Análisis de Datos I

Unidad 2: Probabilidad

Clase: Leyes de Probabilidad y Teorema de Bayes

I Semestre de 2022

27 de enero de 2014
 Unidad 2

Introducción y Definiciones Básicas

Experimento, Espacio muestral, eventos, etc.

Notación y Operación entre conjuntos

Definición axiomática de probabilidad

Técnicas de conteo

Probabilidad condicional, Independencia de eventos

Axiomas de probabilidad, Eventos mutuamente excluyentes, Eventos independientes

Ley de la probabilidad total y Teorema de Bayes

27 de enero de 2014
 Unidad 2

Probabilidad condicional, Independencia de eventos

Axiomas de probabilidad, Eventos mutuamente excluyentes, Eventos independientes

Ley de la probabilidad total y Teorema de Bayes

27 de enero de 2014
 Probabilidad condicional

La probabilidad condicional de un evento es la probabilidad (la

frecuencia relativa de ocurrencia) del evento, dado el hecho
de que uno o mas eventos ya han ocurrido.

Ejemplo: Un dado balanceado se lanza una vez. Hallar la

probabilidad de observar un 1, dado que se observó un número
impar.
27 de enero de 2014
 Probabilidad condicional
Ejemplo: Suponga que un espacio muestral S es la población de
adultos en una pequeña ciudad. Se clasifican según su genero y
situación laboral, así:

Uno de estos individuos se selecciona al azar para que realice un

viaje a través del país para promover las ventajas de establecer
industrias nuevas en la ciudad, nos interesamos en los eventos
siguientes:

27 de enero de 2014
 Probabilidad condicional
Solución:

27 de enero de 2014
 Independencia de eventos

Aunque la probabilidad condicional tienen en cuenta la alteración de

la probabilidad de un evento a la luz de material adicional, también
nos permite entender mejor el muy importante concepto de
independencia o, en el contexto actual, de eventos independientes.

27 de enero de 2014
Leyes de la probabilidad

27 de enero de 2014
 Leyes de la probabilidad

Ejemplo:

Solución:

27 de enero de 2014
Leyes de la probabilidad

27 de enero de 2014
 Leyes de la probabilidad
Ejemplo:

Solución:

27 de enero de 2014
 Leyes de la probabilidad

Prueba
S

A A ∩ B B

27 de enero de 2014
 Leyes de la probabilidad

Análogamente para tres eventos A, B y C,

P(A U B U C) = P(A) + P(B) + P(C) – P(A ∩ B) – P(A ∩ C)
– P(B ∩ C) + P(A ∩ B ∩ C )

27 de enero de 2014
 Leyes de la probabilidad

Ejemplo: Un ingeniero recién egresado, después de tener entrevistas

en dos compañías donde desea trabajar, evalúa la probabilidad que
tiene de lograr una oferta de empleo en la compañía A como 0.8, y la
probabilidad de obtenerla de la compañía B como 0.6.
Si por otro lado, considera que la probabilidad de que reciba
ofertas de ambas compañías es 0.5, ¿ Cuál es la Pr de recibir al
menos una oferta?

Solución: Con la regla aditiva se tiene:

P(A U B) = P(A) + P(B) – P(A ∩ B) = 0.8 + 0.6 – 0.5 = 0.9

27 de enero de 2014
 Leyes de la probabilidad

Si A y B son mutuamente excluyentes, entonces

P(A U B) = P(A) + P(B)

• Si A y B son mutuamente excluyentes, entonces

A ∩ B =  y entonces
 P(A ∩ B) = P(f) = 0.
En general se tiene:

Si A1, A2, …, An son mutuamente excluyentes,

entonces
P(A1 U A2 U … U An) = P(A1) + P(A2) + … + P(An)
27 de enero de 2014
 Leyes de la probabilidad

Ejemplo:

Solución:

27 de enero de 2014
 Leyes de la probabilidad

• Una colección de eventos {A1, A2, … An} de un

espacio muestral S se denomina una partición de S
si A1, A2, …, An son mutuamente excluyentes y
A1 U A2 U … U An = S. Por lo tanto se tiene:

Si A1, A2, …, An es una partición de un espacio

muestral S, entonces
P(A1 U A2 U … U An) = P(A1) + P(A2) + … + P(An) = P(S) = 1

27 de enero de 2014
 Leyes de la probabilidad
• A menudo es más difícil calcular la probabilidad de que ocurra
un evento que calcular la probabilidad de que el evento no
ocurra.
• Si este es el caso para algún evento A, simplemente
encontramos primero P(A’) y, después, con el Teorema,
encontramos P(A) por sustracción.

