PROBABILIDAD OBJETIVA

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

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

En una serie estadística, la frecuencia relativa de un valor, fi, es su frecuencia absoluta, ni, dividida
por el número 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 (empírica) o si los resultados son todos
igualmente posibles en cuyo caso se aplica la definición clásica.
p(A)=n(A)/n para n tendiendo a infinito es la fórmula para la empírica.
p(A)=Casos favorables para que se cumpla A/Casos posibles es la definición clásica.
La probabilidad es subjetiva si proviene de una mezcla de experiencia e intuición, pero no tiene
respaldo con ningún número calculado con alguna fórmula como la objetiva.
El uso de probabilidades subjetivas ocasionó una disputa entre las estadísticos 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 sólo 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; así que no hay otra opción que considerar evidencias paralelas (indirectas), conjeturas
fundamentadas y quizás intuición u otros factores subjetivos.
El mundo de probabilidad objetiva
asociado con la hipótesis de expectativas racionales supone no sólo que las distribuciones de
probabilidad sobre fenómenos históricos han existido, sino también que las mismas probabilidades
que determinaron los resultados pasados gobernarán los acontecimientos futuros. En el contexto
de formación de expectativas racionales que no exhiben errores persistentes, se mantiene que las
medias temporales calculadas a partir de datos pasados convergirán con las medias estadísticas
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 economía postkeynesiana rechaza esta concepción de incertidumbre, ya que como
señala Davidson (1991:134), "No puede existir desconocimiento de los acontecimientos futuros
para aquellos que creen que el pasado proporciona una información estadística fiable e insesgada
sobre el futuro, y este conocimiento se puede obtener si uno simplemente está dispuesto a gastar
los recursos para examinar el pasado!".
PROBABILIDAD OBJETIVA:
PROBABILIDAD OBJETIVA
Aquella que se determina tomando como base algún criterio
experimental u objetivo ajeno al sujeto deci-sor, como el cociente
entre el número de casos favorables y número de casos posibles o
el límite de una frecuencia relativa. Incluso en estos casos la
determinación de la probabilidad entraña un cierto grado de
subjetividad. Por ejemplo, cuando al lanzar un dado se le
atribuye a la cara seis 1/6 de probabilidad se está suponiendo
implícitamente que el dado está perfectamente construido.

La toma de decisiones es el proceso mediante el cual se realiza
una elección 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,
básicamente, en elegir una alternativa entre las disponibles, a
los efectos de resolver un problema actual o potencial, (aún
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 decisión a un problema que se le presente en la vida;
es decir, si una persona tiene un problema, ésta deberá ser capaz
de resolverlo individualmente a través de tomar decisiones con
ese especifico motivo. En la toma de decisiones importa la
elección de un camino a seguir, por lo que en un estadio anterior
deben evaluarse alternativas de acción. Si estas últimas no están
presentes, no existirá decisión.
Para tomar una decisión, no importa su naturaleza, es necesario
conocer, comprender, analizar un problema, para así poder
darle solución; en algunos casos por ser tan simples y
cotidianos, este proceso se realiza de forma implícita y se
soluciona muy rápidamente, pero existen otros casos en los
cuales las consecuencias de una mala o buena elección puede
tener repercusiones en la vida y si es en un contexto laboral en el
éxito o fracaso de la organizacion, para los cuales es necesario
realizar un proceso más estructurado que puede dar más
seguridad e información para resolver el problema. Las
decisiones nos atañen a todos ya que gracias a ellas podemos
tener una opinión crítica.
Toda mala decisión que tomo va seguida de otra mala decisión.



COMENTARIO:
Esto nos indica que todos los eventos tienen la misma
probabilidad y se soluciona muy ràpidamente ya sea mala o
buena consecuencia.
Probabilidad Subjetiva
Se basan en la creencias e ideas en que se realiza la evaluación 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 común es el pronostico del tiempo, muchos
individuos como nosotros realizamos una predicción 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 asiganación de probabilidad subjetiva se dan generalmente cuando los eventos ocurren
solo 1 vez y a lo máximo 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.

