Unidad 2 / Escenario 4

Lectura Fundamental

Probabilidad condicional

Contenido

1 Introducción

2 Probabilidad condicional

3 Multiplicación entre eventos

4 Probabilidad total

5 Independencia

6 Regla de Bayes

7 Calculando probabilidades condicionales con el software R

Referencias

Palabras Claves: probabilidad condicional, probabilidad conjunta, probabilidad total, eventos independientes.
1. Introducción

Supongamos que estamos interesados en dos eventos A y B, sin embargo, el evento A depende si sucede B. Por
ejemplo, si un alumno está interesado en pasar un examen (evento A), el tiene dos opciones, estudiar antes del
examen o no estudiar (evento B). Entonces,

• ¿Cuál es la probabilidad de que el alumno apruebe el examen dado que estudio?

• Si el alumno aprueba el examen, ¿cuál es la probabilidad de que no haya estudiado?

• ¿Será que aprobar el examen, es independiente de que el alumno estudie o no?

En está sección los resultados se basan en la definición de probabilidad condicional.

Si el lector desea profundizar se sugiere la lectura de Canavos (1992); Walpole, Myers, Myers, y Ye (2008).

2. Probabilidad condicional

Definición 1 (Probabilidad condicional). Sean A y B dos eventos de un espacio muestral Ω 6= ∅. La probabilidad

condicional del evento A dado el evento B, simbolizado por P (A | B), se define como:

P (A ∩ B)
P (A | B) = , si P (B) > 0 (1)
P (B)

Para entender está definición veamos el siguiente ejemplo.

Ejemplo 1. Suponga que en una empresa hay 100 empleados, de los cuales 30 son mujeres y 70 hombres, Además,
que 55 personas fuman y 45 personas no fuman y se distribuyen como en la tabla 1

Tabla 1: Distribución de los empleados de una empresa

Hombre (H) Mujer (M ) Total
Fuma (F ) 30 25 55
No fuma (F 0 ) 40 5 45
Total 70 30 100
Fuente: Walpole y cols. (2008).

1. Si se saca un individuo al azar, ¿cuál es la probabilidad de que sea mujer?

2. Si se saca un individuo al azar, ¿cuál es la probabilidad de que sea mujer y fume?

3. Si se de todas las mujeres se saca una, ¿cuál es la probabilidad de fume?

30
1. La probabilidad de que sea mujer es de P (M ) = 100 = 0.3. Nótese que para el cálculo, se utilizaron la suma
total de la fila M y se dividió sobre el total. A estás probabilidades que se calculan con los valores al margen
de la tabla, se les llaman probabilidades marginales.

POLITÉCNICO GRANCOLOMBIANO 1
 25
2. La probabilidad de que sea mujer y que fume es de P (M ∩ F ) = 100 = 0.25. Nótese que para el cálculo, tomo
el valor celda el cual intercepta la columna M y la fila F y se dividió sobre el total. A estás probabilidades
se le llama probabilidades conjuntas.

3. La probabilidad de que sea mujer fume de las 30 que hay se calcula utilizando la probabilidad condicional

P (F ∩ M ) 25/100 25
P (F | M ) = = = = 0.8333333
P (M ) 30/100 30

Nótese que la probabilidad condicional no es más que el cociente entre la probabilidad conjunta entre los
eventos F y M , sobre la probabilidad marginal del evento que condiciona que es M .

Ejercicio 1. Cierta empresa construye mesas de madera (M) o de vidrio (V) y se puede adquirir en uno de cuatro
colores: Azul (A), rojo (R), blanco (B) y natural (N). A continuación se tiene los resultados de una muestra de
100 ventas.

Tabla 2: Distribución de mesas segun su color y material

Mesas Azul Rojo Blanco Natural
Madera 13 13 14 10
Vidrio 15 12 12 11
Fuente: Walpole y cols. (2008).

