PROBABILIDAD OBJETIVA

Aquella que se determina tomando como base algn criterio experimental u objetivo ajeno al
sujeto deci-sor, como el cociente entre el nmero de casos favorables y nmero de casos
posibles o el lmite de una frecuencia relativa. Incluso en estos casos la determinacin de la
probabilidad entraa un cierto grado de subjetividad. Por ejemplo, cuando al lanzar un dado se
le atribuye a la cara seis 1/6 de probabilidad se est suponiendo implcitamente que el dado est
perfectamente construido

2
PROBABILIDAD OBJETIVA
Aquella que se determina tomando como base algn criterio experimental u objetivo ajeno al
sujeto deci-sor, como el cociente entre el nmero de casos favorables y nmero de casos posibles
o el lmite de una frecuencia relativa. Incluso en estos casos la determinacin de la probabilidad
entraa un cierto grado de subjetividad. Por ejemplo, cuando al lanzar un dado se le atribuye a la
cara seis 1/6 de probabilidad se est suponiendo implcitamente que el dado est perfectamente
construido.

En una serie estadstica, la frecuencia relativa de un valor, fi, es su frecuencia absoluta, ni, dividida
por el nmero total de observaciones realizadas.

COMENTARIO
Es aquella cuando practicamente lo que quiere alcanzaar es un objetivo el es el resultado de un
grupo de datos que se espera un resultado para determinar la probabilidad de un grupo de
eventos el cual se alcanza atravez de una suma de datos y cual se determina un solo resultado
para obtener lo deceado-
3
La probabilidad es objetiva si proviene de ensayos (emprica) o si los resultados son todos
igualmente posibles en cuyo caso se aplica la definicin clsica.
p(A)=n(A)/n para n tendiendo a infinito es la frmula para la emprica.
p(A)=Casos favorables para que se cumpla A/Casos posibles es la definicin clsica.
La probabilidad es subjetiva si proviene de una mezcla de experiencia e intuicin, pero no tiene
respaldo con ningn nmero calculado con alguna frmula como la objetiva.
El uso de probabilidades subjetivas ocasion una disputa entre las estadsticos que se dividieron
en bayesianos: los que aceptaban la probabilidad subjetiva y los no bayesianos que no la
aceptaban.
El teorema de Bayes no se discute slo se discute si se pueden usar probabilidades "a priori"
subjetivas o no respectivamente.
PROBABILIDAD SUBJETIVA
Un punto de vista alternativo que actualmente ha tenido popularidad es interpretar las
probabilidades como evaluaciones personales o subjetivas. Tales probabilidades expresan una
creencia sobre las incertidumbres involucradas, y se aplican especialmente cuando poca o ninguna
evidencia; as que no hay otra opcin que considerar evidencias paralelas (indirectas), conjeturas
fundamentadas y quizs intuicin u otros factores subjetivos.
El mundo de probabilidad objetiva
asociado con la hiptesis de expectativas racionales supone no slo que las distribuciones de
probabilidad sobre fenmenos histricos han existido, sino tambin que las mismas probabilidades
que determinaron los resultados pasados gobernarn los acontecimientos futuros. En el contexto
de formacin de expectativas racionales que no exhiben errores persistentes, se mantiene que las
medias temporales calculadas a partir de datos pasados convergirn con las medias estadsticas
calculadas a partir de cualquier serie temporal futura. El conocimiento del futuro implica
simplemente proyectar medias basadas en realizaciones pasadas o actuales a acontecimientos
futuros. La economa postkeynesiana rechaza esta concepcin de incertidumbre, ya que como
seala Davidson (1991:134), "No puede existir desconocimiento de los acontecimientos futuros
para aquellos que creen que el pasado proporciona una informacin estadstica fiable e insesgada
sobre el futuro, y este conocimiento se puede obtener si uno simplemente est dispuesto a gastar
los recursos para examinar el pasado!".
PROBABILIDAD OBJETIVA:
PROBABILIDAD OBJETIVA
Aquella que se determina tomando como base algn criterio
experimental u objetivo ajeno al sujeto deci-sor, como el cociente
entre el nmero de casos favorables y nmero de casos posibles o
el lmite de una frecuencia relativa. Incluso en estos casos la
determinacin de la probabilidad entraa un cierto grado de
subjetividad. Por ejemplo, cuando al lanzar un dado se le
atribuye a la cara seis 1/6 de probabilidad se est suponiendo
implcitamente que el dado est perfectamente construido.

