Se tiene interes en la probabilidad de que una persona,
Teorema de Bayes
Imagine un experimento de dos etapas en el cual se
conoce el resultado de la segunda etapa y se tiene
interes en la probabilidad de que haya ocurrido un
resultado particular en la primera etapa.
Para ilustrar esto, suponga que se cree que de la
poblacion total (espacio muestral), 8% tiene
una enfermedad particular. Imagine tambien que hay
una nueva prueba de sangre para detectar la enfermedad
y que los investigadores han evaluado su efectivi-
dad. Los datos resultantes de ensayos extensos muestran
que la prueba no es perfecta: no solo da positiva para
95% de quienes tienen la enfermedad, sino que tambien
resulta positiva para 3 % de quienes no la tienen.
Suponga que se toma una persona de la poblacion
de manera aleatoria y se Ie realiza la prueba de sangre.
Si el resultado es positivo, cul es la probabilidad de
que la persona tenga la enfermedad?
Para analizar este problema, se consideran los
siguientes eventos:
D1 = {tener la enfermedad}
D2 = {no tener la enfermedad}
T1 = {prueba positiva}
T2 = {prueba negativa}
Del planteamiento del problema se tiene
P(D1)= 0.08
entonces P(D2)= 1 - 0.08 = 0.92
puesto que D1 y D2 son complementos. Resulta
razonable suponer que T1 y T2 tambin
son complementos; en ese caso, se tienen las
probabilidades condicionales
P(T1 D1) = 0.95 P(T2 D1) = 1 - 0.95 = 0.05
P(T1 D2) = 0.03 P(T2 D2) = 1 - 0.03 = 0.97
En la figura se muestra un arbol de probabilidad de dos
etapas que refleja esta informaci6n. La primer a etapa
toma en cuenta si la persona tiene o no tiene la enferme-
dad, y la segunda etapa muestra los posibles resultados
de la prueba.
TEOREMA DE BAYES
cuya prueba sea positiva, tenga la enfermedad. Esto es,
se desea encontrar la probabilidad condicional de que
hay a ocurrido Dl en la primera etapa, dado que ocurri6
Tl en la segunda etapa:
P(D1 T1)
Es importante que entienda la diferencia entre las
probabilidades condicionales P(D1 T1) y P(T1 D1). La
probabilidad P(T1 D1), que se proporciona como dato,
es una probabilidad condicional "tipica", en la que se
trata con la probabilidad de un resultado en la segunda
etapa despus de que ha ocurrido un resultado en la
primera etapa. Sin embargo, con P(D1 T1), se tiene una
situaci6n "inversa". Aqui se debe encontrar la
probabilidad de un resultado en la primera etapa, dado
que ha ocurrido un resultado en la segunda etapa.
En cierto sentido, se tiene "la carreta antes del caballo"
porque esta probabilidad no se ajusta al patr6n usual
(y mas natural) de una probabilidad condicional
tipica. Por fortuna, se tienen todas las herramientas
necesarias para encontrar P(D1 T1).
Se procede de la manera siguiente.
De la definici6n de probabilidad condicional,
Entonces la probabilidad de que la persona tenga la
enfermedad, dado que la prueba es positiva, es
aproximadamente 0.734. En otras palabras, alrededor de
73.4% de las personas que resultan positivos en la
prueba, en realidad tienen la enfermedad.
ING. BYRON ALBUJA
En este pun to, se debe introducir cierta terminologfa.
Las probabilidades no condicionales P(D1) y P(D2)
se llaman probabilidades a priori, porque se dan antes
de que se tenga algun conocimiento acerca del resultado
de la prueba de sangre. La probabilidad condicional
P(D1 T1) se llama probabilidad a posteriori, porque se
encuentra de conocer el result ado de la prueba (T1).
A partir de la respuesta para P(D1 T1), es posible
encontrar con facilidad la probabilidad a posteriori de
no tener la enfermedad dado que se obtuvo un resultado
positivo:
Formula de Bayes
Suponga que Fl , F2 , Fn son n eventos que parten un
espacio muestral S. Esto es, los Fi son mlltuamente
excluyentes y su uni6n es S. Ademas, suponga que E es
cualquier evento en S, donde P(E) > 0. Entonces la
probabilidad condicional de Fi dado que ha ocurrido el
evento E se expresa por
para cada valor de i, donde i = 1,2, ... , n.
En lugar de memorizar la f6rmula, puede usarse un
arbol de probabilidad para obtener P(Fi | E). Si se usa el
arbol de la figura, se tiene
TEOREMA DE BAYES
Ejemplo 1
Control de calidad
Una fabricante de camaras digitales utiliza un microchip
en el ensamble de cada camara que produce. Los
microchips se compran a los proveedores A, B y C y se
seleccionan de manera aleatoria para ensamblar cada
camara. Veinte por ciento de los microchips vienen de
A, 35 % vienen de B, y el porcentaje restante proviene
de C. Con base en la experiencia, el fabricante cree que
la probabilidad de que un microchip de A sea
defectuoso es de 0.03, y las probabilidades para B y C
son 0.02 y 0.01, respectivamente. Se selecciona una
camara de la producci6n de un dfa de manera aleatoria,
y se encuentra que el microchip que contiene esta
defectuoso. Encuentre la probabilidad de que haya sido
suministrado (a) de A, (b) de B y (c) de C. (d) Cual
proveedor tiene mayor probabilidad de haber producido
el microchip?
Solucion: Se definen los siguientes eventos:
Se tiene:
y las probabilidades condicionales
las cuales estan reflejadas en el arbol de probabilidad de
la figura. Observe que la figura muestra slo la parte del
arbol de probabilidad completo que se relaciona con el
evento D. En realidad, esto es todo que se necesita
mostrar, y esta forma abreviada se llama comunmente
un arbol de probabilidad de Bayes.
ING. BYRON ALBUJA
(a), se desea encontrar la probabilidad de S1 dadSe de la bolsa II, dado que el caramelo es rojo. Se definen
presentaran dos metodos para resolver este problema, los eventos

