Está en la página 1de 3

Teorema de Bayes Probabilidad Total

Probabilidad Total El Teorema de la probabilidad total es aquel que nos permite calcular la
probabilidad de un suceso a partir de probabilidades condicionadas.

Ejemplo:

Supongamos que si llueve la probabilidad de que ocurra un accidentes es x% y si hace buen tiempo
dicha probabilidad es y%. Este teorema nos permite deducir cuál es la probabilidad de que ocurra
un accidente si conocemos la probabilidad de que llueva y la probabilidad de que haga buen tiempo.

La fórmula para calcular esta probabilidad es:

Es decir, la probabilidad de que ocurra el suceso B (en nuestro ejemplo, que ocurra un accidente) es
igual a la suma de multiplicar cada una de las probabilidades condicionadas de este suceso con los
diferentes sucesos A (probabilidad de un accidente cuando llueve y cuando hace buen tiempo) por
la probabilidad de cada suceso A.

Para que este teorema se pueda aplicar hace falta cumplir un requisito:

Los sucesos A tienen que formar un sistema completo, es decir, que contemplen todas las
posibilidades (la suma de sus probabilidades debe ser el 100%).

Variables Aleatorias

Definir una variable aleatoria en un experimento aleatorio consiste en asociar un valor numérico a
cada suceso elemental del experimento. Interesa fundamentalmente asignar probabilidades a
dichos valores numéricos.

Formalmente, dados un experimento aleatorio ε, un espacio muestral Ω, una familia de sucesos en


Ω con una probabilidad P, diremos que una función

X: Ω→ R, es una variable aleatoria si

X-1(-∞ , x ] = { ω ∈ Ω : X ( ω ) ≤ x } es un suceso

Esta definición asegura que sea posible realizar cálculos de probabilidades sobre sucesos definidos
en R a partir de valores de las variables aleatorias. No utilizaremos esta definición en forma explícita
en lo que sigue!
En ocasiones los sucesos elementales de un experimento aleatorio son números, en esta situación
esos números coinciden con el valor de una variable aleatoria.

Ejemplo 1

ε = se arroja un dado y se observa el resultado de la tirada

Ω = {1, 2, 3, 4, 5 ,6}

Sucesos = cualquier subconjunto de Ω

X: Ω→ R la función identidad

Valores posibles de X = {1, 2, 3, 4, 5, 6} = RX

Para un dado que no está cargado asignamos X

Probabilidad a los valores posibles de la variable aleatoria X:

P(X=1) = P(X=2) = P(X=3) = P(X=4) = P(X=5) = P(X=6) = 1/6

DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS Y ALEATORIAS.

FUNCIONES DE PROBABILIDAD DISCRETAS La distribución de probabilidad para una variable


aleatoria discreta puede ser:

1.- Una relación teórica de resultados y probabilidades que se puede obtener de un modelo
matemático y que representa algún fenómeno de interés.

2.- Una relación empírica de resultados y sus frecuencias relativas observadas.

3.- Una relación subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales
que representan el grado de convicción del encargado en tomar decisiones sobre la probabilidad de
posibles resultados.

Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia
bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.

Existen varios modelos matemáticos que representan diversos fenómenos discretos de la vida real.
Las más útiles son:

 La distribución uniforme discreta.


 La distribución de probabilidad Binomial o de Bernoulli.
 La distribución de probabilidad Hipergeométrica.
 La distribución de probabilidad de Poisson.

La distribución de probabilidad del lanzamiento de un dado es: S = {1, 2, 3, 4, 5, 6}

P(x = ,2,1 ..., )6 = 1/6


En teoría de la probabilidad una distribución de probabilidad se llama continua si su función de
distribución es continua. Puesto que la función de distribución de una variable aleatoria X viene
dada por