Probabilidad Condicional

E
n gran nmero de problemas prcticos, los eventos de mayor inters son

aquellos cuya ocurrencia est condicionada a la ocurrencia de otro even-
to. De aqu que interese introducir el concepto de probabilidad condicional,
esto es, la probabilidad condicionada a que haya ocurrido o pudiese ocurrir
cierto evento.

Invocando el criterio de Laplace y apoyndose en el diagrama anterior,
puede verse que si el evento B se da por hecho, entonces el espacio muestral
condicional es el evento B, constituido por N(B) puntos muestrales, que repre-
sentan el nmero de casos posibles; para la ocurrencia del evento A es necesa-
ria la ocurrencia conjunta A B , Un evento constituido por
( ) N A B puntos
muestrales, que representan el nmero de casos favorables a A.
La probabilidad de ocurrencia del evento A, dado que el evento B ocurre, lo
cual se expresa con la notacin
( ) P A| B est dada por:
( )
( )
( )
N A B
P A| B
N B
= =
nmero de casos favorables a A
nmero de casos posibles dado B
___ (1.38)
As fue utilizado el concepto de probabilidad condicional por los prime-
ros estudiosos de la probabilidad. El gran mrito de Thomas Bayes consisti
en haber expresado la probabilidad condicional en funcin de la probabilidad
conjunta: ( )
( )
( )
( )
P A B
P A| B , P B 0
P B
= > ____ (1.38)

Esto es, la probabilidad de A, dado B, denida como la razn de la probabi-
lidad conjunta a la probabilidad del evento B.
Ntese que, en general: ( ) ( ) P A| B P B | A =
, ya que ( )
( )
( )
P A B
P B | A
P A
=
Las probabilidades condicionales tambin cumplen con los tres axiomas de
probabilidad y con los teoremas derivados de stos. Se deja al lector la tarea
de demostrarlos.
1.5.1
PROBABILIDAD
CONDICIONAL
PROBABILIDAD
CONDICIONAL
1.5
1. No negatividad: ( )
i
P A | B 0 >
2. Normatividad: ( ) P S | B 1 =
3. Aditividad: ( ) ( ) ( ) P A B | C P A| C P B | C , A B | = + =
4. Probabilidad del complemento:
( ) ( ) P A| B 1 P A| B =
5. Probabilidad del evento imposible: ( ) P | B 0 | =
6. Ley de adicin de probabilidades:

( ) ( ) ( ) ( ) P A B | C P A| C P B | C P A B | C = +
Se denomina probabilidad marginal a la probabilidad de cualquier evento,
para distinguir que es incondicional, que no importa la ocurrencia de ningn
otro evento.
Ejemplo 1.54. SERVICIOS DE TELECOMUNICACIONES. Suponga que
es de inters conocer la probabilidad de que un usuario de Telex, que tiene se-
al de televisin satelital, tenga servicio ilimitado de larga distancia de cober-
tura nacional. El espacio muestral se reduce automticamente, se condiciona
a la ocurrencia de un evento, se restringe a los usuarios que tienen televisin
satelital. Ahora bien, 1 de cada 5 usuarios tiene seal de televisin y 3 de cada
25 tiene tanto seal de televisin como larga distancia nacional, por lo que, por
cada 25 usuarios, habr 5 que tengan seal de televisin y 3 de ellos tambin
tendrn servicio de larga distancia nacional; es decir, por cada 5 usuarios con
televisin satelital, habr 3 con servicio de larga distancia nacional. Entonces,
la probabilidad de que un usuario tenga servicio de larga distancia nacional,
dado que tiene seal de televisin satelital, es 3/5.
Calcule las siguientes probabilidades de que un usuario de Telex:
a) Tenga seal de televisin satelital, dado que tiene Internet de banda ancha:

( )
( )
( )
P I T 0.10 1
P T | I 0.333
P I 0.30 3
= = = =
b) Tenga Internet de banda ancha, dado que tiene seal de televisin satelital:

( )
( )
( )
P I T 0.10 1
P I | T 0.5
P T 0.20 2
= = = =

c) No tenga Internet, dado que tiene seal de televisin satelital:

( )
( )
( )
P I T
0.10 1
P I | T 0.5
P T 0.20 2
= = = =
d) Tenga seal de televisin satelital, dado que no tiene servicio de larga dis-
tancia: ( )
( )
( )
P T L
0
P T | L 0
0.30
P L
= = =

e) Tenga servicio de larga distancia, dado que tiene seal de televisin:

( )
( )
( )
P L T 0.20
P L | T 1
P T 0.20
= = =
f) Tenga larga distancia o seal de televisin, dado que tiene Internet:

( ) ( ) ( ) ( ) P L T | I P L | I P T | I P L T | I = +

( )
( )
( )
( )
( )
( )
P L I P T I P L T I 0.23 0.10 0.10 0.23
0.766
P I P I P I 0.30 0.30 0.30 0.30

= + = + = =

PROBABILIDAD CONDICIONAL
144
Ejemplo 1.55. ROS CONTAMINADOS. Los desechos slidos de la com-
paa papelera de Tuxtepec, Oax., contaminan eventualmente los ros Tonto y
Papaloapan, con probabilidades de 2/5 y 3/4, respectivamente; adems, se ha
observado que slo en el 20% de los casos, ninguno de los dos ros se conta-
mina. El gerente quiere que se observe sistemticamente slo uno de los ros
y a partir del comportamiento de ste, inferir el comportamiento del otro ro.
Cul de los dos ros deber observarse?
Sean los eventos: T ={Tonto contaminado} ( ) P T 0.40 =

P ={Papaloapan contaminado} ( ) P P 0.75 =

Ninguno contaminado: ( )
P T P 0.20 =
Para decidir cul de los dos ros conviene observar, es necesario calcular
las probabilidades condicionales del comportamiento de cada ro, suponiendo
determinado comportamiento del otro ro.
( ) ( ) ( )
P T P 1 P T P 1 P T P 1 0.20 0.80 = = = =
( ) ( ) ( ) ( ) ( ) P T P P T P P P T P , 0.80 0.40 0.75 P T P = + = +
( ) ( )
( )
( )
P T P 0.35 7
P T P 0.35, P T | P 0.466
P P 0.75 15
= = = = =
( )
( )
7 8
P T | P 1 P T | P 1 0.533
15 15
= = = =

Si se observa primero el Papaloapan y resulta contaminado, el comporta-
miento del Tonto es muy dudoso.
( )
( )
( )
( )
( )
P T P P T P
0.20 0.20 4
P T | P 0.80
1 P P 1 0.75 0.25 5
P P

= = = = = =

( ) ( )
4 1
P T | P 1 P T | P 1 0.20
5 5
= = = =
Si se observa el Papaloapan y no est contaminado, es muy probable que el
Tonto tampoco lo est.
( )
( )
( )
P P T 0.35 7
P P | T 0.875
P T 0.40 8
= = = =
( )
( )
7 1
P P | T 1 P P | T 1 0.125
8 8
= = = =
Si se observa primero el Tonto y resulta contaminado, es muy probable que
el Papaloapan tambin lo est.
( )
( )
( )
( )
( )
P P T P P T
0.20 0.20 1
P P | T 0.333
1 P T 1 0.40 0.60 3
P T

= = = = = =

( ) ( )
1 2
P P | T 1 P P | T 1 0.666
3 3
= = = =
Si se observa el Tonto y no est contaminado, es ms probable que el Papa-
loapan est contaminado a que no lo est.
Podra concluirse entonces que sera ms til observar el ro Papaloapan;
sin embargo, se estn soslayando las consecuencias de cometer un error de
apreciacin y que puede ser de dos tipos: suponer un ro contaminado, cuando
no lo est, o suponer un ro no contaminado cuando s lo est.
14
Ley de multiplicacin de probabilidades
En muchas ocasiones, las probabilidades condicionales estn disponibles,
mientras que las incgnitas son las probabilidades conjuntas. Tal circunstancia
no implica dicultad alguna, porque la ecuacin 1.57 se puede expresar como
un producto, dando por resultado la ley de multiplicacin de probabilidades:

( ) ( ) ( ) P A B P B P A| B =
____ (1.39)
( ) ( ) ( ) P A B P A P B | A =
____ (1.39)
Este resultado fue utilizado intuitivamente por todos los estudiosos de la
probabilidad en el siglo XVII, pero fue Abraham De Moivre quien habiendo
distinguido los sucesos dependientes y los independientes, luego formaliz el
teorema: la probabilidad de que ocurran dos eventos dependientes es igual al
producto de la probabilidad de que ocurra el primero por la probabilidad de
que el otro ocurra cuando el primero ya ha ocurrido
Ejemplo 1.56. ENTRONQUE VIADUCTO-PERIFRICO. Considere el
entronque Viaducto y Perifrico, en el sentido sur-norte, conformado por los
tramos x, y, z, tal como se muestra en la gura
Se ha observado que los tramos x e y se congestionan con probabilidades
0.1 y 0.2, respectivamente, y que cuando el tramo y se congestiona, el tramo x
se congestiona con probabilidad 0.5. Considerando que los tres tramos tienen
la misma capacidad, con tres carriles, a una velocidad permisible de 80 km/h,
Sean los eventos: x = {tramo x saturado} ( ) P x 0.1 =

y = {tramo y saturado} ( ) P y 0.2 =

( ) P x | y 0.5 =
Calcule la probabilidad de que:
a) se saturen los tramos x e y:
( ) ( ) ( ) P x y P y P x | y 0.2 0.5 0.1 = = =
b) se sature al menos uno de los tramos x o y:
( ) ( ) ( ) ( ) P x y P x P y P x y 0.1 0.2 0.1 0.2 = + = + =
c) no se sature ni el tramo x ni el tramo y:
( ) ( )
( ) P x y P x y 1 P x y 1 0.2 0.8 = = = =

Ntese que: x y y; x y x x y = = c

146
La regla de multiplicacin de probabilidades puede generalizarse por induc-
cin matemtica a varios eventos y la expansin correspondiente es muy til.
Sean los eventos A
1
, A
2
,, A
n
; su probabilidad de ocurrencia conjunta est
determinada por la denominada ley de multiplicacin de probabilidades:

n i 1 n
i i j
i 1 i 1 j 1
P A P A A
= = =
(
| |
| |
= (
|
|
\ . ( \ .

[

Para i =1: ( ) ( )
1 0 1
i i j 1 1
i 1 i 1 j 1
P A P A A , P A P A
= = =
(
| |
| |
= = (
|
|
\ . ( \ .

[

Para i =2:
( ) ( ) ( )
2 1 2
i i j 1 2 1 2 1
i 1 i 1 j 1
P A P A A , P A A P A P A | A
= = =
(
| |
| |
= = (
|
|
\ . ( \ .

[

Para i =k: suponiendo cierto que:
k i 1 k
i i j
i 1 i 1 j 1
P A P A A
= = =
(
| |
| |
= (
|
|
\ . ( \ .

[

Para i =k +1:
k 1 k 0 k k
i i k 1 i j k 1 i
i 1 i 1 i 1 j 1 i 1
P A P A A P A A P A A
+
+ +
= = = = =
(
( | | ( | | | | | |
= = (
( | ` ( | | |
( \ . \ . \ . ( \ .
)
[

( ) ( )
k
i 1 2 i 1 k 1 1 2 k
i 1
P A | A A ... A P A | A A ... A
+
=

= ( (
`

)
[

( )
i 1 k 1 k 1
i 1 2 i 1 i j
i 1 i 1 j 1
P A | A A ... A P A A
+ +
= = =
(
| |
= = ( (
|

( \ .

[ [
La generalizacin de la ley de probabilidades para varios sucesos, De Moi-
vre la explic as: Se necesita elegir uno de ellos como el primero, otro como
el segundo, y as. Luego, la ocurrencia del primero debe considerarse inde-
pendiente de todas las dems; el segundo debe considerarse, con la condicin
de que el primero ha ocurrido; el tercero con la condicin de que tanto el
primero como el segundo han ocurrido, y as. De aqu, la probabilidad de
ocurrencia conjunta de todos los sucesos es igual al producto de todas las
probabilidades
Existen n! frmulas para obtener
n
i
i 1
P A
=
| |
|
\ .
por ejemplo, si n = 3, cualquie-

ra de las siguientes 6 frmulas nos permite obtener la probabilidad conjunta:

( ) ( ) ( ) ( ) P A B C P A P B | A P C | A B =

( ) ( ) ( ) ( ) P A B C P A P C | A P B | A C =

( ) ( ) ( ) ( ) P A B C P B P A| B P C | A B =

( ) ( ) ( ) ( ) P A B C P B P C | B P A| B C =

( ) ( ) ( ) ( ) P A B C P C P A| C P B | A C =

( ) ( ) ( ) ( ) P A B C P C P A| C P B | A C =
14
Ejemplo 1.57. ENTRONQUE VIADUCTO-PERIFRICO. Considere el
entronque Viaducto y Perifrico, en el sentido sur-norte. Sabiendo que, cuando
los tramos x e y trabajan debajo de sus capacidades, la probabilidad de que el
tramo z se sature es de 0.20.
La informacin adicional es:
( )
P z | x y 0.20 = ; z = {tamo z saturado}
Previamente obtuvimos: ( ) ( ) ( )
P x y 0.1, P x y 0.2, P x y 0.8 = = =
Puesto que los tres tramos tienen las mismas capacidades, basta con que se
sature el tamo x o el tramo y, para que se sature el tramo z; por lo tanto:
( )
( ) ( )
P z | x y P z | x y P z | x y 1 = = =
Calcule la probabilidad de que:
a) se saturen los tres tramos:
( ) ( ) ( ) ( ) P x y z P y P x | y P z | x y 0.2 0.5 1 0.1 = = =
b) se sature solamente el tramo z:
( ) ( ) ( ) ( )
P x y z P x P y | x P z | x y =
( )
( )
( )
( )
( )
P y x
0.80 8
P x 1 P x 1 0.1 0.9; P y | x 0.888
0.90 9
P x
= = = = = = =
( )
8 4
P x y z 0.9 0.2 0.16
9 25
= = =
c) se sature solamente el tramo:
( ) ( ) ( ) ( )
( ) ( )
8 1
P y | x 1 P y | x 1 0.111
9 9
= = = =
( ) ( )
P z | x y 1 P z | x y 1 1 0 = = =
( )
1
P x y z 0.9 0 0
9
= =
d) no se sature ningn tramo:
( ) ( ) ( ) ( )
( ) ( )
4
P z | x y 1 P z | x y 1 0.2 0.8
5
= = = =
( )
8 4 16
P x y z 0.9 0.64
9 5 25
= = =

