Clase07 Eyp

7
Universidad
Nacional Mayor de
San Marcos
ESTADISTICA Y
PROBABILIDADES
PROBABILIDAD
CONDICIONAL
Y TEOREMA DE BAYES
William Jaime Len Velsquez
wjleonv@yahoo.com
CONTENIDO TEMATICO
Probabilidad Condicional
Independencia estadstica
Probabilidad condicional
Teorema de Bayes
PROBABILIDAD
CONDICIONAL
Ing. William Len Velsquez
PROBABILIDAD CONDICIONAL
En forma general la probabilidad condicional de

un evento A dado otro evento B, representada
por P(A|B) es la probabilidad de que el evento
A ocurra cuando sabemos que el evento B
ocurri.
PROBABILIDAD
CONDICIONAL
Esta es la razn por la cual se llama

condicional a esta probabilidad.
Ing William Len Velsquez
26/05/2015
La probabilidad de que el evento A ocurra

est condicionada por la ocurrencia de B.
Esta informacin adicional sobre A se incluye

en el clculo de su probabilidad condicional
cuando analizamos los resultados posibles
que se pueden observar cuando sabemos
que B ha ocurrido.
PROBABILIDAD
CONDICIONAL
26/05/2015
Dado un espacio muestral , la probabilidad de ocurrencia del evento A,
dado que el evento B ha sucedido, se llama probabilidad condicional de A
respecto de B, y se expresa:
PROBABILIDAD
CONDICIONAL
26/05/2015
Sean A, B dos sucesos tal que P(B) > 0.
La probabilidad de A condicionada a la ocurrencia
de B, denotada como P(A/B) :
P(A/B) = P(AB)
P(B)
Propiedades:
1. P(A/B) 0
2. P( /B) = 1
3. P(Ai/B) = P(Ai/B)
con Ai Aj = , i, j : i j
26/05/2015
Centra el foco de atencin en el

hecho que se sabe que han ocurrido
el evento B
Estamos indicando que el espacio

muestral de inters se ha reducido
slo a aquellos resultados que
definen la ocurrencia del evento B
Entonces, P(A | B) mide la

probabilidad relativa de A con
respecto al espacio reducido B
26/05/2015
Tambin se ha encontrado que el 5%
de la piezas que no tienen fallas
superficiales son funcionalmente
defectuosas
Por lo tanto el 90% no

tienen fallas visibles
en la superficie.
Se ha encontrado que el 25% de

las piezas con fallas
superficiales son
funcionalmente defectuosas
Se sabe que el 10% de las

piezas manufacturadas
tienen fallas visibles en la
superficie.
100% piezas
Manufacturadas
Evento A = { pieza funcionalmente defectuosa}

B = { pieza tiene una falla visible en la superficie}
William Len Velsquez
P( A dado B) =IngP(A
| B) ?
26/05/2015
Casos Probabilidad Condicional
Si A B = P(A | B) =
A
B
A
B
Si A B = A P(A | B) =
Si A B = B P(A | B) =
Si A B P(A | B) =
A
B
P(A B )
=
P(B)
P(A B )
=
P(B)
P(A B )
=
P(B)
P(A B )
=
P(B)
26/05/2015
=0
P()
P(B)
P(A)
P(A)
P(B)
P(B)
=1
P(B)
10
EJEMPLO 1:
Calcular la probabilidad de que un cliente s compr un televisor, dado
que en la entrevista anterior haba contestado que s tena planeado
comprar un televisor.
Comportamiento de los clientes que compraron

televisores segn la planificacin de compra
PLANIFIC
COMPRAR
EN REALIDAD COMPR
SI
NO
TOTAL
SI
200
50
250
NO
100
650
750
Total . . .
300
700
26/05/2015
1,000
11
EJEMPLO 1:
1.
Probabilidad de que si compr un tv, dado que haya planeado

comprar un televisor en la entrevista anterior
Planteamiento
S compr un TV
: A
S plane comprar un TV : B
P P ( s compr / si planeo comprar )

P( A / B)
P( A y B)
P( B)
26/05/2015
12
EJEMPLO 1:
* Los clientes que planearon comprar
un TV y efectivamente s lo
compraron son 200
200
P P( A y B)
0.2
1000
PLANIFIC
COMPRAR
EN REALIDAD COMPR
SI
NO
TOTAL
250
SI
200
NO
100
650
750
Total . . .
300
700
1,000
50
* Los clientes que en la entrevista anterior dijeron que s estaban

planificando comprar un televisor son 250.
250
P P( B)
0.25
1000
26/05/2015
13
EJEMPLO 1:
P P( A / B)
P( A y B)
0.20
0.8
P( B)
0.25
El 80% de los clientes que planificaron

comprar hace doce meses, s compraron el
televisor de pantalla plana.
26/05/2015
14
INDEPENDENCIA ESTADSTICA
Si en una investigacin, una de las preguntas es base para la respuesta

de otra de ellas, se establece una dependencia de la segunda con
respecto a la primera.
Existe independencia estadstica, si una de

