Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EyPclase06 PDF
EyPclase06 PDF
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
ocurrió.
• Esta es la razón por la cual se llama
condicional a esta probabilidad.
5
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL
6
Ing William León Velásquez
PROBABILIDAD CONDICIONAL
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)
PROBABILIDAD CONDICIONAL
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
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL
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
Ing William León Velásquez
PROBABILIDAD CONDICIONAL
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
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL
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
Ing William León Velásquez
2/10/2019
EJEMPLO 1:
SI 200 50 250
EJEMPLO 1:
P(A y B) 0.20
P P(A/B) 0.8
P(B) 0.25
16
17
2/10/2019
INDEPENDENCIA ESTADÍSTICA
.• Existe independencia
estadística, si una de las
preguntas no afecta en nada
la respuesta de la otra
18
Ing William León Velásquez
2/10/2019
INDEPENDENCIA ESTADÍSTICA
P(A/B) P(A)
Entonces:
Dos eventos A y B son estadísticamente
independientes si y solo sí P(A/B)=P(A)
19
EJEMPLO 2:
PLANIFICÓ COMPRÓ
COMPRAR SI NO TOTAL
SI 75 175 250
NO 25 25 750
Total . . . 300 700 1,000
20
Ing William León Velásquez
2/10/2019
EJEMPLO 2:
PLANIFICÓ COMPRÓ
COMPRAR SI NO TOTAL
SI 75 175 250
NO 225 525 750
Total . . . . 300 700 1,000
21
Ing William León Velásquez
2/10/2019
EJEMPLO 2:
Alternativa 1:
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:
300
P(Sí compró) 0.30
1000
23
Ing William León Velásquez
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.
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
¿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
Ing William León Velásquez
2/10/2019
EJEMPLO 3:
27
Ing William León Velásquez
2/10/2019
EJEMPLO 3:
P= P(B/A)
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
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
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
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?
• Entonces
P (M)= .05 + .30 + .05 + .15 = .55.
32
33
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
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.
PROBABILIDAD CONDICIONAL
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
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y EL
CONTEO DE RESULTADOS
36
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y EL
CONTEO DE RESULTADOS
PREGUNTA
Encontrar la probabilidad que el número de puntos en el dado
rojo es menor o igual a 3:
P(R <= 3).
38
Ing William León Velásquez
PROBABILIDAD CONDICIONAL Y EL
CONTEO DE RESULTADOS
▸ 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
PROBABILIDAD CONDICIONAL Y EL
CONTEO DE RESULTADOS
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
41
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y EL CONTEO
DE RESULTADOS
P(A/B) = (AB)
P(B)
44
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
ÁRBOLES
Ejemplo:
El experimento consiste en seleccionar a
la vez dos bolas al azar de una caja que
contiene 2 rojas y 3 azules.
46
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
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.
48
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
ÁRBOLES
49
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL
Y ÁRBOLES
50
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
ÁRBOLES
Ejemplo:
▸ ¿Cuál es la probabilidad que la primera bola sea roja y la
segunda azul,
▸ Expresada por P (R1 y B2)
51
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
ÁRBOLES
Se trata de probabilidad marginal, hay que darse cuenta de que hay dos caminos
posibles en que la segunda bola es roja.
P (R1 y R2) = 1/4 x 2/5 = 6/20. P (B1 y R2) = 2/4 x 3/5 = 2/20.
54
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
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?
55
Ing William León Velásquez
2/10/2019
PROBABILIDAD CONDICIONAL Y
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
Ing William León Velásquez
2/10/2019
PROBABILIDAD TOTAL
excluyentes : P( B i )=1
i 1
Entonces
P(A/B ) P(B )
n
P(A) = i i
i 1
PROBABILIDAD TOTAL
B1 B2 B5
A Equipo AB1
Fallado AB2
AB4
AB3 Equipo
B4 Manufacturado en
B3 Planta B2
Entonces P(A) =
i=1
P(A | Bi) P(Bi)
58
Ing William León Velásquez
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 ?