Ejemplo 1.58. DADO. Considere el experimento consistente en lanzar un
dado y observar la cara que queda hacia arriba. Sean los eventos: A = {cae
par}, B = {cae 2 o 4} y C = {cae 1 o 2}; las probabilidades correspondientes
son: P(A) = 1/2, P(B) = 1/3 y P(C) = 1/3.
Calcularemos las siguientes probabilidades condicionales, utilizando la in-
terpretacin clsica o a priori:
( )
( )
( )
( )
( )
N A B N
P A| B 1
N B N
= = =
cae 2 o 4
cae 2 o 4

( )
( )
( )
( )
( )
N A B N 2
P B | A
N A N 3
= = =
cae 2 o 4
cae par
( )
( )
( )
( )
( )
N A C N 1
P A| C
N C N 2
= = =
cae 2
cae 1 o 2

( )
( )
( )
( )
( )
N A C N 1
P C | A
N A N 3
= = =
cae 2
cae par
148
La ocurrencia de B afecta la probabilidad de ocurrencia de A: ( ) ( ) P A| B P A =
y viceversa, la ocurrencia de A afecta la probabilidad de ocurrencia de B:
( ) ( ) P B | A P B = ; se dice entonces que los eventos A y B son estadsticamente
dependientes.
En contraparte, la ocurrencia de C no afecta la probabilidad de ocurrencia
de A: ( ) ( ) = =
, y viceversa, la ocurrencia de A no afecta la pro-
babilidad de ocurrencia de C: ( ) ( ) = =
; se dice entonces que los
eventos A y C son estadsticamente independientes.
De Moivre discuti el concepto de independencia de sucesos aleatorios:
Diremos que dos sucesos son independientes, si uno de ellos no tiene ninguna
relacin con el otro, e hizo lo propio para denir dependencia de sucesos:
Dos sucesos son dependientes si estn ligados el uno al otro y la probabili-
dad de ocurrencia de uno de ellos inuye en la probabilidad de ocurrencia del
otro
Cabe sealar, que la dependencia estadstica entre eventos siempre tiene
una explicacin fsica, siempre se pueden establecer relaciones causa efecto;
en el ejemplo anterior, los eventos A y B son fsicamente dependientes, porque
la ocurrencia de uno de ellos hace ms fcil la ocurrencia del otro. En cambio,
a la independencia estadstica no siempre puede drsele un signicado fsico.
Considere las proposiciones lgicas siguientes:
p: A y B estadsticamente dependientes
~p: A y B estadsticamente independientes
q: A y B fsicamente dependientes
~q: A y B fsicamente independientes
Dependencia estadstica implica dependencia fsica: p q ; en tanto que
dependencia fsica no implica dependencia estadstica: q p
Independencia fsica implica independencia estadstica: q p , en tan-
to que independencia estadstica no implica independencia fsica: p q
Eventos estadsticamente independientes
Dos eventos son estadsticamente independientes, si y slo si, la ocurrencia de
uno no afecta la probabilidad de ocurrencia del otro:

( ) ( ) P A| B P A = ____ (1.40)

( ) ( ) P B | A P B = ____ (1.40)
Vemos que la independencia estadstica es una relacin simtrica: si el
evento A es independiente del evento B, entonces el B es independiente del A
y viceversa.
En efecto: ( ) ( ) ( ) ( ) ( ) ( ) P A B P A P B | A ; P A B P B P A| B = =
Igualando los segundos miembros:
( ) ( ) ( ) ( ) P A P B | A P B P A| B =
Si ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P A| B P A P A P B | A P B P A , P B | A P B = = =

Si ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P B | A P B P A P B P B P A| B , P A| B P A = = =
Por lo tanto: ( ) ( ) ( ) ( ) P A| B P A P B | A P B = =

INDEPENDENCIA EN PROBABILIDAD
1.5.2
INDEPENDENCIA
EN PROBABILIDAD
14
Si ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P A B P A P B | A y P B | A P B P A B P A P B = = =
Si ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P A B P B P A| B y P A| B P A P A B P B P A = = =

Estos resultados corroboran la otra forma de denir formalmente indepen-
dencia estadstica: Dos eventos A y B son independientes si, y solo si, su pro-
babilidad de ocurrencia conjunta es el producto de las probabilidades indivi-
duales P(A) y P(B) de ocurrencia:

( ) ( ) ( ) =
____ (1.34)
Esta expresin ya haba sido obtenida en el apartado 1.4.3 para denir pro-
babilidad conjunta de eventos independientes.
La dicultad en la aplicacin de la ley de multiplicacin de probabilidades
est en saber identicar cundo dos eventos son o no independientes estadsti-
camente, y entonces usar la regla 1.34 o la regla 1.39, respectivamente.
Ejemplo 1.59 URNA. Considere una urna que contiene 6 bolas rojas, 4 blan-
cas y 5 azules, de la que se extraen sucesivamente de la urna tres bolas, con
reemplazo.
Sean los eventos: A = {sale bola azul} ( ) P A 5 / 15 1/ 3 = =

B = {sale bola blanca} ( ) P B 4 / 15 =

R = {sale bola roja} ( ) P R 6 / 15 2 / 5 = =
Calcule las siguientes probabilidades:
a) Que salgan en el orden roja, azul, blanca:
( ) ( ) ( ) ( )
6 5 4 120 8
P R A B P R P A| R P B | R A
15 15 15 3375 225
= = = =
Despus de haber salido una bola roja, sta es devuelta a la urna, por lo que
sigue habiendo 15 bolas, 5 de las cuales son azules: ( ) ( ) P A| R 5 / 15 P A = =
Despus de haber salido una bola azul, sta es devuelta a la urna, por lo que si-
gue habiendo 15 bolas, 4 de las cuales son blancas: ( ) ( ) P B | R A 4 / 15 P B = =
b) Que salgan en el orden azul, roja azul:
( ) ( ) ( ) ( )
5 6 5 150 2
P A R A P A P R | A P A| A R
15 15 15 3375 45
= = = =
c) Que salgan tres bolas blancas:
( ) ( ) ( ) ( )
4 4 4 64
P B B B P B P B | B P B | B B
15 15 15 3375
= = =

d) Que salgan una roja, una azul y una blanca, sin importar el orden:
( ) ( )
8 16
P 6 P R A B 6
225 75
| |
= = =
|
\ .
1 roja, 1 azul y 1 blanca
e) Que salgan dos azules y una roja:
( )
2 2
P 3
45 15
| |
= =
|
\ .
2 azules y una roja
Vemos que cuando la extraccin se hace con reemplazo, las probabilidades
de ocurrencia de eventos sucesivos no dependen, no estn condicionadas a la
ocurrencia de eventos previos. La razn por la que las probabilidades se man-
tienen constantes, de extraccin a extraccin, es que fsicamente las extraccio-
nes son independientes; en tal caso, los eventos son fsica y estadsticamente
independientes.
150
Ejemplo 1.60 URNA. Considere nuevamente la urna con 6 bolas rojas, 4
blancas y 5 azules, de la que se extraen sucesivamente tres bolas, sin reempla-
zo. Calcule las mismas probabilidades que las solicitadas en el ejemplo 1.59.
a) Que salgan en el orden roja, azul, blanca:
( ) ( ) ( ) ( )
6 5 4 120 4
P R A B P R P A| R P B | R A
15 14 13 2730 91
= = = =
Despus de haber salido en primer lugar la bola roja, en la urna quedan 14
bolas, 5 de las cuales son azules: ( ) P A| R 5 / 14 =
Despus de haber salido bola roja y bola azul, en la urna quedan 13 bolas,
4 de las cuales son blancas: ( ) =

b) Que salgan en el orden azul, roja azul:
( ) ( ) ( ) ( )
5 6 4 120 4
P A R A P A P R | A P A| A R
15 14 13 2730 91
= = = =
c) Que salgan tres bolas blancas:
( ) ( ) ( ) ( )
4 3 2 24 4
P B B B P B P B | B P B | B B
15 14 13 2730 455
= = = =
d) Que salgan una roja, una azul y una blanca, sin importar el orden:
( ) P = 1 roja, 1 azul y 1 blanca
( ) ( ) ( ) ( ) ( ) ( ) P R A B R B A A R B A B R B R A B A R = (

( ) ( ) ( ) ( ) ( ) ( ) P R A B P R B A P A R B P A B R P B R A P B A R = + + + + +
( )
4 24
6 P R A B 6
91 91
| |
= = =
|
\ .
e) Que salgan dos azules y una roja:
( ) ( )
4 12
P 3 P A R A 3
91 91
| |
= = =
|
\ .
2 azules y una roja
Se aprecia que, cuando la extraccin se hace sin reemplazo, las probabili-
dades de ocurrencia de eventos sucesivos se ven afectadas por la ocurrencia
de eventos previos, es decir, estn condicionadas a esa ocurrencia. Despus de
cada extraccin, en la urna hay una bola menos, siendo sta la causa principal
de que las probabilidades se alteren, en extracciones subsecuentes; en tal caso,
los eventos son fsica y estadsticamente dependientes.
Ejemplo 1.61. CIRCUITO ELCTRICO. Considere el circuito elctrico
esquematizado en el diagrama siguiente. La probabilidad de que un interruptor
est cerrado es p = 0.7 y se considera que los tres interruptores funcionan inde-
pendientemente. Se trata de determinar la probabilidad de que uya corriente
de la terminal 1 a la terminal 2.
La corriente uye de la terminal 1 a la terminal 2, siempre que el interruptor
X est cerrado, o que los interruptores Y y Z, ambos estn cerrados.
1
Lo resolveremos por tres procedimientos diferentes:
a) Considerando eventos mutuamente exclusivos:
Denimos el evento C = {corriente entre 1 y 2}, con dos posibles resultados
para cada interruptor: 1, cerrado, y 0, abierto.
( ) ( ) ( ) ( ) ( ) ( ) P P 1 1 1 1 1 0 1 0 1 0 1 1 1 0 0 = (

C

( ) ( ) ( ) ( ) ( ) P 1 1 1 P 1 1 0 P 1 0 1 P 0 1 1 P 1 0 0 = + + + +

( ) ( ) ( ) ( ) ( ) ( ) ( )
3 2 2
3 2
P 1 3 P 1 P 0 P 1 P 0 p 3p 1 p p 1 p = + + = + + ( ( (

( )
3 2 3 2 3 2 3 2 3
p 3p 3p p 1 2p p p 3p 3p p 2p p = + + + = + + +

3 2
p p p 0.343 0.49 0.7 0.847 = + + = + + =
b) Considerando la ley de adicin de probabilidades:
Denimos los eventos {x}, {y}, {z}como indicativos de que estn cerrados
sendos interruptores.
( ) ( ) ( ) ( ) ( ) P C P x y z P x P y z P x y z = = + (

( ) ( ) ( ) ( ) ( ) ( )
2 3
P x P y P z P x P y P z p p p = + = +

0.7 0.49 0.343 0.847 = + =
c) Considerando la regla del complemento:
( )
( ) ( ) ( ) P C P 0 1 0 0 0 1 0 0 0 = (

( ) ( ) ( ) P 0 1 0 P 0 0 1 P 0 0 0 = + +

( ) ( ) ( ) ( ) ( )
2 3
2 3
2P 1 P 0 P 0 2p 1 p 1 p = + = + ( (

( )
2 2 3
2p 1 2p p 1 3p 3p p = + + +

2 3 2 3 3 2
2p 4p 2p 1 3p 3p p 1 p p p = + + + = +
( )
( ) ( )
3 2 3 2
P C 1 P C 1 1 p p p p p p 0.847 = = + = + + =

Ntese la diferencia entre los circuitos de los ejemplos 1.53 y 1.61; en el
primero hay tres interruptores en paralelo y en este ltimo son dos interrupto-
res es serie con uno en paralelo. Ambos se analizan de manera similar, consi-
derando independencia en el funcionamiento de los interruptores.
Ejemplo 1.62. FAMILIAS DE TRES HIJOS. Considere solo familias con
tres hijos y el experimento consistente en registrar el sexo de los hijos; si H =
{hombre}, M = {mujer}, con las probabilidades aceptadas: P(H) = 18/35 y
P(M) = 17/35.
El espacio muestral del experimento es:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { }
S HHH , HHM , HMH , MHH , HMM , MHM , MMH , MMM =

Las probabilidades de los cuatro diferentes puntos muestrales son:
Tres varones:
( ) ( ) ( ) ( )
3
18
P HHH P H P H P H 0.136
35
| |
= = =
|
\ .

Dos varones: ( ) ( ) ( ) ( )
2
18 17
P HHM P H P H P M 0.128
35 35
| | | |
= = =
| |
\ . \ .

Un varn:
( ) ( ) ( ) ( )
2
18 17
P HMM P H P M P M 0.121
35 35
| || |
= = =
| |
\ .\ .

152
Ningn varn: ( ) ( ) ( ) ( )
3
17
P MMM P M P M P M 0.115
35
| |
= = =
|
\ .

Calcule las probabilidades de los siguientes eventos:
a) A = {familias con hijos de uno y otro sexo}
( ) ( ) ( ) ( ) ( ) ( ) ( ) P A P HHM HMH MHH HMM MHM MMH = (

( ) ( ) ( ) ( ) 3P HHM 3P HMM 3 0.128 3 0.121 0.749 = + = + =
b) B = {familias con un mximo de un hijo varn}
( ) ( ) ( ) ( ) ( ) P B P HMM MHM MMH MMM = (

( ) ( ) ( ) 3P HMM P MMM 3 0.121 0.115 0.479 = + = + =
c) La probabilidad conjunta de A y B
( ) ( ) ( ) ( ) ( ) P A B P HMM MHM MMH 3 0.121 0.364 = = = (

d) Determine si los eventos A y B son estadsticamente independientes.
Para establecer si los eventos A y B son estadsticamente independientes,
multiplicamos las probabilidades individuales y comparamos el resultado con
la probabilidad conjunta: ( ) ( ) ( ) P A P B 0.749 0.479 0.359 0.364 P A B = = = =
En virtud de que no hay coincidencia, concluimos que los eventos A y B
son estadsticamente dependientes, lo cual implica que debe existir una depen-
dencia fsica entre ellos. Y efectivamente, la ocurrencia de uno favorece ligera-
mente la ocurrencia del otro, y eso ocurre porque la probabilidad de hijo varn
y de hija mujer no son simtricos. Si hubiramos considerado equiprobabilidad
con P(H) = P(M) = 0.5, los resultados seran los siguientes:
( ) ( ) ( ) ( ) ( )
3
P HHH P HHM P HMM P MMM 0.5 0.125 = = = = =
( ) ( ) ( ) P A 6P HHM 6 0.125 0.75 = = =
( ) ( ) ( ) P B 4P HMM 4 0.125 0.5 = = =
( ) ( ) ( ) P A B 3P HMM 3 0.125 0.375 = = =
( ) ( ) P A P B 0.75 0.5 0.375 = =
y entonces, los eventos A y B seran independientes. Ahora sabemos que la
falta de simetra es la que provoc la dependencia, en este caso.

