EyPclase06 PDF

ESTADISTICA
APLICADA
Sesión 06
Ing. William Jaime León Velásquez
2
PROBABILIDAD
CONDICIONAL
CONTENIDO TEMATICO
 Probabilidad Condicional
 Independencia estadística
 Teorema de Bayes
3
PROBABILIDAD
CONDICIONAL
4
2/10/2019
PROBABILIDAD CONDICIONAL
▸ La probabilidad condicional de un evento A

dado otro evento B, representado por P(A|B)
es la probabilidad de que el evento A
ocurra cuando sabemos que el evento B
ocurrió.
• Esta es la razón por la cual se llama
condicional a esta probabilidad.
5
Ing William León Velásquez
2/10/2019
▸ La probabilidad de que el evento A ocurra está

condicionada por la ocurrencia de B.
• Esta información adicional
sobre A se incluye en el cálculo
de su probabilidad condicional
cuando se analiza los
resultados posibles que se
pueden observar cuando se
sabe que B ha ocurrido.
6
Dado un espacio muestral Ω, 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:
𝑃(𝐴 ∩ 𝐵) 𝑃 𝐴 ∩ 𝐵 = 𝑃(𝐵 ∩ 𝐴)
𝑃(𝐴Τ𝐵) =
𝑃(𝐵) 𝑃(𝐴Τ𝐵)𝑃 𝐵 = 𝑃(𝐵Τ𝐴) 𝑃(𝐴)
𝑃 𝐴 ∩ 𝐵 = 𝑝𝑃 𝐴Τ𝐵 (𝐵)
𝑃(𝐵 ∩ 𝐴)
𝑃(𝐵Τ𝐴) =
𝑃(𝐴) P(A/B) = 1 - P(Ā/B)
𝑃 𝐵 ∩ 𝐴 = 𝑝𝑃 𝐵 Τ𝐴 (𝐴)

2/10/2019
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(AB)
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
8
2/10/2019
Sea un Call Center de una gran organización.
Se ha señalado que un tiempo de respuesta satisfactorio debe ser
entre 10 y 30 segundos
Sea
A = {tiempo respuesta es mayor de 20 segundos}
B = {tiempo de respuesta es menor de 25 segundos}
9
2/10/2019
Calcular la probabilidad que el tiempo de respuesta para una llamada dada, sea
menor de 25 segundos, dado que la llamada lleva más de 20 segundos:
P(B | A)
Se puede apreciar que el tiempo de respuesta es mayor de 20 segundos el 50%
de las veces y que el tiempo de respuesta entre 20 y 25 segundos A ∩ B ocurre el
25% de las veces.
Luego P(B | A ) = 0.25 / 0.50 = 0.50
10
En resumen:
▸ Si se sabe que han ocurrido el evento B
▸ Se esta indicando que el espacio muestral de interés se ha “reducido” sólo 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
11
2/10/2019
2/10/2019
P(A  B ) P()
A Si A  B =   P(A | B) = = =0
B P(B) P(B)
P(A  B ) P(A)
A Si A  B = A  P(A | B) = = P(B)  P(A)
B P(B)
A P(A  B ) P(B)
B Si A  B = B  P(A | B) = = =1
P(B) P(B)
P(A  B )
A Si A  B    P(A | B) = =
B P(B)
12
2/10/2019
EJEMPLO 1:
• Calcular la probabilidad de que un cliente “sí compró” un televisor, dado que en la

entrevista anterior había contestado que “sí tenía planeado comprar un televisor.
• Comportamiento de los clientes que compraron televisores según la

planificación de compra
EN REALIDAD
PLANIFICÓ COMPRÓ
COMPRAR SI NO TOTAL
SI 200 50 250
NO 100 650 750
Total . . . 300 700 1,000 13

2/10/2019
EJEMPLO 1:
1. Probabilidad de que si compró un tv, dado que haya planeado

comprar un televisor en la entrevista anterior
Planteamiento
Sí compró un TV : A
Sí planeó comprar un TV : B
P  P(sí compró/si planeo comprar)
 P(A/B)
P(A y B)

P(B)
14

2/10/2019
EJEMPLO 1:
* Los clientes que planearon EN REALIDAD COMPRÓ

PLANIFICÓ
comprar un TV y efectivamente COMPRAR SI NO TOTAL
sí lo compraron son 200
SI 200 50 250
NO 100 650 750
200 Total . . . 300 700 1,000

