INSTITUTO TECNOLOGICO CAMPUS CERRO

AZUL

Ingeniería:
Electromecánica
Materia:
Probabilidad y Estadísticas
Semestre: 3
Numero Control:
21500422
Alumna:
✓ Isis Kasteny Hernández
Reyes
Docente:
Zamora Garza Salvador
UNIDAD 2
PROBABILIDAD
Probabilidad de eventos

Espacio muestral

Ocurrencia de eventos

Permutaciones y combinaciones

Diagramas de árbol

Axiomas de probabilidad

Independencia y probabilidad
condicional

Teorema de Bayes.
 Definición:
La probabilidad del evento es la probabilidad de que ocurra un resultado o evento específico. Lo opuesto
de un evento es un no evento. La probabilidad del evento también se conoce como probabilidad
pronosticada. La probabilidad del evento estima la probabilidad de que ocurra un evento, como sacar un
as de un mazo de cartas o producir una pieza no conforme. La probabilidad de un evento varía de 0
(imposible) a 1 (seguro).

Cada ejecución en un experimento se denomina ensayo. Por ejemplo, si lanza una moneda al aire 10 veces
y registra el número de caras, realiza 10 ensayos del experimento. Si los ensayos son independientes e
igual de probables, usted puede estimar la probabilidad del evento dividiendo el número de eventos entre
el número total de ensayos. Por ejemplo, si obtiene 6 caras en 10 lanzamientos de moneda, la
probabilidad estimada del evento (obtener caras) es:

Número de eventos ÷ Número de ensayos = 6 ÷ 10 = 0.6

Una probabilidad de evento acumulada estima la probabilidad de que ocurra un conjunto de eventos (por
ejemplo, la probabilidad de obtener 4 o menos al lanzar un dado, lo cual representa la suma de la
probabilidad de obtener 1, 2, 3 y 4).

Calcular las probabilidades del evento para la regresión logística

binaria:
En la regresión logística binaria, una variable de respuesta solo tiene dos valores posibles, como la
presencia o ausencia de una enfermedad específica. Usted puede ingresar datos de respuesta
binaria en Minitab indicando columnas para el número de eventos y el número de ensayos. La
probabilidad del evento es la probabilidad de que la respuesta para un patrón específico de
factores o covariables sea 1 o un evento (por ejemplo, la probabilidad de que una mujer mayor de 50
años desarrolle diabetes de tipo 2).
Calcular valores que existen en los datos de muestra
Elija Estadísticas > Regresión > Regresión logística binaria > Ajustar modelo logístico
binario.
En Respuesta, ingrese la respuesta. En Predictores continuos, ingrese los términos. En
Predictores categóricos, ingrese los factores.
Haga clic en Almacenamiento y marque Ajustes (probabilidades del evento). Haga clic en
Aceptar en cada cuadro de diálogo.

Calcular valores para nuevas observaciones

Elija Estadísticas > Regresión > Regresión logística binaria > Ajustar modelo logístico
binario.
En Respuesta, ingrese la respuesta. En Predictores continuos, ingrese los términos. En
Predictores categóricos, ingrese los factores. Haga clic en Aceptar.
Elija Estadísticas > Regresión > Regresión logística binaria > Predecir.
Ingrese valores individuales o una columna en la que estén almacenados los valores, para
cada predictor incluido en el modelo.
Haga clic en Aceptar.

