COORDINACIÓN ACADÉMICA Y DE INVESTIGACIÓN

División de Ciencias Exactas,

Ingeniería y Tecnología

Lic. en Enseñanza de las matemáticas

2° Semestre

Módulo 4
Probabilidad y Estadística
Actividad 7. ¿Qué tan probable es que suceda?

NOMBRE DEL ESTUDIANTE: Jorge Alberto González Farfán

GRUPO: EM-EMPE-2002-B2-001
Docente en línea: Lic. Gerardo Garduño Rosas
Módulo 4

Introducción
De acuerdo a Christen (2013), en 1763 se publicó el artículo An essay towards solving a
problem in the doctrine of chances, (Un ensayo hacia la solución de problemas en la disciplina
del azar) escrito por el reverendo Thomas Bayes (1701-1761). En dicho artículo, Bayes presentó
una sencilla demostración de la teoría de la probabilidad cuyas consecuencias difícilmente podía
prever. Con esa demostración, Bayes estableció los principios de la estadística bayesiana, la cual
después cayó en el olvido y fue marginada por muchos años, hasta su resurgimiento y utilización
para resolver todo tipo de problemas, desde la interpretación de mensajes en la Segunda Guerra
Mundial hasta la actual decodificación del material genético.

Bayes ya había muerto cuando su famoso artículo fue enviado por su amigo Richard Price
a la revista Philosophical Transactions. Algunos estudiosos todavía debaten si Price únicamente
envió el artículo o también tuvo alguna intervención como autor.

El de Bayes es un teorema válido del "cálculo de probabilidades", lo que hoy llamamos

"Teoría Matemática de la Probabilidad" (TMP). Este teorema también es conocido como teorema
de la Probabilidad Inversa, pues explica cómo obtener la probabilidad de un evento A dada la
información B calculándola al revés, esto es, estableciendo la probabilidad a priori del evento A,
y la probabilidad de que hubiese ocurrido el evento B dado el evento A.

Con las herramientas y la elaboración de la TMP actuales el teorema de Bayes es muy

sencillo de probar. De hecho, Bayes probó una versión particular que se ha generalizado a
espacios abstractos usando medidas de probabilidad. En términos de la TMP, la historia del
teorema de Bayes básicamente termina ahí, en un teorema sencillo. Pero como es de uso común
en la TMP hasta nuestros días, Bayes también quiso "interpretar" el teorema, es decir, explicarlo
en términos de una posible interpretación de la teoría.

Pongamos un ejemplo: ¿Cuál es la probabilidad P de que mañana martes llueva en la

ciudad de Guanajuato? La "lluvia de mañana martes en la ciudad de Guanajuato" es el evento A.
Lo que sabemos del evento, la información que obtengamos, como los datos meteorológicos
actuales y pasados (del pasado inmediato y mediato), la humedad, el clima regional, etcétera, se
representan con B. La propuesta de Bayes es calcular cuál es la probabilidad de que llueva
mañana martes dada la información de B. Eso es hacer estadística: tenemos unos datos, y dado
que tenemos esos datos queremos calcular la probabilidad de algún evento. Con esto Bayes
fundó una manera de hacer estadística que ahora llamamos estadística bayesiana.

Supongamos que los meteorólogos le asignan al evento A una probabilidad de 5%. Pero,
¿qué quiere decir eso? En otras áreas de estadística, en la estadística frecuentista, eso se
interpreta en términos de muestras repetidas. Se dice: "Si tomas muchas muestras del evento A,
el porcentaje tal de los casos caerá en tal o cual intervalo". Pero este problema, el de la lluvia, no
podemos tomar la muestra porque sólo hay un "mañana martes" único e irrepetible. Sólo de
ciertos aspectos podemos tomar datos y pensar que podemos repetir una muestra. El argumento
frecuentista se aplica en esos casos, pero en éste, ¿qué quiere decir que la probabilidad de que
llueva mañana es del 5%?

