Teorema de Bayes

El teorema de Bayes es un método muy útil para calcular probabilidades de una

partición, una vez que se conozca un suceso concreto ya ha ocurrido. Se llaman
probabilidades iniciales o probabilidades a priori a las probabilidades P ( A j ) de los
sucesos que forman las particiones del espacio muestral.

Fórmula
Con base en la definición de probabilidad condicionada se obtiene la Fórmula de
Bayes, también conocida como Regla de Bayes:

P(A|B) =P(B|A)P(A)P(B)

Esta fórmula nos permite calcular la probabilidad condicional  de cualquiera de los

eventos dado. La fórmula  «ha originado muchas especulaciones filosóficas y
controversias»

Ejemplos
En una piscifactoría hay un tipo de especie pez que puede tener tres colores distintos.
Los peces de color verde representan el 20% del total, los de color azul el 50% y el
resto son de color rojo. Dentro de cada tipo de color hay peces macho y peces
hembra. La proporción de machos verdes es del 60% frente a las hembras verdes. La
proporción de hembras azules es del 85% frente a los machos azules. Hay la misma
proporción de hembras rojas que de machos verdes. Si pescamos un pez y vemos que
es macho, ¿qué probabilidad hay de que sea verde?
Solución:
En primer lugar, asignamos probabilidades:

 Probabilidad peces verdes: P(V)=0,2.

 Probabilidad peces azules: P(A)=0,5.
 Probabilidad peces rojos: P (R)=0,3.
 Probabilidad macho de color verde: (M|V) =0,6.
 Probabilidad hembra de color verde: (H|V) =0,4.
 Probabilidad macho de color azul: (M|A) =0,15.
 Probabilidad hembra de color azul: (H|A) =0,85.
 Probabilidad macho de color rojo: (M|R) =0,5.
 Probabilidad hembra de color rojo: P(H|R) =0,5.

Sabemos que hemos cogido un macho, así que vamos a calcular la probabilidad
total de elegir un macho:
P (M) =P(V)·P(M|V)+P(A)·P(M|A)+P(R)·P(M|R)==0,2·0,6+0,5·0,15+0,3·0,5=0,345
Queremos calcular la probabilidad de que el pez que hemos cogido sea verde,
condicionado con que ya sabemos que es macho P(V|M).
Aplicando el teorema de Bayes, llegamos a:
P (V|M) =P (V) ·P (M|V) / P (M) =0,2·0,60,345=0,348=34,8
Por tanto, hay un 34,8% de probabilidades de que, al coger un macho, este sea verde.

2.  El   de los empleados de una empresa son ingenieros y otro   son
economistas. El   de los ingenieros ocupan un puesto directivo y el   
de los economistas también, mientras que los no ingenieros y los no
economistas solamente el   ocupa un puesto directivo. ¿Cuál es la
probabilidad de que un empleado directivo elegido al azar sea ingeniero?

Solución: Considere los siguientes eventos y sus probabilidades:

  "Los empleados son ingenieros" 

  "Los empleados son economistas" 
  "Los empleados tienen otra carrera"

Además, considere el evento   "el empleado ocupa un puesto directivo". El

ejercicio nos da también las siguientes probabilidades:

  

Estamos interesados en conocer  , es decir, la probabilidad de que

un empleado sea ingeniero dado que a priori sabemos que es directivo.
Siguiendo la fórmula de Bayes tenemos que
  

3.  La probabilidad de que haya un accidente en una fábrica que dispone de

alarma es  . La probabilidad de que suene esta sí se ha producido algún
incidente es de   y la probabilidad de que suene si no ha sucedido ningún
incidente es  . En el supuesto de que haya funcionado la alarma, ¿cuál es
la probabilidad de que no haya habido ningún incidente?

Solución: Considere los siguientes eventos y sus probabilidades:

  "Se produce un incidente"

  "No se produce un incidente"

Además, considere el evento   "Suena la alarma" y el evento   "No suena

la alarma". El ejercicio nos da también las siguientes probabilidades:

  

Estamos interesados en conocer  , es decir, la probabilidad de que no

haya ocurrido ningún incidente dado que ha sonado la alarma. Siguiendo la
fórmula de Bayes tenemos que

  
Variable aleatorias
Se denomina variable aleatoria (o estocástica) a la función que adjudica eventos
posibles a números reales (cifras), cuyos valores se miden en experimentos de tipo
aleatorio. Estos valores posibles representan los resultados de experimentos que
todavía no se llevaron a cabo o cantidades inciertas.
[X: FX(t) = P(X ≤ t) para todo t

EJEMPLO 1
Se lanza una moneda.
S = (C, S).
Sea X = (Número de caras).
Esta función asigna los siguientes valores a los elementos del espacio muestral:
- Si es cara, w = C, entonces, X(w) = 1.

-Si es sello, w = S, entonces, X(w) = 0.

Por lo tanto, la variable aleatoria X toma los valores:

(0, 1)
EJEMPLO 2.

Se lanza un dado.

S= (1,2,3,4,5,6).

X = (Número de la cara superior del dado)

Es decir, X(w)=w, entonces X es una variable aleatoria. El dominio y el rango de X es el

conjunto {1,2,3,4,5,6).