Calcular las probabilidades del evento para regresión logística ordinal y

nominal
En la regresión logística ordinal y nominal, una variable de respuesta puede tener tres o más
categorías. La probabilidad del evento es la probabilidad de que un patrón específico de factores
o covariables tenga una categoría específica de respuesta. La probabilidad acumulada de eventos
es la probabilidad de que la respuesta para un patrón específico de factores o covariables esté
en la categoría k o inferior, para cada k posible, donde k es igual a las categorías de respuesta,
1…k.
Calcular valores que existen en los datos de muestra
Elija Estadísticas > Regresión > Regresión logística ordinal o Estadísticas > Regresión >
Regresión logística nominal. Los siguientes pasos son iguales para ambos análisis.
En Respuesta, ingrese la respuesta. En Modelo, ingrese los predictores. En Predictores
categóricos (opcional), ingrese los factores.
Haga clic en Almacenamiento.
En Ingrese el número de eventos, ingrese el número de valores distintos de la variable de
respuesta. A continuación, marque Probabilidades del evento.
Haga clic en Aceptar en cada cuadro de diálogo

Minitab almacena las probabilidades del evento en las siguientes columnas disponibles en la hoja
de trabajo. El nombre predeterminado de las columnas comienza con EPROB, seguido de un
número.
 Calcular valores para nuevas observaciones
Elija Estadísticas > Regresión > Regresión logística ordinal o Estadísticas > Regresión >
Regresión logística nominal. Los siguientes pasos son iguales para ambos análisis.
En Respuesta, ingrese la respuesta. En Modelo, ingrese los predictores. En Predictores
categóricos (opcional), ingrese los factores.
Haga clic en Almacenamiento y marque Coeficientes. Haga clic en Aceptar en cada cuadro
de diálogo.
En la hoja de trabajo, escriba los valores para los cuales desea calcular las probabilidades
del evento en las columnas correspondientes de predictores directamente debajo de los
datos existentes. Debe escribir un valor en la columna de respuesta para cada fila
adicional de datos que ingrese, pero el valor de la respuesta no afectará los resultados.
Elija Estadísticas > Regresión > Regresión logística ordinal o Estadísticas > Regresión >
Regresión logística nominal.
Haga clic en Opciones.
Elija Estimaciones para modelo de validación e ingrese COEF1. Haga clic en Aceptar.
Haga clic en Almacenamiento.
En Ingrese el número de eventos, ingrese el número de valores distintos de la variable de
respuesta.
Marque Probabilidades del evento. Desmarque Coeficientes. Haga clic en Aceptar en cada
cuadro de diálogo.

Minitab almacena las probabilidades del evento en las siguientes columnas disponibles en la hoja
de trabajo. El nombre predeterminado de las columnas comienza con EPROB, seguido de un
número.

Los eventos pueden ser:

Eventos Independientes:
Los eventos pueden ser "independientes", lo que significa que cada evento no se ve afectado por ningún
otro evento.

¡Esta es una idea importante! Una moneda no "sabe" que cayó Cara antes ... cada lanzamiento de una
moneda es una cosa perfectamente aislada.
Eventos dependientes:
Pero los eventos también pueden ser "dependientes" ... lo que significa que pueden verse
afectados por eventos anteriores ...
En la teoría de probabilidades, el espacio muestral o espacio de muestreo (denotado E, S, Ω o U)
consiste en el conjunto de todos los posibles resultados individuales de un experimento
aleatorio. Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo
es el conjunto {(cara, cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Un evento o suceso es
cualquier subconjunto del espacio muestral, llamándose a los sucesos que contengan un único
elemento sucesos elementales. En el ejemplo, el suceso "sacar cara en el primer lanzamiento", o
{(cara, cara), (cara, cruz)}, estaría formado por los sucesos elementales {(cara, cara)} y {(cara,
cruz)}.