Prueba: Como A U A’ = S y los conjuntos A y A’ son disjuntos,

entonces 1 = P(S) = P(A U A’) = P(A) + P(A’)

27 de enero de 2014
 Leyes de la probabilidad

Ejemplo:

Solución:

27 de enero de 2014
Cálculo de probabilidad de un evento

27 de enero de 2014
 La probabilidad de que funcione cada planta es 0.90 (son independientes)

T1 T2 T3 T4

Evento T → El agua es tratada exitosamente entre 1 y 2.

Evento T’ → El agua no es tratada exitosamente entre 1 y 2 (complemento de T).

𝑃 𝑇′ = 1 − 𝑃(𝑇) → Complementos
La planta de tratamiento funciona si T1 , T2, T3 y T4 funcionan (intersección)
𝑃 𝑇 = 𝑃 𝑇1 ∩ 𝑇2 ∩ 𝑇3 ∩ 𝑇4 = 𝑃(𝑇1 ) ∙ 𝑃(𝑇2 ) ∙ 𝑃(𝑇3 ) ∙ 𝑃 𝑇4 → Ley multiplicativa eventos independientes

27 de enero de 2014
 La probabilidad de que funcione cada planta es 0.90 (son independientes)

T1

T1 funciona si A o B funcionan, o ambos (unión)

𝑃 𝑇1 = 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∩ 𝐵 → Ley aditiva para eventos independientes
𝑃 𝐴 ∩ 𝐵 = 𝑃(𝐴) ∙ 𝑃(𝐵) → Ley multiplicativa para eventos independientes
𝑃 𝐴 = 0.9; 𝑃 𝐵 = 0.9
0.99
𝑃 𝑇1 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∙ 𝑃 𝐵 = 0.9 + 0.9 − 0.92 = 0.99

27 de enero de 2014
 La probabilidad de que funcione cada planta es 0.90 (son independientes)

T2

T2 funciona si (C ∩ D) ∪ (E ∪ F) funciona

𝑃 𝑇2 = 𝑃 𝐶 ∩ 𝐷 ∪ 𝐸 ∪ 𝐹 =𝑃 𝐶∩𝐷 +𝑃 𝐸∪𝐹 −𝑃 𝐶∩𝐷 ∩ 𝐸∪𝐹

𝑃 𝐶 ∩ 𝐷 = 𝑃 𝐶 ∙ 𝑃 𝐷 = 0.92 = 0.81
𝑃 𝐸 ∪ 𝐹 = 𝑃 𝐸 + 𝑃 𝐹 − 𝑃 𝐸 ∩ 𝐹 = 𝑃 𝐸 + 𝑃 𝐹 − 𝑃 𝐸 ∙ 𝑃 𝐹 = 0.9 + 0.9 − 0.92 = 0.99

𝑃 𝐶∩𝐷 ∩ 𝐸∪𝐹 = 𝑃 𝐶 ∩ 𝐷 ∙ 𝑃 𝐸 ∪ 𝐹 = 0.81 ∙ 0.99 = 0.8019

0.9981
𝑃 𝑇2 = 0.81 + 0.99 − 0.8019 = 0.9981

27 de enero de 2014
 La probabilidad de que funcione cada planta es 0.90 (son independientes)

