Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lectura Escenario 4 PDF
Lectura Escenario 4 PDF
Lectura Fundamental
Probabilidad condicional
Contenido
1 Introducción
2 Probabilidad condicional
4 Probabilidad total
5 Independencia
6 Regla de Bayes
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,
2. Probabilidad condicional
P (A ∩ B)
P (A | B) = , si P (B) > 0 (1)
P (B)
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
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.
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:
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
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,
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:
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
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)
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
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?
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.
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:
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?
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)
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)
## [1] 50
Ahora de la base anterior, determinamos cuantas de estás tienen una longitud del petalo mayor de 5 cms.
## [1] 41
# 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
## [1] 16
# 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
POLITÉCNICO GRANCOLOMBIANO 13