Scribd
Cargar
122 vistas15 páginas

Sem11 - Teorema de Bayes-EG

Este documento presenta el Teorema de Bayes. Explica la probabilidad total y cómo se puede particionar un conjunto en partes mutuamente excluyentes. Luego introduce el Teorema de Bayes y cómo se puede calcular la probabilidad de una parte dado que ocurrió un suceso, usando la probabilidad condicional y las probabilidades originales de las partes. Finalmente, incluye tres ejemplos numéricos para ilustrar cómo aplicar el Teorema de Bayes.

Cargado por

Cesar pari
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
122 vistas15 páginas

Sem11 - Teorema de Bayes-EG

Este documento presenta el Teorema de Bayes. Explica la probabilidad total y cómo se puede particionar un conjunto en partes mutuamente excluyentes. Luego introduce el Teorema de Bayes y cómo se puede calcular la probabilidad de una parte dado que ocurrió un suceso, usando la probabilidad condicional y las probabilidades originales de las partes. Finalmente, incluye tres ejemplos numéricos para ilustrar cómo aplicar el Teorema de Bayes.

Cargado por

Cesar pari
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

UNA Puno

Estadística General
2020 – I
III semestre
Grupo B

Ing. Alcides Ramos Calcina


Facultad de Ingeniería Estadística e Informática
Teorema de Bayes
Capítulo V

TEOREMA DE BAYES
Introducción
El teorema de Bayes consiste en una partición de la probabilidad total.

PROBABILIDAD TOTAL
• Ilustremos una posible partición de un determinado conjunto :

Del dibujo se cumple:

n
  A
i 1
i (la unión de las partes es el conjunto)

 Ai  Aj =  (todas las partes son disjuntas entre sí)

Ing. Alcides RAMOS CALCINA


Probabilidad Total
Se tiene la partición de  en A1, A2, …, An mutuamente excluyentes y el suceso B, como se
muestra en la figura:

Entonces:
B = (B  A1)  (B  A2)  (B  A3)  · · ·  (B  An)

Como P(B  Ai) = P(B/Ai).P(Ai), se obtiene la expresión:

n n
P(B)   P(B  A )   P(B / A ).P(A )
i 1
i
i 1
i i

Ing. Alcides RAMOS CALCINA


Probabilidad Total
De los anterior expresamos de forma general en el teorema siguiente:

Teorema: Sea Ai una partición de ,  = A1  A2  · · ·  An y el suceso B   , entonces


se cumple:
n
P(B)   P(B / A ).P(A )
i 1
i i

Ing. Alcides RAMOS CALCINA


Ejemplo 1
Una empresa que fabrica lamparitas tiene 2 plantas, la A y la B. Cada lamparita fabricada
por A tiene probabilidad 0.01 de ser defectuosa. Cada lamparita fabricada por B tiene
probabilidad 0.02 de ser defectuosa. Si las plantas A y B producen el 60% y el 40% de las
unidades respectivamente, ¿cuál es la probabilidad de que una lamparita fabricada por la
empresa sea defectuosa?

Solución:

Sean los sucesos:

A: que la lamparita haya sido fabricada por la planta A

B: que la lamparita haya sido fabricada por la planta B

D: que la lamparita sea defectuosa

Ing. Alcides RAMOS CALCINA


Ejemplo 1
Gráficamente tenemos:

Nos piden P(D), entonces:

n n
P ( D)   P(D  A )  P(D / A ).P(A )
i 1
i
i 1
i i Donde n = 2, A1 = A, y A2 = B.

n
P ( D)   P(D / A ).P(A )  PD / A P(A)  PD / BP(B)
i 1
i i

Del problema se tiene: P(D / A) = 0.01 y P(D / B) = 0.02, también sabemos que P(A) = 60%
= 0.6 y P(B) = 40% = 0.4. Entonces

P( D)  PD / A P(A )  PD / BP(B)  (0.01)(0.6)  (0.02)(0.4)  0.014


Ing. Alcides RAMOS CALCINA
El Teorema de Bayes
• Supongamos ahora que lo que sea desea no es la probabilidad del suceso B sino la
probabilidad de una de las partes, sabiendo que ocurrió B.