las preguntas no afecta en nada la respuesta
de la otra
26/05/2015
15
INDEPENDENCIA ESTADSTICA
La independencia estadstica se puede definir como:
P( A / B) P( A)
Entonces, dos eventos A y B son estadsticamente
independientes si y solo s P(A/B)=P(A)
26/05/2015
16
EJEMPLO 2:
Determinar si el evento si planific
comprar y si compr un nuevo televisor
son estadsticamente independientes.
PLANIFIC
COMPRAR
COMPR
SI
NO
TOTAL
SI
75
175
250
NO
225
525
750
Total . . . .
300
700
1,000
26/05/2015
17
EJEMPLO 2:
Determinar si el evento si planific comprar y si compr un nuevo
televisor son estadsticamente independientes.
Alternativa 1:
PLANIFIC
COMPRAR
EN REALIDAD COMPR
SI
NO
TOTAL
SI
75
175
250
NO
225
525
750
Total . . . .
300
700
1,000
75
75
1000
P( S compr / Plane Comprar)
0.30
250
250
1000
26/05/2015
18
EJEMPLO 2:
Alternativa 2:
PLANIFIC
COMPRAR
EN REALIDAD COMPR
SI
NO
TOTAL
SI
75
175
250
NO
225
525
750
Total . . . .
300
700
1,000
300
P( S compr)
0.30
1000
26/05/2015
19
EJEMPLO 2:
Resumen:
75
P( S compr / Plane Comprar)
0.30
250
300
P( S compr)
0.30
1000
Anlisis:
Conclusin:
Ambos resultados son iguales, el hecho de haber

Planeado comprar no afect el resultado.
Los eventos son independientes.

26/05/2015
20
REGLA DE MULTIPLICACIN
La regla de la multiplicacin resulta de la

Probabilidad condicional.
P( A y B) P( A / B) P( B)
26/05/2015
21
EJEMPLO 3:
En el estudio de seguimiento de 300 hogares que realmente compraron una
televisin de pantalla grande, se pregunt a los encuestados si estaban
satisfechos con sus compras.
TIPO DE
TELEVISION
HDTV
No HDTV
Total
SATISFECHO CON
LA COMPRA?
Si
No
64
16
176
44
240
60
26/05/2015
22
Total
80
220
300
EJEMPLO 3:
Suponga que se seleccionan al azar dos clientes que compraron un
televisor HDTV, calcular la probabilidad de que ambos clientes estn
satisfechos con su compra.
Calcular la probabilidad para el primer cliente
P P(1 cliente si esta satisfecho con la compra)

64
P
80
P 0.8
26/05/2015
23
EJEMPLO 3:
Calcular la probabilidad para el segundo cliente
De la muestra, ya solo se le puede preguntar a 79

De los que estn satisfechos con la compra solo son 63
P P( 2 si est satisfecho / 1 si esta satisfecho )

63
P
79
p 0.797
26/05/2015
24
EJEMPLO 3:
Calcular la probabilidad de que el cliente este satisfecho,

dado que el primero tambin esta satisfecho.
P P ( 2 si satisfecho ) P (2 si satisfecho / 1 si satisfecho )
63 64
P(
)(
)
79 80
P (0.797)(0.8)
P 0.6376
Hay 63.76% de probabilidad de que ambos clientes muestreados

estn satisfechos con sus compras
.
26/05/2015
25
UNA REPRESENTACIN RELACIONADA

EJEMPLO 4:
Otra forma de representar la probabilidad condicional se puede ver en el
siguiente ejemplo.
PROBABILIDAD
CONDICIONAL
26/05/2015
Se ha tomado una muestra al azar de 100

estudiantes y se obtiene los siguientes
resultados:
26
UNA REPRESENTACIN RELACIONADA

EJEMPLO 4:
PROBABILIDAD
CONDICIONAL
26/05/2015
15 mujeres reciben ayuda econmica y

trabajan
45 mujeres reciben ayuda econmica
20 mujeres trabajan
55 de los estudiantes son mujeres
25 estudiantes reciben ayuda econmica y
trabajan
60 estudiantes reciben ayuda econmica
40 estudiantes trabajan
27
DIAGRAMA DE VENN
EJEMPLO 4:
Se puede traducir estos datos en proporciones o porcentajes y representar en un
DIAGRAMA DE VENN.
Donde el conjunto
M representa todas las mujeres en la
muestra,
A el conjunto representa los estudiantes
que reciben ayuda econmica y
M
30
5
T el conjunto de estudiantes en la
muestra que trabajan.
PROBABILIDAD
CONDICIONAL
26/05/2015
15
10
10
28
DIAGRAMA DE VENN
EJEMPLO 4:
Se desea seleccionar al azar una persona de estos

100 estudiantes en la muestra. Entonces podemos
hablar acerca de la probabilidad que la persona
seleccionada es una mujer, por ejemplo.
Se usar los nombres A, T y M para denotar el

evento que la persona seleccionada recibe ayuda
econmica,
trabaja
o
es
una
mujer,
respectivamente.
Entonces
P (M)= .05 + .30 + .05 + .15 = .55, por ejemplo.
PROBABILIDAD
CONDICIONAL
26/05/2015
29
DIAGRAMA DE VENN
EJEMPLO 4:
De este diagrama de Venn se puede contestar rpidamente muchas

preguntas que a primera vista parecen ser muy complicados, tal
como,
Qu proporcin de estudiantes son mujeres que no trabajan y
reciben ayuda econmica?
Esta pregunta es equivalente a encontrar