Distribución de Poisson
De Wikipedia, la enciclopedia libre
Saltar a: navegación, búsqueda
Distribución de Poisson

El eje horizontal es el índice k. La función solamente está definida en
valores enteros de k. Las líneas que conectan los puntos son solo guías
para el ojo y no indican continuidad.
Función de probabilidad

El eje horizontal es el índice k.
Función de distribución de probabilidad
Parámetros

Dominio

Función de
probabilidad
(fp)

Función de
distribución
(cdf)
(dónde es la
Función gamma incompleta)
Media

Mediana

Moda

Varianza

Coeficiente
de simetría

Curtosis

Entropía

Función
generadora
de
momentos
(mgf)

Función
característica

En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad que ocurra un determinado número de eventos durante cierto periodo de
tiempo.
Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su trabajo
Recherches sur la probabilité des jugements en matières criminelles et matière civile
(Investigación sobre la probabilidad de los juicios en materias criminales y civiles).
Contenido
[ocultar]
- 1 Propiedades
- 2 Intervalo de confianza
- 3 Relación con otras distribuciones
o 3.1 Sumas de variables aleatorias de Poisson
o 3.2 Distribución binomial
o 3.3 Aproximación normal
o 3.4 Distribución exponencial
- 4 Ejemplos
- 5 Procesos de Poisson
- 6 Enlaces externos
- 7 References
- 8 Véase también
[editar] Propiedades
La función de masa de la distribución de Poisson es

donde
- k es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad de
que el evento suceda precisamente k veces).
- λ es un parámetro positivo que representa el número de veces que se espera que ocurra
el fenómeno 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 distribución de
Poisson con λ = 10×4 = 40.
- e es la base de los logaritmos naturales (e = 2,71828...)
Tanto el valor esperado como la varianza de una variable aleatoria con distribución de
Poisson son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ
cuyos coeficientes tienen una interpretación combinatorio. De hecho, cuando el valor
esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-
ésimo momento iguala al número de particiones de tamaño n.
La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual a
, el mayor de los enteros menores que λ (los símbolos representan la función parte
entera). Cuando λ es un entero positivo, las modas son λ y λ − 1.
La función generadora de momentos de la distribución de Poisson con valor esperado λ es

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

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


entonces los límites del parámetro están dadas por: .
DISTRIBUCIÓN DE POISSON.

Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de área,
tiempo, pieza, etc, etc,:
- # de defectos de una tela por m
2

- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área,
o producto, la fórmula a utilizar sería:


! x
) , x ( p
x ì
c ì
ì
÷
=
donde:
p(x, ì) = probabilidad de que ocurran x éxitos, cuando el número promedio de
ocurrencia de ellos es ì
ì = media o promedio de éxitos por unidad de tiempo, área o producto
c = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra

Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es independiente
de otra área dada y cada producto es independiente de otro producto dado.



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


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





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




2. En la inspección de hojalata producida por un proceso electrolítico 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 = = = = =
÷
ì
104953 0
3628800
000006151 0 10 1917364 6
10
718 2 12
12 10
12 10
.
) . )( . (
!
) . ( ) (
) , x ( p =
E
= = = =
÷
ì
probabilidades de identificar a) una imperfección en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15
minutos.
Solución:
a) a) x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
ì = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata





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




=1-(0.367918+0.367918) = 0.26416

c) c) x = variable que nos define el número de imperfecciones en la
hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
ì = 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
.
= = = = =
÷
ì
=
|
|
.
|

\
|
+ ÷ = = = ÷ = = =
÷ ÷
!
) . )( (
!
) . ( ) (
) , , 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
ì ì
= + = = = + = = = = =
÷ ÷
!
) . ( ) (
!
) . ( ) (
) , 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
ì ì ì

Sign up to vote on this title
UsefulNot useful