P  P(A y B)   0.2
1000
* Los clientes que en la entrevista anterior dijeron que sí estaban
planificando comprar un televisor son 250.
250
P  P(B)   0.25
1000 15
EJEMPLO 1:
2/10/2019
P(A y B) 0.20
P  P(A/B)    0.8
P(B) 0.25
El 80% de los clientes que planificaron

comprar hace doce meses, sí compraron
el televisor de pantalla plana.
16

INDEPENDENCI
A ESTADISTICA
17
2/10/2019
INDEPENDENCIA ESTADÍSTICA
• Si en una investigación, 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
estadística, si una de las
preguntas no afecta en nada
la respuesta de la otra
18
2/10/2019
INDEPENDENCIA ESTADÍSTICA
La independencia estadística se define como:
P(A/B)  P(A)
Entonces:
Dos eventos A y B son estadísticamente
independientes si y solo sí P(A/B)=P(A)
19

2/10/2019
EJEMPLO 2:
Determinar si planificar una compra de un televisor influye en la comprar de

un nuevo televisor
Se tiene la siguiente información:
PLANIFICÓ COMPRÓ
COMPRAR SI NO TOTAL
SI 75 175 250
NO 25 25 750
Total . . . 300 700 1,000
20
2/10/2019
EJEMPLO 2:
Evento 1 (A). si planificó comprar y

Evento 2 (B).si compró un nuevo televisor
Se desea probar:
Si son estadísticamente independientes. P(A/B)  P(A)
PLANIFICÓ COMPRÓ
COMPRAR SI NO TOTAL
SI 75 175 250
NO 225 525 750
Total . . . . 300 700 1,000
21
2/10/2019
EJEMPLO 2:
Determinar si el evento si planificó comprar y si compró un nuevo televisor

son estadísticamente independientes.
Alternativa 1:
PLANIFICÓ EN REALIDAD COMPRÓ

COMPRAR SI NO TOTAL
SI 75 175 250
NO 225 525 750
Total . . . . 300 700 1,000
75
1000 75
P(Sí compró/Planeó Comprar)    0.30
250 250 22
Ing William León Velásquez 1000
2/10/2019
EJEMPLO 2:
Alternativa 2:
PLANIFICÓ EN REALIDAD COMPRÓ

COMPRAR SI NO TOTAL
SI 75 175 250
NO 225 525 750
Total . . . . 300 700 1,000
300
P(Sí compró)   0.30
1000
23
2/10/2019
EJEMPLO 2:
Resumen: 75
P(Sí compró/Planeó Comprar)   0.30
250
300
P(Sí compró)   0.30
1000
Análisis: Ambos resultados son iguales, el hecho de haber
Planeado comprar no afectó el resultado.
Conclusión: Los eventos son independientes.

24
2/10/2019
REGLA DE MULTIPLICACIÓN
La regla de la multiplicación resulta de la
Probabilidad condicional.
P(A/B)
P(A∩B)
= ---------
P(A  B)  P(A/B)P(B)
P(B)
25

2/10/2019
EJEMPLO 3:
En un estudio de seguimiento de 300 hogares que realmente compraron una

televisión de pantalla grande, se preguntó a los encuestados si estaban satisfechos
con sus compras.
¿SATISFECHO CON
TIPO DE
LA COMPRA? Total
TELEVISION
Si No
HDTV 64 16 80
No HDTV 176 44 220
Total 240 60 300
Suponga que se seleccionan al azar dos clientes que compraron un televisor
HDTV. Calcular la probabilidad de que ambos clientes estén satisfechos con
su compra. 26
2/10/2019
EJEMPLO 3:
 Calcular la probabilidad para el primer

cliente
P= P(A)
P  P(1º cliente si esta satisfecho con la compra)

64
P
80
P  0.8
27
2/10/2019
EJEMPLO 3:
 Calcular la probabilidad para el segundo cliente

 De la muestra, ya solo se le puede preguntar a 79
 De los que están satisfechos con la compra solo son 63
P= P(B/A)
P  P(2º si está satisfecho/1º si esta satisfecho)

63
P
79
p  0.797
28
2/10/2019
EJEMPLO 3:
 Calcular la probabilidad de que el segundo cliente este

satisfecho, dado que el primero también esta satisfecho.
P(B  A)  P(B/A)P(A)
P  P(2º si satisfecho/1º si satisfecho) P(1º 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 estén