P (M y A y no T).
La solucin, .30 se encuentra en la
interseccin de los tres conjuntos M, no T,
A.
PROBABILIDAD
CONDICIONAL
26/05/2015
30
DIAGRAMA DE VENN
EJEMPLO 4:
La probabilidad condicional se ve en situaciones donde queremos
saber.
Por ejemplo: Qu proporcin de estudiantes que trabajan son
mujeres.
Esto es equivalente a encontrar P (W | J).

La proporcin de estudiantes que trabajan es .40, la proporcin de
mujeres que trabajan es .20.
De esta manera la proporcin de mujeres de entre todos los
estudiantes que trabajan es:
.20/ .40= .50
Es decir, la mitad de los estudiantes que trabajan son mujeres.
PROBABILIDAD
CONDICIONAL
26/05/2015
31
PROBABILIDAD CONDICIONAL Y EL
CONTEO DE RESULTADOS
Si lanzamos dos dados balanceados, uno rojo y el otro

verde.
El espacio muestral de este experimento consta de 36

pares ordenados tal como en la tabla siguiente.
PROBABILIDAD
CONDICIONAL
26/05/2015
32
PROBABILIDAD CONDICIONAL Y EL CONTEO DE

RESULTADOS
Se deja que R y G denoten el valor observado en la

cara del dado rojo y en el dado verde,
respectivamente y X la suma de los valores
observados, es decir, X = R + G.
Si se supone que los dados estn balanceados,

entonces los 36 resultados distintos del experimento
son igualmente probables.
PROBABILIDAD
CONDICIONAL
26/05/2015
33

RESULTADOS
Por la forma como se lleva a cabo el experimento, se ve que

el valor observado en un dado no est relacionado con el
valor en el otro dado, es decir. el valor obtenido en un dado
es independiente del obtenido en el otro.
De estas suposiciones se tiene que

P (R = r) = P (G = g) = 1/ 6 y que
P (R= r, G= g)= 1/ 36 para r, g= 1,2, ..., 6.
PROBABILIDAD
CONDICIONAL
26/05/2015
34

RESULTADOS
PROBABILIDAD
CONDICIONAL
Muchas
preguntas
acerca
de
la
probabilidad de eventos particulares se
pueden reducir a contar el nmero de
elementos en el conjunto apropiado.
26/05/2015
35

RESULTADOS
PREGUNTA
Encontrar la probabilidad que el nmero de
puntos en el dado rojo es menor o igual a 3:
P(R <= 3).
PROBABILIDAD
CONDICIONAL
26/05/2015
36

RESULTADOS
Para encontrar esta probabilidad debemos contar el nmero
de pares en la tabla para los cuales R <= 3.
Vemos que hay 18 de estos pares de un total de 36 pares
posibles as obtenemos:
P (R <= 3)= 18/ 36= 1/2.
26/05/2015
PROBABILIDAD
CONDICIONAL
37

RESULTADOS
Suponer que ests en tu casa y un amigo te invita a
jugar un juego donde se lanzan dos dados, tal como en
el Ludo.
A ti te interesa que la suma de los puntos en los dados
sea 9.
Tiras los dados, pero no miras el resultado.
Tu amigo te dice que la suma de los dados es mayor de
7
PROBABILIDAD
CONDICIONAL
26/05/2015
38

RESULTADOS
Te dice algo este dato?
Cules son ahora tus oportunidades de haber
obtenido 9?
Si hubiera dicho que la suma era menor de
siete sabras de seguro que perdiste.
PROBABILIDAD
CONDICIONAL
26/05/2015
39

RESULTADOS
Necesitamos calcular
P ( X= 9 | X> 7).
Antes de tirar los dados, sabas que la probabilidad de ganar,
P(X=9) era igual a 4/ 36.
Cambi esto?
En la siguiente Tabla estn sealados todos los pares donde

X > 7 y los pares donde X = 9.
PROBABILIDAD
CONDICIONAL
26/05/2015
40

RESULTADOS
PROBABILIDAD
CONDICIONAL
26/05/2015
41

RESULTADOS
Como sabemos que X > 7 el resultado observado debe estar dentro
del tringulo cyan.
All hay 15 pares distintos de los cuales cuatro son consistentes con
X= 9,
Por esto
P (X = 9| X> 7)= 4/ 15
Esto significa que tus oportunidades de haber ganado han
aumentado.
PROBABILIDAD
CONDICIONAL
26/05/2015
42
PROBABILIDAD CONDICIONAL Y EL CONTEO

DE RESULTADOS
El resultado se puede obtener de la siguiente forma.
La proporcin de pares donde X > 7 es 15/ 36.

