Académique Documents
Professionnel Documents
Culture Documents
Teorema de Bayes
Para el curso de Mtodos Cuantitativos Aplicados a la Administracin Maestra en Administracin Programa de Posgrado en Ciencias de la Administracin Universidad Nacional Autnoma de Mxico Prof. Carlos Rodrguez Contreras Con apoyo de Manuel Quintero (alumno del semestre 2009-2)
Contenido
Probabilidad (muy, muy bsica) ......................................................................... 3 Probabilidad Condicional ................................................................................. 4 Teorema de Bayes............................................................................................. 7 Construyendo rboles ..................................................................................... 7 Ejercicios para resolver ............................................................................. 17
iv
Ahora definamos como evento que al azar obtengamos el as de trboles (sera un evento simple). ste ser nuestro evento . Cul sera su probabilidad, es decir P(E)?
Es evidente que entre las 52 cartas solo existe un as de trboles, por lo que su probabilidad sera 1 en 52, es decir: ( )= 1 52
Se pueden definir diferentes eventos (simples o compuestos) de todos los espacios muestrales. Supongamos los siguientes: Ejemplo 1 : Sacar al azar cualquier as. Como existe 4 ases, entonces: ( )= 1 4 = 52 13
Ejemplo 2 : Sacar al azar cualquier carta negra. La mitad de las cartas son negras, es decir, 26, por lo que: ( Ejemplo 3 : Sacar al azar cualquier figura. En cada palo existen 3 figuras (J, Q, K), y el mazo cuenta con 4 palos, entonces: ( Ejemplo 4 : Sacar al azar un nmero par. El mazo tiene solo ciertos nmeros pares (2, 4, 6, 8 y 10), con 4 palos tendremos que: ( )= 5 4 20 10 5 = = = 52 52 26 13 )= 3 3 4 12 = = 52 52 13 )= 26 1 = 52 2
Probabilidad Condicional
A partir de lo anterior, podemos obtener la probabilidad de que un evento ocurra. Pero algunas veces se deseara calcular la probabilidad de un evento de un espacio muestral con relacin a otro evento del mismo espacio muestral. Es decir, si se tiene informacin a priori acerca de que el resultado debe estar en un conjunto F, esta informacin debe emplearse para volver a estimar el valor de la verosimilitud de que el resultado tambin estar en . Esta nueva estimacin se
denota por ( | ) y se lee como La probabilidad condicional de E dado F, y representa la respuesta a la pregunta Qu tan probable es que ocurra E dado que ocurri F? Volviendo al ejemplo de los naipes. Ya sabemos que si definimos el evento E como sacar el as de trboles, su probabilidad es ( )= 1 52
Ahora supongamos que alguien ha sacado una carta a lazar, y nos dice que es negra (lo cual ser nuestro evento F), seguira siendo la misma probabilidad para ? Evidentemente no, esta ha cambiado. Sabemos que existen 26 cartas negras, y que una de ellas es la que buscamos, entonces su nueva probabilidad es: ( )= 1 26
Es decir, la probabilidad que buscamos es la interseccin de los conjuntos ( ) si sabemos que ocurri F. Entonces, la probabilidad de E dado F es el cociente de la probabilidad de ( ) entre la probabilidad de ( ). ( | )= ( ) ( )
Qu quiere decir eso? Representmoslo. Cul es la probabilidad de que ocurra (que la carta sea negra)? Dado que son 26 cartas negras en el mazo, su probabilidad es: ( )= 26 1 = 52 2
( )= Dividiendo:
1 ( ) 52 2 1 ( | )= = = = 1 ( ) 52 26 2 Llegando al mismo resultado. Definamos ms ejemplos: Ejemplo 1 : Sacar al azar cualquier as. : Sacar una carta roja Como existe 4 ases, pero solo 2 son rojos, entonces la probabilidad de sacar y que sea rojo : un as ( )= 2 1 = 52 26
Entonces la probabilidad de sacar un as, dado que se obtuvo una carta roja es: ( | )= ( ( ) )
Ejemplo 2 : Sacar al azar un nmero par. : Sacar al azar un diamante. Existen 13 cartas de que sean diamantes, y 9 nmeros en cada palo (2 al 10), de los cuales 5 son pares (2,4,6,8 y 10). As, solo se pueden elegir 5 cartas de todo el mazo que cumpla con ser nmero par y diamante ( )= 5 52
Teorema de Bayes
El teorema de Bayes se define como: Sea un espacio muestral dividido en eventos , , , . Sea cualquier ( ) > 0. La probabilidad del evento ( = 1,2, , ), evento de para cualquier dado el evento , es: ( | )= ( ) ( | ( ) ( | ) ) + ( ) ( | )+ + ( ) ( | )
Y eso com se traduce? A pesar de parecer bastante confuso, este teorema nos dice que la probabilidad de dado que ya ocurri , se puede obtener por medio de dividir la que ocurra probabilidad de que ocurra el evento por la probabilidad de que ocurra dado que ya ocurri , es decir, la multiplicacin del camino que inicia en que nos llevan a E y dividir esto entre la suma de todos los caminos que nos llevan a E. Continuemos con el ejemplo de los naipes. Supongamos que queremos saber que tan probable es que obtengamos una carta roja dado que obtuvimos un as.