Ejemplo 1.63. CIRCUITO ELCTRICO. Sea el circuito mostrado en la
siguiente gura; los cuatro interruptores operan elctricamente, cada uno tiene
un mecanismo de operacin independiente y todos se controlan simultnea-
mente en el mismo impulso, esto es, se intenta que todos los interruptores
cierren o abran simultneamente. Cada interruptor tiene, sin embargo, una pro-
babilidad p de falla.

1
Sean los eventos: F = {falla el interruptor i}
N = {no falla el interruptor i}
C = {Hay corriente entre A y B}
El espacio muestral del experimento es:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
NNNN , NNNF , NNFN , NFNN , FNNN , NNFF , NFNF , NFFN ,
FNNF , FNFN , NFNN , NFFF , FNFF , FFNF , FFFN , FFFF

O =
`

)

Las probabilidades de los cinco diferentes puntos muestrales son:
Ninguna falla:
( ) ( ) ( ) ( ) ( ) ( )
4
P NNNN P N P N P N P N 1 p = =
Una falla: ( ) ( ) ( ) ( ) ( ) ( )
3
P NNNF P N P N P N P F 1 p p = =
Dos fallas: ( ) ( ) ( ) ( ) ( ) ( )
2
2
P NNFF P N P N P F P F 1 p p = =
Tres fallas: ( ) ( ) ( ) ( ) ( ) ( )
3
P NFFF P N P F P F P F 1 p p = =
Cuatro fallas: ( ) ( ) ( ) ( ) ( )
4
P FFFF P F P F P F P F p = =
a) Cul es la probabilidad de que haya corriente entre las terminales A y B?
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) P C P NNNN NNNF NNFN NFNN FNNN NNFF FFNN = (

( ) ( ) ( ) ( ) ( ) ( )
4 3 2
2
P NNNN 4P NNNF 2P NNFF 1 p 4 1 p p 2 1 p p = + + = + +

2 3 4 2 3 4 2 3 4
1 4p 6p 4p p 4p 12p 12p 4p 2p 4p 2p = + + + + + +

2 3 4
1 4p 4p p = +
b) Cul es la probabilidad de falla del sistema?
( ) ( ) ( )
2 3 4 2 3 4
P C 1 P C 1 1 4p 4p p 4p 4p p = = + = +
c) Mejorara la operacin del sistema la adicin del conector 5?
Es obvio suponer que la adicin del conector 5 mejorara la operacin del
sistema, es decir, la probabilidad de que haya corriente entre las terminales A
y B sera mayor si existe el conector 5, que si no existe.
Sea el evento K = {Hay corriente entre A y B, con conector 5}
( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
NNNN NNNF NNFN NFNN FNNN
P K P
NNFF FFNN NFFN FNNF
(
=
(

(

( ) ( ) ( ) ( ) ( ) ( ) ( )
4 3 2
2
P K P NNNN 4P NNNF 4P NNFF 1 p 4 1 p p 4 1 p p = + + = + +

2 3 4 2 3 4 2 3 4
1 4p 6p 4p p 4p 12p 12p 4p 4p 8p 4p = + + + + + +

2 4
1 2p p = +
Debemos probar entonces que:
2 4 2 3
2p p 1 4p 4p p + > +
2 4 2 3 4
1 2p p 1 4p 4p p 0 + + + >
2 3 4 2 3 4
2p 4p 2p 0, p 2p p 0 + > + >
( ) ( )
2
2 2 2
p 1 2p p 0, p 1 p 0 + > >
( )
2
2
p 0, p 0, 1 p 0, 1 p 0 > > > >
Efectivamente, el sistema es ms eciente con el conector 5 que sin l.
d) El espacio muestral cambia a:
154
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
NNNNN , NNNNF , NNNFN , NFNNN , FNNNN , NNNFF , NFNNF , NFNFN ,
FNNNF , FNNFN , NFNNN , NFNFF , FNNFF , FFNNF , FFNFN , FFNFF ,
S'
NNFNN , NNFNF , NNFFN , NFFNN , FNFNN , NNFFF , NFFNF , NFFFN ,
FNFNF , FNFFN , NFFNN , NFFFF , FNFFF , FFFNF , FFFFN , FFFFF

)
Sea el evento G = {Hay corriente entre A y B, con interruptor 5}
( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
NNNNN NNNNF NNNFN NNFNN NFNNN FNNNN
P G NNNFF NNFNF NNFFN NFNFN FNNNF
FFNNN FNFNN NFFNN NNFFF FFFNN

=
`

)

( ) ( ) ( ) ( ) P NNNNN 5P NNNNF 8P NNNFF 2P NNFFF = + + +

( ) ( ) ( ) ( )
5 4 3 2
2 3
1 p 5 1 p p 8 1 p p 2 1 p p = + + +

2 3 4 5 2 3 4 5
1 5p 10p 10p 5p p 5p 20p 30p 20p 5p = + + + + + +

2 3 4 5 3 4 5
8p 24p 24p 8p 2p 4p 2p + + + +

2 3 4 5
1 2p 2p 5p 2p = +
Se debe cumplir que:
2 4 2 3 4 5
1 2p p 1 2p 2p 5p 2p + > +
2 4 2 3 4 5 3 4 5
1 2p p 1 2p 2p 5p 2p 0, 2p 4p 2p 0 + + + + > + >
( ) ( ) ( )
2 2
3 2 3 3
2p 1 2p p 0, p 1 p 0, p 0, p 0, 1 p 0, 1 p 0 + > > > > > >
Tambin se debe cumplir:
2 3 4 5 2 3 4
1 2p 2p 5p 2p 1 4p 4p p + > +
2 3 4 5 2 3 4 2 3 4 5
1 2p 2p 5p 2p 1 4p 4p p 0, 2p 6p 6p 2p 0 + + + > + >
( ) ( ) ( )
3 3
2 2 3 2 2
2p 1 3p 3p p 0, p 1 p 0, p 0, p 0, 1 p 0, 1 p 0 + > > > > > >
e) Sea el evento D ={fallan exactamente 2 interruptores}
( ) ( ) ( ) ( ) ( ) ( ) ( ) { }
P D P NNFF NFNF NFFN FNNF FNFN FFNN =

( ) ( )
2
2
6P NNFF 6 1 p p = =
( ) ( ) ( ) { } ( ) ( )
2
2
P C D P NFNF FNFN 2P NNFF 2 1 p p = = =
( ) ( ) ( ) { } ( ) ( )
2
2
P C D P NFNF FNFN 2P NNFF 2 1 p p = = =

Ntese que a travs de una funcin polinomial se establece el modelo pro-
babilstico indicativo del comportamiento del sistema, bajo determinadas cir-
cunstancias: con 4 o 5 interruptores, con un conector adicional, etc. Mediante
el trazo de las curvas polinomiales es posible hacer un anlisis de sensibilidad
del circuito para distintos valores de p.
1
Aunque generalmente la independencia mutua parece prcticamente asegu-
rada si los eventos son independientes por pares:
( ) ( ) ( )
i j i j
P A A P A P A , i j , i 1,n = < = en algunos casos, esta independen-
cia no es suciente para garantizar la independencia mutua.

Ejemplo 1.64. TETRAEDRO. Si en lugar de lanzar un dado, se lanza un te-
traedro, cuyas caras estn numeradas del 1 al 4, denimos los eventos:
A = {1, 2}, B = {1, 3}, C = {1, 4}, las probabilidades correspondientes son:
P(A) = 1/2, P(B) = 1/2, P(C) = 1/2. Ahora, utilizando el criterio de Laplace,
calculamos las siguientes probabilidades conjuntas:
( )
( ) N A B
1
P A B
N 4
= =

( )
( ) N A C
1
P A C
N 4
= =
( )
( ) N B C
1
P B C
N 4
= =

( )
( ) N A B C
1
P A B C
N 4

= =
Vemos que los eventos A, B y C son independientes por pares, pues:
( ) ( ) ( )
1 1 1
P A B P A P B
2 2 4
= = =

( ) ( ) ( )
1 1 1
P A C P A P C
2 2 4
= = =

( ) ( ) ( )
1 1 1
P B C P B P C
2 2 4
= = =

Sin embargo, A, B y C no son mutuamente independientes, ya que:
( ) ( ) ( ) ( )
1 1 1 1 1
P A B C P A P B P C
2 2 2 8 4
= = = =
L
a probabilidad condicional se dene como un cociente y, como tal, no
tiene problema alguno desde la perspectiva matemtica; sin embargo, si
presenta serias dicultades conceptuales en su aplicacin, las cuales conviene
identicar, distinguir qu circunstancias las provocan y solventarlas totalmen-
te, a efecto de que el aprendizaje del tema sea signicativo.
Cuando las personas empiezan a tratar con el concepto de condicionali-
dad, comnmente lo confunden con el de causalidad, porque les cuesta mucho
trabajo aceptar que la ocurrencia de un evento posterior pueda condicionar
la ocurrencia de un evento previo. En el numerador del cociente que dene
la probabilidad condicional P(A|B), aparece la probabilidad de la ocurrencia
conjunta P(
A B
), que no expresa ocurrencia simultnea; el evento A puede
ocurrir 10 millones de aos despus que el evento B, 15 segundos antes, o al
mismo tiempo; ah empieza la dicultad, y la mejor manera de solventarla es
desligando la variable tiempo de la ocurrencia de los eventos. As, cuando se
hable de la probabilidad condicional de un evento A, dada la ocurrencia del
evento B, no se debe entender que el evento A habr de ocurrir necesariamente
posterior al evento B. Ms an, en muchas ocasiones, aunque los dos eventos
hayan ocurrido, sin importar el orden temporal de ocurrencia, se pueden medir
ambas probabilidades condicionales, P(A|B) y P(B|A).
La segunda dicultad es de naturaleza prctica y se reere a la complejidad
en la distincin de los eventos condicionados y condicionantes, con proble-
mticas inmersas en contextos muy diversos. La propuesta para resolver esto
es recurrir a la retroalimentacin, que permita aclarar dudas, contextualizar el
problema y as poder plantearlo sin equvocos.
1.5.3
CONDICIONALIDAD
EN IMGENES
156
Finalmente, la tercera dicultad proviene de lo variada que resulta la infor-
macin de que se dispone para enfrentar problemas de probabilidad condicio-
nal, pues es en funcin de ella, que se tiene que proceder. No se trata de esta-
blecer un algoritmo para cada caso, que conduzca a la bsqueda de la frmula
correcta, sino de conocer la gama de posibilidades y reconocer los diferentes
caminos para resolverlos, sin soslayar informacin relevante.
Considerando nicamente dos eventos A y B correspondientes a un cierto
espacio de probabilidad, al tomar en cuenta los eventos complementarios A
c
y
B
c
, se pueden establecer ocho relaciones de probabilidad condicional, conside-
rando todos los denominadores diferentes de cero.

( )
( )
( )
( )
( )
( )
P A B P B A
P A| B ; P B | A
P B P A

= =

( )
( )
( )
( )
( )
( )
c c
c c
P A B P B A
P A | B ; P B | A
P B P A

= =

( )
( )
( )
( )
( )
( )
c c
c c
c c
P A B P B A
P A| B ; P B | A
P B P A

= =

( )
( )
( )
( )
( )
( )
c c c c
c c c c
c c
P A B P B A
P A | B ; P B | A
P B P A

= =
Todo el conocimiento posible involucrado en esas 8 relaciones se resume
en 16 elementos: 8 probabilidades condicionales, 4 probabilidades conjuntas
y 4 probabilidades marginales, y signica que un problema de probabilidad
condicional ha quedado totalmente resuelto slo cuando se han evaluados los
16 elementos.
Para resolver totalmente un problema de probabilidad condicional slo se
requieren tres elementos no complementarios, siendo las 9 posibilidades las
siguientes:
1 marginal y 2 conjuntas
1 marginal y 2 condicionales
1 conjunta y 2 marginales
1 conjunta y 2 condicionales
1 marginal, 1 conjunta y 1 condicional
2 marginales y 1 conjunta
2 marginales y 1 condicional
2 conjuntas y 1 condicional
3 condicionales
Hasta aqu, los problemas de probabilidad condicional los hemos resuelto
de la manera usual, utilizando el lgebra para considerar de manera simultnea
tres reglas bsicas: la probabilidad del complemento y las leyes de adicin y de
multiplicacin de probabilidades. Existen otros recursos visuales, que vale la
pena explorar; ellos son las tablas de doble entrada, los rboles de probabilidad
condicional y los diagramas de cuadrado unitario, todos ellos de fcil manejo,
muy tiles para entender claramente los conceptos y para visualizar todos los
resultados simultneamente, aunque ninguno de ellos es autosuciente para
enfrentar cualquier tipo de problema de probabilidad condicional.
CONDICIONALIDAD EN IMGENES
1
Tablas de doble entrada
En primera instancia consideramos problemas de probabilidad condicional
que involucran nicamente dos eventos y sus respectivos complementos; para
llos, el elemento base es una tabla de doble entrada o matriz de 2 x 2, que
contiene o debe contener la informacin de las 4 probabilidades conjuntas:
Esta tabla se complementa adicionndole una columna, en la que se obtie-
nen las dos probabilidades marginales correspondiente a A y A
c
, sumando las
probabilidades conjuntas de cada uno de los renglones; y adicionndole un
rengln, en el que se obtienen las dos probabilidades marginales correspon-
dientes a B y B
c
.