La proporcin de pares donde X > 7 y X = 9 es 4/ 36,
Siguiendo las ideas anteriores tenemos que:
P ( X = 9| X > 7) = (4/36) / (15/ 36) = 4/ 15.
PROBABILIDAD
CONDICIONAL
26/05/2015
43
PROBABILIDAD CONDICIONAL Y
RBOLES
Esta forma de visualizar el
experimento es particularmente
pertinente cuando ste se ejecuta
en etapas.
PROBABILIDAD
CONDICIONAL
26/05/2015
44
PROBABILIDAD CONDICIONAL Y RBOLES
Ejemplo:
El experimento consiste en seleccionar a la
vez dos bolas al azar de una caja que
contiene 2 rojas y 3 azules.
Este experimento es equivalente al de seleccionar al azar una
bola, y entonces, sin reemplazar la primera, seleccionar al
azar otra bola.
Este proceso se puede visualizar fcilmente por medio de un
rbol.
PROBABILIDAD
CONDICIONAL
26/05/2015
45
Diagrama de rbol que muestra el experimento de seleccionar dos bolas

de una caja
PROBABILIDAD
CONDICIONAL
26/05/2015
46
En cada nodo del rbol representamos el nmero de bolas rojas y

azules que quedan en la caja.
Las ramas que emanan de cada nodo representan los dos resultados
posibles que se pueden obtener cuando se selecciona una bola al
azar: rojo o azul.
Cada rama es rotulada por el resultado obtenido y por la
probabilidad condicional de observar ese resultado.
PROBABILIDAD
CONDICIONAL
26/05/2015
47
Los nodos al final representan los estados

finales posibles que podemos obtener como
resultado del experimento.
Estos nodos finales se llaman hojas.
PROBABILIDAD
CONDICIONAL
26/05/2015
48
PREGUNTA
Cul es la probabilidad que la segunda bola seleccionada sea

roja dado que la primera es azul?
PROBABILIDAD
CONDICIONAL
26/05/2015
49
Si la primera bola fue azul, ahora quedan en la caja dos bolas rojas y
dos azules.
De ah seleccionamos otra bola. La probabilidad de que una bola

seleccionada de esa caja sea roja es 2/4.
PROBABILIDAD
CONDICIONAL
26/05/2015
50
Para facilitar el trabajo indicamos que el evento de que la

primera bola seleccionada es roja por R1 y el evento de que la
segunda sea roja por R2.
Hacemos lo propio para las bolas azules.
Esta representacin es til para encontrar probabilidades

conjuntas y marginales.
PROBABILIDAD
CONDICIONAL
26/05/2015
51
Ejemplo:
La probabilidad que la primera bola sea roja y la segunda
azul, expresada por P (R1 y B2)
Es el producto de las probabilidades que rotulan el camino
de la raz del rbol y que son consistentes con los resultados
R1 y B2. .
PROBABILIDAD
CONDICIONAL
26/05/2015
52
Entonces P (R1 y B2) = 2/5 x 3/4 = 6/20.
PROBABILIDAD
CONDICIONAL
26/05/2015
53

Si nos interesamos por la probabilidad marginal de que la segunda bola
sea roja, P(R2), hay que darse cuenta de que hay dos caminos posibles en
que la segunda bola es roja.
Estos dos caminos dependen del resultado que se observ

cuando seleccionamos la primera bola, que pudo haber sido
rojo o azul
PROBABILIDAD
CONDICIONAL
26/05/2015
54
As observamos una bola roja en la segunda seleccin cuando

cualquiera de los dos eventos conjuntos (B1 y R2) (R1 y R2)
ocurren.
Estos son eventos son disjuntos por lo cual
P ( R2 ) = P (B1 y R2) + P (R1 y R2) =
6/20+ 2/20 = 8/20.
3/5*2/4
PROBABILIDAD
CONDICIONAL
2/5*1/4
26/05/2015
55
Los rboles son especialmente tiles para encontrar

probabilidades condicionales tal como P( R1 | B2 ).
Esta probabilidad se puede entender si pensamos en un
experimento donde escogemos una bola al azar, sin mirarla, la
escondemos y luego seleccionamos al azar otra bola.
Si la segunda bola seleccionada es azul, cul es la
probabilidad que la bola que escogimos primero era roja?
PROBABILIDAD
CONDICIONAL
26/05/2015
56
PROBABILIDAD
CONDICIONAL
Una forma de contestar esta pregunta es usando la Regla de

Bayes, que an no se ha estudiado. Otra forma es la siguiente.
Imaginemos que antes de comenzar el experimento quitamos una
bola azul. Esa ser la bola azul que escogeremos como segunda
seleccin, la hemos reservado de antemano.
26/05/2015
57
Ahora, en esta caja imaginaria hay 2 bolas rojas y 2 azules,