• Si queremos calcular la probabilidad de la parte


Ai, sabiendo que ocurrió B, planteamos:

P  Ai  B 
P  Ai B  
P  B

En el denominador usamos la fórmula de la


probabilidad total, y nos queda:

P  Ai  B 
P  Ai B   n

 P( A  B)
i 1
i

Ing. Alcides RAMOS CALCINA


El Teorema de Bayes
• A continuación, damos vuelta las dos intersecciones y aplicamos la definición de
probabilidad condicional, y queda:

P  Ai  B  P  B  Ai  P  B / Ai  P( Ai )
P  Ai B   n
 n
 n

 P( A  B)  P( B  A )  P( B / A ) P( A )
i 1
i
i 1
i
i 1
i i

• En conclusión

P  B / Ai  P ( Ai )
P  Ai B   n

 P( B / A ) P( A )
i 1
i i

Lo cual se conoce como regla de Bayes


Ing. Alcides RAMOS CALCINA
El Teorema de Bayes
• Se expresa de forma general en el teorema siguiente:

Teorema de Bayes: Sea Ai una partición de  = A1  A2  · · ·  An y el suceso B  


, entonces se cumple:

P  B / Ai  P ( Ai )
P  Ai B   n

 P( B / A ) P( A )
i 1
i i

Observemos que se tienen como dato las probabilidades originales de las partes y la
probabilidad de que ocurra B dentro de cada parte, y lo que se obtiene es la probabilidad
de que ocurra una determinada parte sabiéndose que ocurrió B.

Ing. Alcides RAMOS CALCINA


Ejemplo 2
Dos clases del II semestre de la universidad, una de 28 alumnos y otra de 35 alumnos
hacen conjuntamente un examen de Bioestadística. La probabilidad de aprobar de los
alumnos de la primera clase es de 0.68 y los de la segunda del 0.73. Se toma un examen
al azar y resulta que está aprobado. ¿Cuál es la probabilidad de que sea de un alumno de
la 1ª clase?
Solución:
Sea: A1 = “el examen es de un alumno de la primera clase”
A2 = “el examen es de un alumno de la segunda clase”

B = “el examen está aprobado”

Nos piden P(A1/B).

Ing. Alcides RAMOS CALCINA


Ejemplo 2
Hagamos antes que nada un diagrama de árbol:

Por el teorema de Bayes:

PB / A 1 P(A 1 ) PB / A 1 P(A 1 )


PA 1 B  
2 P( B / A 1 ) P( A 1 )  P( B / A 2 ) P( A 2 )
 P( B / A ) P( A )
i 1
i i

Sustituyendo,  28 
0.68 
 63  0.302
PA 1 B    0.427
 28   35  0.708
0.68   0.73 
 63   63 

Ing. Alcides RAMOS CALCINA


Ejemplo 3
En un determinado grupo de gente hay personas rubias, morochas y pelirrojas. El 60% de
la gente es morocha, el 30% rubia y el 10% pelirroja. El 50% de los rubios tiene ojos claros,
el 40% de los pelirrojos tiene ojos claros y el 25% de los morochos tiene ojos claros. Si una
persona elegida al azar tiene ojos claros, ¿cuál es la probabilidad de que sea rubia?
Solución:
Sea: A1 = “la persona elegida es rubia”
A2 = “la persona elegida es morocha”
A3 = “la persona elegida es pelirroja”
B = “tiene ojos claros”

Nos piden P(A2/B).

Ing. Alcides RAMOS CALCINA


Ejemplo 3
Se tiene los siguientes datos:

El 60% de la gente es morocha : P(A1) = 0.6


El 30% rubia : P(A2) = 0.3
El 10% pelirroja : P(A3) = 0.1
El 25% de los morochos tiene ojos claros : P(B/A1) = 0.25
El 50% de los rubios tiene ojos claros : P(B/A2) = 0.5
El 40% de los pelirrojos tiene ojos claros : P(B/A3) = 0.4

Aplicamos la regla de Bayes:

P  B / A2  P( A2 ) (0.5)(0.3)
P  A2 B     0.441
3
(0.25)(0.6)  (0.5)(0.3)  (0.4)(0.1)
 P( B / A ) P ( A )
i 1
i i

Ing. Alcides RAMOS CALCINA


GRACIAS
• https://aulavirtual.unap.edu.pe/

En el curso se utilizan exposiciones teóricas breves, ejercicios prácticos y


casos que implican una solución analítica con software estadístico (SPSS,
MINITAB) y EXCEL, entre otros recursos didácticos.

FINESI

También podría gustarte