La tabla ampliada incorpora las ocho probabilidades condicionales, cuatro
en dos columnas adicionales y las otras cuatro en do renglones adicionales.
Ejemplo 1.65. ROS CONTAMINADOS. Con referencia al ejemplo 1.55,
los datos del problema son: P(T) = 2/5, P(P) = 3/4, ( )
c c
P T P
=0.20
158
Las tablas de doble entrada son fciles de manipular y facilitan los clculos,
pero no son la panacea, pues cuando los datos disponibles son 3 condicionales
o bien 2 condicionales y 1 marginal, no se relacionadas, es necesario salirse
de la tabla y recurrir al lgebra para obtener al menos 1 probabilidad conjunta,
para luego continuar en la tabla y concluir el ejercicio. Como tarea para el
lector quedan los dos casos siguientes, con otros datos del problema:
a) P(P) = 0.75, P(P|T) = 0.875, P(P
c
|T
c
) = 0.333
b) P(T
c
|Pc) = 1/4, P(T|P) = 7/15, P(P|T
c
) = 2/3
rboles de probabilidades condicionales
Otra manera de visualizar las probabilidades condicionales en contexto, es
a travs de diagramas de rbol, que por la informacin que contienen, son de-
nominados rboles de probabilidad condicional.
Se construyen dos rboles de probabilidades, uno para cada evento bsico.
El rbol correspondiente al evento A es un arreglo como el siguiente:

La herramienta es fcil de construir, bajo las siguientes reglas:
a) Las ramas que parten de un mismo nodo corresponden a eventos com-
plementarios
b) En las dos ramas que parten del nodo inicial se anotan las probabilidades
marginales P(A) y P(A
c
)
c) En las ramas que parten de los segundos nodos se anotan las probabilida-
des condicionales P(A|B), P(A
c
|B), P(A|B
c
) y P(A
c
|B
c
), siguiendo la secuen-
cia de la rama previa.
El rbol ampliado con toda la informacin complementaria es el siguiente:
d) Al nal de cada rama terminal se anota la probabilidad conjunta corres-
pondiente al producto de la marginal y la condicional, anotadas sobre ramas
consecutivas, conforme a la ley de multiplicacin de probabilidades:
( ) ( ) ( ) ( )
y
c c c c
P B A , P B A , P B A P B A
.
1
e) Al margen derecho del diagrama se anotan las probabilidades marginales
del otro evento bsico y su complemento: P(B) y P(B
c
), sumando las proba-
bilidades conjuntas asociadas; la suma de estas dos marginales debe sumar 1 y
es la manera de corroborar operaciones aritmticas.
El rbol correspondiente al evento B se construye de manera idntica, inter-
cambiando A por B y la B por A.
Ejemplo 1.66. ENTRONQUE. Con referencia al ejemplo 1.56, los datos del
problema son: P(x) = 0.1, P(y) = 0.2,
( ) P x | y 0.5 =
Como ocurre con las tablas de doble entrada, los rboles de probabilidad
condicional son recursos muy visuales, fciles de manejar, pero no son infa-
libles; si los datos del problema son 3 condicionales, 2 de ellas se ubican en
un rbol y la tercera en el otro, o si son 2 condicionales con 1 marginal o una
conjunta que no estn en lnea de secuencia, hay que abandonar los diagramas
y recurrir al lgebra, para obtener al menos otra probabilidad conjunta u otra
marginal, para luego retornar a los diagramas y concluir el ejercicio. Al lector
le quedan estos dos ejercicios, con diferentes datos del problema:
a) P(x
c
|y) = 1/2, P(y|x) = 1, P(y
c
|x
c
) = 8/9
b)
( )
c c
P x y 0.8 = , P(x|y) = 0.5 , P(y
c
|x) =0

160
Diagramas de cuadrado unitario
La dependencia o independencia de eventos no se puede identicar median-
te de un diagrama de Venn tradicional; los eventos A y B pueden ser depen-
diente en cualquiera de los tres siguientes diagramas, y pueden ser indepen-
dientes slo en el segundo, pero no necesariamente.

De hecho, los dos diagramas de los extremos representan los dos casos l-
mite del caso general, simbolizado por el segundo diagrama: cuando no hay
ocurrencia conjunta y cuando hay ocurrencia implicada, en esos dos casos, la
dependencia entre los eventos es total.
En el primer diagrama, donde A y B son eventos mutuamente exclusivos,
si B ocurre, entonces la probabilidad de A es nula; y si A ocurre, entonces la
probabilidad de B es nula; por eso son dependientes.
En el tercer diagrama, donde la ocurrencia de A implica la ocurrencia de B,
si B ocurre, entonces la probabilidad de A es la probabilidad conjunta de A y B;
y si A ocurre, entonces la probabilidad de B es uno; por eso son dependientes.
Entonces, cuando hay incompatibilidad o continencia, se puede asegurar
que los eventos no son independientes. De hecho se trata del mismo tipo de
relacin entre eventos, como se puede apreciar en los siguientes diagramas:

El caso general es donde cuesta trabajo dilucidar si los eventos son indepen-
dientes o no, y un diagrama de Venn no ayuda en nada. Para visualizar probabi-
lidades condicionales, proponemos el uso de diagramas de cuadrado unitario,
que son aplicables en todos los casos y se construyen como sigue:
a) El segmento unitario horizontal se particiona en dos subintervalos que
representan los dos eventos que se pueden dar por ocurridos, asignando a cada
longitud de subintervalo, la probabilidad del evento correspondiente: P(B) y
P(B
c
).
b) Sobre cada uno de los dos subintervalos denidos hay un rectngulo de
altura unitaria, el cual se particiona en dos regiones; la inferior con una altura
igual a la probabilidad condicional P(A|) y cuya rea corresponde a la pro-
babilidad conjunta P( A ), y la superior con altura igual a la probabilidad
condicional P(A
c
|), delimitada automticamente por el valor uno y cuya rea
corresponde a la probabilidad conjunta P(
c
A ).
c) Se puede construir un diagrama cuadrado unitario equivalente, en el que
verticalmente se representan las probabilidades condicionales P(B|) y P(B
c
|)
como alturas de dos regiones de los rectngulos formados sobre los subinter-
valos horizontales en los que se representan las probabilidades P(A) y P(A
c
).
1
Ejemplo 1.67. DIAGRAMAS DE CUADRADO UNITARIO. Sean los
eventos A y B, cuyas probabilidades jaremos en P(A) = 0.4 y P(B) = 0.5.
Para ilustrar el procedimiento de construccin de un diagrama de cuadrado
unitario consideraremos cinco casos representativos:
a) Los eventos A y B son mutuamente exclusivos:
( ) A B P A B 0 | = =
( ) ( ) ( )
( )
( )
( )
c c c c
c
P A 0.4
P A| B 0, P A | B 1, P A| B 0.8, P A | B 0.2
0.5 P B
= = = = = =
( ) ( ) ( )
( )
( )
( )
c c c c
c
P B 0.5
P B | A 1, P B | A 0, P B | A 0.833, P B | A 0.166
0.6 P A
= = = = = =

b) El evento A est contenido en el evento B.
( )
( )
( )
( )
c
P A 0.4
A B A B A P A| B 0.8, P A | B 0.2
P B 0.5
c = = = = =
( )
( )
( )
( ) ( )
( )
( )
c c c
c
P A P B 0 0.5
P A| B 0, P A | B 1, P B | A 1
0.5 P B 0.5 P B
= = = = = = =
( ) ( )
( )
( )
( )
c
c c c c
c
P B A
0.1
P B | A 0, P B | A 0.166, P B | A 0.833
0.6 P A
= = = = =

c) ( ) P A B 0.1 =
( ) ( ) eventos dependientes P A P B 0.4 0.5 0.2 0.1 = = =
( )
( )
( )
( ) ( )
( )
( )
c
c c
c
P A B
P A B 0.1 0.3
P A| B 0.2, P A | B 0.8, P A| B 0.6
P B 0.5 0.5 P B
= = = = = = =
162
( ) ( ) ( )
c c c
0.1
P A | B 0.4, P B | A 0.25, P B | A 0.75
0.4
= = = =
( )
( )
( )
( )
c
c c c
c
P B A
0.4
P B | A 0.666, P B | A 0.333
0.6 P A
= = = =

d) ( ) P A B 0.2 =
( ) ( ) ( ) eventos independientes P A P B 0.4 0.5 0.2 P A B = = =

( )
( )
( )
( ) ( )
( )
( )
c
c c
c
P A B
P A B 0.2 0.2
P A| B 0.4, P A | B 0.6, P A| B 0.4
P B 0.5 0.5 P B
= = = = = = =
( ) ( ) ( )
c c c
0.2
P A | B 0.6, P B | A 0.5, P B | A 0.5
0.4
= = = =
( )
( )
( )
( )
c
c c c
c
P B A
0.3
P B | A 0.5, P B | A 0.5
0.6 P A
= = = =

e) ( ) P A B 0.3 =
( ) ( ) eventos dependientes P A P B 0.4 0.5 0.2 0.3 = = =
( )
( )
( )
( ) ( )
( )
( )
c
c c
c
P A B
P A B 0.3 0.1
P A| B 0.6, P A | B 0.4, P A| B 0.2
P B 0.5 0.5 P B
= = = = = = =
( ) ( ) ( )
c c c
0.3
P A | B 0.8, P B | A 0.75, P B | A 0.25
0.4
= = = =
( )
( )
( )
( )
c
c c c
c
P B A
0.2
P B | A 0.333, P B | A 0.666
0.6 P A
= = = =

1

La serie de diagramas de cuadrado unitario obtenidos en el ejercicio da pi
para distinguir no slo los casos de dependencia o independencia de eventos,
sino tambin para identicar el tipo de relacin que guardan los eventos entre
s, cuando hay dependencia.
Considerando que los datos de partida fueron: P(A) = 0.4 y P(B) = 0.5,
que conllevan el producto P(A)P(B) = 0.2, en el siguiente cuadro resumen se
observan las conclusiones para diferentes valores de la probabilidad conjunta:
P(AB) P(A|B) P(B|A) Relacin
0 0 0 la ocurrencia de uno inhibe la ocurrencia del otro
0.1 0.2 0.25 la ocurrencia de uno desfavorece la ocurrencia del otro
0.2 0.4 0.5 eventos estadsticamenteindependientes
0.3 0.6 0.75 la ocurrencia de uno favorece la ocurrencia del otro
0.4 0.8 1 la ocurrencia de uno obliga la ocurrencia del otro

De manera general: ( ) ( ) ( ) ( ) 0 P A B P A ; 0 P A B P B s s s s
Si ( ) P A B 0 A B | = =
Si
( ) ( ) ( ) P A B P A A B, P B | A 1 = c =
Si ( ) ( ) ( ) P A B P B B A P A| B 1 = c =
Si ( ) ( ) ( ) P A B P A P B A B =
Si ( ) ( ) ( ) P A B P A P B >
existe correlacin positiva entre A y B
Si ( ) ( ) ( ) P A B P A P B <
existe correlacin negativa entre A y B
La construccin de diagramas de cuadrado unitario se puede generalizar
muy fcilmente a cualquier nmero de eventos mutuamente exclusivos a in-
cluir en el segmento unitario horizontal, con dos eventos complementarios a
considerar en el sentido vertical.
164
C
onsidere una particin del espacio muestral O, constituida por los even-
tos B
1
, B
2
,..., B
n
que son mutuamente exclusivos y colectivamente ex-
haustivos. Un evento A cualquiera siempre se puede descomponer en los
eventos (
1
A B ), (
2
A B ),, (
n
A B ), que son mutuamente exclusivos:
( )
n
i
i 1
A A B
=
=

La probabilidad del evento A siempre puede expresarse como la suma de las
probabilidades de los eventos
i
A B , i=1,2,, n

( ) ( )
n
i
i 1
P A P A B
=
=
____ (1.41)
Cada trmino puede expandirse conforme a la ley de multiplicacin de pro-
babilidades dada en (1.39), de manera que la ecuacin (1.41) tambin puede
escribirse como:
( ) ( ) ( )
n
i i
i 1
P A P A| B P B
=
=
____ (1.42)
Este resultado se conoce como teorema de probabilidad total y representa la
expansin de la probabilidad de un evento en trminos de sus probabilidades
condicionales, condicionadas sobre un conjunto de eventos mutuamente ex-
clusivos y colectivamente exhaustivos.
En efecto:
( ) ( ) ( ) ( ) ( )
n
1 2 n i
i 1
P A P A B A B ... A B P A B
=
(
= = (
(

Pero
i j
B B , i j | = = por lo que: ( ) ( )
i j
A B A B , i j | = =
Entonces: ( ) ( )
n
i
i 1
P A P A B
=
=

La probabilidad total obtenida a travs de (1.41) o (1.42) es la probabilidad
marginal de A, es decir, es la probabilidad de ocurrencia de A, sin importar la
ocurrencia de cualquier otro evento.
PROBABILIDAD TOTAL
1.5.4
TEOREMA DE
PROBABILIDAD
TOTAL
1
Hagamos ahora una pequea transformacin, renombrando las ocurrencias
conjuntas en la forma:
i i
C A B = , de manera el evento A es la unin de n
eventos C
i
mutuamente exclusivos:
n
i i j
i 1
A C , C C , i j |
=
= = =
, constitu-
yendo una descomposicin del evento A.

Por lo tanto, la probabilidad total del evento A es la suma de las probabili-
dades de los eventos C
i
, lo cual replica el tercer axioma de probabilidad:

( ) ( )
n n
i i i j
i 1 i 1
P A P C P C C C , i j |
= =
| |
= = = =
|
\ .

Aunque no lo pareca, aquel que denominamos teorema de probabilidad
total en el captulo 1.2 y que durante ms de doscientos aos fuera considerado
uno de los tres teoremas fundamentales de la probabilidad, es exactamente
el mismo que el tratado en este apartado, slo que estaba presentado de otra
manera; con la adecuacin realizada, se pudo ver claramente que se trata del
mismo concepto.
Ejemplo 1.68. URNAS. Se tienen tres urnas que contienen 24 bolas cada una.
La urna 1 tiene 16 bolas rojas y 8 blancas, la urna 2 tiene 20 bolas rojas y 4
blancas, y la urna 3 tiene 6 bolas rojas y 18 blancas. Se ha extrado una bola de
alguna de las urnas, cul es la probabilidad de que la bola sea blanca?

Cabe suponer cuatro soluciones: Si la bola sali de la urna 1, la probabili-
dad de que sea blanca es 1/3, porque hay 8 de 24 bolas, que son blancas. Si la
bola sali de la urna 2, la probabilidad de que sea blanca es 1/6, porque hay 4
de 24 bolas, que son blancas. Y si la bola sali de la urna 3, la probabilidad de
que sea blanca es 3/4, porque hay 18 de 24 bolas, que son blancas. Finalmen-
te, si no sabemos de cul de las tres urnas sali, entonces la probabilidad de
que sea blanca es 5/12, porque, en total, hay 30 de 72 bolas, que son blancas.
166
Sera posible que las cuatro respuestas fueran correctas? Pues si supone-
mos que la bola sali de la urna 1, la respuesta correcta es la primera; es una
probabilidad condicional, condicionada a que la urna elegida haya sido la 1.
Se puede decir exactamente lo mismo, si suponemos la extraccin de la urna
2, o de la 3:
( ) ( ) ( )
8 1 4 1 18 3
P B | 1 , P B | 2 , P B | 3
24 3 24 6 24 4
= = = = = =

La cuarta respuesta corresponde a una probabilidad no condicional, pues
aqu no hay necesidad de suponer nada; considerando que la urna elegida pudo
ser cualquiera de las tres, con igual probabilidad de 1/3, la probabilidad total
de que la bola sea blanca es:
( ) ( ) ( ) ( ) ( ) ( ) ( ) P B P B | 1 P 1 P B | 2 P 2 P B | 3 P 3 = + +

1 1 1 1 3 1 1 1 1 4 2 9 15 5
3 3 6 3 4 3 9 18 4 36 36 12
+ +
= + + = + + = = =
Cuando se obtiene probabilidad total, el diagrama de cuadrado unitario se
puede simplicar omitiendo las probabilidades correspondientes a los comple-
metos, quedando nicamente una distribucin de probabilidad:

Ejemplo 1.69. DEFECTUOSOS. Tres mquinas A, B y C producen, respec-
tivamente, 50%, 30% y 20% del nmero total de artculos de una fbrica; los
porcentajes de desperfectos de produccin de estas mquinas son, respectiva-
mente, 4%, 2% y 3%. Existe inters en determinar cul es el porcentaje de
artculos defectuosos en toda la fbrica.