por esta razn la probabilidad
P (R1 | B2) debe ser igual a
(nmero de bolas rojas) / (nmero total de bolas) = 2/4.
PROBABILIDAD
CONDICIONAL
26/05/2015
58
Probabilidad Total
Sean B1, B2,....,Bn eventos mutuamente
n
excluyentes : P(
)
= 1Bi
i 1
Entonces
P(A) =
P( A / B ) P( B )
i 1
Consecuencia (Regla de Bayes):
P(Bi/A) =
P(A/Bi) P(Bi)
P(A)
26/05/2015
59
Probabilidad Total
B1
A Equipo
Fallado
B2
B5
AB1
AB2
AB4
AB3
B4
Sean B1, B2,....,Bn
Equipo Manufacturado
en Planta B2
B3
eventos mutuamente excluyentes
P(
B )=1
i
i =1
Entonces
P(A) =
P(A | B ) P(B )
i Velsquez
i
Ing William Len
i=1
26/05/2015
60
TEOREMA DE BAYES
Supongamos de que se elige aleatoriamente un Equipo y se encuentra
que est fallado. cul es la probabilidad que sea manufacturado en
Planta B3 ?
Se pide P(B3 | A); pero slo se conoce P(A Bi), i = 1, 2, 3, .. , k
Sabemos que P(A Bi) = P( A | Bi ) P(Bi) = P(Bi | A) P(A)
P (Bi | A ) =
P (Bi) P (A | Bi )
BiBj = ; i j
P (Bi) P (A | Bi )
26/05/2015
61
B =S
j i
TEOREMA DE BAYES
La probabilidad condicional se basa en el resultado de
un hecho para describir otra probabilidad especfica.
Este concepto de puede extender cada vez que se tiene
nueva informacin con la cual determinar si una
probabilidad se debe a una causa especfica.
Este procedimiento recibe el nombre de Teorema y
Bayes
26/05/2015
62
EJEMPLO:
El gerente de mercadotecnia de una compaa fabricante de juguetes
estudia el lanzamiento de un juguete nuevo. En el pasado, el 40% de los
juguetes introducidos por la compaa han tenido xito y 60% han
fracasado.
26/05/2015
63
EJEMPLO:
Anlisis previo
Qu se busca? :
La probabilidad de que el juguete tenga xito.
Qu condiciones tenemos? :
Resultados de un informe favorable
P(xito/Favorable)
26/05/2015
64
EJEMPLO:
Anlisis previo
26/05/2015
65
EJEMPLO:
Anlisis previo
Juguetes que tuvieron xito y previamente les haban reportado

un informe favorable 80%
P(xito/Favorable)
= 0.8
Juguetes que fueron un fracaso y previamente les haban

reportado un informe favorable 30%
P(Fracaso/Favorable) = 0.3
26/05/2015
66
EJEMPLO:
Propsito
La aplicacin del teorema de Bayes indica que se busca la

probabilidad de que un juguete sea un xito, siendo que el dictamen
que se tiene es favorable; el enunciado es el siguiente:
P(xito/Favorable)
P( Favorable / xito ) P( xito )

P( Favorable / xito ) P( xito ) P( Favorable / Fracaso) P( Fracaso)
26/05/2015
67
EJEMPLO:
Desarrollo
P( Favorable / xito ) P( xito )

P( Favorable / xito ) P( xito ) P( Favorable / Fracaso) P( Fracaso)
(0.8)(0.4)
(0.8)(0.4) (0.3)(0.6)
(0.32)
(0.32) (0.18)
0.32
0.64
0.5
26/05/2015
64%
68
EJEMPLO 2:
La probabilidad de que una persona tenga
una enfermedad es de 0.03. Se dispone de
pruebas de diagnstico mdico para
determinar si una persona en realidad
padece la enfermedad.
Si la enfermedad de hecho est presente, la

probabilidad de que la prueba de diagnstico
mdico de un resultado positivo es de 0.9. Si
la enfermedad no est presente, la
probabilidad de un resultado positivo en la
prueba de
diagnstico mdico es de 0.02.
26/05/2015
69
EJEMPLO 2:
Suponga que la prueba de diagnstico mdico ha dado un resultado
positivo. Cul es la probabilidad de que la enfermedad est presente
en realidad.
Qu se busca? :
La probabilidad de que el paciente est enfermo
Qu condiciones tenemos? :
Diagnstico positivo
26/05/2015
70
EJEMPLO 2:
Se busca calcular
: P(Enfermo/Positivo)
Pacientes enfermos : 0.03

P(Enfermo) = 0.03
Pacientes sanos : 0.97
P(Sano) = 0.97
Datos de pacientes en el pasado:
Resultado positivo y estaban enfermos 0.90
Resultado positivo y estaban sanos
0.02
26/05/2015
71
EJEMPLO 2:
Anlisis previo
Resultado positivo y estaban enfermos 0.90

P(Positivo/Enfermo) = 0.9
Resultado positivo, y estaban sanos 0.02
P(Positivo/Sano) = 0.02
26/05/2015
72
EJEMPLO 2:
Propsito
La aplicacin del teorema de Bayes indica que se busca la probabilidad

de que un paciente d un resultado positivo y los datos anteriores
indican que est enfermo, el planteamiento es el siguiente:
P(Positivo/Enfermo)
P( Enfermo / Positivo ) P( Positivo )

P( Enfermo / Positivo ) P( Positivo ) P( Sano / Positivo ) P( Positivo )
26/05/2015
73
EJEMPLO 2:
Desarrollo
P( Enfermo / Positivo ) P( Positivo )