Construyendo rboles
La forma ms sencilla de visualizar esto es por rboles binarios. Estos rboles se construyen a partir de la informacin con que se cuenta al hacer el anlisis. La idea bsica es ir generando un orden lgico de los eventos para despus asignar sus valores de probabilidad. En este ejemplo lo primero que sabamos es que se tena una carta de algn color (rojo o negro) y despus si era as o no. As construimos el siguiente rbol:
En este caso otras se refiere a cualquier otra carta que no sea As. Y ahora asignamos las probabilidades que conocemos. Es importante recordar que en cada nodo, la suma de sus hijos deben sumar 1. Por ejemplo, la probabilidad de sacar un As dado que la carta es roja es de 1/13, por lo que la probabilidad de sacar cualquier otra ser de 12/13.
Ahora debemos de encontrar el camino que nos interesa (un As rojo) y multiplicar las probabilidades que se encuentran de por medio.
En este ejemplo sera 1 1 1 = 2 13 26 Lo que tenemos que hacer ahora es encontrar todos los caminos que nos podran llevar al mismo resultado final (que sea As), esto incluye al resultado que ya hemos encontrado, y sumarlos.
La suma sera 1 1 2 1 + = = 26 26 26 13 Ahora lo nico que faltara sera dividir el primer elemento que obtuvimos entre el segundo: 1 26 = 13 = 1 ( | )= 1 26 2 13 Lo cual suena bastante lgico, dado que si tenemos un as solo puede ser rojo o negro. Ejemplo 1 Una lnea de produccin para pilas de linterna produce una fraccin defectuosa a largo plazo de 10%. En la lnea se usa un mecanismo de prueba para eliminar automticamente las pilas defectuosas. Sin embargo este mecanismo no es perfecto. La probabilidad de que elimine una pila en buen estado es del 50% y la de que deje pasar una pila defectuosa es de 20%. Cul es la probabilidad de que una pila eliminada en efecto se encuentre defectuosa?, Cul es la probabilidad de que una pila que haya logrado pasar de hecho este en buen estado? Nuestros datos son: 1. La lnea produce 10% de defectos a. Entonces produce 90% de pilas en buen estado 2. Si la pila est en buen estado, la probabilidad de que el mecanismo la elimine el mecanismo es de 50%. a. Entonces la probabilidad de que no la elimine es de 50%. 3. Si la pila es defectuosa, la probabilidad de que el mecanismo no la elimine el mecanismo es de 20%. a. Entonces la probabilidad de que la elimine es de 80%. El rbol del problema se construira de la siguiente manera:
La primera pregunta es Cul es la probabilidad de que una pila eliminada en efecto se encuentre defectuosa?, la cual se interpreta como Cul es la probabilidad de que una pila este defectuosa dado que se ha eliminado? El camino que buscamos es el siguiente:
Todos los caminos que llevan a la misma conclusin (se elimina la pila) son:
Dividiendo como se ha hecho antes tenemos que: 0.45 = 0.1509 0.45 + 0.08 Por lo que la probabilidad de que una pila no sirva dado que se ha eliminado es del 15.09% La segunda pregunta es Cul es la probabilidad de que una pila que haya logrado pasar de hecho este en buen estado? O bien, Cul es la probabilidad de que una pila este en buen estado dado que ha pasado? La rama que nos interesa es la siguiente:
Todos los caminos que llevan a la misma conclusin (se elimina pasa el control) son:
Haciendo la divisin se ha estudiado tenemos que: 0.45 = 0.9574 0.45 + 0.02 Por lo que la probabilidad de que una pila sirva dado que se ha pasado el control es del 95.74%. Esto nos dira que aunque el mtodo deja mayoritariamente pilas en buen estado para su distribucin, el desperdicio en pilas no defectuosas que se eliminan es muy alto. Ejemplo 2 Un fabricante produce resistencias de dos lneas de produccin independientes A y B, siendo A la nueva lnea y B la antigua. A produce el 60% del producto total. Cada cartn de 1,000 resistencias es producido en la lnea A o B; la produccin de las lneas no se mezcla para llenar un cartn. La fraccin a largo plazo de las resistencias producidas en la lnea A que son defectuosas es de 0.01 y la fraccin a largo plazo de las resistencias producidas en la lnea B que son defectuosas es de 0.03. Una empresa recibe una caja de resistencias de este productor y un ingeniero selecciona al azar una resistencia y encuentra que est defectuosa. Cules son las probabilidades posteriores a que la caja fuera producida en las lneas A y B? Los datos que tenemos: 1. La lnea A produce 60% de la produccin total. a. Entones la B produce el 40% restante. 2. La lnea A produce la fraccin de 0.01 de resistencias defectuosas. a. Entonces las no defectuosas de la lnea A son 0.99 3. La lnea B produce la fraccin de 0.03 de resistencias defectuosas. a. Entonces las no defectuosas de la lnea A son 0.97