T3

T3 funciona si (G ∪ H ∪ I) funciona
𝑃 𝑇3 = 𝑃 𝐺 ∪ 𝐻 ∪ 𝐼 = 𝑃 𝐺 + 𝑃 𝐻 + 𝑃 𝐼 − 𝑃 𝐺 ∩ 𝐻 − 𝑃 𝐺 ∩ 𝐼 − 𝑃 𝐻 ∩ 𝐼 + 𝑃 𝐺 ∩ 𝐻 ∩ 𝐼 → Ley aditiva
𝑃 𝐺 ∩ 𝐻 = 𝑃 𝐺 ∙ 𝑃 𝐻 = 0.92 = 0.81 → Ley multiplicativa eventos independientes
𝑃 𝐺 ∩ 𝐼 = 𝑃 𝐺 ∙ 𝑃 𝐼 = 0.92 = 0.81
𝑃 𝐻 ∩ 𝐼 = 𝑃 𝐻 ∙ 𝑃 𝐼 = 0.92 = 0.81
𝑃 𝐺 ∩ 𝐻 ∩ 𝐼 = 𝑃 𝐺 ∙ 𝑃 𝐻 ∙ 𝑃 𝐼 = 0.93 = 0.729 → Ley multiplicativa eventos independientes
0.999
𝑃 𝑇3 = 0.9 + 0.9 + 0.9 − 0.81 − 0.81 − 0.81 + 0.729 = 0.999

27 de enero de 2014
 La probabilidad de que funcione cada planta es 0.90 (son independientes)

T4

T4 funciona si J funciona
𝑃 𝑇4 = 𝑃 𝐽 = 0.9
0.9

27 de enero de 2014
 La probabilidad de que funcione cada planta es 0.90 (son independientes)

T1 T2 T3 T4

Evento T → El agua es tratada exitosamente entre 1 y 2.

Evento T’ → El agua no es tratada exitosamente entre 1 y 2 (complemento de T).

𝑃 𝑇 = 𝑃 𝑇1 ∩ 𝑇2 ∩ 𝑇3 ∩ 𝑇4 = 𝑃(𝑇1 ) ∙ 𝑃(𝑇2 ) ∙ 𝑃(𝑇3 ) ∙ 𝑃 𝑇4 = 0.99 ∙ 0.9981 ∙ 0.999 ∙ 0.9 = 0.8884

0.1116
𝑃 𝑇′ = 1 − 𝑃 𝑇 = 1 − 0.8884 = 0.1116

27 de enero de 2014
 Cálculo de probabilidad de un evento

Ejemplo:

Ejemplo:

27 de enero de 2014
 Ley de Probabilidad Total

• Idea: “Dividir para conquistar”

• Dividir el espacio muestral en los conjuntos
B1, B2, B3 mutuamente excluyentes.
• “A” puede descomponerse como sigue
A = (A ∩ B1) U (A ∩ B2) U (A ∩ B3)

27 de enero de 2014
Teorema de Bayes

27 de enero de 2014
Teorema de Bayes

27 de enero de 2014
Ley de Probabilidad Total

27 de enero de 2014
 Ley de Probabilidad Total

Solución:

27 de enero de 2014
Teorema de Bayes

27 de enero de 2014
Los Planos
Una empresa de manufactura emplea tres planos analíticos para el diseño y
desarrollo de un producto específico. Por razones de costos los tres se utilizan
en momentos diferentes. De hecho, los planos 1, 2 y 3 se utilizan en 30%, 20%
y 50% de los productos respectivamente. La tasa de defectos difiere en los tres
procedimientos de la siguiente manera,

𝑃 𝐷 𝑃1 = 0.01; 𝑃 𝐷 𝑃2 = 003; 𝑃 𝐷 𝑃3 = 0.02

Donde 𝑃 𝐷 𝑃𝑗 es la probabilidad de que un producto este defectuoso, dado el

plano 𝑗. Si se observa un producto al azar y se descubre que está defectuoso
¿Cuál es la probabilidad de que se haya utilizado el plano 3 dado que el
producto está defectuoso?

Diagrama de Diagrama de Tabla

Venn árbol Bivariada
Diagrama de
Venn

D’ S

P1 ∩ D P2 ∩ D P3 ∩ D

P1 P2 P3
0.30 0.20 0.50

𝑃 𝐷 𝑃1 = 0.01 𝑃 𝐷 𝑃2 = 0.03 𝑃 𝐷 𝑃3 = 0.02

Diagrama de Si se observa un producto al azar y se descubre que está
Venn defectuoso ¿Cuál es la probabilidad de que se haya utilizado
el plano 3 dado que el producto está defectuoso?
S Ley multiplicativa para
D’ eventos dependientes:
𝑃 𝑃1 ∩ 𝐷 = 𝑃(𝑃1 ) ∙ 𝑃 𝐷 𝑃1
𝑃 𝑃1 ∩ 𝐷 = 0.30 ∙ 0.01 = 0.003