Intuitivamente, tal porcentaje se puede obtener sumando los productos de
los porcentajes de produccin de cada mquina por sus correspondientes por-
centajes de desperfectos:
0.50 0.04 0.30 0.02 0.20 0.03 0.02 0.006 0.006 0.032 + + = + + =

PROBABILIDAD TOTAL
1
El porcentaje total de artculos defectuosos es de 3.2%
Formalmente: Sean los eventos:
A = {artculo producido por la mquina A}
B ={artculo producido por la mquina B}
C = {artculo producido por la mquina C}
D = {artculo defectuoso}
Con las siguientes probabilidades: ( ) ( ) P A 0.50, P D| A 0.04 = =

( ) ( ) P B 0.30, P D| B 0.02 = =

( ) ( ) P C 0.20, P D| C 0.03 = =

( ) ( ) ( ) ( ) ( ) ( ) ( ) P D P A P D| A P B P D| B P C P D| C = + +

0.50 0.04 0.30 0.02 0.20 0.03 0.02 0.006 0.006 0.032 = + + = + + =

Nos damos cuenta que la manera en que resolvimos los problemas de pro-
babilidad condicional fue aplicando intuitivamente el teorema de probabilidad
total, porque estuvimos tratando con eventos complementarios, y stos son
mutuamente exclusivos y colectivamente exhaustivos:
( ) ( )
c c
A A B A B A | | = =
( ) ( )
c c
A A B A B A B = O =
( ) ( ) ( ) ( ) ( ) ( ) ( )
c c c
P B P B A P B A P B | A P A P B | A P A = + = +
Ejemplo 1.70. ENTRONQUE. En el ejercicio del entronque Viaducto Peri-
frico, se desea obtener la probabilidad de que se sature el tramo z, usando el
teorema de probabilidad total.
Tomando los eventos:
( )
( ) ( ) ( )
x y , x y , x y , x y
, que son mutua-
mente exclusivos y colectivamente exhaustivos, calculamos la probabilidad
total: ( ) ( ) ( )
( ) ( )
P z P z | x y P x y P z | x y P x y = +

( ) ( ) ( ) ( )
P z | x y P x y P z | x y P x y + +

Y sustituyendo: ( ) ( ) ( )
( ) ( ) ( )
P x y P x | y P y , P x y P x | y P y = =

( ) ( )
( )
( ) ( ) ( )
P x y P x | y P y , P x y P x | y P y = =
168
( ) ( ) ( ) ( )
( ) ( ) ( )
P z P z | x y P x | y P y P z | x y P x | y P y = +

( ) ( )
( )
( ) ( ) ( )
P z | x y P x | y P y P z | x y P x | y P y + +
Los datos son:
( ) ( ) ( )
( )
P x 0.1, P y 0.2, P x | y 0.5, P z | x y 0.2 = = = =

Ya se haban obtenido: ( )
( )
P x y 0.1, P x y 0.8 = =

( )
( ) ( ) ( ) ( )
P z | x y P z | x y P z | x y 1, P x 0.9, P y 0.8 = = = = =

( )
( )
( )
( )
( )
P x y
0.8
P x | y 1 P x | y 1 0.5 0.5; P x | y 1
0.8
P y
= = = = = =
( ) ( )
P x | y 1 P x | y 1 1 0 = = =
( ) ( )( ) ( )( ) ( )( ) ( )( ) P z 1 0.5 0.2 1 0 0.8 1 0.5 0.2 0.2 1 0.8 = + + +

0.1 0 0.1 0.16 0.36 = + + + =
En un anlisis ms profundo, interesara conocer la capacidad que debera
tener el tramo z para que la falla sea menos probable, tomando en cuenta el
costo social y el costo de la obra.
Ejemplo 1.71. CIRCUITO ELCTRICO. Considerando el conector 5, la
probabilidad de que haya corriente entre las terminales A y B se puede obte-
ner utilizando el teorema de probabilidad total, considerando los 16 eventos
elementales del espacio muestral, que son mutuamente exclusivos y colectiva-
mente exhaustivos.
( ) ( ) ( ) ( ) ( ) ( ) ( ) P C P C | NNNN P NNNN P C | NNNF P NNNF ... P C | FFFF P FFFF = + + +
( ) ( ) ( ) ( ) ( ) P C | NNNN P C | NNNF P C | NNFN P C | NFNN P C | FNNN 1 = = = = =
( ) ( ) ( ) ( ) P C | NNFF P C | NFFN P C | FFNN P C | FNNF 1 = = = =
( ) ( ) P C | NFNF P C | FNFN 0 = =
( ) ( ) ( ) ( ) P C | NFFF P C | FNFF P C | FFNF P C | FFFN 0 = = = =
( ) ( )
4
P NNNN 1 p =
( ) ( ) ( ) ( ) ( )
3
P NNNF P NNFN P NFNN P FNNN p 1 p = = = =
( ) ( ) ( ) ( ) ( ) ( ) ( )
2
2
P NNFF P NFFN P FFNN P FNNF P NFNF P FNFN p 1 p = = = = = =
( ) ( ) ( ) ( ) ( )
3
P NFFF P FNFF P FFNF P FFFN p 1 p = = = =
( )
4
P FFFF p =
( ) ( ) ( ) ( ) ( )
4 3 2
2 3 4
P C 1 1 p 4 1 p 1 p 2 1 p 1 p 4 0 p 1 p 1 0 p = + + + +

( ) ( ) ( )
4 3 2
2
1 p 4p 1 p 2p 1 p = + +

2 3 4 2 3 4 2 3 4
1 4p 6p 4p p 4p 12p 12p 4p 2p 4p 2p = + + + + + +

2 3 4
1 4p 4p p = +
Este resultado coincide con el obtenido previamente, utilizando otras reglas
PROBABILIDAD TOTAL
1
B
ajo los mismos supuestos establecidos para el teorema de probabilidad to-
tal, por denicin de probabilidad condicional, la probabilidad de ocurren-
cia del evento B, dada la ocurrencia del evento A
j
es: ( )
( )
( )
j
j
j
P A B
P B | A
P A
=

Y puesto que ( ) ( ) ( ) ( ) ( ) ( )
j j j j j
P B A P A P B | A P A B P B P A | B = = =
, entonces:
( )
( )
( )
j
j
P A B
P A | B
P B
=
El numerador
( )
j
P A B representa un trmino de la ecuacin 1.41, y pue-
de ser reemplazado, como en la ecuacin 1.42 por el producto ( ) ( )
j j
P B | A P A
y en forma similar, el denominador puede ser reemplazado por la suma de tales
trminos:
( )
( ) ( )
( ) ( )
j j
j j n
i i
i 1
P B | A P A
P A | B , A
P B | A P A
=
=
____ (1.43)
Este resultado es conocido como teorema de Bayes, el cual provee una regla
cuya validez es indiscutible para obtener, a partir de un conjunto de probabi-
lidades a priori, asignadas objetiva o subjetivamente, un conjunto de proba-
bilidades a posteriori, que permiten corroborar aquellas, si su asignacin fue
objetiva, o permiten modicarlas y corregirlas, si su asignacin fue subjetiva,
con fundamento en la evidencia de que un determinado evento ha ocurrido.
Cuando decimos: dada la ocurrencia del evento B, esto no se debe inter-
pretar como que B es el resultado de un experimento determinstico, al suponer
que si ha ocurrido, entonces P(B) =1. La riqueza del espaol facilita expresar
la idea de una mejor manera, con la frase: si el evento B ocurriera.
Si bien la regla de Bayes parece una expresin complicada, sigue siendo en
esencia el mismo cociente que dene probabilidad condicional, excepto que el
denominador, que corresponde a una probabilidad marginal, ahora est expan-
dido conforme al teorema de probabilidad total. En esencia, el teorema invoca
nicamente dos leyes: adicin y multiplicacin de probabilidades.
1.5.5
TEOREMA
DE BAYES
170
Revisemos con detenimiento el signicado de los trminos contenidos en la
denominada regla de Bayes:
P(A
i
) =Probabilidad a priori de ocurrencia del evento Ai
P(B|A
i
) =Probabilidad condicional de ocurrencia del evento B, dado que
el evento A
i
ocurre. El evento A
i
visto como la causa de ocurrencia del
evento B
P(A
i
|B) =Probabilidad condicional de ocurrencia del evento A
i
, si es que
el evento B ocurriera. El evento B visto como el efecto de la ocurrencia del
evento A
i
.
Tanto el teorema como la probabilidad subjetiva asociada a ste, siempre
han suscitado polmica. Las llamadas probabilidades a priori P(A
i
) pueden
provenir de cualquiera de las interpretaciones de probabilidad: clsica, fre-
cuentista o subjetiva; la objetividad en la asignacin est condicionada, pues
slo en los juegos de azar se puede invocar simetra y slo disponiendo de
abundante informacin estadstica es posible usar frecuencias relativas; en la
mayora de los problemas reales, las llamadas probabilidades a priori han de
ser evaluadas subjetivamente, en el mejor de los casos con un criterio lgico.
En general, en el mbito profesional, las probabilidades subjetivas no son
ocurrencias irresponsables de alguien; aunque no se basen en ningn clculo
preciso, en general corresponden a evaluaciones razonables que realizan per-
sonas bien informadas y comprometidas, traducindolas en creencias; en el
teorema de Bayes, el trmino matemtico para creencia se llama probabilidad
a priori, aquella que estara cambiando permanentemente en funcin de nuevos
datos, siempre en el rango entre 0 y 1.
El conocimiento previo que tenemos de muchas cosas se basa en nuestras
creencias y suposiciones, inuyendo en nuestra percepcin; y nuestra percep-
cin es ms o menos sensible a la informacin en la medida en que sta mo-
dica nuestras creencias sobre el mundo. El teorema de Bayes permite fundir
las probabilidades subjetivas, a priori, con informacin experimental nueva,
para obtener unas segundas probabilidades revisadas o a posteriori. La regla
se puede aplicar iterativamente como un proceso de naturaleza secuencial y
adaptativa, que permite ir anando las probabilidades a priori, a medida que se
va generando nueva evidencia.
El enfoque bayesiano ha sido til en algunas estimaciones basadas en co-
nocimiento subjetivo, pues el hecho de poder revisar tales estimaciones, en
congruencia con evidencia emprica adicional, abre nuevas formas de crear
conocimiento. La perspectiva bayesiana ha sido revolucionaria hasta el punto
de convertirse en el punto de vista mayoritario; la regla de Bayes es la frmula
matemtica de las creencias, la que mide qu tanto la nueva evidencia es capaz
de alterar las probabilidades a priori. Hoy en da es posible medir las creencias
de las personas y tambin medir los cambios de percepcin producidos, luego
de recibir determinada informacin.
El teorema de Bayes se utiliza actualmente en una amplia variedad de pro-
blemas, que van desde la exploracin petrolera fuera de costa, hasta la discri-
minacin del spam en sistemas de correo electrnico.
TEOREMA DE BAYES
17
El nombre del teorema honra la memoria de Thomas Bayes; sin embargo,
ahora se sabe que l slo particip marginalmente en su expresin, pues hay
evidencia que nunca estuvo en condiciones de hacer formulaciones a partir de
probabilidades totales. El primero que lo enunci fue Abraham De Moivre,
pero quien realmente lo desarroll fue Laplace, quien en 1812 expres: Sea A
un suceso que ocurre en conjuncin con uno y slo uno de los n sucesos dis-
juntos B
1
, B
2
,, B
n
. Si se sabe que el suceso A ha ocurrido, cul es la proba-
bilidad de que el suceso B
j
tambin? La probabilidad de existencia de una de
esas causas es igual a una fraccin con un numerador igual a la probabilidad
del suceso que se sigue de esta causa y un denominador que es la suma de las
probabilidades similares relativas a todas las posibles causas.
Ejemplo 1.72. URNAS. Como continuacin del ejemplo 1.68, considere que
de alguna de las tres urnas se extrajo una bola que result ser blanca, ahora in-
teresa calcular la probabilidad de que la urna elegida haya sido la 1, la 2 o la 3.
Probabilidades a priori, clsicas: ( ) ( ) ( ) P 1 1/ 3, P 2 1/ 3, P 3 1/ 3 = = =

( ) ( ) ( ) P B | 1 1/ 3, P B | 2 1/ 6, P B | 3 3 / 4 = = =
Ya se haba calculado: ( ) ( ) P B 5 / 12, P R 7 / 12 = =

a) Que haya sido la 1:
( )
( ) ( )
( )
( )( ) P B | 1 P 1 1/ 3 1/ 3 4
P 1| B 0.266
P B 5 / 12 15
= = = =
b) Que haya sido la 2:
( )
( ) ( )
( )
( )( ) P B | 2 P 2 1/ 6 1/ 3 2
P 2 | B 0.133
P B 5 / 12 15
= = = =
c) Que haya sido la 3:
( )
( ) ( )
( )
( )( ) P B | 3 P 3 3 / 4 1/ 3 3
P 3 | B 0.6
P B 5 / 12 5
= = = =
Ejemplo 1.73. DEFECTUOSOS. De los artculos producidos por tres dife-
rentes mquinas, suponga que se ha elegido aleatoriamente un artculo y ste
ha resultado defectuoso; calcule la probabilidad de que provenga de la mqui-
na A, de la B o de la C.
Probabilidades frecuentistas: ( ) ( ) ( ) P A 0.50, P B 0.30, P C 0.20 = = =