1. Calcule e interprete las siguientes probabilidades P (R), P (M ), P (R ∩ M ).

2. Calcule e interprete las siguientes probabilidades P (R | M ), P (M | R).

3. Calcule e interprete las siguientes probabilidades P (V | A), P (V | A0 ).

Ejemplo 2. Se encuestaron ciertos habitantes de Bogotá con el propósito de determinar la probabilidad de leer los
periódicos de Tiempo y el Espectador. Los resultados de la encuesta fueron los siguientes: 20 % de los encuestados
leen el Tiempo, el 16 % de los encuestados leen el Espectador y un 1 % lee ambos periódicos. Si se selecciona al
azar a un lector de el Espectador, ¿cuál es la probabilidad de que también lea el Tiempo?
Tenemos que P (T iempo) = 0.2, P (Espectador) = 0.16 y P (T iempo ∩ Espectador) = 0.01. Dado que las personas
que se encuestaron ya leen el espectador, entonces estamos interesados en calcular la siguiente probabilidad:

P (T iempo ∩ Espectador) 0.01

P (T iempo | Espectador) = = = 0.0625
P (Espectador) 0.16

3. Multiplicación entre eventos

Teorema 1 (Multiplicación entre dos eventos). Si A y B son dos eventos de un espacio muestral Ω 6= ∅ y si
P (A ∩ B) > 0, entonces

P (A ∩ B) = P (A)P (B | A) o por simetrı́a P (A ∩ B) = P (B)P (A | B) (2)

Demostración. Si de la ecuación (1), despejamos la probabilidad conjunta de P (A ∩ B) nos da como resultado la

probabilidad de la multiplicación entre dos eventos.

POLITÉCNICO GRANCOLOMBIANO 2
Ejemplo 3. Supongase que una caja tiene 10 bolas, de las cuales 3 están defectuosas. Se sacan 2 bolas, una detrás
de la otra y sin reemplazo. ¿Cuál es la probabilidad de sacar una bola defectuosa seguida de otra defectuosa?
Sea A el evento en el que “la primera bola sacada está defectuosa” y B el evento en el que “la segunda bola sacada
está defectuosa”. Nos piden calcular P (A ∩ B). Inicialmente hay 3 bolas defectuosas de las 10 bolas, por lo que se
3
tiene que P (A) = 10 . Como se ha sacado 1 bola defectuosa, quedan 2 defectuosas de 9 bolas, por lo que se tiene
2
que P (B | A) = 9 . Por lo anterior, utilizando la definición de multiplicación entre dos eventos se tiene que
3 2
P (A ∩ B) = P (A)P (B | A) = × = 0.066
10 9
Cuando un experimento consta de varias etapas sucesivas se tiene lo siguiente:
Teorema 2 (Multiplicación entre n eventos). Si A1 , . . . , An son eventos de un espacio muestral Ω 6= ∅ y si
P (A1 ∩ · · · ∩ An ) > 0, entonces
P (A1 ∩ · · · ∩ An ) = P (A1 ) · P (A2 | A1 ) · P (A3 | A1 ∩ A2 ) · · · P (An | A1 ∩ · · · ∩ An−1 ) (3)

Como se observa, en el teorema anterior se ha considerado que A1 es el evento que sucede primero, luego A2 , luego
A3 , y ası́ sucesivamente hasta el evento final An .
Ejemplo 4. Una caja contiene 6 bolas rojas, 4 blancas y 5 azules. Halle la probabilidad de que se extraiga en el
orden roja, blanca y azul si las bolas

1. Se reemplazan.
2. No se reemplazan.

Sea R el evento en el que “la primera bola sea roja”, B el evento en el que “la segunda bola sea blanca” y
A el evento en el que “la tercera bola sea azul”. Nos piden calcular P (R ∩ B ∩ A). Aplicando la definición de
multiplicación entre n eventos se tiene que
P (R ∩ B ∩ A) = P (R) · P (B | R) · P (A | R ∩ B)
En total hay 6 + 4 + 5 = 15 bolas.

1. Si los eventos se reemplazan, entonces el número de bolas no cambian en cada extracción por lo que la
probabilidad queda definida ası́
6 4 5 120
P (R ∩ B ∩ A) = × × = = 0.03555556
15 15 15 3375
2. Si los eventos no se reemplazan, entonces el número de bolas cambian en cada extracción por lo que la
probabilidad queda definida ası́
6 4 5 120
P (R ∩ B ∩ A) = × × = = 0.04395604
15 14 13 2730

4. Probabilidad total

Teorema 3 (Probabilidad total). Si los eventos A1 , A2 , . . . , An forman una partición del espacio muestral Ω 6= ∅
y si P (Ai ) > 0, ∀i = 1, . . . , n, entonces para cada evento B de Ω se tiene que
P (B) = P (A1 )P (B | A1 ) + P (A2 )P (B | A2 ) + · · · + P (An )P (B | An ) (4)

POLITÉCNICO GRANCOLOMBIANO 3
 Figura 1: Partición del espacio muestral Ω
Fuente: Anderson, Sweeney, y Williams (2008).