Aqu tenemos dos preguntas, la primera es Cul es la probabilidad de que la resistencia venga de la lnea A dado que es defectuosa? El camino que indica que es defectuosa y viene de la lnea A es este:
Ahora, todas las opciones que nos llevan a que esta defectuosa, entonces los caminos son:
Dividiendo tenemos que: 0.006 = 0.3333 0.006 + 0.012 La siguiente pregunta es Cul es la probabilidad de que la resistencia venga de la lnea B dado que es defectuosa? Esta pregunta puede responderse con el rbol anterior y encontramos que la divisin correspondiente es: 0.012 = 0.667 0.006 + 0.012 Que, como tambin puede notarse es el complemento de la primera pregunta.
Ejemplo 3 En una cierta poblacin, el 25% de las personas tienen ojos azules y el resto cafs. Tambin el 10% de la poblacin con ojos azules son zurdos, mientras que tambin lo son el 5% de la poblacin de ojos cafs. Cul es la probabilidad de que una persona que sabemos es zurda tenga ojos azules? La informacin que tenemos: 1. EL 25% de la poblacin tiene ojos azules, el resto cafs. a. Entonces el 75% tiene ojos cafs 2. De los que tienen ojos azules el 10% son zurdos. a. Entonces de los que tienen ojos azules el 90% son diestros. 3. De los que tienen ojos cafs el 5% son zurdos. a. Entonces de los que tienen ojos cafs el 95% son diestros. Nuestro rbol queda de la siguiente manera:
Para poder continuar, los caminos que nos llevan a que son zurdos son:
Por lo que existe una probabilidad de 40% que teniendo a alguien zurdo tambin tenga ojos azules. Cul sera la probabilidad de que al tener alguien diestro, este tenga ojos cafs? Ejemplo 4v En una planta de electrnica, se sabe por experiencia que la probabilidad es de 0.84 de que un nuevo trabajador que ha asistido al programa de capacitacin de la compaa cumplir con su cuota de produccin y que la probabilidad correspondiente es de 0.49 de un nuevo trabajador que no ha asistido al programa de capacitacin. Si el 70% de todos los trabajadores de nuevo ingreso asisten al programa de capacitacin, Cul es la probabilidad de que un nuevo trabajador haya asistido al programa de capacitacin si no cumple con su cuota de produccin? La informacin que tenemos es: 1. El 70% de los empleados asisten al programa de capacitacin. a. Entonces el 30% de ellos no asiste al programa. 2. Si asiste al programa, la probabilidad de que cumpla con su labor es de 0.89. a. Entonces, si asiste, existe la probabilidad de 0.11 de que no cumpla su labor. 3. Si no asiste, la probabilidad de que cumpla su tarea es de 0.49. a. Entonces, si no asiste, existe la probabilidad de 0.51 de que no cumpla su labor. Nuestro rbol queda de la siguiente manera:
El camino que nos interesa es el siguiente, pues no cumple con su cuota de produccin cuando ya ha asistido al curso:
Ahora buscamos todos los caminos que nos lleven al mismo resultado:
Hacemos la divisin que ya conocemos, obteniendo: 0.077 = 0.334 0.077 + 0.153 Es decir, la probabilidad de que alguien que no cumple su cuota a pesar de haber asistido al curso es de 33.4%. Cul ser la probabilidad de que alguien que cumple con su labor no haya asistido al curso? Ejemplo 4 Hasta ahora solo se han hecho ejemplos con dos opciones en cada rama del rbol, ahora se har un ejemplo un poco ms detallado. El servicio meteorolgico ha anunciado tres posibilidades para el fin de semana: a) Que llueva: probabilidad del 50%. b) Que nieve: probabilidad del 30% c) Que sea un da claro: probabilidad del 20%. Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente: 1. Si llueve: probabilidad de accidente del 20%. 2. Si nieva: probabilidad de accidente del 10% 3. Si hay niebla: probabilidad de accidente del 5%. Sabemos que ocurri un accidente y como no se est en la ciudad se desconocen las condiciones meteorolgicas que haba (llovi, nev o un buen da). Cul es la probabilidad de que haya llovido en ese accidente? La informacin que tenemos: 1. Opciones meteorolgicas: a. Lluvia 50%. b. Nieve 30%. c. Buen clima 20%. 2. Si llueve la probabilidad de que ocurra un accidente es del 20%. a. Entonces, si llueve la probabilidad de que no ocurra un accidente es del 80% 3. Si cae nieve, la probabilidad de que ocurra un accidente es de 10%.