satisfechos con sus compras. 29
2/10/2019
PROBABILIDAD CONDICIONAL Y
DIAGRAMA DE VENN
EJEMPLO 4:
• Otra forma de representar la probabilidad condicional se puede ver en el
siguiente ejemplo.
 Se ha tomado una muestra al azar de 100 estudiantes y se obtiene los
siguientes resultados:
 15 mujeres reciben ayuda económica y trabajan
 45 mujeres reciben ayuda económica
 20 mujeres trabajan
 55 de los estudiantes son mujeres
 25 estudiantes reciben ayuda económica y
trabajan
 60 estudiantes reciben ayuda económica
 40 estudiantes trabajan 30
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
▸ M representa todas las mujeres en la
5
muestra,
▸ A el conjunto representa los 30 5
estudiantes que reciben ayuda 15
▸
económica y
T el conjunto de estudiantes en la
5 10 10
muestra que trabajan.
A T
31
2/10/2019
2/10/2019
DIAGRAMA DE VENN
EJEMPLO 4:
▸ Se desea seleccionar al azar una persona de estos
100 estudiantes en la muestra.
▸ ¿Cual es la probabilidad que la persona
seleccionada sea una mujer?
• Si A, T y M es el evento que la persona seleccionada

recibe ayuda económica, trabaja o es una mujer,
respectivamente.
• Entonces
P (M)= .05 + .30 + .05 + .15 = .55.
32

2/10/2019
DIAGRAMA DE VENN
EJEMPLO 4:
▸ ¿Qué proporción de estudiantes son mujeres que no trabajan y
reciben ayuda económica?
▸ Con el diagrama de Venn se puede contestar rápidamente muchas
preguntas que a primera vista parecen ser muy complicados como
esta
• Esta pregunta es equivalente a encontrar P (M y A y
no T).
• Existe una proporción de 0.30
• Se encuentra en la intersección de los tres conjuntos
M, no T, A.
33
2/10/2019
DIAGRAMA DE VENN
EJEMPLO 4:
▸ ¿Qué proporción de estudiantes que trabajan son mujeres.?
▸ Aquí se aplica el concepto de probabilidad condicional
▸ Esto es equivalente a encontrar P (M| T).
▸ La proporción de estudiantes que trabajan es 0.40, la proporción de
mujeres que trabajan es 0.20.
• La proporción de mujeres de entre todos los

estudiantes que trabajan es:
0.20/ 0.40= .50
Es decir, la mitad de los estudiantes que trabajan
son mujeres.
34
2/10/2019
Y EL CONTEO DE RESULTADOS
▸ Si se lanza dos dados balanceados, uno rojo y el
otro verde.
▸ El espacio muestral de este experimento consta de
36 pares ordenados tal como se muestra en la tabla
siguiente.
35
2/10/2019
PROBABILIDAD CONDICIONAL Y EL
CONTEO DE RESULTADOS
▸ Se deja que R y V 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 + V.
▸ Si se supone que los dados están balanceados, entonces los

36 resultados distintos del experimento son igualmente
probables.
36
2/10/2019
▸ Por la forma como se lleva a cabo el

experimento, se ve que el valor observado en un
dado no está 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 (V = v) = 1/ 6 y que
P (R= r, V= v)= 1/ 36 para r, v= 1,2, ..., 6.
37

2/10/2019
▸ Muchas preguntas acerca de la probabilidad de eventos

particulares se pueden reducir a contar el número de
elementos en el conjunto apropiado.
PREGUNTA
Encontrar la probabilidad que el número de puntos en el dado
rojo es menor o igual a 3:
P(R <= 3).
38
▸ Para encontrar esta probabilidad debemos contar el número
de pares en la tabla para los cuales R <= 3.
▸ Vemos que hay 18 de estos pares de un total de 36 pares
posibles así obtenemos:
P (R <= 3)= 18/ 36= 1/2.
2/10/2019
Ing William León Velásquez 39
2/10/2019
En un juego donde se lanzan dos dados, tal como en el Ludo. Se desea
obtener que la suma de los puntos en los dados sea 9.
Se tira los dados, pero no se mira el resultado. Pero se sabe que la
suma de los dados es mayor de 7
¿El dato adicional influye en la probabilidad del

resultado?
¿Cuáles son ahora las oportunidades de haber

obtenido 9?
Si se hubiera dicho que la suma era menor de

siete sabrías de seguro que perdiste.
40
2/10/2019
Y EL CONTEO DE RESULTADOS
Se necesita calcular
P ( X= 9 | X> 7).
Antes de tirar los dados, se sabia que la probabilidad de ganar, P(X=9) era igual a 4/ 36.
¿Cambió esto?
En la siguiente Tabla se señala todos los pares donde X > 7 y los pares donde X = 9.
41
2/10/2019
PROBABILIDAD CONDICIONAL Y EL CONTEO
DE RESULTADOS
Como se sabe que X > 7 el resultado observado debe estar dentro

del triángulo cyan.
Allí 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 42
aumentado.
2/10/2019
EL CONTEO DE RESULTADOS
El resultado se puede obtener también de la siguiente forma.
La proporción de pares donde X > 7 ( P(B) ) es 15/ 36.