Demostración. Para entender este teorema observe la Figura 1. Nótese que el evento B es la unión de los eventos
mutuamente excluyente Ai para todo i = 1, . . . n. Es decir,

B = (A1 ∩ B) ∪ (A2 ∩ B) ∪ · · · (An ∩ B)

Dado que los eventos son excluyentes entonces se tiene que

P (B) = P ((A1 ∩ B) ∪ (A2 ∩ B) ∪ · · · ∪ (An ∩ B))

= P (A1 ∩ B) + P (A2 ∩ B) + · · · + P (An ∩ B)

Ahora, según la ecuación (2), para cada i-ésimo evento se puede escribir como P (Ai ∩ B) = P (Ai )P (B | Ai ) y por
lo tanto, el resultado anterior se puede reescribir de la siguiente manera:

P (B) = P (A1 )P (B | A1 ) + P (A2 )P (B | A2 ) + · · · + P (An )P (B | An )

Hay que tener presente que los eventos Ai , son los primeros eventos que se dan inicialmente y hacen que se
particione el espacio muestral Ω. El evento B se da como la unión de los eventos Ai .
Ejemplo 5. En un curso de Estadı́stica el 80 % de los estudiantes estudian para el examen de final. El 70 % de
aquellos que estudian aprueban el examen, mientras que el 10 % de los que no estudiaron aprobaron el examen.
¿Cuál es la probabilidad de que un estudiante apruebe el examen?
Tengamos presente que el primer evento que sucede es que el estudiante se prepare para el examen, por lo que
definimos el evento E=“El estudiante estudie”. Por lo que las probabilidades iniciales son de P (E) = 0.8 y
P (E 0 ) = 1 − 0.8 = 0.2. Definamos también el evento A=“Apruebe el examen”, por lo que tenemos,

P (A | E) = 0.7 P (A | E 0 ) = 0.1

donde A | E es el evento de que el estudiante apruebe dado que estudio y A | E 0 es el evento de que el estudiante
apruebe dado que no estudio. Nos piden calcular la probabilidad de que apruebe el examen, es decir, P (A).
Utilizando la definición de probabilidad total, tenemos que

P (A) = P (E)P (A | E) + P (E 0 )P (A | E 0 ) = 0.8 × 0.7 + 0.2 × 0.1 = 0.56 + 0.02 = 0.58

POLITÉCNICO GRANCOLOMBIANO 4
 Figura 2: Ejemplo de diagrama de árbol de probabilidades
Fuente: Anderson y cols. (2008).

En la Figura 2, se pueden observar los cálculos y las probabilidades del ejemplo. En cada una de las ramas, del
diagrama de árbol, aparecen las probabilidades de cada evento. Nótese que en primer lugar, el evento que sucede es
que el estudiante estudie o no estudie y en segundo lugar, aparece los eventos condicionados. Al final, aparecen las
probabilidades de la multiplicación donde notamos que la probabilidad de que apruebe y estudie es la más alta y
tiene un valor de 0.56. Si observamos, el resultado de las multiplicaciones, no son más que la multiplicación de las
probabilidades de cada rama.