e1 primero con un arbol de

probabilidad

y el segundo con la formula de Bayes . o que ha

ocurrido D. Esto es,
Se desea encontrar P(B2 R). Como se selecciona una
bolsa de manera aleatoria, P(B1) = P(B2) = 1/2. De la
figura, se concluye que

Se presentaran dos mtodos para resolver este

problema, e1 primero con un arbol de probabilidad y el
segundo con la formula de Bayes.
Esto significa que aproximadamente 34.3% de los
microchips defectuosos vienen del proveedor A.

(b) se tiene

(c)
Mtodo 1: Arbol de probabilidad. En la figura se
uestra un arbol de probabilidad de Bayes para este
problema. Como todas las rutas terminan en R,

(d) Como se puede ver el microchip defectuoso tiene

mas probabilidad de haber sido suministrado por B.

Ejemplo 2
Observe que la probabilidad no condicional de elegir la
Caramelos en una bolsa bolsa II, a saber P(B2) = 1/2., se incrementa a 2/3, dado
que se tom un caramelo rojo. Un incremento es
Dos bolsas idnticas, la bolsa I y la bolsa II, estn sabre
azonable pucsto que solo hay caramelos rojos en la
una tabla, la bolsa I contiene un caramelo rojo y otro
bolsa II, y la seleccin de un caramelo rojo hara ms
negro; La bolsa II contiene dos caramelos rojos. (Vea la
probable que proviniera de la bolsa II.
figura.) Se selecciona una bolsa al azar, y de sta se
toma un caramelo de manera aleatoria. El caramelo es Mtodo 2: Formula de Bayes Como B1 y B2 parten al
rojo. Cul es la probabilidad que el otro caramelo espacio muestral, por la frmula de Bayes, se tiene
dentro de la bolsa seleccionada sea rojo?

Solucin: Como el otro caramelo podra ser rojo o

negro, se podra concluir de manera apresurada que la
respuesta es 1/2. En ese caso, su intuicion fallara. La
pregunta puede replantearse de la manera siguiente:
encuentre la probabilidad de que el caramelo provenga

TEOREMA DE BAYES ING. BYRON ALBUJA

Ejemplo 3:
El 20% de los empleados de una empresa son
ingenieros y otro 20% son economistas. El 75% de los
ingenieros ocupan un puesto directivo y el 50% de los
economistas tambin, mientras que los no ingenieros y
los no economistas solamente el 20% ocupa un puesto
directivo. Cul es la probabilidad de que un empleado
directivo elegido al azar sea ingeniero?

Ejemplo 4:

La probabilidad de que haya un accidente en una fbrica

que dispone de alarma es 0.1. La probabilidad de que
suene esta s se ha producido algn incidente es de 0.97
y la probabilidad de que suene si no ha sucedido ningn
incidente es 0.02.
En el supuesto de que haya funcionado la alarma, cul
es la probabilidad de que no haya habido ningn
incidente?

Sean los sucesos:

I = Producirse incidente.
A = Sonar la alarma.

TEOREMA DE BAYES ING. BYRON ALBUJA