La proporción de pares donde X > 7 y X = 9 (P(A∩B) )es 4/ 36,
P(A/B) = (AB)
P(B)
Siguiendo las ideas anteriores tenemos que:

P ( X = 9| X > 7) = (4/36) / (15/ 36) = 4/ 15.
43
2/10/2019
ÁRBOLES
▸ Otras de las técnicas a utilizar en

probabilidades condicionales es el
diagrama de arboles
▸ Visualizar los datos del experimento en
forma de arboles es particularmente
oportuna cuando éste se ejecuta en
etapas.
44
2/10/2019
ÁRBOLES
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 fácilmente por medio de un árbol.
45
2/10/2019
ÁRBOLES
Diagrama de árbol que muestra el experimento de seleccionar dos bolas
de una caja
46
2/10/2019
ÁRBOLES
En cada nodo del árbol representamos el número 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.
Los nodos al final representan los estados finales

posibles que podemos obtener como resultado del
experimento.
47
Estos nodos finales se llaman hojas.
2/10/2019
ÁRBOLES
PREGUNTA
▸ ¿Cuál es la probabilidad que la segunda bola seleccionada
sea roja dado que la primera es azul?
48
2/10/2019
ÁRBOLES
▸ Si la primera bola fue azul, ahora quedan en la caja dos bolas

rojas y dos azules.
▸ De ahí seleccionamos otra bola. La probabilidad de que una

bola seleccionada de esa caja sea roja es 2/4.
49
2/10/2019
Y ÁRBOLES
▸ 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 representación es útil para encontrar
probabilidades conjuntas y marginales.
50
2/10/2019
ÁRBOLES
Ejemplo:
▸ ¿Cuál es 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 raíz del árbol y que son consistentes con los
resultados R1 y B2. .
51
2/10/2019
ÁRBOLES
▸ Entonces P (R1 y B2) = 3/4 x 2/5 = 6/20.

P(R1  B2)  P(B2/R1)P(R1)
52
2/10/2019
ÁRBOLES
 ¿Cuál es la probabilidad de que la segunda bola sea roja, P(R2)?
 Se trata de probabilidad marginal, 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 observó

53
cuando seleccionamos la primera bola, que pudo haber sido
rojo o azul
2/10/2019
ÁRBOLES
▸ Se observa una bola roja en la segunda selección en cualquiera de los
dos eventos conjuntos (B1 y R2) ó (R1 y R2) ocurren.
▸ Estos son eventos son disjuntos por lo cual
P ( R2 ) = P (R1 y R2) + P (B1 y R2) =
6/20 + 2/20 = 8/20.
P (R1 y R2) = 1/4 x 2/5 = 6/20. P (B1 y R2) = 2/4 x 3/5 = 2/20.
54
2/10/2019
ÁRBOLES
▸ Los árboles son especialmente útiles 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, ¿cuál es la probabilidad que
la bola que escogimos primero era roja?
Una forma de contestar esta pregunta es usando

la Regla de Bayes, que aún no se ha estudiado.
55
2/10/2019
ÁRBOLES
▸ Otra forma es la siguiente :
▸ Imaginemos que antes de comenzar el experimento
quitamos una bola azul. Esa será la bola azul que
escogeremos como segunda selección, la hemos
reservado de antemano.
• Ahora, en esta caja imaginaria hay 2 bolas rojas y 2 azules,
por esta razón la probabilidad
P (R1 | B2) debe ser igual a
(número de bolas rojas) / (número total de bolas) = 2/4.
56
2/10/2019
PROBABILIDAD TOTAL
Sean B1, B2,....,Bn eventos mutuamente

n
excluyentes : P(  B i )=1
i 1
Entonces
 P(A/B )  P(B )
n
P(A) = i i
i 1
Consecuencia (Regla de Bayes):

P(Bi/A) = P(A/Bi) P(Bi)
P(A) 57
2/10/2019
PROBABILIDAD TOTAL
B1 B2 B5
A Equipo AB1
Fallado AB2
AB4
AB3 Equipo
B4 Manufacturado en
B3 Planta B2
 Sean B1, B2,....,Bn eventos mutuamente excluyentes

n
P( 
i =1
Bi ) = 1
n
 Entonces P(A) = 
i=1
P(A | Bi) P(Bi)
58
TEOREMA DE
BAYES
59
2/10/2019
TEOREMA DE BAYES
Supongamos de que se elige aleatoriamente un Equipo y se encuentra que está
fallado. ¿cuál es la probabilidad que sea manufacturado en Planta B3 ?
• Se pide P(B3 | A); pero sólo 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) P (A | Bi ) BiBj = ; i  j
P (Bi | A ) =
 P (Bi) P (A | Bi )  Bi = S
 j  j
60
2/10/2019
TEOREMA DE BAYES
La probabilidad condicional se basa en el resultado
de un hecho para describir otra probabilidad
específica.
Este concepto de puede extender cada vez que se

tiene nueva información con la cual determinar si
una probabilidad se debe a una causa específica.
Este procedimiento recibe el nombre de Teorema y

