Análisis de Datos para la Gerencia 1

Probabilidades:
Conceptos Básicos

Sesión 5

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 2

“Si usted apuesta a un caballo, juega por

dinero.
Si usted apuesta a que obtendrá tres cartas
de diamantes, se trata de un entretenimiento.
Si usted apuesta a que el precio del algodón
subirá tres puntos, es cuestión de negocios.
¿Ve usted la diferencia?”.
Blackie Sherrod.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 3

Incertidumbres
Los administradores a menudo basan sus decisiones
en un análisis de las incertidumbres, tales como las
siguientes:
 ¿Cuáles son las probabilidades de que las ventas
se reduzcan si los precios aumentan?
 ¿Cuál es la probabilidad de que
un nuevo método de montaje
incrementará la productividad?
 ¿Cuáles son las probabilidades
de que una nueva inversión será
rentable?
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 4

Probabilidades
La probabilidad es una medida numérica de las
posibilidades de que un evento ocurra.
Los valores de probabilidad siempre se asignan
en una escala de 0 a 1.
Una probabilidad cercana a cero indica que un
evento es muy poco probable que ocurra.
Una probabilidad cercana a uno indica
que un evento es casi seguro que se
produzca.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 5

Probabilidad: Medida Numérica de

la Posibilidad de Ocurrencia

Aumentando la Posibilidad de Ocurrencia

0 0.5 1
Probabilidad:

El Evento El evento es El evento

es igualmente es
imposible posible que cierto
que ocurra como que
ocurra. que no ocurra. ocurre.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 6

Experimento Estadístico
 En estadística, la idea de un experimento es algo
diferente a la de un experimento en las ciencias físicas.
 En experimentos estadísticos, la probabilidad determina
los resultados.
 A pesar de que se repite el experimento
exactamente de la misma manera, puede
ocurrir un resultado completamente
diferente.
 Por esta razón, estos experimentos son
llamados experimentos aleatorios

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 7

Experimento y Espacio Muestral

 Un experimento es toda acción sobre la cual
vamos a realizar una medición u observación,
es decir cualquier proceso que genera un
resultado definido.
 El Espacio Muestral de un experimento es el
conjunto de todos los resultados posibles.
 Un Punto Muestral es un elemento del espacio
muestral de cualquier experimento dado.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 8

Asignación de Probabilidades
Requisitos básicos para la asignación de probabilidades
1. La probabilidad asignada a cada resultado debe
estar entre 0 y 1.
0 < P(Ei) < 1 para todo i
donde:
Ei es el i-ésimo resultado y P(Ei) es su probabilidad.
2. La suma de las probabilidades para todos los
resultados experimentales debe ser igual a 1.
P(E1) + P(E2) + . . . + P(En) = 1
donde:
n es el número de resultados
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 9

Asignación de Probabilidades
Método Clásico
Asigna probabilidades basado en el
supuesto de que Todos los resultados
son igualmente probables.
Método de Frecuencia Relativa
Asigna probabilidades basado en la
experimentación o data histórica.
Método Subjetivo
Asigna probabilidades basado en el
criterio del asignador.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 10

Eventos y sus Probabilidades

 Un evento es un conjunto de puntos
muestrales.
 La probabilidad de cualquier evento
es igual a la suma de las probabilidades
de los puntos muestrales pertenecientes
a dicho evento.
 Si podemos identificar todos los puntos
muestrales de un experimento y les
asignamos probabilidades a cada uno de
ellos, entonces podremos calcular la
probabilidad de cualquier evento.
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 11

Algunas relaciones básicas

entre eventos
 Complemento de un Evento
 Unión de Dos Eventos
 Intersección de Dos Eventos
 Eventos Mutualmente Excluyentes

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 12

Regla de Adición
La Regla de adición nos da la forma de
calcular la probabilidad de que ocurra el
evento A, o el B, o ambos.
La regla de adición se escribe así:
P ( A  B ) = P(A) + P(B) - P(A  B)

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 13

Eventos Mutuamente Excluyentes

Dos eventos se dice que son mutuamente excluyentes
si no tienen ningún punto en común.
Dos eventos son mutuamente excluyentes si, cuando
ocurre uno de ellos, el otro no puede ocurrir.