P( Enfermo / Positivo ) P( Positivo ) P( Sano / Positivo ) P( Positivo )
(0.9)(0.03)
(0.9)(0.03) (0.02)(0.97)
(0.027)
(0.027 (0.0194)
0.027
0.5819
0.0464
58%
26/05/2015
74
TEOREMA DE BAYES
EJEMPLO 3:
El parte meteorolgico ha anunciado tres

posibilidades para el fin de semana:
a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.
Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un

accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 20%.
b) Si nieva: probabilidad de accidente del 10%
c) Si hay niebla: probabilidad de accidente del 5%.
TEOREMA DE BAYES
26/05/2015
75
TEOREMA DE BAYES
EJEMPLO 3:
Resulta que efectivamente ocurre un accidente
y como no estbamos en la ciudad no sabemos
que tiempo hizo (llovi, nev o hubo niebla).
El teorema de Bayes nos permite calcular estas
probabilidades:
TEOREMA DE BAYES
26/05/2015
76
TEOREMA DE BAYES
EJEMPLO 3:
Las probabilidades que manejamos antes de

conocer que ha ocurrido un accidente se
denominan "probabilidades a priori" (lluvia con
el 50%, nieve con el 30% y niebla con el 20%).
TEOREMA DE BAYES
26/05/2015
77
TEOREMA DE BAYES
EJEMPLO 3:
Una vez que incorporamos la informacin de que ha ocurrido un
accidente, las probabilidades del suceso A cambian: son probabilidades
condicionadas
P(A/B), que se denominan "probabilidades a posteriori".
Vamos a aplicar la frmula:
TEOREMA DE BAYES
26/05/2015
78
TEOREMA DE BAYES
EJEMPLO 3:
a) Probabilidad de que estuviera lloviendo:
La probabilidad de que efectivamente estuviera lloviendo el da

del accidente (probabilidad a posteriori) es del 71,4%.
TEOREMA DE BAYES
26/05/2015
79
TEOREMA DE BAYES
EJEMPLO 3:
b) Probabilidad de que estuviera nevando:
La probabilidad de que estuviera nevando es del 21,4%.
TEOREMA DE BAYES
26/05/2015
80
TEOREMA DE BAYES
EJEMPLO 3:
c) Probabilidad de que hubiera niebla:
La probabilidad de que hubiera niebla es del 7,1%
TEOREMA DE BAYES
26/05/2015
81
TEOREMA DE BAYES
EJEMPLO 4:
En una etapa de la produccin de un artculo se
aplica soldadura y para eso se usan tres diferentes
robots.
La probabilidad de que la soldadura sea
defectuosa vara para cada uno de los tres, as
como la proporcin de artculos que cada uno
procesa, de acuerdo a la siguiente tabla.
TEOREMA DE BAYES
robot
defectuosos
art. procesados
0.002
18 %
0.005
42 %
0.001
26/05/2015
82
40 %
TEOREMA DE BAYES
EJEMPLO 4:
Ahora se puede hacer un par de preguntas:
a) Cul es la proporcin global de defectos
producida por las tres mquinas. ?
b) Si tomo un artculo al azar y resulta con defectos
en la soldadura, Cul es la probabilidad de que
haya sido soldado por el robot C. ?
TEOREMA DE BAYES
26/05/2015
83
TEOREMA DE BAYES
EJEMPLO 4:
TEOREMA DE BAYES
a) La primera pregunta nos va a llevar a lo que se conoce

con el nombre de frmula de la probabilidad total.
Se desea calcular la proporcin global de defectos de
los tres robots.
Despus de reflexionar un momento se ve que si todas
las soldaduras las pusiera el robot C, habra pocos
defectos, seran 0.001 o 0.1%.
En cambio, si todas se pone el B, sera un desastre!, se
tendra cinco veces ms: 0.005 o 0.5%.
De modo que en la respuesta se debe tener en cuenta
las diferentes proporciones de lo maquinado en cada
robot.
26/05/2015
84
TEOREMA DE BAYES
EJEMPLO 4:
Nuestra idea es empezar por descomponer el evento defectuoso'' en

viene del robot A y es defectuoso o viene del robot B y es
defectuoso o viene del robot C y es defectuoso.
En smbolos tendremos
P(d) = P(A y d) + P(B y d) + P(C y d)
P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)
TEOREMA DE BAYES
26/05/2015
85
TEOREMA DE BAYES
EJEMPLO 4:
Antes de ponerle nmeros y resolver nuestro problema fjese en la

frmula
Hay tres eventos A, B y C que son ajenos y cubren todo el espacio
muestral.
Conocemos las probabilidades de cada uno de ellos.
Adems, conocemos las probabilidades condicionales de otro evento

dado cada uno de ellos.
TEOREMA DE BAYES
P(d) =
26/05/2015
86
TEOREMA DE BAYES
EJEMPLO 4:
P(d) =
La frmula anterior se llama frmula de la probabilidad total.
Llenando con nuestros nmeros, tenemos que
P(d) = (0.18)(0.002) + (0.42)(0.005) + (0.40)(0.001)
o sea que P(d) = 0.00286 casi 3 piezas por cada mil.
TEOREMA DE BAYES
26/05/2015
87
TEOREMA DE BAYES
EJEMPLO 4:
P(d) = 0.00286 casi 3 piezas por cada mil.
TEOREMA DE BAYES
Es bueno comparar este resultado con