5. Independencia

La idea de independencia, es que si se tiene uno de los dos eventos A y B, no implica que el otro evento se pueda
dar. Por ejemplo, si alumno le gusta el fútbol, no implica que sea porque lee constantemente la sección deportiva.
Para entender como se calcula la independencia en probabilidad tengamos en cuenta la siguiente definición:
Definición 2 (Independencia). Sea dos eventos A y B de un espacio muestral Ω 6= ∅. Se dice que son independientes
si
P (A | B) = P (A)
Es decir, que el evento A es independiente de B si la probabilidad condicional de A, no se ve afectada por la
ocurrencia de B.
Ejemplo 6. Supongamos que un estudiante la probabilidad de que un estudiante apruebe matemáticas es de
P (M ) = 0.5, de que apruebe estadı́stica es de P (E) = 0.6 y de que apruebe ambas es de P (M ∩ E) = 0.4.
Determine si los eventos son independientes.
Por la definición de probabilidad condicional tenemos que:
P (M ∩ E) 0.4
P (E | M ) = = = 0.8
P (M ) 0.5
Ya que P (E | M ) = 0.8, no es igual que P (E) = 0.6, encontramos que los eventos de que apruebe matemáticas y
Estadı́stica no son independientes.
Ejemplo 7. Considere el lanzamiento de un dado y defina los siguientes eventos A = {2, 4, 6} y B = {1, 2, 3, 4}.
Tenemos que
2
P (A ∩ B) 1 1
P (A | B) = = 64 = P (A) =
P (B) 6
2 2

POLITÉCNICO GRANCOLOMBIANO 5
Ya que P (A | B) = 0.5, es igual que P (A) = 0.5, entonces, encontramos que los eventos son independientes.

Teorema 4 (Multiplicación entre dos eventos dependientes). Dos eventos eventos A y B de un espacio muestral
Ω 6= ∅ son independientes si
P (A ∩ B) = P (A) · P (B)

Demostración. Recordando la definición de probabilidad condicional y utilizando la definición de independencia

tenemos lo siguiente:

P (A ∩ B)
P (A | B) =
P (B)
P (A ∩ B)
P (A) =
P (B)
P (A ∩ B) = P (A) · P (B)

Ejemplo 8. Retomando el ejemplo de del estudiante cuya probabilidad que aprueba matemáticas es de P (M ) =
0.5, de que apruebe estadı́stica es de P (E) = 0.6 y de que apruebe ambas es de P (M ∩ E) = 0.4, encontramos que

P (E) · P (M ) = 0.6 × 0.4 = 0.24

Es decir, que los enventos A y B son dependientes, ya que P (A ∩ B) 6= P (A) · P (B).

Ejemplo 9. En cierta universidad se encuentran separados los trabajadores en administrativos y docentes. La

siguiente tabla indica el número de empleados en cada área por sexo:

Tabla 3: Distribución de personal en una universidad

Hombres (H) Mujeres (M)
Administrativos (A) 32 24
Docentes (D) 16 12
Fuente: Llinas y Rojas (2006).

Determine si las mujeres son independientes de los trabajadores administrativos.

Calculando las siguientes probabilidades tenemos lo siguiente
28 1 36 3 12 1
P (A) = = P (M ) = = P (A ∩ M ) = =
84 3 84 7 84 7
Encontramos que P (A) · P (M ) = 13 · 73 = 17 , por lo que las mujeres son independientes de los trabajadores
administrativos ya que P (A ∩ M ) = P (A) · P (M ).

Ejercicio 2. A continuación se deja una tanda de ejercicios y se recomienda la lectura. Se recomienda lectura de
Ross (2007), Llinas y Rojas (2006).

1. Un fabricante de una vacuna para la gripe se interesa en la calidad de su suero. Tres departamentos diferentes
procesan los lotes de suero y tienen tasas de rechazo de 0.10, 0.08 y 0.12, respectivamente. Las inspecciones
de los tres departamentos son secuenciales e independientes.

a) ¿Cuál es la probabilidad de que un lote de suero sobreviva a la primera inspección departamental, pero
sea rechazado por el segundo departamento?

POLITÉCNICO GRANCOLOMBIANO 6
 Tabla 4: Distribución de la muestra de factores para el ingreso a la maestria
Calidad de Costo de
la escuela la escuela Otras
Tiempo completo 421 393 76
Medio Tiempo 400 593 46
Fuente: Llinas y Rojas (2006).

b) ¿Cuál es la probabilidad de que un lote de suero sea rechazado por el tercer departamento?

2. Una muestra de estudiantes de la maestrı́a en administración de negocios, arrojó la siguiente información

sobre la principal razón que tuvieron los estudiantes para elegir la escuela en donde hacen sus estudios

a) Si es un estudiante de tiempo completo, ¿cuál es la probabilidad de que la principal razón para su

elección de la escuela haya sido la calidad de la escuela?
b) Si es un estudiante de medio tiempo, ¿cuál es la probabilidad de que la principal razón para su elección
de la escuela haya sido la calidad de la escuela?