( ) ( ) ( ) P D| A 0.04, P D| B 0.02, P D| C 0.03 = = =

Ya se haba calculado: ( ) ( )
c
P D 0.032, P D 0.968 = =
a) Que provenga de la A:
( )
( ) ( )
( )
P D| A P A 0.04 0.50 0.02 5
P A| D 0.625
P D 0.032 0.032 8
= = = = =
b) Que provenga de la B:
( )
( ) ( )
( )
P D| B P B 0.02 0.30 0.006 3
P B | D 0.1875
P D 0.032 0.032 16
= = = = =
c) Que provenga de la C:
( )
( ) ( )
( )
P D| C P C 0.03 0.20 0.006 3
P C | D 0.1875
P D 0.032 0.032 16
= = = = =
172
Ejemplo 1.74. ENTRONQUE. Para el caso del entronque Viaducto Perif-
rico, calcularemos algunas probabilidades condicionales.
Se tenan ya: ( ) ( ) ( ) ( )
P x 0.1, P y 0.2, P x | y 0.5, P z | x y 0.2 = = = =
( ) ( ) ( ) ( ) ( )
P x y 0.1, P x y 0.8, P z | x y P z | x y P z | x y 1 = = = = =
( ) ( ) ( ) ( ) ( ) ( ) P x 0.9, P y 0.8, P x | y 0.5, P x | y 1, P x | y 0, P z 0.36 = = = = = =
Suponiendo que el tramo z se satura:
a) Probabilidad de que los tramos x e y tambin se saturen:
( )
( ) ( )
( )
( ) ( ) ( )
( )
P z | x y P x y P z | x y P x | y P y 1 0.5 0.2 5
P x y | z
P z P z 0.36 18

= = = =
b) Probabilidad de que se sature el tramo x, pero no el tramo y:
( )
( ) ( ) ( )
( )
P z | x y P x | y P y
1 0 0.8
P x y | z 0
P z 0.36

= = =
c) Probabilidad de que se sature el tramo y, pero no el x,:
( )
( ) ( ) ( )
( )
1 0.5 0.2 5
P x y | z
P z 0.36 18

= = =
d) Probabilidad de que no se sature ni el tramo x ni el tramo y:
( )
( ) ( ) ( )
( )
0.2 1 0.8 4
P x y | z
P z 0.36 9

= = =
Suponiendo que el tramo z no se satura, calcularemos primero:
( ) ( )
P z | x y 1 P z | x y 1 0.2 0.8 = = =
( ) ( ) ( )
P z | x y P z | x y P z | x y 0 = = =
e) Probabilidad de que los tramos x e y si se saturen:
( )
( ) ( ) ( )
( )
0 0.5 0.2
P x y | z 0
0.64
P z

= = =
f) Probabilidad de que se sature el tramo x, pero no el y:
( )
P x y | z 0 =
g) Probabilidad de que se sature el tramo y, pero no el x:
( )
P x y | z 0 =
h) no se sature ninguno de los dos tramos.
( )
( ) ( ) ( )
( )
0.8 1 0.8
P x y | z 1
0.64
P z

= = =

Ejemplo 1.75. CIRCUITO ELCTRICO. Considerando el conector 5, y la
probabilidad p asignada empricamente; dado que hay corriente entre las ter-
minales A y B, calcule las siguientes probabilidades:
a) De est cerrado el primer interruptor:
( ) ( ) ( ) ( ) ( )
1
P N | C P NNNN NNNF NNFN NFNN =

( ) ( ) ( ) ( ) | NNFF NFNF NFFN NFFF | C
TEOREMA DE BAYES
17

( ) ( ) ( ) ( ) P NNNN | C P NNNF | C P NNFN | C P NFNN | C = + + + ( ( ( (

( ) ( ) ( ) ( ) P NNFF | C P NFNF | C P NFFN | C P NFFF | C + + + + ( ( ( (

( ) ( )
( )
( ) ( )
( )
P NNNN | C P NNNN P NNNF | C P NNNF
P C P C
( (

= + +

( ) ( )
( )
( ) ( )
( )
P NNFN | C P NNFN P NFNN | C P NFNN
P C P C
( (

+ + +

( ) ( )
( )
( ) ( )
( )
P NNFF | C P NNFF P NFNF | C P NFNF
P C P C
( (

+ + +

( ) ( )
( )
( ) ( )
( )
P NFFN | C P NFFN P NFFF | C P NFFF
P C P C
( (

+ +

( ) ( ) ( )
4 3 2
2
2 3 4
1 1 p 3 1 p 1 p 2 1 p 1 p 0
1 4p 4p p
+ + +
=
+

2 3 4 2 3 4 2 3 4
2 3 4
1 4p 6p 4p p 3p 9p 9p p 2p 4p p
1 4p 4p p
+ + + + + +
=
+

2 3
2 3 4
1 p p p
1 4p 4p p
+
=
+
b) De que estn cerrados los interruptores 1 y 4:
( ) ( ) ( ) ( ) ( ) |
1 4
P N N | C P NNNN NNFN NFNN NFFN | C =

( ) ( ) ( ) ( ) P NNNN | C P NNFN | C P NFNN | C P NFFN | C = + + + ( ( ( (

( ) ( )
( )
( ) ( )
( )
P NNNN | C P NNNN P NNFN | C P NNFN
P C P C
( (

= +

( ) ( )
( )
( ) ( )
( )
P NFNN | C P NFNN P NFFN | C P NFFN
P C P C
( (

+ +

( ) ( ) ( )
4 3 2
2
2 3 4
1 1 p 2 1 p 1 p 1 p 1 p
1 4p 4p p
+ +
=
+

2 3 4 2 3 4 2 3 4
2 3 4
1 4p 6p 4p p 2p 6p 6p 2p p 2p p
1 4p 4p p
+ + + + + +
=
+

2
2 3 4
1 2p p
1 4p 4p p
+
=
+
c) De que estn abiertos los interruptores 1 y 4:
( ) ( ) ( ) ( ) ( ) |
1 4
P FF | C P FFFF FFNF FNFF FNNF | C =

( ) ( ) ( ) ( ) P FFFF | C P FFNF | C P FNFF | C P FNNF | C = + + + ( ( ( (

( ) ( )
( )
( ) ( )
( )
P FFFF | C P FFFF P FFNF | C P FFNF
P C P C
( (

= +

( ) ( )
( )
( ) ( )
( )
P FNFF | C P FNFF P FNNF | C P FNNF
P C P C
( (

+ +

( ) ( )
2
4 3 2 2 3 4
2 3 4 2 3 4
0 p 2 0 p 1 p 1 p 1 p p 2p p
1 4p 4p p 1 4p 4p p
+ + +
= =
+ +
174
d) De que estn cerrados los cuatro interruptores:
( )
( ) ( )
( )
P FFFF | C P FFFF
P NNNN | C
P C
(

=

( )
4
2 3 4
2 3 4 2 3 4
1 1 p
1 4p 6p 4p p
1 4p 4p p 1 4p 4p p

+ +
= =
+ +
rboles de probabilidades a priori y a posteriori
Una manera grca de visualizar la aplicacin de los teoremas de probabi-
lidad total y de Bayes, es a travs de los rboles de probabilidad condicional,
ahora en forma generalizada.
Las reglas para su construccin son prcticamente las mismas que las que
se vieron previamente y aqu se puntualizan. A partir de probabilidades mar-
ginales a priori, P(A
i
) de los eventos A
1
, A
2
,, A
n
, mutuamente exclusivos y
colectivamente exhaustivos, y de las probabilidades condicionales asociadas
con ellos: P(B|A
i
), se puede construir un diagrama que se denomina rbol de
probabilidades a priori:

De acuerdo con las siguientes reglas:
a) La suma de las probabilidades de los eventos correspondientes a ramas
que parten de un mismo nodo debe ser 1, lo cual implica que tales eventos de-
ben ser mutuamente exclusivos y colectivamente exhaustivos.
b) Hay n ramas que parten del nodo inicial, en las que se anotan sendas
probabilidades marginales a priori conocidas de los n eventos A
1
, A
2
,, A
n
,
mutuamente exclusivos y colectivamente exhaustivos.
c) Hay dos ramas que parten de los n segundos nodos, en los que se anotan,
respectivamente, las probabilidades condicionales: P(B|A
i
), que es conocida,
y P(B
c
|A
i
), que es calculada por complemento; estas dos probabilidades co-
rrespondientes al nodo i, i=1,2,, n, deben sumar 1, pues se trata de eventos
complementarios en el espacio muestral condicional A
i
; dentro de este espacio,
tales eventos son mutuamente exclusivos y colectivamente exhaustivos.
d) Las probabilidades conjuntas ( ) ( )
y
c
i i
P B A P B A se anotan como
valores terminales de las ramas del rbol, y se obtiene respectivamente de los
productos P(B|A
i
)P(A
i
) y P(B
c
|A
i
)P(A
i
), cuyos valores aparecen sobre ramas
consecuentes en el rbol. Esta es la ley de multiplicacin de probabilidades.
TEOREMA DE BAYES
17
e) Las probabilidades marginales P(B) y P(B
c
), se obtienen respectivamen-
te de las sumas EP(B|A
i
)P(A
i
) y EP(B
c
|A
i
)P(A
i
), cuyos trminos aparecen al-
ternadamente como valores terminales del rbol. Este es el teorema de proba-
bilidad total.
f) Las probabilidades marginales P(B) y P(B
c
) obviamente deben sumar 1;
esta es la mejor manera de corroborar operaciones aritmticas.
Luego, partiendo del rbol de probabilidades a priori, se construye el res-
pectivo rbol de probabilidades a posteriori:
De acuerdo a las siguientes reglas:
g) La suma de las probabilidades de los eventos correspondientes a ramas
que parten de un mismo nodo debe ser 1, lo cual implica que tales eventos de-
ben ser mutuamente exclusivos y colectivamente exhaustivos.
h) Hay dos ramas que parten del nodo inicial, en las que se anotan, respec-
tivamente, las probabilidades marginales P(B) y P(B
c
) calculadas a travs del
teorema de probabilidad total; los eventos B y B
c
son complementarios y, por
consiguiente, mutuamente exclusivos y colectivamente exhaustivos.
i) Hay n ramas que parten de los 2 segundos nodos, en los que deben apa-
recer sendas probabilidades condicionales a posteriori: P(A
i
|B), para el nodo
correspondiente a B, y P(Ai|B
c
), para el nodo correspondiente a B
c
; no ha sido
calculado todava el valor de estas probabilidades, solo se sabe que la suma
correspondiente a cada uno de los nodos debe ser 1, pues se trata de eventos
mutuamente exclusivos y colectivamente exhaustivos en los espacios condi-
cionales B y B
c
, respectivamente.
j) Las probabilidades conjuntas ( ) ( )
y
c
i i
P A B P A B , que ya se haban
calculado a travs de la ley de multiplicacin de probabilidades, se anotan
como valores terminales de las ramas de este segundo rbol, sabiendo que co-
rresponden a los productos P(A
i
|B)P(B) y P(A
i
|B
c
)P(B
c
), cuyos valores apare-
cen sobre ramas consecuentes en este segundo rbol.
k) Las probabilidades condicionales a posteriori desconocidas P(A
i
|B) y
P(A
i
|B
c
), se obtienen, respectivamente, dividiendo el valor terminal
( )
i
P A B
entre la probabilidad marginal P(B), y dividiendo el valor terminal
( )
c
i
P A B
entre la probabilidad marginal P(B
c
). Esto es el teorema de Bayes.
176
l) Las probabilidades marginales P(A
i
), i = 1, 2,, n, se obtienen respec-
tivamente de las sumas ( ) ( )
+
c
i i
P A B P A B , cuyos trminos aparecen sal-
teados, como valores terminales del rbol.
m) La suma de las probabilidades marginales P(A
i
) obviamente debe sumar
1; esta es la mejor manera de corroborar operaciones aritmticas.
Arreglos matriciales
1. Las dos ecuaciones que relacionan las probabilidades de eventos comple-
mentarios: ( ) ( ) ( ) ( )
c c
P A P A 1, P B P B 1 + = + = , se pueden expresar mediante
el producto de la matriz de probabilidades individuales por un vector unitario y
da por resultado un vector unitario:
( ) ( )
( ) ( )
c
c
P A P A
1 1
1 1
P B P B
| |
| | | |
|
=
| |
|
\ . \ .
\ .

2. Las ecuaciones que relacionan las probabilidades conjuntas con pro-
babilidades marginales corresponden al teorema de probabilidad total:
( ) ( ) ( ) ( ) ( ) ( )
c c c c c
P A B P A B P A , P A B P A B P A + = + =
( ) ( ) ( ) ( ) ( ) ( )
c c c c c
P B A P B A P B , P B A P B A P B + = =

y se pueden expresar a travs del producto de una matriz de probabilidades
conjuntas por un vector unitario y da por resultado un vector de probabilidades
marginales complementarias:

( ) ( )
( ) ( )
( )
( )
c
c
c c c
P A B P A B P A
1
1 P A
P A B P A B
| |
| |
| |
|
| =
|
|
|
\ .
\ .
\ .

( ) ( )
( ) ( )
( )
( )
c
c
c c c
P B A P B A P B
1
1 P B
P B A P B A
| |
| |
| |
|
| =
|
|
|
\ .
\ .
\ .
Ntese que en el segundo sistema de ecuaciones la matriz de probabilidades
conjuntas es la traspuesta de la matriz de probabilidades conjuntas del primero.
3. Las ecuaciones que relacionan las probabilidades condicionales con las
probabilidades marginales de dos eventos, tambin corresponden al teorema
de probabilidad total, pero con cada trmino expandido como producto:
( ) ( ) ( ) ( ) ( )
c c
P A| B P B P A| B P B P A + =
( ) ( ) ( ) ( ) ( )
c c c c c
P A | B P B P A | B P B P A + =
( ) ( ) ( ) ( ) ( )
c c
P B | A P A P B | A P A P B + =
( ) ( ) ( ) ( ) ( )
c c c c c
P B | A P A P B | A P A P B + =
y se puede expresar mediante el producto de una matriz cuyos elementos son
productos de condicionales por marginales, por un vector de probabilidades
marginales y da por resultado el otro vector de probabilidades marginales:

( ) ( )
( ) ( )
( )
( )
( )
( )
c
c c
c c c
P A| B P A| B P B P A
P B P A
P A | B P A | B
| |
| | | |
|
| | =
| |
|
\ . \ .
\ .