UnADM | DCEIT | EM | 2
Módulo 4

La teoría Bayesiana establece, ese número (la probabilidad) no representa una

frecuencia, sino que es una medida de lo que conocemos nosotros, una medida de nuestra
incertidumbre y de nuestra certeza. Si al evento "llueve mañana martes en la ciudad de
Guanajuato" le asignamos una probabilidad de 5% dados los datos que tenemos, lo que significa
es que "nosotros" tenemos más o menos la certeza de que no va a llover mañana, porque es muy
poco probable. Entonces lo que mide la estadística bayesiana es la certidumbre y la
incertidumbre, la seguridad de quien está esperando el evento, y no solamente "propiedades" del
evento en sí. Esto significa también que la probabilidad es una opinión que se puede volver una
apuesta. Es una opinión de un "agente" que puede ser una persona o, en nuestro ejemplo, el
Sistema Meteorológico Nacional. Esto es, la probabilidad se refiere a un agente acerca de un
evento, lo que el agente sabe acerca del evento.

La teoría bayesiana fue desarrollada en el siglo XX al axiomatizar sus principios con los
trabajos de Finetti, Ramsey y Savage, y posteriormente con su fundamentación filosófica, dentro
de la epistemología moderna. La idea fundamental, sugerida originalmente por Keynes, es
interpretar a la probabilidad como un "grado de conocimiento", no como una frecuencia. Esto fue
formalizado al identificar los grados de incertidumbre como un sistema de apuestas, justo para
un "agente" que establece la probabilidad a priori de A, las condiciones B dado que ocurre el
evento A, y finalmente calcula la probabilidad P de que ocurra el evento A dada la información B.

La publicación del artículo de Bayes, a sus 250 años, nos da un ejemplo contundente de
como una idea simple, pero auténtica y fundamentalmente diferente, puede ser seminal y
cimentar el desarrollo de toda una disciplina y escuela de pensamiento, como lo es la estadística
bayesiana moderna. Sin duda es uno de los artículos fundamentales de la estadística y un evento
a celebrar en el Año Internacional de la Estadística.

UnADM | DCEIT | EM | 3
Módulo 4

DESARROLLO

Actividad 7. ¿Qué tan probable es que suceda?

LOGROS
 Calcula probabilidad condicional
 Aplica teorema de Bayes
 Distingue variables aleatorias en situaciones de probabilidades y estadísticas

REFLEXION
¿Crees que ganen un juego de azar, dependiendo del número de veces que has jugado?

No, cada evento aleatorio es independiente de lo que ha ocurrido en el pasado.

SECUENCIA DE LA ACTIVIDAD
1. Resuelve los siguientes ejercicios de acuerdo a lo propuesto en esta semana.

a) En un colegio, la probabilidad de que un alumno consuma doritos nachos es de 62 %, la

probabilidad de que consuma doritos incógnita es de 72 % y la probabilidad de que consuma
doritos nachos e incógnita es de 52 %. Calcular la probabilidad de que un alumno consuma
doritos nachos, dado que consume incógnita.

El diagrama correspondiente a la situación se muestra a continuación:

Los datos que se tiene son:

𝑃(𝐷𝑁) = 0.62
𝑃(𝐷𝐼) = 0.72
𝑃(𝐷𝑁 ∩ 𝐷𝐼) = 0.52

Por lo tanto, la probabilidad de consumir 𝐷𝑁 dado que se consumen 𝐷𝐼 se calcula con la

fórmula:

UnADM | DCEIT | EM | 4
Módulo 4

𝑃(𝐷𝑁 ∩ 𝐷𝐼) 0.52

𝑃(𝐷𝑁|𝐷𝐼) = = = 0.72̅ ∴ 72. 2̅%
𝑃(𝐷𝐼) 0.72

b) En una fábrica, se elaboran 2000 camisas de marcas. A partir de la tabla calcular:

BUENAS DEFECTUOSAS TOTAL

NIKE 752 186 938

JORDAN 862 200 1062
TOTAL 1614 386 2000

a) La probabilidad de que una camiseta seleccionada al azar este defectuosa

De la tabla se obtienen las siguientes probabilidades:

938 469
𝑃(𝑁𝐼𝐾𝐸) = =
2000 1000

1062 531
𝑃(𝐽𝑂𝑅𝐷𝐴𝑁) = =
2000 1000

752 376
𝑃(𝐵𝑈𝐸𝑁𝐴|𝑁𝐼𝐾𝐸) = =
938 469

186 93
𝑃(𝐷𝐸𝐹𝐸𝐶𝑇𝑈𝑂𝑆𝐴|𝑁𝐼𝐾𝐸) = =
938 469

862 431
𝑃(𝐵𝑈𝐸𝑁𝐴|𝐽𝑂𝑅𝐷𝐴𝑁) = =
1062 531

200 100
𝑃(𝐷𝐸𝐹𝐸𝐶𝑇𝑈𝑂𝑆𝐴|𝐽𝑂𝑅𝐷𝐴𝑁) = =
1062 531

Se muestra a continuación el diagrama de árbol correspondiente con las probabilidades

ya calculadas:

UnADM | DCEIT | EM | 5
Módulo 4

A continuación, se sustentan los resultados de las probabilidades finales que se muestran

en este diagrama:

469 376 376 47

𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐵𝑢𝑒𝑛𝑎 = ( )( )= =
1000 469 1000 125

469 93 93
𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 = ( )( )=
1000 469 1000

531 431 431

𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝐽𝑜𝑟𝑑𝑎𝑛 𝐵𝑢𝑒𝑛𝑎 = ( )( )=
1000 531 1000

531 100 100 1

𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝐽𝑜𝑟𝑑𝑎𝑛 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 = ( )( )= =
1000 531 1000 10

Para calcular la probabilidad de que una camisa elegida al azar resulte defectuosa, se
suman las probabilidades de 𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 y 𝐶𝑎𝑚𝑖𝑠𝑎 𝐽𝑜𝑟𝑑𝑎𝑛 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎,
como se muestra a continuación:

𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 = 𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 + 𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝐽𝑜𝑟𝑑𝑎𝑛 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎

93 1 193
𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎 = + = = 0.193 ∴ 19.3%
1000 10 1000

UnADM | DCEIT | EM | 6
Módulo 4

b) La probabilidad de que una camisa seleccionada al azar sea Niké.

Para calcular la probabilidad de que una camisa elegida al azar resulte ser Nike, se suman
las probabilidades de 𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐵𝑢𝑒𝑛𝑎 y 𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎, como se
muestra a continuación:

𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 = 𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐵𝑢𝑒𝑛𝑎 + 𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎

47 93 469
𝑃𝐶𝑎𝑚𝑖𝑠𝑎 𝑁𝑖𝑘𝑒 = + = = 0.469 ∴ 46.9%
125 1000 1000

Lo cual corresponde con la probabilidad antes calculada con los datos originales de la tabla
de datos:

938 469
𝑃(𝑁𝐼𝐾𝐸) = = = 0.469 ∴ 46.9%
2000 1000

c) Si una persona compra una camisa Niké, ¿Cuál es la probabilidad de que este defectuosa?

El enunciado se puede interpretar como “Calcula la probabilidad de que una camisa sea
defectuosa si se sabe que es Nike”; es decir se busca calcular la probabilidad:

𝑃(𝐷𝐸𝐹𝐸𝐶𝑇𝑈𝑂𝑆𝐴|𝑁𝐼𝐾𝐸)

La cual ya fue calculada anteriormente con los datos de la tabla de datos:

186 93
𝑃(𝐷𝐸𝐹𝐸𝐶𝑇𝑈𝑂𝑆𝐴|𝑁𝐼𝐾𝐸) = = = 0.1982942431 ∴ 19.82942431%
938 469

d) Si una persona compra una camisa Jordán, ¿Cuál es la probabilidad de que salga
defectuosa?