a. Entonces, si cae nieve la probabilidad de que no ocurra un accidente es de 90%. 4. Si hace un buen da, la probabilidad de un accidente es de 3%. a. Entonces, si hace un buen da, la probabilidad de que no ocurra un accidente es 97%. Nuestro rbol quedara de la siguiente manera:
La rama que nos interesara sera aquella donde llovi y ocurri un accidente, es decir, esta:
Ahora, todas las ramas que nos llevan a que existe un accidente, son las siguientes:
De aqu, hacemos la divisin igual que como se ha hecho en los ejercicios anteriores, solo que en lugar de existir dos valores sumados en el denominador, en este caso sern tres, derivadas de las tres posibilidades climticas: 0.1 = 0.735 0.1 + 0.03 + 0.006 Esto nos dice que, dado que ha sucedido un accidente, la probabilidad de que haya sucedido en condiciones de lluvia es del 73.5%. Cul es la probabilidad de que si no ha ocurrido un accidente, entonces haya nevado?
Ejercicio 4 Los directivos de Caroline Corporation se encuentran negociando dos contratos, A y B. Los directivos creen que la probabilidad de ganar el contrato A es de 60%. El contrato A ser negociado antes el contrato B, y el ganador del contrato A tendr una ventaja casi definitiva en las negociaciones del contrato B. As, los directivos calculan que si ganan el primer contrato la probabilidad de ganar el segundo (B) es de 70%; en cambio, la probabilidad de ganar el segundo al no tener el primero es de 10%. Cul es la probabilidad de que hayan ganado el primer contrato dado que tienen el contrato B?, Cul es la probabilidad de que hayan perdido el primer contrato dado que tienen el contrato B? Ejercicio 5
The Omaha Beef Packing Company procesa diversos productos de carne bovina.
Los diferentes productos son clasificados por inspectores en tres categoras: Premier, Seleccin y Grado A. El director de la compaa estima que 20% de sus productos son Premier, 50 Seleccin y 30% Grado A. A pesar de que los inspectores estn bien entrenados, suelen tener un margen de error al clasificar la carne. El director de la compaa estima que la probabilidad de que la carne este bien clasificada la ha plasmado en la siguiente tabla:
Probabilidades condicionales de una correcta clasificacin
Est clasificada como:
Probabilidad de que sea correctamente clasificada: Premier Seleccin 0.30 0.50 0.30 Grado A 0.20 0.30 0.60
Cul es la probabilidad de que una carne sea Premier dado que ha sido clasificada como Grado A?
Referencias: i http://es.wikipedia.org/wiki/Probabilidad ii http://www.eneayudas.cl/matematica/probabilidad1/espacio_muestral.html iii http://www.eneayudas.cl/matematica/probabilidad1/suceso_o_evento.html iv http://es.wikipedia.org/wiki/Archivo:Set_of_playing_cards_52.JPG v Matemticas Finitas con aplicaciones a la Administracin y economa. Mizrahi, Abe, Et. Al. Limusa Wiley, 2001. vi http://www.vitutor.com/pro/2/a_17.html vii Estadstica Matemtica con aplicaciones. Freund, John, et. Al. Prentice Hall, 1987. viii Mathematics for Managerial Decisions. Childress, Robert. Prentice Hall, 1974.