EJEMPLO 3. Se lanzan dos monedas.

S= (CC, CS,SC, SS).

X = (Número de caras}

Esta función asigna los siguientes valores a los elementos del espacio muestral:

Si w = CC, entonces, X(w) = 2.

Si w = CS, entonces, X(w) = 1.

Si w = SC, entonces, X(w) = 1.

Si w = SS, entonces. X(w) = 0.

Por lo tanto, la variable aleatoria X

Distribución binomial:

La distribución binomial se utiliza cuando se tienen dos resultados posibles, generalmente

etiquetados como éxito y fracaso, y se realiza un número fijo de ensayos independientes, cada
uno con la misma probabilidad de éxito. Esta distribución es adecuada para modelar eventos
discretos y cuenta el número de éxitos en un número específico de ensayos.
La función de probabilidad de la distribución binomial se puede calcular utilizando la fórmula:

P(X=k) = C(n,k) * p^k * (1-p)^(n-k)

Donde:

- P(X=k) es la probabilidad de obtener exactamente k éxitos en n ensayos.

- C(n,k) es el coeficiente binomial, que representa el número de formas posibles de elegir k

elementos de un conjunto de n elementos.

- p es la probabilidad de éxito en un solo ensayo.

- (1-p) es la probabilidad de fracaso en un solo ensayo.

- n es el número total de ensayos.

A continuación tres ejemplos de situaciones que pueden modelarse utilizando la distribución

binomial:

1. Lanzamiento de una moneda: Supongamos que lanzas una moneda justa 10 veces y quieres
determinar la probabilidad de obtener exactamente 6 caras. Cada lanzamiento es
independiente y tiene dos resultados posibles: cara (éxito) o cruz (fracaso). En este caso, se
puede aplicar la distribución binomial con n = 10 ensayos, p = 0.5 (probabilidad de éxito en
cada lanzamiento) y encontrar la probabilidad de obtener 6 caras.

2. Prueba de elección múltiple: Imagina que tienes una prueba de elección múltiple con 5
preguntas, cada una con 4 opciones de respuesta. Supongamos que adivinas todas las
respuestas. Quieres calcular la probabilidad de obtener exactamente 3 respuestas correctas.
En este caso, puedes modelar cada pregunta como un ensayo independiente con una
probabilidad de éxito de 1/4 (probabilidad de adivinar la respuesta correcta) y utilizar la
distribución binomial con n = 5 ensayos y p = 1/4 para calcular la probabilidad deseada.

3. Éxito en ventas: Supongamos que tienes una tienda en línea y observas que la tasa de
conversión de visitantes a compradores es del 10%. Deseas determinar la probabilidad de que
en un día dado, de los 100 visitantes que llegan a tu sitio web, exactamente 15 realicen una
compra. Cada visita se considera un ensayo independiente con una probabilidad de éxito del
10%. Utilizando la distribución binomial con n = 100 ensayos y p = 0.1, puedes calcular la
probabilidad de que exactamente 15 visitantes realicen una compra.

Distribución de Poisson:
La distribución de Poisson se utiliza para modelar eventos discretos que ocurren en un
intervalo continuo o en un espacio continuo, como el número de eventos por unidad de
tiempo o de área. Es adecuada para situaciones donde los eventos ocurren de manera
aleatoria e independiente a una tasa promedio conocida.

La función de probabilidad de la distribución de Poisson se puede calcular utilizando la

fórmula:

P(X=k) = (e^(-λ) * λ^k) / k!

Donde:

- P(X=k) es la probabilidad de que ocurran exactamente k eventos en un intervalo dado.

- λ es el parámetro de la distribución, que representa la tasa promedio de ocurrencia de

eventos.

- e es la base del logaritmo natural (~2.71828).

- k! es el factorial de k.

A continuación tres ejemplos de situaciones que pueden modelarse utilizando la distribución

de Poisson:

1. Llamadas telefónicas: Supongamos que en una línea de atención al cliente recibes, en

promedio, 5 llamadas por minuto. Deseas calcular la probabilidad de recibir exactamente 8
llamadas en un intervalo de 2 minutos utilizando la distribución de Poisson. En este caso,
puedes utilizar el parámetro λ = 5 (tasa promedio de llamadas por minuto) y calcular la
probabilidad de que ocurran exactamente 8 llamadas en un intervalo de 2 minutos.

2. Accidentes de tráfico: En una intersección particular, se registran, en promedio, 2 accidentes

de tráfico por semana. Quieres determinar la probabilidad de que ocurran exactamente 4
accidentes en un período de 10 días utilizando la distribución de Poisson. Puedes utilizar el
parámetro λ = 2 (tasa promedio de accidentes por semana) y calcular la probabilidad de que
ocurran exactamente 4 accidentes en un período de 10 días.

3. Errores de impresión: En una máquina de impresión, se produce, en promedio, 3 errores por

hora. Quieres calcular la probabilidad de que ocurran exactamente 2 errores en un lapso de 30
minutos utilizando la distribución de Poisson. Utilizando el parámetro λ = 1.5 (tasa promedio
de errores por media hora), puedes calcular la probabilidad de que ocurran exactamente 2
errores en ese período.