P1 ∩ D P2 ∩ D P3 ∩ D 𝑃 𝑃2 ∩ 𝐷 = 𝑃(𝑃2 ) ∙ 𝑃 𝐷 𝑃2
𝑃 𝑃2 ∩ 𝐷 = 0.20 ∙ 0.03 = 0.006

D 𝑃 𝑃3 ∩ 𝐷 = 𝑃(𝑃3 ) ∙ 𝑃 𝐷 𝑃3
𝑃 𝑃3 ∩ 𝐷 = 0.50 ∙ 0.02 = 0.010
P1 P2 P3 Teorema de Bayes:
0.30 0.20 0.50
0.010
𝑃 𝑃3 𝐷 = = 0.53
𝑃 𝐷 𝑃1 = 0.01 𝑃 𝐷 𝑃2 = 0.03 𝑃 𝐷 𝑃3 = 0.02 0.003 + 0.006 + 0.010
Diagrama de
árbol

0.01 Defectuoso
Plano 1
No
0.99 Defectuoso
0.30
0.03 Defectuoso
0.20
Plano 2
No
0.97 Defectuoso
0.50
0.02 Defectuoso
Plano 3
No
0.98 Defectuoso
Diagrama de Si se observa un producto al azar y se descubre que está
árbol defectuoso ¿Cuál es la probabilidad de que se haya utilizado
el plano 3 dado que el producto está defectuoso?

0.01 Defectuoso → 0.30 x 0.01 = 0.003

Plano 1 Esto equivale a aplicar el
No Teorema de Bayes
0.99 Defectuoso
0.30
0.03 Defectuoso → 0.20 x 0.03 = 0.006 0.010
0.20 =
Plano 2 0.003 + 0.006 + 0.010 0.53
No
0.97 Defectuoso
0.50
0.02 Defectuoso → 0.50 x 0.02 = 0.010
Plano 3
No
0.98 Defectuoso Ley multiplicativa
eventos dependientes
 Tabla
Bivariada

Conjuntos:
Conjuntos Defectuoso (D) No Defectuoso (D’)

Plano 1 (P1) 𝑃1 ∩ 𝐷 𝑃1 ∩ 𝐷′

Plano 2 (P2) 𝑃2 ∩ 𝐷 𝑃2 ∩ 𝐷′

Plano 3 (P3) 𝑃3 ∩ 𝐷 𝑃3 ∩ 𝐷′

Probabilidades:
Probabilidades Defectuoso (D) No Defectuoso (D’) Total

Plano 1 (P1) 𝑃(𝑃1 ∩ 𝐷) 𝑃(𝑃1 ∩ 𝐷′) 𝑃(𝑃1 )

Plano 2 (P2) 𝑃(𝑃2 ∩ 𝐷) 𝑃(𝑃2 ∩ 𝐷′) 𝑃(𝑃2 )

Plano 3 (P3) 𝑃(𝑃3 ∩ 𝐷) 𝑃(𝑃3 ∩ 𝐷′) 𝑃(𝑃3 )

Total 𝑃(𝐷) 𝑃(𝐷′) 𝑃 𝑆 =1

 Tabla Ley multiplicativa eventos
Bivariada dependientes y Ley aditiva
eventos mutuamente excluyentes