los
porcentajes
de
soldaduras
defectuosas de cada robot por
separado.
Podemos ver que el resultado se

encuentra entre todas ellas y se
encuentra relativamente cerca de los
porcentajes de los robots ms utilizados
(el B y el C). Esto es muy razonable.
26/05/2015
88
TEOREMA DE BAYES
EJEMPLO 4:
b) La segunda pregunta es, a la vez ms simple y ms complicada. Nos va a
llevar a lo que se conoce con el nombre de teorema de Bayes.
La probabilidad que buscamos es una condicional pero al revs de las

que tenemos.
Buscamos P( C | d)
para calcularla usamos la definicin de probabilidad
condicional:
P( C | d) = [P(C y d)] / [P( d )]
TEOREMA DE BAYES
El numerador (lo de arriba) lo calculamos con

P( C y d ) = P(C)
P(d|C)
Ing William
Len Velsquez
26/05/2015
89
TEOREMA DE BAYES
EJEMPLO 4:
y el denominador lo calculamos con la frmula de probabilidad total

juntando las dos tenemos la frmula de Bayes:
[P(C) P(d|C)]
P( C|d) =
[P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)]
TEOREMA DE BAYES
26/05/2015
90
TEOREMA DE BAYES
EJEMPLO 4:
Aplicndola a nuestro caso tenemos
P(C|d) =
[(0.40)(0.001)]
[(0.18)(0.002) + (0.42)(0.005) + (0.40)(0.001)]
o sea
P(C|d) = [0.0004]/[0.00286] = 0.1399
casi 14%.
TEOREMA DE BAYES
26/05/2015
91
TEOREMA DE BAYES
EJEMPLO 4:
Es decir si se toma una pieza al azar, la probabilidad de que

haya sido soldada por el robot C es alta, 40%.
Pero, como ese robot produce slo 1 de cada mil soldaduras
defectuosas, al saber que la pieza seleccionada es
defectuosa, la probabilidad de que provenga del robot C
disminuye a solamente 14%.
Esto quiere decir que, en este caso el saber que la soldadura
es defectuosa, nos provee con una gran cantidad de
informacin.
TEOREMA DE BAYES
26/05/2015
92
TEOREMA DE BAYES
EJEMPLO 5:
Una fabrica produce un articulo en tres diferentes maquinas. Del total

de la produccin el 30% es producido por la maquina A, el 50% en la B
y el 20% lo produce la maquina C.
La probabilidad de que un articulo producido por una mquina
especifica sea de primera calidad, se muestra en la siguiente tabla:
Maquina Probabilidad
A
0.8
B
0.7
C
0.9
1. Si se selecciona un articulo aleatoriamente de la lnea de produccin:

a) Cual es la probabilidad de que sea de primera calidad?
b) Si el articulo seleccionado es de primera calidad, cual es la probabilidad de que
haya sido producido por la maquina A?
TEOREMA DE BAYES
26/05/2015
93
TEOREMA DE BAYES
EJEMPLO 5:
Una fabrica produce un articulo en tres diferentes maquinas. De total
de la produccin el 30% es producido en la maquina A, el 50% en la B y
el 20% lo produce la maquina C.
P(B)=0.5
TEOREMA DE BAYES
26/05/2015
94
TEOREMA DE BAYES
EJEMPLO 5:
La probabilidad de que un articulo producido por una mquina especfica
sea de primera calidad, Se muestra en la tabla siguiente:
Maquina
A
B
C
P(Q/A)=1-P(Q/A)
P(Q/A)=1-0.8=0.2
P(B)=0.5
TEOREMA DE BAYES
Probabilidad
0.8
0.7
0.9
26/05/2015
95
TEOREMA DE BAYES
EJEMPLO 5:
La probabilidad de que un articulo producido por una mquina especfica
sea de primera calidad,
Maquina
A
B
C
P(Q/B)=1-P(Q/B)
P(Q/B)=1-0.7=0.3
P(Q/B)=0.7
P(B)=0.5
TEOREMA DE BAYES
Probabilidad
0.8
0.7
0.9
26/05/2015
96
TEOREMA DE BAYES
EJEMPLO 5:
La probabilidad de que un articulo producido por una mquina especfica sea de
primera calidad,
Maquina
A
B
C
P(Q/B)=0.7
Probabilidad
0.8
0.7
0.9
P(Q/C)=1-P(Q/C)
P(Q/C)=1-0.9=0.1
P(B)=0.5
P(Q/C)=0.9
TEOREMA DE BAYES
26/05/2015
97
TEOREMA DE BAYES
EJEMPLO 5:
Para responder las preguntas planteadas en el problema es necesario obtener las probabilidades
conjuntas del rbol, esto es las intersecciones respectivas, lo que significa, calcular la
probabilidad de que sucedan dos eventos al mismo tiempo.
P(AQ)=P(A)P(Q/A)=(0.3)(0.8)=0.24
P(AQ)=P(A)P(Q/A)=(0.3)(0.2)=0.06
P(Q/B)=0.7
P(B)=0.5
P(Q/C)=0.9
TEOREMA DE BAYES
P(BQ)=P(B)P(Q/B)=(0.5)(0.7)=0.35
P(BQ)=P(B)P(Q/B)=(0.5)(0.3)=0.15
P(CQ)=P(C)P(Q/C)=(0.2)(0.9)=0.18
P(CQ)=P(C)P(Q/C)=(0.2)(0.1)=0.02
26/05/2015
98
TEOREMA DE BAYES
EJEMPLO 5:
Si se selecciona un artculo aleatoriamente de la lnea de produccin:
a)Cul es la probabilidad de que sea de primera calidad?
P(AQ)=P(A)P(Q/A)=(0.3)(0.8)=0.24
P(AQ)=P(A)P(Q/A)=(0.3)(0.2)=0.06
P(BQ)=P(B)P(Q/B)=(0.5)(0.7)=0.35
P(BQ)=P(B)P(Q/B)=(0.5)(0.3)=0.15
P(Q)=P(A Q)+P(B Q)+P(C Q)