La toma de decisiones es el proceso mediante el cual se realiza
una eleccin entre las alternativas o formas para resolver
diferentes situaciones de la vida, estas se pueden presentar en
diferentes contextos: a nivel laboral, familiar, sentimental,
empresarial, etc., es decir, en todo momento se toman decisiones,
la diferencia entre cada una de estas es el proceso o la forma en
la cual se llega a ellas. La toma de decisiones consiste,
bsicamente, en elegir una alternativa entre las disponibles, a
los efectos de resolver un problema actual o potencial, (an
cuando no se evidencie un conflicto latente).
La toma de decisiones a nivel individual es caracterizada por que
una persona haga uso de su razonamiento y pensamiento para
elegir una decisin a un problema que se le presente en la vida;
es decir, si una persona tiene un problema, sta deber ser capaz
de resolverlo individualmente a travs de tomar decisiones con
ese especifico motivo. En la toma de decisiones importa la
eleccin de un camino a seguir, por lo que en un estadio anterior
deben evaluarse alternativas de accin. Si estas ltimas no estn
presentes, no existir decisin.
Para tomar una decisin, no importa su naturaleza, es necesario
conocer, comprender, analizar un problema, para as poder
darle solucin; en algunos casos por ser tan simples y
cotidianos, este proceso se realiza de forma implcita y se
soluciona muy rpidamente, pero existen otros casos en los
cuales las consecuencias de una mala o buena eleccin puede
tener repercusiones en la vida y si es en un contexto laboral en el
xito o fracaso de la organizacion, para los cuales es necesario
realizar un proceso ms estructurado que puede dar ms
seguridad e informacin para resolver el problema. Las
decisiones nos ataen a todos ya que gracias a ellas podemos
tener una opinin crtica.
Toda mala decisin que tomo va seguida de otra mala decisin.



COMENTARIO:
Esto nos indica que todos los eventos tienen la misma
probabilidad y se soluciona muy rpidamente ya sea mala o
buena consecuencia.
Probabilidad Subjetiva
Se basan en la creencias e ideas en que se realiza la evaluacin de las probabilidades y se
define como en aquella que un evento asigna el individuo basandose en la evidencia
disponible (el individuo asigna la probabilidad en base a su experiencia).

La probabilidad subjetiva puede tener forma de frecuencia relativa de ocurrencia anterior o
simplemente puede consistir en una conjetura inteligente N.

Para clarificar lo antes dicho un ejemplo muy comn es el pronostico del tiempo, muchos
individuos como nosotros realizamos una prediccin personal de como seran las
condiciones climaticas para el dia, basadas mas en nuestra experiencia personal pero que
muchas veces sustentamos en experiencia de eventos pasados.

La asiganacin de probabilidad subjetiva se dan generalmente cuando los eventos ocurren
solo 1 vez y a lo mximo unas cuantas veces mas.

Sin embargo en las organizaciones a pesar de que es comun tomar desiciones en base a la
probabilidad subjetiva la mayoria de las veces esta se respalda con datos futuros
estadisticos.