P (Bi) P (A | Bi ) BiBj = ; i j
P (Bi | A ) =
P (Bi) P (A | Bi ) Bi = S
j j
60
Ing William León Velásquez
2/10/2019
TEOREMA DE BAYES
La probabilidad condicional se basa en el resultado
de un hecho para describir otra probabilidad
específica.
61
Ing William León Velásquez
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
Ing William León Velásquez
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Análisis previo
¿Qué se busca? :
La probabilidad de que el juguete tenga éxito.
P(Éxito/Favorable)
63
Ing William León Velásquez
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Análisis previo
64
Ing William León Velásquez
2/10/2019
TEOREMA DE BAYES
EJEMPLO 1:
Análisis previo
Juguetes que tuvieron éxito y previamente les habían reportado un
informe favorable 80%
P(Éxito/Favorable) = 0.8
P(Fracaso/Favorable) = 0.3
65
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
Ing William León Velásquez
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
Ing William León Velásquez
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
Ing William León Velásquez
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
69
Ing William León Velásquez
2/10/2019
TEOREMA DE BAYES
EJEMPLO 2:
70
Ing William León Velásquez
2/10/2019
TEOREMA DE BAYES
EJEMPLO 2:
Análisis previo
p(positivo/enfermo) = 0.9
p(positivo/sano) = 0.02
71
Ing William León Velásquez
2/10/2019
TEOREMA DE BAYES
EJEMPLO 2:
Propósito
𝑃 𝐸𝑛𝑓𝑒𝑟𝑚𝑜Τ𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 𝑃 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜
𝑃 𝑃𝑜𝑠𝑖𝑡Τ𝐸𝑛𝑓𝑒𝑟. =
𝑃 𝐸𝑛𝑓𝑒𝑟𝑚𝑜Τ𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 𝑃 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 + 𝑃 𝑆𝑎𝑛𝑜Τ𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 𝑃 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜
72
Ing William León Velásquez
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
Ing William León Velásquez
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?
Ing William León Velásquez
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
Ing William León Velásquez
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:
Maquina Probabilidad
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
Ing William León Velásquez
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
La probabilidad de que un articulo producido por una máquina específica
sea de primera calidad,
Maquina Probabilidad
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
Ing William León Velásquez
2/10/2019
EJEMPLO 3:
TEOREMA DE BAYES
La probabilidad de que un articulo producido por una máquina específica sea
de primera calidad,
Maquina Probabilidad
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
Ing William León Velásquez
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
Ing William León Velásquez
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
Ing William León Velásquez
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?
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%.
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
Ing William León Velásquez
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
Ing William León Velásquez
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 =
0.5 ∗ 0.20
P 𝐴 𝑖 Τ𝐵 =
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
Ing William León Velásquez
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
b) Probabilidad de que estuviera nevando:
0.3 ∗ 0.10
P 𝐴 𝑖 Τ𝐵 =
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
Ing William León Velásquez
2/10/2019
EJEMPLO 4:
TEOREMA DE BAYES
c) Probabilidad de que hubiera niebla:
0.2 ∗ 0.05
P 𝐴 𝑖 Τ𝐵 =
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
Ing William León Velásquez
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
Ing William León Velásquez
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
Ing William León Velásquez
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
Ing William León Velásquez
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
93
Ing William León Velásquez
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)
P(d) = 94
Ing William León Velásquez
2/10/2019
EJEMPLO 5:
TEOREMA DE BAYES
P(d) =
95
Ing William León Velásquez
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.
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)
[P(C) P(d|C)]
P( C|d) =
[P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)]
98
Ing William León Velásquez
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
casi 14%.
99
Ing William León Velásquez
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%.
100
Ing William León Velásquez
101
FIN
wjleonv@yahoo.com