TIPOS DE ESPACIO MUESTRAL

Podemos diferenciar entre dos tipos de espacios muestrales: discretos y continuos.
DISCRETOS
Son aquellos espacios donde el número de sucesos elementales es finito o infinito numerable.
Espacio Probabilístico discreto
Hay al menos 2 sucesos elementales que cumplen.
Procesos Estocásticos Finitos Y Diagramas de Árbol
Un proceso estocástico es una sucesión finita de experimentos aleatorios, cada uno de ellos con
un nº finito de resultados posibles. Se representan con diagrama de árbol.
Espacio Probabilístico Infinito Contable
Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo
La probabilidad de que salga cara en la primera tirada ----> ½
La probabilidad de que salga cara en la segunda tirada ---->½ * ½ = 1/4
La probabilidad de que salga cara en la tercera tirada ----> ½ * ½ * ½ = 1/8
CONTINUOS
Son aquellos espacios donde el número de sucesos elementales es infinito incontable.
Espacio probabilístico continuo
Espacio muestral infinito no numerable. -No es posible observar puntos concretos del espacio.
Habitualmente cuando trabajamos con magnitudes físicas.
Particiones
Es posible definir particiones sobre el espacio muestral. Formalmente hablando, una partición
sobre Ω se define como un conjunto numerable. Por ejemplo, en el caso del experimento
aleatorio "lanzar un dado", el espacio muestral del experimento sería: Ω={1,2,3,4,5,6}. Por otro
lado, si cambiamos ligeramente la experiencia pensando en el número resultante de la suma de 2
dados, entonces tenemos 2 espacios muestrales:
Ω={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),...(6,6)} = {1,2,3,4,5,6}x{1,2,3,4,5,6} Ω'={2,3,4,...,12}
La probabilidad de ocurrencia de un determinado suceso podría definirse como la proporción de
veces que ocurriría dicho suceso si se repitiese un experimento o una observación en un número
grande de ocasiones bajo condiciones similares.
Un evento es un subconjunto A del espacio muestral S, es decir, un conjunto de resultados
posibles.
Si el resultado de un experimento es un elemento de A, decimos que el evento A ocurrió.
Un evento que consta de un punto sencillo de S, se denomina con frecuencia de "Evento simple" o
"Evento elemental".
La Unión de 2 eventos es el evento que consta de todos los resultados que están contenidos en
cualquiera de los 2 eventos. La Unión se denota por E1 U E2
La Intersección de 2 eventos es el evento que consta de todos los resultados que están
contenidos en los 2 eventos
La Intersección se denota E1 E2
El complemento de un evento en un espacio muestral es el conjunto de resultados en el espacio
muestral que no está en el evento.
El complemento del evento E se denota por E'.
2.- Enumere los eventos simples
3.- Asigne probabilidades a los eventos simples
4.- Determine la colección de eventos simples contenida en el evento de interés.
5.- Sume las ocurrencias de los eventos simples para obtener la probabilidad de evento
Una permutación es una serie de elementos en un orden específico. Una combinación es una serie
de elementos cuyo orden no es específico. Imagina, por ejemplo, que tres cartas –una J, una
reina y un rey de espadas– están colocadas frente a ti cara hacia abajo. Si eliges dos de estas
cartas, a su vez, existen tres posible combinaciones: J y reina, J y rey, rey y reina. En
contraste, existen seis posibles permutaciones: J y luego reina, reina luego J, J luego rey, rey
luego J, reina luego rey, y rey luego reina.

La Regla 2 se utiliza para calcular probabilidades de permutaciones –de conjunciones o eventos

en un orden particular. Por ejemplo, si lanzas una moneda dos veces, ¿cuál es la probabilidad de
que me salga cara y escudo en ese orden (es decir, cara en el primer tiro y escudo en el
segundo)? Como los tiros son independientes, la Regla 2 nos dice que la respuesta es ½ x ½ = 1/4 .
Esta respuesta puede confirmarse fácilmente contando las permutaciones posibles (cara luego
cara, cada luego escudo, escudo luego cara, escudo luego escudo). Sólo una de estas cuatro
permutaciones (cara luego escudo) es el resultado esperado.