Bayes
61
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
• El gerente de mercadotecnia de una compañía fabricante de juguetes estudia el
lanzamiento de un juguete nuevo. En el pasado, el 40% de los juguetes
introducidos por la compañía han tenido éxito y 60% han fracasado.
62
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Análisis previo
¿Qué se busca? :
La probabilidad de que el juguete tenga éxito.
¿Qué condiciones tenemos? :

Resultados de un informe favorable
P(Éxito/Favorable)
63
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Análisis previo
Juguetes con éxito : 40% P(éxito) = 0.4

Juguetes con fracaso: 60% P(fracaso) = 0.6
Datos del pasado:

Juguetes que tuvieron éxito y previamente les habían reportado un
informe favorable  80%
Juguetes que fueron un fracaso y previamente les habían reportado un

64
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Análisis previo
Juguetes que tuvieron éxito y previamente les habían reportado un
P(Éxito/Favorable) = 0.8
Juguetes que fueron un fracaso y previamente les habían reportado

un informe favorable  30%
P(Fracaso/Favorable) = 0.3
65

2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Propósito
La aplicación del teorema de Bayes indica que se busca la
probabilidad de que un juguete sea un éxito, siendo que el dictamen
que se tiene es favorable; el enunciado es el siguiente:
Favorable
P P(Exito)
Exito Exito
P ൗFavorable =
Favorable Favorable
P P Exito + P P(Fracaso)
Exito Fracaso
66
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Desarrollo
P(Favorable/Éxito)P(Éxito)

P(Favorable/Éxito)P(Éxito)  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 64% 67
0.5
2/10/2019
TEOREMA DE BAYES
EJEMPLO 2:
La probabilidad de que una persona tenga una
enfermedad es de 0.03. Se dispone de pruebas
de diagnóstico médico para determinar si una
persona en realidad padece la enfermedad.
Si la enfermedad de hecho está presente, la
probabilidad de que la prueba de diagnóstico
médico de un resultado positivo es de 0.9. Si la
enfermedad no está presente, la probabilidad
de un resultado positivo en la prueba de
diagnóstico médico es de 0.02.
68
2/10/2019
TEOREMA DE BAYES
EJEMPLO 2:
Suponga que la prueba de diagnóstico médico ha dado un
resultado positivo. ¿Cuál es la probabilidad de que la
enfermedad esté presente en realidad.
¿Qué se busca? :
La probabilidad de que el paciente esté enfermo
¿qué condiciones tenemos? :

Diagnóstico positivo
69
2/10/2019
TEOREMA DE BAYES
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
70
2/10/2019
TEOREMA DE BAYES
EJEMPLO 2:
Análisis 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
71
2/10/2019
TEOREMA DE BAYES
EJEMPLO 2:
Propósito
La aplicación del teorema de bayes indica que se busca la

