos 3 líneas están en uso.
c) Entre 2 y 4 (ambas inclusive) líneas estén en uso.
d) Determine el número medio de líneas en uso y su desviación estándar. Interprete.
¿ QUÉ HEMOS APRENDIDO HOY?

DEFINIR E IDENTIFICAR:
 VARIABLE ALEATORIA Y SU CLASIFICACION
 CALCULAR E INTERPRETAR PROBABILIDADES DE UNA VARIABLE
ALEATORIA DISCRETA.
 CALCULAR E INTERPRETAR EL VALOR ESPERADO Y VARIANZA
DE UNA VARIABLE ALEATORIA DISCRETA.

AHORA, PODEMOS AYUDAR A CARLOS ANTONIO CON SU

PROBLEMA.
BIBLIOGRAFIA BASICA:
Estimado estudiante, puedes revisar los siguientes textos que se encuentran en
tu biblioteca:

CODIG
Nro. AUTOR TITULO AÑO
O

PROBABILIDAD Y
519.2 SCHEAFFER Mc.
1 ESTADÍSTICA PARA 2005
SCHE CLAVE
INGENIERÍA

519.5 LEVINE-KREHBIEL- ESTADÍSTICA PARA

2 2006
LEVI/P BERENSON ADMINISTRACIÓN.

WILLIAM W. HINES
DOUGLAS C. PROBABILIDAD Y
519.2
3 MONTGOMERY ESTADÍSTICA PARA 2011
HINE
DAVID M. GOLDSMAN INGENÍERIA
CONNIE M. BORROR
«El conocimiento es una cuesta que pocos pueden subir, mientras
que el deber es una senda que todos pueden seguir»
Morris