El enunciado se puede interpretar como “Calcula la probabilidad de que una camisa sea
defectuosa si se sabe que es Jordan”; es decir se busca calcular la probabilidad:

𝑃(𝐷𝐸𝐹𝐸𝐶𝑇𝑈𝑂𝑆𝐴|𝐽𝑂𝑅𝐷𝐴𝑁)

La cual ya fue calculada anteriormente con los datos de la tabla de datos:

200 100
𝑃(𝐷𝐸𝐹𝐸𝐶𝑇𝑈𝑂𝑆𝐴|𝐽𝑂𝑅𝐷𝐴𝑁) = = = 0.1883239171 ∴ 18.83239171%
1062 531

UnADM | DCEIT | EM | 7
Módulo 4

c) En la ciudad de España el 28 % de los habitantes tiene un perro como mascota, el 45 % tiene

un gato y el 16% tiene gato y perro.
Se toma al azar a un habitante de esta ciudad, el cual tiene un gato ¿Cuál es la probabilidad
de que tenga un perro?

Con los datos del enunciado se construye el siguiente diagrama:

Los datos que se tiene son:

𝑃(𝑃𝑒𝑟𝑟𝑜) = 0.28
𝑃(𝐺𝑎𝑡𝑜) = 0.45
𝑃(𝑃𝑒𝑟𝑟𝑜 ∩ 𝐺𝑎𝑡𝑜) = 0.16

Por lo tanto, la probabilidad de tener 𝑃𝑒𝑟𝑟𝑜 dado que se tiene 𝐺𝑎𝑡𝑜 se calcula con la fórmula:
𝑃(𝑃𝑒𝑟𝑟𝑜 ∩ 𝐺𝑎𝑡𝑜) 0.16
𝑃(𝑃𝑒𝑟𝑟𝑜|𝐺𝑎𝑡𝑜) = = = 0.35̅ ∴ 35. 5̅%
𝑃(𝐺𝑎𝑡𝑜) 0.45

d) De acuerdo con la siguiente tabla realiza con el teorema de bayes.

Empleado Desempleado Total
Hombre 642 250 892
Mujer 692 136 828
Total 1334 386 1720
a) Si se selecciona una persona al azar ¿ Cual probabilidad de que la persona elegida sea
hombre, dado que tiene empleo?.

De la tabla se obtienen las siguientes probabilidades:

892 223
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒) = =
1720 430

828 207
𝑃(𝑀𝑢𝑗𝑒𝑟) = =
1720 430

UnADM | DCEIT | EM | 8
Módulo 4

642 321
𝑃(𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝐻𝑜𝑚𝑏𝑟𝑒) = =
892 446

250 125
𝑃(𝐷𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝐻𝑜𝑚𝑏𝑟𝑒) = =
892 446

692 173
𝑃(𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝑀𝑢𝑗𝑒𝑟) = =
828 207

136 34
𝑃(𝐷𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝑀𝑢𝑗𝑒𝑟) = =
828 207

Se muestra a continuación el diagrama de árbol correspondiente con las probabilidades

ya calculadas:

A continuación, se sustentan los resultados de las probabilidades finales que se muestran

en este diagrama:

223 321 321

𝑃𝐻𝑜𝑚𝑏𝑟𝑒 𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜 = ( )( )=
430 446 860

223 125 25
𝑃𝐻𝑜𝑚𝑏𝑟𝑒 𝐷𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜 = ( )( )=
430 446 172

207 173 173

𝑃𝑀𝑢𝑗𝑒𝑟 𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑎 = ( )( )=
430 207 430

207 34 17
𝑃𝑀𝑢𝑗𝑒𝑟 𝐷𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎 = ( )( )=
430 207 215

UnADM | DCEIT | EM | 9
Módulo 4

Por lo tanto, para calcular la probabilidad de que al elegir a alguien al azar sea 𝐻𝑜𝑚𝑏𝑟𝑒
dado que es 𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜 se tiene la fórmula:

𝑃(𝐻𝑜𝑚𝑏𝑟𝑒) ∙ 𝑃(𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝐻𝑜𝑚𝑏𝑟𝑒)
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒|𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜) =
𝑃(𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜)

𝑃(𝐻𝑜𝑚𝑏𝑟𝑒) ∙ 𝑃(𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝐻𝑜𝑚𝑏𝑟𝑒)
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒|𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜) =
𝑃𝐻𝑜𝑚𝑏𝑟𝑒 𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜 + 𝑃𝑀𝑢𝑗𝑒𝑟 𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑎

223 321 321

(430) (446)
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒|𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜) = = 860 = 321 = 0.48125937
321 173 667 667
+
860 430 860
∴ 48.125937%

b) ¿Cuál es la probabilidad de que la persona elegida sea hombre?

Para calcular esta probabilidad se tiene la fórmula:

321 25 223
𝑃𝐻𝑜𝑚𝑏𝑟𝑒 = 𝑃𝐻𝑜𝑚𝑏𝑟𝑒 𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜 + 𝑃𝐻𝑜𝑚𝑏𝑟𝑒 𝐷𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜 = + =
860 172 430

Lo cual corresponde con la probabilidad antes calculada con los datos originales de la tabla
de datos:

892 223
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒) = = = 0.518604651 ∴ 51.8604651%
1720 430

c) Dado que la persona elegida es hombre ¿cuál es la probabilidad de que tenga empleo?

El enunciado se puede interpretar como “Calcula la probabilidad de que la persona elegida

sea 𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑎 si se sabe que es 𝐻𝑜𝑚𝑏𝑟𝑒”; es decir se busca calcular la probabilidad:

𝑃(𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝐻𝑜𝑚𝑏𝑟𝑒)

La cual ya fue calculada anteriormente con los datos de la tabla de datos:

642 321
𝑃(𝐸𝑚𝑝𝑙𝑒𝑎𝑑𝑜|𝐻𝑜𝑚𝑏𝑟𝑒) = = = 0.719730941 ∴ 71.9730941%
892 446

e) La probabilidad de que haya un accidente en una fábrica de automóviles que dispone de una
alarma es de 0.2. La probabilidad de que esta suene si se ha producido algún accidente es de
0.86 y la probabilidad de que suene si no ha sucedido ningún incidente es de 0.05.

UnADM | DCEIT | EM | 10
Módulo 4

Dado que no hay una pregunta clara en este inciso, se escriben las probabilidades a partir de
los datos del enunciado:

𝑃(𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 0.2

De esta probabilidad se entiende que la probabilidad de que no haya un accidente es:

𝑃(𝑁𝑜 𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 0.8

El caso de que suene si hay accidente se escribe:

𝑃(𝑆𝑢𝑒𝑛𝑒|𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 0.86

De esta probabilidad se entiende que la probabilidad de que no suene si hay accidente es:
𝑃(𝑁𝑜 𝑆𝑢𝑒𝑛𝑒|𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 0.14

El caso de que suene si no hay accidente se escribe:

𝑃(𝑆𝑢𝑒𝑛𝑒|𝑁𝑜 𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 0.05

De esta probabilidad se entiende que la probabilidad de que no suene si no hay accidente es:
𝑃(𝑁𝑜 𝑆𝑢𝑒𝑛𝑒|𝑁𝑜 𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 0.95

Se muestra a continuación el diagrama de árbol correspondiente con las probabilidades ya

calculadas:

A continuación, se sustentan los resultados de las probabilidades finales que se muestran

en este diagrama:

UnADM | DCEIT | EM | 11
Módulo 4

𝑃𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒−𝑆𝑢𝑒𝑛𝑎 = (0.2)(0.86) = 0.172

𝑃𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒−𝑁𝑜 𝑆𝑢𝑒𝑛𝑎 = (0.2)(0.14) = 0.028

𝑃𝑁𝑜 𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒−𝑆𝑢𝑒𝑛𝑎 = (0.8)(0.05) = 0.04

𝑃𝑁𝑜 𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒−𝑁𝑜 𝑆𝑢𝑒𝑛𝑎 = (0.8)(0.95) = 0.76

f) Tenemos cuatro urnas: A con 5 bolas rojas y 6 negras, B con 3 bolas rojas y 4 negras, C con 7
bolas rojas y 6 bolas negras y D con 3 bolas rojas y 4 bolas negras. ¿Cuál es la probabilidad de
haber sido extraída de la urna A?