probabilidad de que un paciente dé un resultado positivo y los
datos anteriores indican que está enfermo, el planteamiento
es el siguiente:
𝑃 𝐸𝑛𝑓𝑒𝑟𝑚𝑜Τ𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 𝑃 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜
𝑃 𝑃𝑜𝑠𝑖𝑡Τ𝐸𝑛𝑓𝑒𝑟. =
𝑃 𝐸𝑛𝑓𝑒𝑟𝑚𝑜Τ𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 𝑃 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 + 𝑃 𝑆𝑎𝑛𝑜Τ𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 𝑃 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜
72
2/10/2019
TEOREMA DE BAYES
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
0.0464
 0.5819 58%
73
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
Una fabrica produce un articulo en tres diferentes
maquinas. Del total de la producción 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
máquina 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 línea de producción:
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 74
que haya sido producido por la maquina A?
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
Una fabrica produce un articulo en tres diferentes maquinas. De total de
la producción 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
75
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
La probabilidad de que un articulo producido por una máquina específica
sea de primera calidad, Se muestra en la tabla siguiente:
A 0.8
B 0.7
C 0.9
P(Q´/A)=1-P(Q/A)
P(Q´/A)=1-0.8=0.2
P(B)=0.5
76
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
La probabilidad de que un articulo producido por una máquina específica
sea de primera calidad,
A 0.8
B 0.7
C 0.9
P(Q´/B)=1-P(Q/B)
P(Q/B)=0.7 P(Q´/B)=1-0.7=0.3
P(B)=0.5
77
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
La probabilidad de que un articulo producido por una máquina específica sea
de primera calidad,
A 0.8
B 0.7
C 0.9
P(Q/B)=0.7
P(B)=0.5
P(Q´/C)=1-P(Q/C)
P(Q´/C)=1-0.9=0.1
P(Q/C)=0.9
78
EJEMPLO 3:
TEOREMA DE BAYES
Para responder las preguntas planteadas en el problema es necesario obtener las
probabilidades conjuntas del árbol, esto es las intersecciones respectivas, lo que
significa, calcular la probabilidad de que sucedan dos eventos al mismo tiempo.
P(AΩQ)=P(A)P(Q/A)=(0.3)(0.8)=0.24
P(AΩQ´)=P(A)P(Q´/A)=(0.3)(0.2)=0.06
P(BΩQ)=P(B)P(Q/B)=(0.5)(0.7)=0.35
P(Q/B)=0.7 P(BΩQ´)=P(B)P(Q´/B)=(0.5)(0.3)=0.15
P(B)=0.5
P(CΩQ)=P(C)P(Q/C)=(0.2)(0.9)=0.18
P(Q/C)=0.9 P(CΩQ´)=P(C)P(Q´/C)=(0.2)(0.1)=0.02
79
2/10/2019
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
Si se selecciona un artículo aleatoriamente de la línea de producción:
a)¿Cuál es la probabilidad de que sea de primera calidad?
P(AΩQ)=P(A)P(Q/A)=(0.3)(0.8)=0.24
P(AΩQ´)=P(A)P(Q´/A)=(0.3)(0.2)=0.06
P(Q)=P(A ΩQ)+P(B ΩQ)+P(C ΩQ)
P(BΩQ)=P(B)P(Q/B)=(0.5)(0.7)=0.35 P(Q)=0.24+0.35+0.18=0.77
P(BΩQ´)=P(B)P(Q´/B)=(0.5)(0.3)=0.15
P(CΩQ)=P(C)P(Q/C)=(0.2)(0.9)=0.18
P(CΩQ´)=P(C)P(Q´/C)=(0.2)(0.1)=0.02
Lo que significa que: la probabilidad de obtener un artículo de primera calidad
es del 77% 80
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
Si se selecciona un artículo aleatoriamente de la línea de producción:
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)
P(A/Q) 
P(Q)  P(A  Q)  P(B  Q)  P(C  Q)
Del árbol de probabilidad 0.24

P(A/Q)   0.31
0.77
Por lo tanto podemos concluir que la probabilidad de que la máquina A
haya producido un artículo de primera calidad elegido al azar es del 31%
81
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
▸ El parte meteorológico 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%.
Según estos posibles estados meteorológicos, 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%.
82
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
Resulta que efectivamente ocurre un accidente y como no estábamos en la
ciudad no sabemos que tiempo hizo (llovió, nevó o hubo niebla).
El teorema de Bayes nos permite calcular estas probabilidades:
𝑃 𝐴1 ∗ 𝑃 𝐵Τ𝐴1
P 𝐴 𝑖 Τ𝐵 =
σ 𝑃 𝐴 𝑖 ∗ 𝑃 𝐵 Τ𝐴 𝑖
83
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
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%).
A priori
llovió 0.5
Ocurrió el 0.3
nevó
accidente
niebla 0.2 84
EJEMPLO 4:
TEOREMA DE BAYES
A priori A posteriori
Una vez que incorporamos la información de Hubo
que ha ocurrido un accidente, las accidente 0.20
probabilidades del suceso A cambian: son Llovió
probabilidades condicionadas No hubo 0.80
0.5 accidente
P(A/B), que se denominan "probabilidades
a posteriori". Hubo 0.10
Ocurrió el accidente
nevó
accidente No hubo
a) Si llueve: probabilidad de accidente del 0.3 0.90
accidente
20%.
b) Si nieva: probabilidad de accidente del Hubo
10% 0.05
accidente
c) Si hay niebla: probabilidad de accidente niebla
del 5%. No hubo 85
0.95
0.2 accidente
Ing William León Velásquez 2/10/2019
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
Se va a aplicar la fórmula:
Prob. Total=σ 𝑃 𝐴𝑖 ∗ 𝑃 𝐵Τ𝐴𝑖
𝑃𝑇 = 𝑃 𝑙𝑙𝑜𝑣𝑖ó ∗ 𝑃 ℎ𝑢𝑏𝑜 𝑎𝑐𝑐Τ𝑙𝑙𝑜𝑣𝑖ó +
𝑃(𝑛𝑒𝑣ó) ∗ 𝑃(ℎ𝑢𝑏𝑜 𝑎𝑐𝑐Τ𝑛𝑒𝑣ó) +
𝑃 𝑛𝑖𝑒𝑏𝑙𝑎 ∗ 𝑃 ℎ𝑢𝑏𝑜 𝑎𝑐𝑐Τ𝑛𝑖𝑒𝑏𝑙𝑎 =
𝑃𝑇 = 0.5 ∗ 0.20 + 0.3 ∗ 0.10 + 0.2 ∗ 0.05
TEOREMA DE BAYES Ing William León Velásquez 86