Distribucin de Poisson
De Wikipedia, la enciclopedia libre
Saltar a: navegacin, bsqueda
Distribucin de Poisson

El eje horizontal es el ndice k. La funcin solamente est definida en
valores enteros de k. Las lneas que conectan los puntos son solo guas
para el ojo y no indican continuidad.
Funcin de probabilidad

El eje horizontal es el ndice k.
Funcin de distribucin de probabilidad
Parmetros

Dominio

Funcin de
probabilidad
(fp)

Funcin de
distribucin
(cdf)
(dnde es la
Funcin gamma incompleta)
Media

Mediana

Moda

Varianza

Coeficiente
de simetra

Curtosis

Entropa

Funcin
generadora
de
momentos
(mgf)

Funcin
caracterstica

En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de
tiempo.
Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo
Recherches sur la probabilit des jugements en matires criminelles et matire civile
(Investigacin sobre la probabilidad de los juicios en materias criminales y civiles).
Contenido
[ocultar]
- 1 Propiedades
- 2 Intervalo de confianza
- 3 Relacin con otras distribuciones
o 3.1 Sumas de variables aleatorias de Poisson
o 3.2 Distribucin binomial
o 3.3 Aproximacin normal
o 3.4 Distribucin exponencial
- 4 Ejemplos
- 5 Procesos de Poisson
- 6 Enlaces externos
- 7 References
- 8 Vase tambin
[editar] Propiedades
La funcin de masa de la distribucin de Poisson es

donde
- k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de
que el evento suceda precisamente k veces).
- es un parmetro positivo que representa el nmero de veces que se espera que ocurra
el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en
promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k
veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de
Poisson con = 104 = 40.
- e es la base de los logaritmos naturales (e = 2,71828...)
Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de
Poisson son iguales a . Los momentos de orden superior son polinomios de Touchard en
cuyos coeficientes tienen una interpretacin combinatorio. De hecho, cuando el valor
esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el n-
simo momento iguala al nmero de particiones de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a
, el mayor de los enteros menores que (los smbolos representan la funcin parte
entera). Cuando es un entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con valor esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.
La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parmetro
0
a
otra de parmetro es

[editar] Intervalo de confianza
Un criterio fcil y rpido para calcular un intervalo de confianza aproximada de , se
propone en Guerriero (2012).
1
Dada una serie de eventos k (al menos el 15 - 20) en un
periodo de tiempo T, los lmites del intervalo de confianza para la frecuencia vienen dadas
por:


entonces los lmites del parmetro estn dadas por: .
DISTRIBUCIN DE POISSON.

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea,
tiempo, pieza, etc, etc,:
- # de defectos de una tela por m
2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea,
o producto, la frmula a utilizar sera:


! x
) , x ( p
x
c

=
donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
c = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, as como cada rea es independiente
de otra rea dada y cada producto es independiente de otro producto dado.



Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?


Solucin:
a) a) x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
c = 2.718





b)
x= variable que nos define el nmero de cheques sin fondo que llegan al
banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra
forma, debe hablar de lo mismo que x.




2. En la inspeccin de hojalata producida por un proceso electroltico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las
13392 0
24
00248 0 1296
4
718 2 6
6 4
6 4
.
) . )( (
!
) . ( ) (
) , x ( p = = = = =

104953 0
3628800
000006151 0 10 1917364 6
10
718 2 12
12 10
12 10
.
) . )( . (
!
) . ( ) (
) , x ( p =
E
= = = =

probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos

dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15
minutos.
Solucin:
a) a) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata





b) b) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata




=1-(0.367918+0.367918) = 0.26416

c) c) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata




= 0.0498026 +
0.149408 = 0.1992106

329307 0
1
548845 0 6 0
1
718 2 6 0
6 0 1
6 0 1
.
) . )( . (
!
) . ( ) . (
) . , x ( p
.
= = = = =

=
|
|
.
|

\
|
+ = = = = = =

!
) . )( (
!
) . ( ) (
) , , x ( p ) .... etc , , , x ( p
1
718 2 1
0
718 2 1
1 1 1 0 1 1 4 3 2
1 1 0

= + = = = + = = = = =

!
) . ( ) (
!
) . ( ) (
) , x ( p ) , x ( p ) , , x ( p
1
718 2 3
0
718 2 3
3 1 3 0 3 1 0
3 1 3 0