3. En 1970, 11 % de los estadounidenses completaron cuatro años de universidad, de los cuales 43 % eran
mujeres. En 1990, 22 % de los estadounidenses completaron cuatro años de universidad, de los cuales 53 %
fueron mujeres. (Time, 19 de enero de 1996.)

a) Dado que una persona completó cuatro años de universidad en 1970, ?’cuál es la probabilidad de que
la persona sea mujer?
b) ¿’Cuál es la probabilidad de que una mujer terminara cuatro años de universidad en 1990?
c) ¿’Cuál es la probabilidad de que en 1990 un hombre no haya terminado la universidad?

4. En un equipo de fútbol se analiza el rendimiento de los tres jugadores más importantes, A, B y C; que luego
de media temporada pueden encontrarse lesionados. La probabilidad de que esto ocurra para cada uno de
ellos es 0.47, 0.45 y 0.40 respectivamente. Se sabe además que la probabilidad de encontrar A o B lesionados
es de 0.22; la probabilidad de encontrar solamente A y B lesionados es el 0.12; la probabilidad de encontrar
B lesionado, pero no C es de 0.27 y la probabilidad de encontrar solamente lesionado a A es de 0.20.

a) ¿Cuál es la probabilidad de encontrar a A lesionado, sabiendo que B lo está?

b) ¿La probabilidad de encontrar a A y B lesionados, sabiendo que C lo está?
c) ¿La probabilidad de encontrar a A lesionado, sabiendo que lo están B y C?
d ) ¿La probabilidad de encontrar a A y B lesionados, sabiendo que hay por lo menos uno de los tres
lesionado?

6. Regla de Bayes

Teorema 5 (Regla de Bayes). Sea A1 , A2 , . . . , An una partición muestral de Ω. Entonces, para cada evento B con
P (B) > 0 y ∀i = 1, . . . , n, se tiene

P (Ai )P (B | Ai )
P (Ai | B) = (5)
P (A1 )P (B | A1 ) + P (A2 )P (B | A2 ) + · · · + P (An )P (B | An )

POLITÉCNICO GRANCOLOMBIANO 7
Demostración. Recordemos que la probabilidad condicional de Ai | B da lo siguiente:
P (Ai ∩ B)
P (Ai | B) =
P (B)
Expresando la probabilidad conjunta P (Ai | B) como la multiplicación entre dos eventos (Ecuación (2)) se tiene
lo siguiente:
P (Ai )P (B | Ai )
P (Ai | B) =
P (B)
Expresando la probabilidad total de P (B) como en la ecuación (4) se tiene lo siguiente:
P (Ai )P (B | Ai )
P (Ai | B) =
P (A1 )P (B | A1 ) + P (A2 )P (B | A2 ) + · · · + P (An )P (B | An )

La Regla de Bayes fue planteado por el filosofo Thomas Bayes (1702-1761). Para entender este teorema, suponga que
estamos interesados en la probabilidad de ocurrencia del evento Ai , a está probabilidad la llamaremos probabilidad
a priori. Sin embargo, cuando se consigue información adicional (por ejemplo que el evento B ocurra) entonces, la
probabilidad de Ai queda condicionada por el hecho de que ocurra B, a está probabilidad se le llama probabilidad
a posteriori.
Ejemplo 10. Retomando el ejemplo anterior, supongamos que a un alumno le entregaron el examen final y con
sorpresa lo aprobó. Si fue ası́, ¿Cuál es la probabilidad de que el estudiante haya estudiando para el examen?
Nos piden determinar P (E | A). Utilizando la ecuación (5), tenemos lo siguiente:
P (E)P (A | E) 0.8 × 0.7 0.56 0.56
P (E | A) = 0 0
= = = = 0.9655
P (E)P (A | E) + P (E )P (A | E ) 0.8 × 0.7 + 0.2 × 0.1 0.56 + 0.02 0.58
Es decir, que la probabilidad de que un estudiante haya estudiado dado que aprobó el examen es de 0.9655.
Ejemplo 11. En una empresa, el 30 % de los empleados son provenientes de la región caribe, 45 % de la región
andina, y 25 % de la región pacı́fico. De los empleados de la región caribe, 35 % son mujeres. De la región andina,
40 %, y de la región pacı́fica, 70 %. Si se selecciona al azar una mujer, ¿cuál es la probabilidad de que sea de la
región caribe?
Sea los eventos Car=“Trabajador de la región caribe”, And=“Trabajador de la región andina”, Pac=“Trabajador
de la región pacı́fica” y M=“Trabajadora mujer”.
Para ayudarnos, con éste ejemplo, tendremos en cuenta las probabilidades a priori que conocemos que en esté caso
son las siguientes:
P (Car) = 0.30 P (And) = 0.45 P (P ac) = 0.25
A continuación se cuenta con las probabilidades de la nueva información la cual se describe a continuación:

P (M | Car) = 0.35 P (M | And) = 0.4 P (M | P ac) = 0.7

Como nos piden calcular P (Car | M ), entonces, teniendo en cuenta la información anterior, calculamos la proba-
bilidad a posteriori utilizando la ecuación (5)
P (Car)P (M | Car)
P (Car | M ) =
P (Car)P (M | Car) + P (And)P (M | And) + P (P ac)P (M | P ac)
0.30 × 0.35 0.105 0.105
= = = = 0.2283
0.30 × 0.35 + 0.45 × 0.4 + 0.25 × 0.7 0.105 + 0.18 + 0.175 0.46
Es decir, la probabilidad de que una persona seleccionada sea de la región caribe, dado que es mujer es de 0.2283.

POLITÉCNICO GRANCOLOMBIANO 8
Ejercicio 3. A continuación se deja una tanda de ejercicios para que el alumno practique pueda afinazar el
conocimiento adquirido. Se recomienda lectura de libros como el de Blanco Castañeda (2010), Montgomery y
Runger (2003), Llinas y Rojas (2006), Walpole y cols. (2008).

1. La policı́a planea hacer cumplir los lı́mites de velocidad usando un sistema de radar en 4 diferentes puntos
dentro de la ciudad. Las trampas de radar en cada uno de los sitios L1 , L2 , L3 y L4 operan 40, 30, 20 y 30 %
del tiempo, y si una persona maneja a gran velocidad cuando va a su trabajo tiene las probabilidades de 0.2,
0.1, 0.5 y 0.2, respectivamente, de pasar por esos lugares.

a) ¿Cuál es la probabilidad de que reciba una multa por conducir con exceso de velocidad?
b) Si la persona es multada por conducir con exceso de velocidad en su camino al trabajo, ¿cuál es la
probabilidad de que halla pasado por el sistema de radar que se ubica en L3 ?

2. Una empresa de consultorı́a presenta una oferta para un gran proyecto de investigación. El director de la
firma piensa inicialmente que tiene 50 % de posibilidades de obtener el proyecto. Sin embargo, más tarde, el
organismo al que se le hizo la oferta pide más información sobre la oferta. Por experiencia se sabe que en
75 % de las ofertas aceptadas y en 40 % de las ofertas no aceptadas, este organismo solicita más información.

a) ¿Cuál es la probabilidad de que se solicite más información dado que la oferta será finalmente aceptada?
b) ¿Cuál es la probabilidad de que la oferta sea aceptada dado que se solicitó más información?

3. Una cadena de tiendas de pintura produce y vende pintura látex y semiesmaltada. Con base en las ventas
de largo plazo, la probabilidad de que un cliente compre pintura látex es 0.75. De los que compran pintura
de látex, 60 % también compran rodillos. Pero 30 % de los compradores de pintura semiesmaltada compran
rodillos. Un comprador que se selecciona al azar compra un rodillo y una lata de pintura. ¿Cuál es la
probabilidad de que sea pintura semiesmaltada?

7. Calculando probabilidades condicionales con el software R

Al igual que en el escenario anterior estudiaremos, como podemos calcular probabilidad condicionales utilizando
R. Para ello utilizaremos la base de datos iris del paquete datasets del programa R Core Team (2017).
Esta base consiste en diferentes mediciones de 50 flores de 3 especies de iris. Las especies son: Iris setosa, versicolor
y virginica. Para ello, se miden en centı́metros la longitud y ancho del sépalo y longitud y ancho del pétalo,
respectivamente.