2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
a) Probabilidad de que estuviera lloviendo:
𝑃(𝑙𝑙𝑜𝑣𝑖𝑜) ∗ 𝑃(ℎ𝑢𝑏𝑜 𝑎𝑐𝑐Τ𝑙𝑙𝑜𝑣𝑖𝑜)

P 𝑙𝑙𝑜𝑣𝑖óΤ𝑎𝑐𝑐 =
𝑃(𝑡𝑜𝑡𝑎𝑙)
0.5 ∗ 0.20
0.5 ∗ 0.20 + 0.3 ∗ 0.10 + 0.2 ∗ 0.05
P 𝐴𝑖 Τ𝐵 = 0.710
La probabilidad de que efectivamente estuviera lloviendo el día del
accidente (probabilidad a posteriori) es del 71,4%.
87
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
b) Probabilidad de que estuviera nevando:
𝑃(𝑛𝑒𝑣ó) ∗ 𝑃(ℎ𝑢𝑏𝑜 𝑎𝑐𝑐Τ𝑛𝑒𝑣ó)

P 𝑛𝑒𝑣óΤ𝑎𝑐𝑐 =
0.3 ∗ 0.10
0.5 ∗ 0.20 + 0.3 ∗ 0.10 + 0.2 ∗ 0.05
P 𝐴𝑖 Τ𝐵 = 0.214
La probabilidad de que estuviera nevando es del 21,4%.
88
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
c) Probabilidad de que hubiera niebla:
𝑃(𝑛𝑖𝑒𝑏𝑙𝑎) ∗ 𝑃(ℎ𝑢𝑏𝑜 𝑎𝑐𝑐Τ𝑛𝑖𝑒𝑏𝑙𝑎)

P 𝑛𝑖𝑒𝑏𝑙𝑎Τ𝑎𝑐𝑐 =
0.2 ∗ 0.05
0.5 ∗ 0.20 + 0.3 ∗ 0.10 + 0.2 ∗ 0.05
P 𝐴𝑖 Τ𝐵 = 0.071
La probabilidad de que hubiera niebla es del 7,1%
89
2/10/2019
TEOREMA DE BAYES
EJEMPLO 5:
▸ En una etapa de la producción de un artículo se
aplica soldadura y para eso se usan tres
diferentes robots.
▸ La probabilidad de que la soldadura sea
defectuosa varía para cada uno de los tres, así
como la proporción de artículos que cada uno
procesa, de acuerdo a la siguiente tabla.
robot defectuosos art. procesados
A 0.002 18 %
B 0.005 42 %
C 0.001 40 % 90
2/10/2019
TEOREMA DE BAYES
EJEMPLO 5:
Ahora se puede hacer un par de preguntas:
a) ¿Cuál es la proporción global de
defectos producida por las tres
máquinas. ?
b) Si tomo un artículo al azar y resulta con
defectos en la soldadura, ¿Cuál es la
probabilidad de que haya sido soldado
por el robot C. ?
91
2/10/2019
TEOREMA DE BAYES
EJEMPLO 5:
a) La primera pregunta nos va a llevar a lo que se
conoce con el nombre de fórmula de la
probabilidad total.
▸ Se desea calcular la proporción global de
defectos de los tres robots.
▸ Después de reflexionar un momento se ve que si
todas las soldaduras las pusiera el robot C,
habría pocos defectos, serían 0.001 o 0.1%.
▸ En cambio, si todas se pone el B, ¡sería un
desastre!, se tendría cinco veces más: 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.
92
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
▸ 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 símbolos tendremos
P(d) = P(A y d) + P(B y d) + P(C y d)

ó
P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)
93
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
▸ Antes de ponerle números y resolver nuestro problema fíjese en la

fórmula
▸ Hay tres eventos A, B y C que son ajenos y cubren todo el espacio
muestral.
▸ Conocemos las probabilidades de cada uno de ellos.
▸ Además, conocemos las probabilidades condicionales de otro
evento dado cada uno de ellos.
P(d) = 94
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
P(d) =
▸ La fórmula anterior se llama fórmula de la probabilidad total.