Necesitamos calcular las probabilidades de combinaciones de manera distinta. Por ejemplo, si

lanzas una moneda dos veces, ¿cuál es la probabilidad de que me salda cara y escudo en ese
orden? Existen dos formas de que esto pase. La moneda puede caer o en cara luego escudo, o
escudo luego cara. Estas alternativas son mutuamente excluyentes, así que la probabilidad de
esta disyunción, por la Regla 3, es ¼ + ¼ = ½. Esto puede confirmarse contando dos posibilidades
(cara luego escudo, escudo luego cara) entre cuatro (cara luego cara, cara luego escudo, escudo
luego cara, escudo luego escudo). Otro modo de calcular esta probabilidad es notando que el
primer tiro no importa. Lo que sea que se obtenga en el primer tiro (cara o escudo), lo que se
necesita es el opuesto en el siguiente tiro. Puedes estar seguro de obtener o cara o escudo en el
primer tiro, de modo que la probabilidad es 1. Luego, independientemente de lo que pase en ese
primer tiro, la probabilidad de obtener lo opuesto en el segundo tiro es ½. Estos resultados son
independientes, así que la probabilidad de su conjunción, por la Regla 2, es el producto 1 x ½ = ½.

También podemos utilizar estas reglas para calcular probabilidades de combinaciones sin
independencia. La Regla 2G nos dice que la probabilidad de sacar una A, no regresar esta carta al
mazo y luego sacar un rey es 4/52 x 4/51 = 16/ 2,652. Pero, ¿cuál es la probabilidad de sacar un
A y un rey en cualquier orden? Es la probabilidad de sacar sea una A o un rey y luego sacar el
otro, considerando que se sacó el primero. Esa probabilidad, por la Regla 2, es 8/52 x 4/51 =
52/2,652. La diferencia entre este resultado y el previo, donde el orden fue especificado,
muestra por qué necesitamos determinar si estamos lidiando con combinaciones o permutaciones.

Existen dos maneras de ordenar o combinar resultados de eventos dependientes. Las

permutaciones son agrupaciones en las que importa el orden de los objetos.

Las combinaciones son agrupaciones en las que el contenido importa, pero el orden no.

Eventos Dependientes:

Dos eventos son dependientes si el estado original de la situación cambia de un evento al otro, y
esto altera la probabilidad del segundo evento.

Los eventos dependientes ocurren cuando una acción elimina un resultado posible, y
el resultado no es devuelto antes de que suceda una segunda acción.
A esto se le llama elección sin devolución.

Una forma de saber si eventos son dependientes o independientes es encontrar si un resultado

eliminado es devuelto (haciéndolos independientes) o no devuelto (haciéndolos dependientes).
Aquí hay algunos ejemplos.
 Es una herramienta que se utiliza para determinar todos los posibles resultados de un
experimento aleatorio, en forma de representación gráfica de los posibles resultados del
experimento, el cual consta una serie de pasos, donde cada uno de los pasos tiene un número
finito de maneras de ser llevado a cabo. Se utiliza en los problemas de conteo y probabilidad.

Ventajas

*Exhorta a los integrantes del equipo a ampliar su modo de pensar al crear soluciones.

*Mantiene a todo el equipo vinculado a las metas y submetas generales de una tarea. *Mueve al
equipo de planificación de la teoría al mundo real. Utilidades

*Descomponer cualquier meta general de modo gráfico, en fases u objetivos e incluso posibles
combinaciones.

*Determinar acciones detalladas para alcanzar un objetivo.

¿Como se hace?

Para la construcción de un diagrama en árbol se partirá poniendo una de las posibilidades,

acompañada de su probabilidad.

En el final de cada rama parcial se constituye a su vez un nudo el cual representa el final de
dicho suceso oh experimento
 Axiomas de probabilidad
Los axiomas de probabilidad son proposiciones matemáticas referentes a la teoría de la
probabilidad, que no ameritan demostración. Los axiomas fueron establecidos en 1933 por el
matemático ruso Andrei Kolmogorov (1903-1987) en su obra Fundamentos de la Teoría de la
Probabilidad y sentaron las bases del estudio matemático de la probabilidad.