Leyes de probabilidad:
Leyes de Defectuoso (D) No Defectuoso (D’) Total
Plano 1 (P1) 𝑃(𝑃1 ∩ 𝐷) 𝑃(𝑃1 ∩ 𝐷′) 𝑃 𝑃1
= 𝑃(𝑃1 ) ∙ 𝑃 𝐷 𝑃1 = 𝑃(𝑃1 ) ∙ 𝑃 𝐷′ 𝑃1 = 𝑃(𝑃1 ∩ 𝐷) + 𝑃(𝑃1 ∩ 𝐷′)
Plano 2 (P2) 𝑃(𝑃2 ∩ 𝐷) 𝑃(𝑃2 ∩ 𝐷′) 𝑃(𝑃2 )
= 𝑃(𝑃2 ) ∙ 𝑃 𝐷 𝑃2 = 𝑃(𝑃2 ) ∙ 𝑃 𝐷′ 𝑃2 = 𝑃(𝑃2 ∩ 𝐷) + 𝑃(𝑃2 ∩ 𝐷′)
Plano 3 (P3) 𝑃(𝑃3 ∩ 𝐷) 𝑃(𝑃3 ∩ 𝐷′) 𝑃(𝑃3 )
= 𝑃(𝑃3 ) ∙ 𝑃 𝐷 𝑃3 = 𝑃(𝑃3 ) ∙ 𝑃 𝐷′ 𝑃3 = 𝑃(𝑃3 ∩ 𝐷) + 𝑃(𝑃3 ∩ 𝐷′)
Total 𝑃 𝐷 𝑃 𝐷′ 𝑃 𝑆 =1
= 𝑃 𝑃1 ∩ 𝐷 + 𝑃 𝑃2 ∩ 𝐷 + 𝑃(𝑃3 ∩ 𝐷) = 𝑃 𝑃1 ∩ 𝐷′ + 𝑃 𝑃2 ∩ 𝐷′ + 𝑃(𝑃3 ∩ 𝐷′)
 Tabla
Bivariada

Reemplazo los datos que conozco y calculo los demás:

Leyes de Defectuoso (D) No Defectuoso (D’) Total
Plano 1 (P1) 𝑃(𝑃1 ∩ 𝐷) 𝑃(𝑃1 ∩ 𝐷′) = 0.297 𝑃 𝑃1 = 0.30
= 0.30 ∙ 0.01 = 0.003
Plano 2 (P2) 𝑃(𝑃2 ∩ 𝐷) 𝑃 𝑃2 ∩ 𝐷′ = 0.194 𝑃 𝑃2 = 0.20
= 0.20 ∙ 0.03 = 0.006
Plano 3 (P3) 𝑃(𝑃3 ∩ 𝐷) 𝑃 𝑃3 ∩ 𝐷′ = 0.490 𝑃 𝑃3 = 0.50
= 0.50 ∙ 0.02 = 0.010
Total 𝑃 𝐷 = 0.003 + 0.006 + 0.010 = 0.019 𝑃 𝐷′ = 0.297 + 0.194 + 0.490 = 0.981 𝑃 𝑆 =1
 Tabla
Bivariada

Simplifico la tabla:
Leyes de Defectuoso (D) No Defectuoso (D’) Total
Plano 1 (P1) 0.003 0.297 𝟎. 𝟑𝟎

Plano 2 (P2) 0.006 0.194 𝟎. 𝟐𝟎

Plano 3 (P3) 0.010 0.490 𝟎. 𝟓𝟎

Total 𝟎. 𝟎𝟏𝟗 𝟎. 𝟗𝟖𝟏 𝑷 𝑺 =𝟏

 Tabla Si se observa un producto al azar y se descubre que está
Bivariada defectuoso ¿Cuál es la probabilidad de que se haya utilizado
el plano 3 dado que el producto está defectuoso?

Leyes de Defectuoso (D) No Defectuoso (D’) Total

Plano 1 (P1) 0.003 0.297 𝟎. 𝟑𝟎

Plano 2 (P2) 0.006 0.194 𝟎. 𝟐𝟎

Plano 3 (P3) 0.010 0.490 𝟎. 𝟓𝟎

Total 𝟎. 𝟎𝟏𝟗 𝟎. 𝟗𝟖𝟏 𝑷 𝑺 =𝟏

0.010 Esto equivale a aplicar el

𝑃 𝑃3 𝐷 = = 0.53 Teorema de Bayes
0.019

𝑃(𝑃3 ) ∙ 𝑃 𝐷 𝑃3 0.50 ∙ 0.02 0.010

𝑃 𝑃3 𝐷 = = = = 0.53
𝑃 𝑃1 ∙ 𝑃 𝐷 𝑃1 + 𝑃 𝑃2 ∙ 𝑃 𝐷 𝑃2 + 𝑃(𝑃3 ) ∙ 𝑃 𝐷 𝑃3 0.30 ∙ 0.01 + 0.20 ∙ 0.03 + 0.50 ∙ 0.02 0.019