1. Si se selecciona una flor virginica ¿Cuál es la probabilidad de que la longitud del petalo sea mayor de 5 cms?
Inicialmente cargamos la base de datos

library(datasets)
db <- iris
head(db)

## Sepal.Length Sepal.Width Petal.Length Petal.Width Species

## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa

POLITÉCNICO GRANCOLOMBIANO 9
 ## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa

summary(db)

## Sepal.Length Sepal.Width Petal.Length Petal.Width

## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
##

Filtramos la base de datos por aquellas flores que son virginicas

# Flores que son virginicas

db.virginica <- subset(db,db$Species == "virginica")
nrow(db.virginica)

## [1] 50

Ahora de la base anterior, determinamos cuantas de estás tienen una longitud del petalo mayor de 5 cms.

# Flores que son virginicas mayores de 5 cms

A <- subset(db.virginica,db.virginica$Petal.Length > 5)
nrow(A)

## [1] 41

Ahora calculando la probabilidad tenemos que

# Probabilidad de que dada una flor virginica, está sea mayor de 5 cms
nrow(A)/nrow(db.virginica)

## [1] 0.82

Por lo tanto, la probablidad de que dada una una flor virginica, está sea mayor de 5 cms es 41/50=0.82.
2. Si se selecciona una flor que tenga un ancho de sepalo mayor de 3.5 cms¿Cuál es la probabilidad de que sea
setosa?
Filtramos la base de datos por aquellas flores que tengan un ancho de sepalo mayor de 3.5 cms

POLITÉCNICO GRANCOLOMBIANO 10
# Flores cuyo sepalo sea mayor de 3.5 cms
db.sepalo35 <- subset(db,db$Sepal.Width > 3.5)
nrow(db.sepalo35)

## [1] 19

Ahora de la base anterior, determinamos cuantas son setosa.

# Flores cuyo sepalo sea mayor de 3.5 cms y son setosa

B <- subset(db.sepalo35,db.sepalo35$Species == "setosa")
nrow(B)

## [1] 16

Ahora calculando la probabilidad tenemos que

# Probabilidad de que dada cuyo sepalo es mayor de 3.5 cms, está sea setosa
nrow(B)/nrow(db.sepalo35)

## [1] 0.8421053

Por lo tanto, la probabilidad de que dada cuyo sepalo es mayor de 3.5 cms, está sea setosa es 16/19=0.8421053.

POLITÉCNICO GRANCOLOMBIANO 11
Referencias

Anderson, D. R., Sweeney, D. J., y Williams, T. A. (2008). Estadı́stica para administración y economı́a (10.a ed.).
México: Cengage.
Blanco Castañeda, L. (2010). Probabilidad. Bogotá: Universidad Nacional de Colombia.
Canavos, G. C. (1992). Probabilidad y estadı́stica. Aplicaciones y métodos. México: McGraw-Hill.
Llinas, H., y Rojas, C. (2006). Estadı́stica descriptiva y distribuciones de probabilidad. Barranquilla: Ediciones
Uninorte.
Montgomery, D. C., y Runger, G. C. (2003). Applied statistics and probability for engineers (Third ed.). Jhon
Wiley & Sons.
R Core Team. (2017). R: A language and environment for statistical computing [Manual de software informático].
Vienna, Austria. Descargado de https://www.R-project.org/
Ross, S. M. (2007). Introducción a la estadı́stica. Barcelona: Editorial Reverté.
Walpole, R. E., Myers, R. H., Myers, S. L., y Ye, K. (2008). Probabilidad y estadı́stica para ingenierı́a y ciencias.
México: Pearson.

POLITÉCNICO GRANCOLOMBIANO 12
 INFORMACIÓN TÉCNICA

M´odulo: Probabilidad
Unidad 2: Probabilidad

Escenario 4: Probabilidad condicional

Autor: Alex Johann Zambrano Carbonell

Asesor Pedagógico: Diana Marcela Dı́az Salcedo

Diseñador Gráfico: Jully Andrea Guzman
Corrector de estilo: Jaime Posada
Asistente: Gina Quiroga

Este material pertenece al Politécnico Grancolombiano.

Por ende, es de uso exclusivo de las Instituciones
adscritas a la Red Ilumno. Prohibida su reproducción
total o parcial.

POLITÉCNICO GRANCOLOMBIANO 13