Al llevar a cabo un cierto experimento aleatorio ξ, el espacio muestral E es el con junto de todos
los resultados posibles del experimento, llamados también eventos. Un evento cualquiera se
denota como A y P(A) es la probabilidad de que ocurra. Entonces Kolmogorov estableció que:

–Axioma 1 (no negatividad): la probabilidad de que ocurra cualquier suceso A siempre es

positiva o cero, P(A) ≥0. Cuando la probabilidad de un suceso es 0, se le llama suceso
imposible.
–Axioma 2 (certidumbre): siempre que algún evento que pertenece a E, su probabilidad
de ocurrencia es 1, lo cual podemos expresar como P(E) = 1. Es lo que se conoce como un
suceso seguro, ya que, al realizar un experimento, con toda certeza hay un resultado.
–Axioma 3 (adición): en el caso de dos o más eventos incompatibles dos a dos, llamados
A1, A2, A3…, la probabilidad de que ocurra el suceso A1 más el A2 más el A3 y así
sucesivamente, es la suma de las probabilidades de que suceda cada uno separadamente.

Esto se expresa como: P(A1 U A2 U A3 U…) = P(A1) + P(A2) + P(A3) +…

La teoría de probabilidad está fundamentada en tan solo tres axiomas, pero antes de entrar en
detalles, es necesario establecer algunas definiciones básicas, así como algunas convenciones en
torno a la simbología que se utiliza en la probabilidad:

Experimento. Es cualquier acción o proceso que genere un resultado u observación. Por ejemplo,
lanzar una moneda al aire es un experimento (un proceso o acción) que puede traer como
resultado una cara o una cruz.

Espacio muestral (S). Se refiere al conjunto de todos los posibles resultados de un

experimento y se denota con el símbolo S. En el ejemplo anterior del lanzamiento de la moneda,
el espacio muestral está formado por el conjunto de solo dos resultados: S={cara, cruz}.

Evento (E). Un evento es un subconjunto del espacio muestral, es decir, cualquier número de
resultados posibles del experimento. Los eventos se suelen identificar con letras mayúsculas y
subíndices (como E1, E2, E3, etc.) o con letras diferentes (A, B, C…). Por ejemplo, que salga cara
al lanzar una moneda es un evento. Que salga cruz es otro evento diferente.
Probabilidad (P): Se trata de un valor numérico que se le asigna a un evento, y que indica el grado
de certeza que se tiene sobre la ocurrencia del mismo. Como regla general, mientras más seguro
se esté de que un evento (por ejemplo, E1) vaya a ocurrir, mayor será el valor de probabilidad
que se le asigne a dicho evento.

Conjuntos

Además de estas definiciones, también es útil recordar algunas operaciones relacionadas con los
conjuntos. La intersección entre dos conjuntos da como resultado un nuevo conjunto con los
elementos comunes a ambos, se denota con el símbolo ∩ y se lee “y”. Por otro lado, la unión entre
dos conjuntos es un nuevo conjunto con todos los elementos comunes y no comunes de ambos, se
representa con el símbolo ∪ y se lee “o”.

Ejemplo:

La expresión P(E1 ∩ E2) se lee “Probabilidad de que ocurra el evento E1 y el evento E2

simultáneamente”

La expresión P(E1 ∪ E2) se lee “Probabilidad de que ocurra el evento E1 o el evento E2“

Axioma 1 de la Probabilidad

El primer axioma de probabilidad dice que, dado un experimento, la probabilidad de que ocurra
un evento cualquiera (E) debe ser un número real no negativo. Esto se expresa formalmente
como:

Primer axioma de la probabilidad

El axioma 1 representa la noción intuitiva de que no tiene sentido hablar de una probabilidad
negativa. También establece como límite inferior la probabilidad cero, la cual se asigna a un
evento imposible. Este último se define formalmente como cualquier resultado (o conjunto de
resultados) que no esté contenido en el espacio muestral del experimento.