Se construye una tabla de datos con la información del enunciado:

URNA ROJAS NEGRAS TOTAL

A 5 6 11
B 3 4 7
C 7 6 13
D 3 4 7
TOTAL 18 20 38

Para la probabilidad de que una bola haya sido extraída de la urna A, se tiene:

11
𝑃(𝐴) = = 0.289473684 ∴ 28.9473684%
38

UnADM | DCEIT | EM | 12
Módulo 4

CONCLUSIÓN

El teorema de Bayes, nos permite calcular la probabilidad de que ocurra un evento, a partir de
valores conocidos de otras probabilidades relacionadas al evento.

El teorema de Bayes lo encontramos de dos formas diferentes, en su forma simple y en su forma

extendida.

𝑃(𝐴) ∙ 𝑃(𝐵|𝐴)
𝑃(𝐴|𝐵) =
𝑃(𝐵)

Donde:

𝐴 y 𝐵 son eventos, y además: 𝑃(𝐵) ≠ 0.

𝑃(𝐴|𝐵): es la probabilidad de que ocurra 𝐴, dado que ha ocurrido 𝐵.
𝑃(𝐵|𝐴): es la probabilidad de que ocurra 𝐵, dado que ha ocurrido 𝐴.
𝑃(𝐴): es la probabilidad de que ocurra 𝐴.
𝑃(𝐵): es la probabilidad de que ocurra 𝐵.

El teorema expresa la probabilidad de que ocurra el evento 𝐴, dado que ha ocurrido 𝐵, en función
de la probabilidad de que ocurra 𝐵 dado que ha ocurrido 𝐴, de la probabilidad de 𝐴 y de la
probabilidad de 𝐵.

En la práctica tiene muchísimas aplicaciones, por ejemplo, conociendo la probabilidad de que una
persona tenga fiebre dado que tiene gripe, nos permite calcular la probabilidad de que una
persona que tiene gripe, dado que tiene fiebre. Tiene, además, aplicaciones importantísimas en
la detección del cáncer y otras enfermedades.

Para la forma extendida del teorema de Bayes, sean 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 eventos

mutuamente excluyentes y exhaustivos, con 𝑃(𝐴𝑖 ) ≠ 0 para cualquier 𝐴𝑖 . Sea 𝐵 cualquier
evento con 𝑃(𝐵) ≠ 0, entonces:

𝑃(𝐴𝑖 ) ∙ 𝑃(𝐵|𝐴𝑖 )
𝑃(𝐴𝑖 |𝐵) = 𝑛
∑𝑗=1 𝑃(𝐴𝑗 ) ∙ 𝑃(𝐵|𝐴𝑗 )

UnADM | DCEIT | EM | 13
Módulo 4

BIBLIOGRAFÍA

Anderson, D., Sweeney, D. y Williams, T. (2005). Estadística para administración y economía (8.ª
ed.). México: Thomson. Recuperado el 19 de octubre de 2020 de:
https://www.upg.mx/wp-content/uploads/2015/10/LIBRO-13-Estadistica-para-administracion-y-
economia.pdf

Christen, J. A. (2013). Teorema de Bayes: un resultado sencillo y un fundamento para hacer

Estadística. México: Centro de Investigación en Matemáticas A. C. Recuperado el 19 de octubre
de 2020 de http://www.estadistica2013cimat.mx/bayes

UnADM | DCEIT | EM | 14