( ) ( )
( ) ( )
( )
( )
( )
( )
c
c c
c c c
P B | A P B | A P A P B
P A P B
P B | A P B | A
| |
| | | |
|
| | =
| |
|
\ . \ .
\ .
TEOREMA DE BAYES
17
Ntese que el primer sistema de ecuaciones est asociado al rbol de proba-
bilidades a priori y el segundo sistema de ecuaciones est asociado al rbol de
probabilidades a posteriori.
Ejemplo 1.76. DEFECTUOSOS. Los datos estadsticos indican que las m-
quinas A, B y C producen, respectivamente, 50%, 30% y 20% del nmero
total de artculos de una fbrica; los porcentajes de desperfectos de produccin
de estas mquinas son, respectivamente, 4%, 2% y 3%. Construya rboles de
probabilidad a priori y a posteriori, para visualizar la aplicacin de los teore-
mas de probabilidad total y de Bayes, a la solucin de este problema.
rbol a priori:
rbol a posteriori:
Y matricialmente:

0.5
0.04 0.02 0.03 0.032
0.3
0.96 0.96 0.97 0.968
0.2
| |
| | | |
|
=
| |
|
\ . \ .
|
\ .

0.6250 0.4959 0.5
0.032
0.1875 0.3037 0.3
0.968
0.1875 0.2004 0.2
| | | |
| |
| |
=
|
| |
\ .
| |
\ . \ .

178
La construccin de rboles de probabilidades se puede generalizar para
cuando se tienen k conjuntos de eventos mutuamente exclusivos y colectiva-
mente exhaustivos.
Ejemplo 1.77. ENTRONQUE. En el entronque Viaducto y Perifrico se ha
observado que los tramos x e y se congestionan con probabilidades 0.1 y 0.2,
respectivamente, que cuando el tramo y se congestiona, el tramo x se conges-
tiona con probabilidad 0.5, y que cuando los tramos x e y trabajan debajo de
sus capacidades, la probabilidad de que el tramo z se sature es de 0.2. Constru-
ya rboles de probabilidad a priori y a posteriori, para visualizar la aplicacin
de los teoremas de probabilidad total y de Bayes, al resolver este problema.
Toda la informacin requerida ya ha sido calculada previamente y resumida
en el ejemplo 1.74, misma que ahora se vaca en los rboles de probabilidades.
rbol a priori:
rbol a posteriori:
TEOREMA DE BAYES
17
Independencia condicional
Si A, B y C son tres eventos que pueden ocurrir conjuntamente, entonces se
dice que los eventos A y B son condicionalmente independientes dada la ocu-
rrencia del evento C, con P(C) >0, si al ocurrir C, la ocurrencia o no ocurren-
cia de A no aporta ninguna informacin sobre la probabilidad de ocurrencia de
B y la ocurrencia o no ocurrencia de B no aporta ninguna informacin sobre la
probabilidad de ocurrencia de A:

( ) ( ) ( ) P A| B C P A| C , P B C 0 = >

( ) ( ) ( ) P B | A C P B | C , P A C 0 = >

Cuando A y B son condicionalmente independientes dado C, se escribe:
( ) A B | C
, y otra denicin alternativa equivalente es:

( ) ( ) ( ) P A B | C P A| C P B | C =

En otro caso, se dice que A y B son condicionalmente dependientes dado C
y se escribe: A
( )
B | C
La independencia estadstica no implica independencia condicional y la inde-
pendencia condicional no implica independencia estadstica. De hecho, cuando
la independencia es condicional, si el evento C ocurre, los eventos A y B son
independientes y si C no ocurre, entonces A y B son dependientes.
En los problemas de diagnstico lo que interesa es identicar la hiptesis
ms probable de acuerdo a la evidencia disponible, y la regla de Bayes es la
frmula de recurrencia que formaliza el hecho de que los grados de creencia se
pueden renovar, abriendo un camino inductivo al mtodo cientco para crear
nuevo conocimiento.
As es que el teorema de Bayes se ha convertido en el procedimiento gen-
rico que combina iterativamente diferentes fuentes de informacin y hace diag-
nsticos basados en relaciones causales. Las probabilidades directas del tipo
P(efecto|causa), denominadas probabilidades causales, suelen ser ms fciles
de obtener que las probabilidades inversas del tipo P(causa|efecto), llamadas
probabilidades de diagnosis. En general, el teorema permite pasar de unas a
otras fcilmente, pero a medida que se va incorporando informacin relativa
a ms y ms efectos, el problema puede hacerse inmanejable, incluso en com-
putadoras muy poderosas. Y es que el nmero n de efectos considerados, hace
que el nmero de probabilidades causales a evaluar, crezca exponencialmente
a 2
n+1
,

presentndolas en una sola tabla de doble entrada, con dos renglones y
2
n
columnas; con la dicultad adicional de tener que asignar probabilidades a
eventos que involucran n efectos simultneamente.
180
Las evidentes limitaciones prcticas en la aplicacin de la regla de Bayes,
por cuanto al crecimiento en el nmero de efectos, provocaron que la mayo-
ra de los investigadores de todo el mundo descartaran por mucho tiempo los
mtodos basados en el enfoque bayesiano. Slo hasta que se introdujo como
hiptesis la independencia condicional, fue que el teorema de Bayes recobr
vigencia; la propuesta supone que la probabilidad de ocurrencia de un efecto es
independiente de los dems efectos que no dependen directamente de l. El su-
puesto se justica plenamente, porque en los fenmenos reales, cada efecto se
relaciona solamente con algunos otros efectos, y no se relaciona directamente
con todos los dems. Por eso es necesario que en cada diagnstico, se dis-
criminen los efectos que son o pueden ser considerados independientes entre
s, en presencia de una causa, de aquellos otros que maniestan dependencia
estadstica.
Con esa informacin se construyen las llamadas redes probabilsticas baye-
sianas, que representan grcamente el conjunto de relaciones entre causas y
efectos de cada problema; asociada a cada aspecto consignado en esa red, se
dispone de una pequea tabla que contiene las probabilidades de ese aspecto,
dados las aspectos directamente relacionados con l; as, en vez de una gran
tabla de nmeros que relacione todos los aspectos, se requiere un conjunto de
pequeas tablas con unas cuantas probabilidades en cada una.
En la representacin de una red bayesiana, la presencia de un enlace indica
dependencia causal, y la ausencia de un enlace indica, de manera implcita, su
independencia mutua; por ello, estas redes poseen un cierto grado de modula-
ridad, que facilita el clculo de probabilidades elementales conjuntas de n+1
dimensiones. Si una causa C tuviese n efectos Ei, todos ellos independientes
entre s, el nmero de probabilidades a evaluar se reducira a n+1 en vez de ser
2
n+1
: ( ) ( ) ( )
n
1 2 n i
i 1
P C E E ... E P C P E | C
=
=
[

Para hacer la inferencia probabilstica lo nico que se requiere es conocer
las probabilidades causales de cada evento por separado y multiplicarlas entre
s; por eso el problema se hace mucho ms manejable. Si los n efectos fuesen
estadsticamente independientes, sera muy simple calcular las 2
n+1
probabi-
lidades condicionales combinadas, a travs del producto de n probabilidades
condicionales simples; pero no es comn que esto suceda.
Actualmente se desarrollan innidad de sistemas de inteligencia articial
capaces de enfrentar y resolver problemas grandes y complejos; ellos estn
soportados por redes bayesianas de las que se extraen soluciones probabilsti-
cas inductivas racionales. Con ellos se puede predecir el precio del petrleo,
predecir las uctuaciones de la bolsa de valores, se pueden hacer diagnsticos
mdicos a control remoto, diagnosticar las fallas en el funcionamiento de todo
tipo de red, se puede hacer la seleccin del mejor cultivo en una determinada
regin o la determinacin del mejor prospecto de localizacin para un pozo
petrolero exploratorio.
Curiosamente, se considera que nuestro cerebro asigna constantemente pro-
babilidades subjetivas y utiliza el enfoque bayesiano para aprender y reapren-
der cada da.
TEOREMA DE BAYES
1

Ejemplo 1.78. Diagnstico mdico. Supuestamente un mdico conoce de ma-
nera subjetiva la frecuencia con la que se presenta cada enfermedad, P(A
i
),
as las como la frecuencia con la que aparecen los sntomas asociados a ella
P(B
j
|A
i
), aunque sabe que determinado sntoma tambin podra deberse a otro
padecimiento. El diagnstico del mdico consiste en evaluar la probabilidad
P(A
i
|B
j
) de cada enfermedad A
i
, a partir de la presencia de sntomas B
j
. No se le
puede exigir objetividad en su asignacin de probabilidades a priori, porque no
es factible su comprobacin emprica. No obstante que sus estimaciones son
subjetivas, como asignaciones de probabilidad se consideran buenas.
En cada diagnstico mdico el cuestionamiento es el mismo: dado que el
paciente presenta estos sntomas, cul de las posibles enfermedades es la que
tiene el paciente? La incertidumbre del mdico proviene del desconocimiento
detallado de los hechos, pues el paciente aporta datos subjetivos, imprecisos,
incompletos o errneos; adems, las relaciones entre las enfermedades y los
sntomas no son deterministas, puesto que un mismo conjunto de sntomas
puede estar asociado a diferentes enfermedades.
Cuando un paciente tiene dolor de muelas, el mdico puede suponer inme-
diatamente que se trata de un problema de caries; pero al dejar fuera otras po-
sibilidades, como muela del juicio o sinusitis, puede no acertar en su diagns-
tico. Claro que ser exhaustivo implica ms trabajo y un mejor conocimiento
terico y prctico sobre todas las reglas de inferencia que relacionas sntomas
con enfermedades.
Basado en su percepcin y experiencia, el mdico posee un esquema mental
de evaluacin que le dice que un paciente con dolor de muelas, tiene caries con
probabilidad del 80% y lo denota matemticamente en la forma ( ) P C | D 0.8; =
esa es una forma de expresar el conocimiento subjetivo, con la probabilidad
como grado de creencia, que no de certeza; esa probabilidad subjetiva puede
estar cambiando y anndose permanentemente, a medida que se tienen nue-
vas evidencias.
La probabilidad incondicional asociada a un evento, es el grado de creencia
sobre la ocurrencia de ese evento, en ausencia de cualquier otra informacin o
evidencia; por ejemplo: ( ) ( ) o P C 0.2 P C D 0.16 = =
La probabilidad condicional asociada a un evento, dada la ocurrencia de
otro, es el grado de creencia sobre la ocurrencia del primer evento, dado que
todo lo que sabemos es que ocurre otro evento; por ejemplo: ( ) P C | D 0.8 =
signica que una vez sabido que un paciente tiene dolor de muelas, y el mdico
slo sabe eso, su creencia es que el paciente tendr caries con probabilidad 0.8.
La probabilidad condicional no es lo mismo que una implicacin lgica con
incertidumbre, es decir, ( ) P C | D 0.8 = no signica que cada vez que haya dolor
la probabilidad de caries es del 80%, sino indica que ante la presencia de dolor,
como nica evidencia conocida, 8 de cada 10 veces, el paciente tendr caries.
En este caso podemos distinguir que ( ) P C | D es una probabilidad condicio-
nal a priori, que mide la posibilidad de ocurrencia de la causa llamada caries,
ante la presencia del efecto llamado dolor; en cambio, ( ) P D| C es una probabi-
lidad condicional a posteriori, que mide la posibilidad de ocurrencia del efecto
llamado dolor, ante la presencia de la causa llamada caries.
182
Si adems de considerar el dolor como sntoma, se toma en cuenta la presen-
cia o no, de una oquedad en una pieza dental, entonces los eventos elementales
son ocho, y la forma de presentar las probabilidades conjuntas es en una tabla
de doble entrada, con dos renglones para los datos asociados a la enfermedad
y cuatro columnas para los datos asociados a los sntomas:

( ) P C 0.128 0.032 0.032 0.008 0.20 = + + + =
( ) P D 0.128 0.006 0.032 0.034 0.20 = + + + =
( ) P O 0.128 0.006 0.032 0.174 0.34 = + + + =
( )
( )
( )
P C D
0.128 0.032 0.16
P C | D 0.80
P D 0.2 0.2
+
= = = =
( )
( )
( )
c
c
P C D
0.006 0.034 0.04
P C | D 0.20
P D 0.2 0.2
+
= = = =

La pareja de probabilidades condicionales complementarias
( ) ( )
c
P C | D ,P C | D 0.8,0.2 = suma uno, porque la probabilidad margi-
nal ( ) P D
funciona como una constante que normaliza las probabilidades de
ocurrencia condicional.
( ) ( ) ( ) ( )
( )
c c
1 1
P C | D P C D , P C | D P C D , 5
P D 0.2
o o o = = = = =
( ) ( ) ( ) ( )
c c
P C | D ,P C | D P C D ,P C D 5 0.16,0.04 0.8,0.2 o = = =

En este caso la informacin de la que se dispone es la de probabilidades
causales
( ) sntoma enfermedad P | y lo que calcula la regla de Bayes son pro-
babilidades de diagnstico
( ) enfermedad sntoma P | .
( )
( )
( )
P C D O 0.128 0.128
P C | D O 0.9552
P D O 0.128 0.006 0.134

= = = =
+
( )
P C | D O 0.0448 =
Para este ejemplo en el que los sntomas son dos: dolor y oquedad, hubo que
calcular 8 probabilidades condicionales; si en vez de dos hubieran sido cinco
sntomas, las probabilidades que tendran que ser evaluadas seran 64.
Supongamos ahora que estos dos sntomas son estadsticamente indepen-
dientes; para ello requerimos de dos tablas con cuatro datos cada una:

Dolor y oquedad son eventos que dependen de que el paciente tenga caries
o algn otro padecimiento. Sin embargo, una vez que sabemos que el paciente
tiene caries, podemos suponer que oquedad y dolor son eventos independien-
tes; es decir, si la caries es causa tanto del dolor como de la oquedad, podemos
asumir que sentir dolor no afecta la probabilidad de que haya oquedad y vice-
versa, lo cual equivale a considerar que oquedad y dolor son eventos condicio-
nalmente independientes: ( ) ( ) ( ) P O D| C P O| C P D| C =
TEOREMA DE BAYES
1
( )
( )
( )
( ) ( )
( )
( ) ( ) ( )
( )
P C D O P D O| C P C P D| C P O| C P C
P C | D O
P D O P D O P D O

= = =

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P C | D O ,P C | D O P D| C P O| C P C ,P D| C P O| C P C o =
0.8 0.8 0.2,0.2 0.5294 0.8 0.128,0.0847 0.6018,0.3982 o o = = =
( ) ( ) ( ) P C | D O 0.60, P C | D O 0.40, P D O 0.2127 ~ ~ =
( ) ( ) ( ) ( ) ( ) ( ) P D O C P D O| C P C P D| C P O| C P C 0.8 0.8 0.2 0.128 = = = =
La probabilidad conjunta ( ) P O D , aunque ahora es desconocida y no re-
quiere ser evaluada, debe funcionar como una constante que normaliza las
probabilidades de ocurrencia condicional:
( )
1
P O D
o =
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P C | D O ,P C | D O P D| C P O| C P C ,P D| C P O| C P C o =

0.8 0.8 0.2,0.2 0.5294 0.8 0.128,0.0847 0.6018,0.3982 o o = = =
( ) ( )
P C | D O 0.60, P C | D O 0.40 ~ ~
Vemos que estos resultados basados en la hiptesis de independencia condi-
cional dieren mucho de los calculados previamente a partir de probabilidades
elementales conjuntas. Y una de dos, o la asignacin de estas ltimas deja
mucho que desear, o la consideracin de eventos condicionalmente indepen-
dientes simplemente no es vlida.
La hiptesis de independencia condicional entre eventos facilita la asigna-
cin de las 8 probabilidades elementales conjuntas, con las que se describe el
comportamiento probabilstico de la caries y sus sntomas:
( ) ( ) ( ) ( ) ( ) ( ) P C D O P D O| C P C P D| C P O| C P C 0.8 0.8 0.2 0.128 = = = =
En lugar de tener una tabla con 8 nmeros independientes, slo requerimos
4 nmeros independientes, localizados en dos tablas.
Las cuatro esquinas
Las 28 chas de domin son colocadas sobre la mesa, boca abajo, de modo
que no puedan ser vistos los puntos grabados en ellas; se revuelven muy bien
para garantizar que se ha alterado el orden; luego se acomodan en un rectngu-
lo de 4x7; nalmente se voltean exclusivamente las cuatro chas que quedaron
en las esquinas del rectngulo. Calcule la probabilidad de que al menos una de
las cuatro chas volteadas sea una mula.