Ejemplo:

Al lanzar un dado una sola vez, el espacio muestral estará formado, únicamente, por el conjunto
S={1, 2, 3, 4, 5, 6}. El primer axioma establece que la probabilidad de que salga cualquiera de los
resultados (4, por ejemplo) debe ser un número mayor que cero (P (4)>0). Por otro lado, la
probabilidad de que el resultado sea 7, el cual no forma parte del espacio muestral, es cero
(P(7)=0).

Nótese que el primer axioma no establece la magnitud de la probabilidad de los eventos posibles,
es decir, no establece cuál debe ser la probabilidad de que el lanzamiento del dado dé como
resultado, por ejemplo, 4. Solo especifica que debe ser algún número positivo.
Axioma 2 de la Probabilidad

El segundo axioma de probabilidad dice que, para todo experimento, la probabilidad del espacio
muestral es 1, o, formalmente:

Segundo axioma de la probabilidad

Una forma sencilla de entender el axioma 2 es que la probabilidad de que en el experimento se

obtenga algún resultado, cualquiera que sea, es 1.

Ejemplo:

Como se mencionó anteriormente, al lanzar una moneda solo hay dos posibles resultados: cara o
cruz, así que la probabilidad de que salga cara o cruz, según el axioma 2, es 1.

Si el primer axioma fija el límite inferior de la probabilidad en cero, el segundo axioma establece
su límite superior en 1. Esto se debe a que el espacio muestral es un evento seguro y su
probabilidad debe ser, por lo tanto, la máxima probabilidad posible.

Axioma 3 de la Probabilidad

Si los eventos E1, E2, …, En no tienen resultados en común (su intersección es un conjunto vacío),
se dice que son mutuamente excluyentes, ya que la ocurrencia de uno excluye la ocurrencia del
otro. El tercer axioma establece que la probabilidad de unión de eventos mutuamente
excluyentes es igual a la suma de las probabilidades de cada evento individual. Dicho de otra
forma:

tercer axioma de la probabilidad

Para el caso más sencillo de solo dos eventos mutuamente excluyentes (como en el caso del
lanzamiento de una moneda), el axioma 3 queda así formulado:

tercer axioma de la probabilidad simplificado

Este axioma formaliza la idea de que mientras más resultados posibles haya en un evento, más
probable será. Esto se desprende del hecho de que que la union de dos eventos mutuamente
excluyentes por definición debe contener la suma de todos los resultados en ambos eventos.
Aplicación de los Axiomas

Además de los ejemplos antes mencionados, los tres axiomas se pueden utilizar para construir y
demostrar teoremas útiles en la teoría de la probabilidad. Un ejemplo sencillo consiste en
determinar la relación entre las probabilidades de un evento cualquiera y su complemento.

Si E es un evento cualquiera, entonces su complemento (representado por Ec) se define como el

evento de que ocurra cualquier cosa menos E, o, lo que es lo mismo, que no ocurra E. Esta
definición trae dos consecuencias:

Que E y Ec son mutuamente excluyentes.

La unión entre E y Ec da como resultado el espacio muestral, S (E ∪ Ec = S).

Ya que son mutuamente excluyentes, en base al tercer axioma, se tiene que

aplicación del tercer axioma de probabilidad

Pero como esta unión da como resultado S, entonces

aplicación del tercer axioma de probabilidad

Ahora, aplicando el segundo axioma, esto se convierte en

aplicación del segundo axioma de probabilidad

Que se reordena como:

conclusión de la aplicación de los axiomas de probabilidad

Finalmente, como sabemos del primer axioma que P(Ec) debe ser una cantidad no negativa, se
concluye que la probabilidad de que ocurra un evento cualquiera, siempre será igual a 1 menos la
probabilidad de que el evento no ocurra, y que cualquiera de las dos probabilidades debe tener
un valor en el intervalo [0, 1].
La probabilidad condicional se calcula como el cociente entre la probabilidad conjunta y la
probabilidad marginal del evento impuesto como condición. Si en un área determinada tomamos al
azar un establecimiento agrícola entre aquellos que cultivan soja, la probabilidad de encontrar
que cultiva maíz es una probabilidad condicional. Se trata de la probabilidad de cultive maíz bajo
la condición de que el establecimiento sea uno que cultiva soja. Esta probabilidad toma el valor
de la frecuencia relativa de establecimientos que cultivan maíz entre todos los establecimientos
que cultivan soja en la población formada por todos los establecimientos del área en cuestión.
Dicha frecuencia relativa es igual al cociente entre la frecuencia relativa de establecimientos
que cultivan soja y maíz en toda la población y la frecuencia relativa de los establecimientos que
cultivan soja en toda la población. Como las dos últimas frecuencias relativas corresponden,
respectivamente, a los valores de la probabilidad conjunta de soja y maíz y de la probabilidad
marginal de soja, podemos escribir a la probabilidad condicional como el siguiente cociente:

La probabilidad independencia en Dos eventos A y B son estadísticamente independientes si la

probabilidad condicional de A dado B es igual a su probabilidad condicional dado B C . Si la
probabilidad de que en un establecimiento tomado al azar se cultive maíz difiere según
seleccionemos el establecimiento entre los cultivan soja o entre los que no cultivan soja,
entonces se hace evidente cierta dependencia entre los eventos Maíz y Soja. Esto significa que
podemos identificar a la independencia estadística como la igualdad entre dos probabilidades
condicionales. Si los eventos Maíz y Soja
fueran estadísticamente independientes, se
tendría que cumplir que:
El teorema de Bayes es una proposición que se emplea para calcular la probabilidad condicional
de un suceso y fue desarrollado por el matemático y teólogo británico Thomas Bayes. El principal
objetivo de este teorema es determinar la probabilidad que posee un suceso comparada con la
probabilidad de otro suceso similar, e.
En otras palabras, permite conocer la probabilidad condicional de un evento o suceso
determinado como A dado B, en el que se analiza la distribución de probabilidad del suceso B
dado A.
El teorema de Bayes es muy útil, puesto que aplicándolo de la manera correcta se puede conocer
la probabilidad de que un suceso A pase, teniendo presente lo ocurrido durante el evento B.
Asimismo, existe la probabilidad de que suceda lo contrario, donde ocurra B dado A.
Fue propuesto por Thomas Bayes, un conocido teólogo y matemático inglés del siglo VIII. Bayes
destacó tanto en la teología como en las matemáticas con distintos trabajos, entre los que
destaca este teorema.

Fórmula del teorema de Bayes:

La fórmula de Bayes, también conocida como la regla de Bayes, es un procedimiento propuesto
por el matemático inglés para determinar la probabilidad de un suceso. En la fórmula de Bayes
intervienen 3 probabilidades distintas, las cuales son:

P (Ai), que es la probabilidad que representa a priori de un suceso A.

P (Ai/B), que es la probabilidad que representa a posteriori de un suceso A. Es decir, la
información de lo sucedido en un evento B.
P (B/Ai), que es la probabilidad de un suceso B con base en la información del suceso A.
La fórmula permite calcular la probabilidad condicional P (Ai/B) de los sucesos A dado B.
Ventajas de la aplicación del teorema de Bayes:

Si se ajusta de manera correcta, las ganancias de una empresa aumentarán, ya que se podrá
determinar qué estrategias tienen más posibilidades de ser exitosas.
Se puede analizar la información de forma continua; eso sí, en el caso de que la variabilidad
entre datos esté elevada, entonces es recomendable implementar algunos métodos que
permitan encontrar las mejores soluciones.
Los estudios de decisión se ven beneficiados al aplicar el teorema de Bayes.
Es posible buscar y acumular información de todo tipo para entender y solucionar un
problema.
Debilidades del teorema

La fórmula es muy criticada, puesto que posee algunas limitaciones. Así se le critica que
solamente se puede aplicar si existen sucesos exhaustivos y disjuntos.