Espacio
Evento A Evento B Muestral S

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 14

Regla de Adición:
Eventos Mutuamente Excluyentes
Si A y B son eventos mutuamente excluyentes
si, P(A  B) = 0.
La regla de adición, para eventos mutuamente
excluyentes sería:
P ( A  B ) = P(A) + P(B)

No es necesario
incluir “- P(A  B)”

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 15

Probabilidad Condicional
La probabilidad de que ocurra un evento dado
que otro evento ya ha ocurrido se llama
probabilidad condicional .
La probabilidad condicional de A dado B se
denota por P(A|B).
La probabilidad condicional se calcula como
sigue :
P (A  B)
P (A | B) =
P (B)

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 16

Regla de Multiplicación
La regla de multiplicación provee una forma de
calcular la probabilidad de la intersección de
dos eventos.
La regla se escribe así:
P(A B) = P(B) P(A|B)

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 17

Eventos Independientes
Dos eventos A y B son estadísticamente
independientes, si la ocurrencia de uno de
ellos no afecta las probabilidades de
ocurrencia del otro.
Es decir, se debe cumplir que:
P (A | B) = P (A) o P (B | A) = P (B)

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 18

Regla de Multiplicación para

Eventos Independientes
La regla de multiplicación también se usa
como una prueba para ver si dos eventos son
independientes.
La regla se escribe como:
P (A B) = P(A) P(B)

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 19

Teorema de Bayes
Frecuentemente iniciamos un análisis de probabilidades
con una asignación inicial, probabilidad a priori.
Entonces, por una muestra, un reporte especial, o un test
de producto obtenemos alguna información adicional.
Dada esta información, calculamos las probabilidades
revisadas o a posteriori.
El Teorema de Bayes provee los medios para revisar las
probabilidades a priori.
Aplicación
Probabilidades Nueva Probabilidades
del Teorema
A Priori Information A Posteriori
de Bayes

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 20

Ejemplo: L. S. Clothiers

Hay un proyecto de centro comercial que

podría ser una gran competencia
para el negocio de L. S. Clothiers.
Si se construye el centro comercial,
el dueño de L. S. Clothiers siente
que lo mejor será reubicar su negocio.
El centro comercial no podrá ser construido a menos
que la municipalidad apruebe un cambio en la
zonificación. Una comisión consultiva deberá primero
dar una recomendación a favor o en contra de dicho
cambio.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 21

Teorema de Bayes
Probabilidades a priori
Definimos:
A1 = el consejo aprueba el cambio de zonificación
A2 = el consejo desaprueba el cambio de zonificación

Usando juicio subjetivo:

P (A1) = .7, P (A2) = .3

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 22

Teorema de Bayes

Nueva Información
Supongamos que la comisión consultiva ya
emitió su recomendación. Definimos el evento B
como una recomendación negativa.
Dado que ha ocurrido B, ¿podría L. S. Clothiers
revisar las probabilidades de que el Consejo
apruebe o desapruebe el cambio de
zonificación?

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 23

Teorema de Bayes

Probabilidades Condicionales
La historia pasada de las recomendaciones hechas
por la comisión consultiva indican lo siguiente:

P(B|A1) = .2 P(B|A2) = .9

Entonces: P(BC|A1) = .8 P(BC|A2) = .1

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 24

Teorema de Bayes
Diagrama de árbol
Comisión Resultados del
Consejo
consultiva Experimento

P(B|A1) = .2 P(A1  B) = .14

P(A1) = .7
c
P(B |A1) = .8 P(A1  Bc) = .56

P(B|A2) = .9
P(A2  B) = .27
P(A2) = .3
c P(A2  Bc) = .03
P(B |A2) = .1

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 25

Teorema de Bayes
P(B) = P[(A1  B)  (A2  B)]
P(B) = P(A1  B)
Probabilidades + P(A2  B)
a posteriori
P(B) = P(B|A1) P(A1) + P(B|A2) P(A2)
P(B) = 0.7 x 0.2 + 0.3 x 0.9 = 0.41
P(A1  B) 0.14
P(A1|B) = =
P(B) 0.41
P(A1|B) = 0.34

P(A2|B) = 0.66

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 26

Teorema de Bayes

Conclusión
La recomendación de la comisión es una buena
noticia para L. S. Clothiers. La probabilidad posterior
de que el Cosejo de la ciudad apruebe la zonificación
es .34 comparada con la probabilidad a priori de .70.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 27

Teorema de Bayes
P(BC) = P[(A1  BC)  (A2  BC)]
P(BC) = P(A1 aBposteriori
Probabilidades C) + P(A  BC)
2

P(BC) = P(BC|A1) P(A1) + P(BC|A2) P(A2)

P(BC) = 0.7 x 0.8 + 0.3 x 0.1 = 0.59
P(A1  B) 0.56
P(A1|B ) =
C =
P(B) 0.59
P(A1|BC) = 0.95

P(A2|BC) = 0.05

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.