▸ Llenando con nuestros números, 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.
95
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
P(d) = 0.00286 casi 3 piezas por cada mil. ▸ 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 más
utilizados (el B y el C). Esto es
muy razonable.
96
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
b) La segunda pregunta es, a la vez más simple y más 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 revés de
las que tenemos.
▸ Buscamos P( C | d)
para calcularla usamos la definición de probabilidad condicional:

P( C | d) = [P(C y d)] / [P( d )]
El numerador (lo de arriba) lo calculamos con

P( C y d ) = P(C) P(d|C) 97
2/10/2019
EJEMPLO 5: TEOREMA DE BAYES

y el denominador lo calculamos con la fórmula de probabilidad total
juntando las dos tenemos la fórmula 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)]
98
2/10/2019
TEOREMA DE BAYES
EJEMPLO 5:
Aplicándola a nuestro caso tenemos
[(0.40)(0.001)]
P(C|d) =
[(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%.
99
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
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 sólo 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 información.
100
101
FIN
wjleonv@yahoo.com

EyPclase06 PDF

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

EyPclase06 PDF

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA

▸ La probabilidad condicional de un evento A

▸ La probabilidad de que el evento A ocurra está

Ing William León Velásquez

Sean A, B dos sucesos tal que P(B) > 0.

• Calcular la probabilidad de que un cliente “sí compró” un televisor, dado que en la

• Comportamiento de los clientes que compraron televisores según la

NO 100 650 750

Total . . . 300 700 1,000 13

1. Probabilidad de que si compró un tv, dado que haya planeado

Ing William León Velásquez

* Los clientes que planearon EN REALIDAD COMPRÓ

NO 100 650 750

200 Total . . . 300 700 1,000

El 80% de los clientes que planificaron

Ing William León Velásquez

• Si en una investigación, una de las preguntas es base para la

La independencia estadística se define como:

Ing William León Velásquez

Determinar si planificar una compra de un televisor influye en la comprar de

Evento 1 (A). si planificó comprar y

Determinar si el evento si planificó comprar y si compró un nuevo televisor

PLANIFICÓ EN REALIDAD COMPRÓ

PLANIFICÓ EN REALIDAD COMPRÓ

Conclusión: Los eventos son independientes.

Ing William León Velásquez

En un estudio de seguimiento de 300 hogares que realmente compraron una

 Calcular la probabilidad para el primer

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

 Calcular la probabilidad para el segundo cliente

P  P(2º si está satisfecho/1º si esta satisfecho)

 Calcular la probabilidad de que el segundo cliente este

Hay 63.76% de probabilidad de que ambos clientes muestreados estén

• Si A, T y M es el evento que la persona seleccionada

Ing William León Velásquez

• La proporción de mujeres de entre todos los

▸ Se deja que R y V denoten el valor observado en la cara del

▸ Si se supone que los dados están balanceados, entonces los

▸ Por la forma como se lleva a cabo el

▸ De estas suposiciones se tiene que

Ing William León Velásquez

▸ Muchas preguntas acerca de la probabilidad de eventos

¿El dato adicional influye en la probabilidad del

¿Cuáles son ahora las oportunidades de haber

Si se hubiera dicho que la suma era menor de

Como se sabe que X > 7 el resultado observado debe estar dentro

La proporción de pares donde X > 7 ( P(B) ) es 15/ 36.

Siguiendo las ideas anteriores tenemos que:

▸ Otras de las técnicas a utilizar en

Este experimento es equivalente al de seleccionar al azar una bola, y

Los nodos al final representan los estados finales

▸ Si la primera bola fue azul, ahora quedan en la caja dos bolas

▸ De ahí seleccionamos otra bola. La probabilidad de que una

▸ Para facilitar el trabajo indicamos que el evento de que

▸ Es el producto de las probabilidades que rotulan el camino

▸ Entonces P (R1 y B2) = 3/4 x 2/5 = 6/20.

Estos dos caminos dependen del resultado que se observó

Una forma de contestar esta pregunta es usando

Sean B1, B2,....,Bn eventos mutuamente

Consecuencia (Regla de Bayes):

 Sean B1, B2,....,Bn eventos mutuamente excluyentes

• Se pide P(B3 | A); pero sólo 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)