Los especialistas en estadística tradicional piensan que el teorema de Bayes no es del todo
exacto, pues creen que las únicas estadísticas correctas son las que están basadas en
experimentos repetibles, más no en condiciones relativas, como es el caso de las estadísticas
obtenidas mediante este teorema.

Aplicaciones del teorema

Este teorema busca determinar las probabilidades de que un suceso ocurra o no, analizando
algunas ocasiones un suceso anterior. Eso quiere decir que se analiza bastante información.

El teorema de Bayes es posible aplicarlo en todo tipo de áreas estudio, como en las inversiones
financieras, puesto que se requiere analizar todo tipo de escenarios, al igual que estudiar los
hechos pasados.

En las empresas, el teorema es eficaz al analizar el proceso productivo, puesto que existe la
opción de mejorarlo y eso se realiza mediante el estudio de las probabilidades. Asimismo, la
publicidad de una empresa es posible analizarla y mejorarla a través de la aplicación del teorema.

La fórmula propuesta por Bayes no se empleó con recurrencia durante el siglo XVIII y XIX,
pues en esa época el teorema no poseía una aplicación clara. Sin embargo, conforme
transcurrieron los años, su uso se empezó a implementar en diferentes ciencias, sobre todo con
los avances tecnológicos.

Importancia del teorema

Es importante porque permite resolver problemas en los que existen una gran variedad de
probabilidades, siendo así fundamental en todas las ciencias, ya que se analizan los sucesos
pasados para determinar las probabilidades de los sucesos del futuro.

Ejemplo del teorema de Bayes

Un ejemplo sencillo del teorema de Bayes es: una persona posee tres cajas con pelotas. En la
caja 1 se encuentran diez pelotas, entre las cuales hay cuatro desinfladas; en la caja 2 están seis
pelotas, entre las cuales hay una desinflada; y en la caja 3 se encuentran ocho pelotas, estando
desinfladas tres. Si una persona recoge una pelota desinflada, ¿cuál sería la probabilidad de que
sea una perteneciente a la caja número 1?

La solución del problema es:

Las cajas se representarán de la siguiente manera:

C1 (Caja 1)

C2 (Caja 2)

C3 (Caja 3)

Por otro lado, las pelotas serán representadas así:

B (Pelotas no desinfladas)

F (Pelotas desinfladas)

De acuerdo al teorema de Bayes, la fórmula sería:

Al reemplazarlo por los datos de las pelotas, la fórmula sería:

Eso quiere decir que la probabilidad de que una persona tome una pelota desinfladas de la caja
número 1 es de 42,5%.

Es la probabilidad de
que ocurra un resultado
o evento específico.
El conjunto de todos los
posibles resultados
individuales de un
experimento aleatorio.
Un experimento o una
observación en un número
grande de ocasiones bajo
condiciones similares.

2.2 Espacio
2.1 Probabilidad muestral 2.3 Ocurrencia
de eventos de eventos

2.5 Teorema de 2.4

Bayes Permutaciones y
combinaciones

Es determinar la
probabilidad que posee un Combinación es una
suceso comparada con la serie de elementos cuyo
probabilidad de otro. orden no es específico.
suceso similar

2.5Diagrama
2.7 Independencia y 2.6Axiomas de de árbol
probabilidad probabilidad
condicional

Representación gráfica de los

Independencia: identificar a
posibles resultados del
la independencia estadística
experimento, el cual consta una
como la igualdad entre dos
serie de pasos, donde cada uno de
probabilidades condicionales.
Son proposiciones los pasos tiene un número finito de
matemáticas referentes a la maneras de ser llevado a cabo.
teoría de la probabilidad, que
Condicional: cociente entre la no ameritan demostración.
probabilidad conjunta y la
probabilidad marginal del evento
impuesto como condición.