P(Q)=0.24+0.35+0.18=0.77
P(CQ)=P(C)P(Q/C)=(0.2)(0.9)=0.18
P(CQ)=P(C)P(Q/C)=(0.2)(0.1)=0.02
Lo que significa que: la probabilidad de obtener un artculo de primera calidad

es del 77%
TEOREMA DE BAYES
26/05/2015
99
TEOREMA DE BAYES
EJEMPLO 5:
Si se selecciona un artculo aleatoriamente de la lnea de produccin:
b) Si el articulo seleccionado en la primera calidad, Cual es la
probabilidad de que ha haya sido producido por la maquina A?
P(Q)=0.24 + 0.35 + 0.18 = 0.77
P ( A / Q)
Del rbol de probabilidad
P ( A Q)
P(Q) P( A Q) P( B Q) P(C Q)
P( A / Q)
0.24
0.31
0.77
Por lo tanto podemos concluir que la probabilidad de que la mquina A haya producido un
artculo de primera calidad elegido al azar es del 31%
TEOREMA DE BAYES
26/05/2015
100
FIN
wjleonv@yahoo.com

Clase07 Eyp

Cargado por

Información del documento

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

Clase07 Eyp

Cargado por

Copyright:

Formatos disponibles

7

En forma general la probabilidad condicional de

Esta es la razn por la cual se llama

Ing William Len Velsquez

La probabilidad de que el evento A ocurra

Esta informacin adicional sobre A se incluye

Ing William Len Velsquez

Ing William Len Velsquez

Ing William Len Velsquez

Centra el foco de atencin en el

Estamos indicando que el espacio

Entonces, P(A | B) mide la

Ing William Len Velsquez

Por lo tanto el 90% no

Se ha encontrado que el 25% de

Se sabe que el 10% de las

Evento A = { pieza funcionalmente defectuosa}

Casos Probabilidad Condicional

Ing William Len Velsquez

Comportamiento de los clientes que compraron

Ing William Len Velsquez

Probabilidad de que si compr un tv, dado que haya planeado

P P ( s compr / si planeo comprar )

Ing William Len Velsquez

* Los clientes que en la entrevista anterior dijeron que s estaban

El 80% de los clientes que planificaron

Ing William Len Velsquez

Si en una investigacin, una de las preguntas es base para la respuesta

Existe independencia estadstica, si una de

Ing William Len Velsquez

La independencia estadstica se puede definir como:

Ing William Len Velsquez

Ing William Len Velsquez

Ambos resultados son iguales, el hecho de haber

Los eventos son independientes.

La regla de la multiplicacin resulta de la

Ing William Len Velsquez

Ing William Len Velsquez

Calcular la probabilidad para el primer cliente

P P(1 cliente si esta satisfecho con la compra)

Calcular la probabilidad para el segundo cliente

De la muestra, ya solo se le puede preguntar a 79

P P( 2 si est satisfecho / 1 si esta satisfecho )

Calcular la probabilidad de que el cliente este satisfecho,

Hay 63.76% de probabilidad de que ambos clientes muestreados

UNA REPRESENTACIN RELACIONADA

Se ha tomado una muestra al azar de 100

Ing William Len Velsquez

UNA REPRESENTACIN RELACIONADA

15 mujeres reciben ayuda econmica y

Ing William Len Velsquez

Se desea seleccionar al azar una persona de estos

Se usar los nombres A, T y M para denotar el

Ing William Len Velsquez

De este diagrama de Venn se puede contestar rpidamente muchas

Esta pregunta es equivalente a encontrar

Ing William Len Velsquez

Esto es equivalente a encontrar P (W | J).

Ing William Len Velsquez

Si lanzamos dos dados balanceados, uno rojo y el otro

El espacio muestral de este experimento consta de 36

Ing William Len Velsquez

PROBABILIDAD CONDICIONAL Y EL CONTEO DE