Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
ocurri.
PROBABILIDAD
CONDICIONAL
26/05/2015
PROBABILIDAD CONDICIONAL
26/05/2015
PROBABILIDAD CONDICIONAL
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
PROBABILIDAD CONDICIONAL
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
PROBABILIDAD CONDICIONAL
26/05/2015
PROBABILIDAD CONDICIONAL
Tambin se ha encontrado que el 5%
de la piezas que no tienen fallas
superficiales son funcionalmente
defectuosas
100% piezas
Manufacturadas
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.
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.
Planteamiento
S compr un TV
: A
S plane comprar un TV : 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
250
P P( B)
0.25
1000
Ing William Len Velsquez
26/05/2015
13
EJEMPLO 1:
P P( A / B)
P( A y B)
0.20
0.8
P( B)
0.25
26/05/2015
14
INDEPENDENCIA ESTADSTICA
26/05/2015
15
INDEPENDENCIA ESTADSTICA
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
Ing William Len Velsquez
250
1000
26/05/2015
18
EJEMPLO 2:
Determinar si el evento si planific comprar y si compr un nuevo
televisor son estadsticamente independientes.
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
Ing William Len Velsquez
26/05/2015
19
EJEMPLO 2:
Determinar si el evento si planific comprar y si compr un nuevo
televisor son estadsticamente independientes.
Resumen:
75
P( S compr / Plane Comprar)
0.30
250
300
P( S compr)
0.30
1000
Anlisis:
Conclusin:
26/05/2015
20
REGLA DE MULTIPLICACIN
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.
26/05/2015
23
EJEMPLO 3:
26/05/2015
24
EJEMPLO 3:
25
PROBABILIDAD
CONDICIONAL
26/05/2015
26
PROBABILIDAD
CONDICIONAL
26/05/2015
20 mujeres trabajan
55 de los estudiantes son mujeres
25 estudiantes reciben ayuda econmica y
trabajan
60 estudiantes reciben ayuda econmica
40 estudiantes trabajan
Ing William Len Velsquez
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:
Entonces
P (M)= .05 + .30 + .05 + .15 = .55, por ejemplo.
PROBABILIDAD
CONDICIONAL
26/05/2015
29
DIAGRAMA DE VENN
EJEMPLO 4:
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.
PROBABILIDAD
CONDICIONAL
26/05/2015
31
PROBABILIDAD CONDICIONAL Y EL
CONTEO DE RESULTADOS
PROBABILIDAD
CONDICIONAL
26/05/2015
32
PROBABILIDAD
CONDICIONAL
26/05/2015
33
PROBABILIDAD
CONDICIONAL
26/05/2015
34
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
PROBABILIDAD
CONDICIONAL
26/05/2015
36
26/05/2015
PROBABILIDAD
CONDICIONAL
37
26/05/2015
38
PROBABILIDAD
CONDICIONAL
26/05/2015
39
26/05/2015
40
PROBABILIDAD
CONDICIONAL
26/05/2015
41
26/05/2015
42
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
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
26/05/2015
46
PROBABILIDAD
CONDICIONAL
26/05/2015
47
PROBABILIDAD
CONDICIONAL
26/05/2015
48
PREGUNTA
PROBABILIDAD
CONDICIONAL
26/05/2015
49
Si la primera bola fue azul, ahora quedan en la caja dos bolas rojas y
dos azules.
PROBABILIDAD
CONDICIONAL
26/05/2015
50
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
PROBABILIDAD
CONDICIONAL
26/05/2015
53
PROBABILIDAD
CONDICIONAL
26/05/2015
54
3/5*2/4
PROBABILIDAD
CONDICIONAL
2/5*1/4
26/05/2015
55
PROBABILIDAD
CONDICIONAL
26/05/2015
56
PROBABILIDAD
CONDICIONAL
26/05/2015
57
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
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
Equipo Manufacturado
en Planta B2
B3
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
P (Bi | A ) =
P (Bi) P (A | Bi )
BiBj = ; i j
P (Bi) P (A | Bi )
Ing William Len Velsquez
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
Ing William Len Velsquez
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
= 0.8
26/05/2015
66
EJEMPLO:
Propsito
P(xito/Favorable)
26/05/2015
67
EJEMPLO:
Desarrollo
(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.
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? :
Qu condiciones tenemos? :
Diagnstico positivo
Ing William Len Velsquez
26/05/2015
70
EJEMPLO 2:
Se busca calcular
: P(Enfermo/Positivo)
26/05/2015
71
EJEMPLO 2:
Anlisis previo
26/05/2015
72
EJEMPLO 2:
Propsito
26/05/2015
73
EJEMPLO 2:
Desarrollo
(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%
Ing William Len Velsquez
26/05/2015
74
TEOREMA DE BAYES
EJEMPLO 3:
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:
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
TEOREMA DE BAYES
26/05/2015
78
TEOREMA DE BAYES
EJEMPLO 3:
a) Probabilidad de que estuviera lloviendo:
TEOREMA DE BAYES
26/05/2015
79
TEOREMA DE BAYES
EJEMPLO 3:
b) Probabilidad de que estuviera nevando:
TEOREMA DE BAYES
26/05/2015
80
TEOREMA DE BAYES
EJEMPLO 3:
c) Probabilidad de que hubiera niebla:
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
84
TEOREMA DE BAYES
EJEMPLO 4:
TEOREMA DE BAYES
26/05/2015
85
TEOREMA DE BAYES
EJEMPLO 4:
P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)
TEOREMA DE BAYES
P(d) =
26/05/2015
86
TEOREMA DE BAYES
EJEMPLO 4:
P(d) =
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
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.
Buscamos P( C | d)
para calcularla usamos la definicin de probabilidad
condicional:
P( C | d) = [P(C y d)] / [P( d )]
TEOREMA DE BAYES
89
TEOREMA DE BAYES
EJEMPLO 4:
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:
TEOREMA DE BAYES
26/05/2015
92
TEOREMA DE BAYES
EJEMPLO 5:
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
Ing William Len Velsquez
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(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
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