1.5.6
PROBLEMAS
CLSICOS
184
( ) ( ) ( ) ( ) ( ) P M M M M P M P M P M P M = + + +

( ) ( ) ( ) ( ) ( ) ( ) P M M P M M P M M P M M P M M P M M +

( ) ( ) ( ) ( ) P M M M P M M M P M M M P M M M + + + +

( ) P M M M M
( ) ( ) ( ) ( ) ( ) P M M M M 4P M 6P M M 4P M M M P M M M M = +

2 3 4
1 1 1 1
4 6 4
4 4 4 4
| | | | | | | |
= +
| | | |
\ . \ . \ . \ .

1 0.375 0.0625 0.00390625 0.6836 = + =
Aproximadamente 7 de cada 10 veces saldr al menos una mula y puedes
apostar a que as ocurrir.
Seguro de vida de pareja
Desde muy pequeos los seres humanos nos enteramos que vamos a morir,
sin saber cundo. Si tomamos un grupo grande de personas nacidas en el mis-
mo ao y le damos seguimiento mediante un estudio retrospectivo que com-
prende desde su nacimiento hasta cien aos despus, observaremos que con el
transcurrir del tiempo, el nmero de muertes se va incrementando cada ao,
hasta que el grupo generacional se extingue. Si calculamos el cociente del n-
mero de personas fallecidas por ao entre el total de personas del grupo inicial,
obtenemos cien frecuencias relativas que miden la posibilidad de ocurrencia
de muerte para cada edad, es decir, las probabilidades de fallecimiento segn
edad, las cuales de denotan formalmente por q
x
, y son las probabilidades de
que alguien que tiene la edad x muera antes de alcanzar la edad x+1. Salvo los
primeros 4 aos de vida, en los que hay todava alta mortalidad, las probabili-
dades de fallecimiento son crecientes con respecto a la edad.
Para efecto de visualizar estos cien valores como nmeros enteros, tradi-
cionalmente stos se presentan, no como probabilidades, sino como tasas de
mortalidad por edad, denidas como el nmero de muertes por edad, por cada
100,000 personas del grupo generacional. El registro tabular de estos valores
se conoce como tabla longitudinal de mortalidad para las personas de esa ge-
neracin.
Otra manera de presentar datos de mortalidad consiste en registrar el nme-
ro de defunciones acaecidas en cualquier ao, separando las edades; a este tipo
de registros se les denomina tablas transversales de mortalidad, en las que cada
una de las cien edades corresponde a una generacin diferente.
Si bien el objetivo primordial de una tabla de mortalidad es medir mortali-
dad, de ella se pueden deducir algunas estadsticas que interesan a cientcos
y humanistas, para muy diversos propsitos, y son tiles en estudios de creci-
miento poblacional, composicin poblacional, longevidad, migracin, orfan-
dad, viudez, fertilidad, etc.
Adems de las probabilidades de fallecimiento q
x
, hay algunas otras esta-
dsticas importantes; por el momento, destacaremos cuatro de ellas:
1. Las probabilidades de supervivencia por edad, que se denota formalmen-
te por p
x
y es la probabilidad de que alguien que tiene la edad x sobreviva la
edad x+1: p
x
= 1 - q
x
PROBLEMAS CLSICOS
1
2. La esperanza de vida al nacer es una estimacin del promedio de aos
que vivira un grupo de personas de la misma generacin, si los movimientos
en la tasa de mortalidad de la regin evaluada, se mantuvieran constantes. Y
en forma transversal, la esperanza de vida es el nmero promedio de aos que
vive una determinada poblacin en un cierto periodo de tiempo.
3. La esperanza de vida remanente a cualquier edad: el nmero de personas
que sobreviven a la edad x: lx+1 =lx(1-qx) =lxpx; lx+1/lx =px
En la actualidad se acostumbra presentar las estadsticas de hombres y mu-
jeres en forma separada, porque son signicativamente diferentes. La espe-
ranza de vida de las mujeres es superior a la de los hombres y eso es cierto a
cualquier edad y la diferencia no es nada despreciable; los datos de 2009 mues-
tran que mientras la esperanza de vida al nacer para los hombres era de 76.6
aos, la de las mujeres era de 82.4 aos, una diferencia de casi seis aos. Ese
diferencial de mortalidad entre sexos, observable en todas las edades, implica
que el riesgo de fallecimiento es menor para las mujeres que para los hombres,
en un cierto periodo de tiempo. La diferencia en favor de la mujer, se tiene que
traducir en una menor prima de seguro, porque implica menor riesgo para la
compaa aseguradora; es decir, un seguro de vida ms barato para una mujer
que para un hombre.
Las aseguradoras establecen las tarifas para las primas de seguro de una
persona, segn su edad y su sexo, con base en una sola tabla de supervivencia.
Pero la compaa recibe ocasionalmente la solicitud de cotizacin de seguro
para un matrimonio, y el problema consiste en establecer la prima que debe
pagar la pareja para obtener la obligacin de que el asegurador pague una renta
al marido y luego a su viuda, si l fallece.
Para establecer un seguro para dos personas, se requiere conocer la proba-
bilidad de supervivencia o de extincin de la pareja. Conforme a la denicin
de probabilidad frecuentista, habra que dar seguimiento a la supervivencia
de numerosos grupos de dos personas y deducir estadsticamente un valor
aproximado de la probabilidad buscada. Sera necesario establecer las tasas
de supervivencia para dos personas, en vez de una, y en lugar de presentar la
distribucin de probabilidades en un cuadro con dos columnas, que contiene
dos tasas de supervivencia para cada edad, para hombre y para mujer, sera
necesario construir tantas tablas como valores posibles de las diferencias de
edades existan. Y eso sera un enorme trabajo.
Sin embargo, si nos percatamos que las muertes de los integrantes de una
pareja matrimonial son eventos estadsticamente independientes, entonces, la
probabilidad conjunta de supervivencia es el producto de las probabilidades
individuales de supervivencia de cada uno, establecidas en funcin de su edad
y su sexo; entones no tiene sentido establecer una nueva estadstica relativa a
los grupos de dos personas, el empleo de la tablas de supervivencia individual
ofrece las probabilidades que habr que multiplicar para obtener la probabili-
dad buscada. Supongamos que l tiene 52 aos y ella tiene 44; sus probabili-
dades de supervivencia son ph52 =0.0 y pm44 =0.0; por lo tanto, su probabi-
lidad de supervivencia conjunta es: 0.0. Con eso, la compaa aseguradora ya
puede establecer la prima.
186
Para distinguir diferentes riesgos, en las tablas de mortalidad se pueden
incluir otras caractersticas, tal como ocupacin, clase socio-econmica, en-
fermedades, status de fumador, etc., de donde se puede calcular, por ejemplo,
la esperanza de salud, la esperanza de vida sin discapacidad y la esperanza de
vida saludable.
El rosal marchito
Una de las cosas que ms apreciaba el padre J uan era un pequeo rosal que
daba unas rosas preciosas de color muy extrao; pero se trataba de una planta
muy delicada, pues si se le regaba a diario, su probabilidad de prosperar era de
1/2, pero si no se le regaba, la probabilidad quedaba reducida a 1/4. En cierta
ocasin el padre J uan se ausent durante treinta das, encargndole al jardinero
de la parroquia, que lo regara diariamente; slo que el jardinero tena mala
memoria, ya que se olvidaba cumplir dos encargos de cada tres que reciba.
Cuando el padre J uan estuvo de regreso, su rosal se haba marchito. Cul es
la probabilidad de que el jardinero no lo hubiera regado?
Sean los eventos: R = {el jardinero riega el rosal} P(R) = 1/3
P(R
c
) = 2/3
C = {el rosal sigue creciendo} P(C|R) = 1/2
S = {el rosal se seca} P(S|R) = 1/2
Primero resolveremos el ejercicio sin emplear la regla de Bayes, sino nica-
mente razonando. Partiendo del hecho de que el rosal se ha marchitado en un
lapso de 30 das, calculamos que el jardinero lo debe haber regado la tercera
parte de las veces, es decir 10 das si y 20 das no; de los 10 das en que si lo
reg, la mitad de las veces el rosal se secara, es decir en 5 das; y de los 20
das en que no lo reg, las tres cuartas partes de las veces el rosal se secara, es
decir en 15 das. En total hubo 20 das en los que el rosal se marchit, 15 de los
cuales fue por no haberlo regado; por lo tanto la proporcin 15/20 se simplica
a 3/4, equivalente al 75%.
Ahora obtendremos la solucin mediante la construccin de los rboles de
probabilidad a priori y a posteriori:
PROBLEMAS CLSICOS
1
La respuesta con la regla Bayes arroja el mismo resultado: P(R
c
|S) = 3/4
Cncer de mama
Los mdicos no saben a ciencia cierta si una mastografa sirve de algo para
detectar el cncer de mama; el problema parece estar en la interpretacin ra-
diolgica, porque mucho de lo que puede verse en ella es un rea griscea, que
para unos es algo ambiguo, considerado normal y para otros esa ambigedad
es sospechosa. La verdad es que las mastografas no son tan tiles como cabra
suponer, aunque por intereses econmicos se arme lo contrario.
Se tiene la creencia de que alrededor del 1% de las mujeres de ms de 40
aos padecen cncer de mama: P(C) = 0.01. Se dispone de una prueba explo-
ratoria que es la mastografa, que aporta nueva informacin: el 80 % de las
mujeres con cncer de mama tendrn mastografas positivas: P(+|C) = 0.80,
mientras que slo el 9.6 % de las mujeres sin cncer presentarn mastografas
positivas: P(+|C
c
). En resumen, tenemos 80% de positivos verdaderos y 20%
de positivos falsos; y tenemos 9.6% de negativos falsos y 90.4% de negativos
verdaderos. Cul es la probabilidad de que una mujer cuya mastografa dio
positivo, realmente tenga cncer?
La regla de Bayes resuelve de inmediato la pregunta, pero antes de aplicarla
resolvamos el ejercicio a base de razonamiento. Considerando un grupo de
10,000 mujeres; si P(C) = 0.01, hay un grupo de 100 mujeres con cncer de
mama y otro grupo de 9,900 mujeres sin cncer de mama. Tras la exploracin
radiolgica, se conforman cuatro grupos; el grupo A formado por 80 mujeres
con cncer de mama y mastografa positiva, el grupo B formado por 20 muje-
res con cncer de mama y mastografa negativa, el grupo C formado por 950
mujeres sin cncer de mama y mastografa positiva y el grupo D formado por
8,950 mujeres sin cncer de mama y mastografa negativa.
El mtodo exploratorio es falible: seala a 20 de las 100 mujeres enfermas
de cncer como sanas, y a 950 de las 9,900 mujeres sanas, como enfermas.
Si dividimos el nmero de mujeres del grupo A entre el total de mujeres que
dieron positivo en la prueba, resulta 7.8 %, lo cual signica que el 92,2% de
las mujeres que dan positivo en la prueba no padecen cncer. Mientras que
si dividimos el nmero de mujeres del grupo D entre el total de mujeres que
dieron negativo en la prueba, el resultado es 99.8%, lo cual signica que la
mastografa es bastante conable cuando su resultado es negativo.
188
El teorema de Bayes muestra que sera mucho ms ecaz realizar la prueba
solo al grupo de mujeres con alto riesgo, por antecedentes familiares y hbitos
de higiene, y no a todas las mujeres de ms de 40 aos, sin excepcin. La mas-
tografa no es un tratamiento, sino un mtodo de exploracin mdica dirigida a
excluir a las personas sanas, para dedicarse a las enfermas; pero si la explora-
cin no aporta, entonces deja de ser til.
Ahora respondamos esta segunda pregunta: cul es la probabilidad de tener
cncer si tras dos mastografas consecutivas, en ambas se diagnostica cncer?
Si M
1
= {1a. mastografa positiva}, M
2
= {2a. mastografa positiva}.
Obviamente, no podemos asumir independencia incondicional entre M
1
y
M
2
; pero si es vlido suponer independencia condicional de M
1
y M
2
dado que
hay cncer.
Por tanto:
( ) ( ) ( ) ( ) ( )
1 2 1 2 1 2
P C | M M P C M M P M | C P M | C P C o o = =
,
donde o es una constante de proporcionalidad que se determina automtica-
mente.
( ) ( ) ( ) ( ) ( ) ( )
1 2 1 2
P M | C P M | C P C ,P M | C P M | C P C o

( )( )( ) ( )( )( ) 0.8 0.8 0.01 , 0.096 0.096 0.99 o =

0.0064,0.00912384 o =
0.0064 0.00912384 0.0155238, 1/ 0.0155238 64.42 o + = = =
( ) ( )
1 2
P C | M M 64.42 0.0064 0.4122 = =
Luego aproximadamente el 41% de las mujeres doblemente diagnosticadas
positivamente con mastografa tendrn realmente cncer de mama.
PROBLEMAS CLSICOS
1

Probabilidad Condicional

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Probabilidad Condicional

Cargado por

Copyright:

Formatos disponibles

E

n gran nmero de problemas prcticos, los eventos de mayor inters son

= > ____ (1.38)

por ejemplo, si n = 3, cualquie-

También podría gustarte