Lecture 8: Probabilidad Condicional y Teorema de Bayes

Saba Infante & Aracelis Hernández

Escuela de Matemáticas y Ciencias Computacionales
Universidad Yachay Tech, Ecuador
[email protected]
PROBABILIDADES Y ESTADÍSTICA

1. Probabilidad Condicional

Denición 1 (Probabilidad Condicional). Dados dos eventos A y B, entonces la probabilidad

condicional del evento A dado que el evento B ya ha ocurrido, viene dada por:

P (A ∩ B)
P (A|B) =
P (B)

siempre que P (B) > 0

EJEMPLO: Cálculo de Probabilidad Condicional

Supongamos que un experimento aleatorio se repite un gran número de veces, y sean A y B
dos eventos de interés. Los resultados se muestran en la siguiente tabla:

Cuadro 1: Tabla para los eventos A y B

A Ac Totales
B n11 n12 n11 + n12
Bc n21 n22 n21 + n22
Totales n11 + n21 n12 + n22 N

Donde:
ˆ N es el número de veces que se repitió el experimento;
ˆ n11 es el número de veces que ocurrió el evento A y el evento B ; es decir, que ocurrió
A ∩ B;
ˆ n12 es el número de veces que ocurrió el evento B y no ocurrió el evento A; es decir, que
ocurrió Ac ∩ B ;

1
 ˆ n21 es el número de veces que ocurrió el evento A y no ocurrió el evento B ; es decir,
que ocurrió A ∩ B c ; y item n22 es el número de veces que no ocurrió el evento A y no
ocurrió el evento B ; es decir, que ocurrió Ac ∩ B c .
De los resultados obtenidos, se concluye que:
n11 + n21
P (A) =
N
n11 + n12
P (B) =
N
n12 + n22
P (Ac ) =
N
n11
P (A ∩ B) =
N
n12
P (Ac ∩ B) =
N
Luego
P (A ∩ B) n11
P (A|B) = =
P (B) n11 + n12
P (A ∩ B) n11
P (B|A) = =
P (A) n11 + n21
c
P (A ∩ B) n12
P (B|Ac ) = =
P (Ac ) n12 + n22

■
EJEMPLO: Cálculo de Probabilidad Condicional
Supongamos que en un laboratorio hay 100 computadoras, algunas de estas máquinas son
nuevas, mientras que otras son viejas; además, algunas tienen tarjetas grácas mientras que
otras no tienen tarjetas grácas. Estos eventos lo denotamos como:
ˆ N : la computadora es nueva
ˆ V : la computadora es vieja
ˆ T G: la computadora tiene tarjeta gráca
ˆ N T G: la computadora no tiene tarjeta gráca

El número de cada categoría está dada por la siguiente tabla:

Cuadro 2: Tabla de las computadoras en la ocina

TG NTG Totales
N 40 30 70
V 20 10 30
Totales 60 40 100

2
 Una persona entra al laboratorio y elige una computadora al azar y descubre que es nueva.
ˆ ¾Cuál es la probabilidad de que tenga tarjeta gráca?
ˆ ¾Cuál es la probabilidad de que no tenga tarjeta gráca?
Para responder la primera pregunta, queremos calcular la probabilidad condicional:
40
P (T G ∩ N ) 100 4
P (T G|N ) = = 70 =
P (N ) 100
7
Mientras que para calcular la segunda pregunta calculamos la probabilidad condicional:
30
P (N T G ∩ N ) 100 3
P (N T G|N ) = = 70 =
P (N ) 100
7

■
EJEMPLO: Cálculo de Probabilidad Condicional
En un taller trabajan 7 hombres y 3 mujeres. Se escogen al azar 3 personas. Hallar la
probabilidad de que todas las personas seleccionadas sean hombres.
Sean los eventos:
ˆ A: la primera persona seleccionada es hombre
ˆ B : la segunda persona seleccionada es hombre
ˆ C : la tercera persona seleccionada es hombre
Entonces, la probabilidad de que la primera persona seleccionada sea hombre es:
7
P (A) =
10
Luego, la probabilidad de que la segunda persona seleccionada sea hombre dado que la
primera persona seleccionada es hombre, viene dada por:
6
P (B|A) =
9
De igual manera, Luego, la probabilidad de que la tercera persona seleccionada sea hombre
dado que la primera y la segunda persona seleccionada es hombre, viene dada por:
5
P (C|A ∩ B) =
8
Finalmente, la probabilidad de que las tres personas seleccionadas sean hombres, se determina
como:
P (A ∩ B ∩ C) = P (C|A ∩ B) P (B|A) P (A)
   
5 6 7
=
8 9 10
7
=
24
3
 ■

Para dos eventos A y B , y siguiendo la denición de probabilidad condicional, tenemos:

P (A ∩ B)
P (A | B) = =⇒ P (A ∩ B) = P (A | B)P (B) (1)
P (B)

P (A ∩ B)
P (B | A) = =⇒ P (A ∩ B) = P (B | A)P (A) (2)
P (A)

Igualando las ecuaciones (1) y (2), obtenemos que:

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

esta igualdad se conoce como la ley multiplicativa de la probabilidad.

2. Eventos Independientes

Denición 2 (Eventos Independientes). Se dice que dos eventos A y B son independientes si

se cumple cualquiera de los siguientes casos:

P (A|B) = P (A)

P (B|A) = P (B)

P (A ∩ B) = P (A)P (B)

De otro modo, se dice que son dependientes.

EJEMPLO: Eventos Independientes

A 100 empleados se les hizo un examen para determinar el grado de destreza que se necesita
para ser empleado en una empresa. Los resultados obtenidos para hombres y mujeres y según
pasó o no aprobó la prueba, se muestran en la siguiente tabla:

Cuadro 3: Tabla de resultados

H M Totales
P 24 36 60
NP 16 24 40
Totales 40 60 100

Se selecciona al azar un empleado de los 100 que hicieron el examen:

1. Calcular la probabilidad que haya pasado el examen y sea hombre.

4
 2. Calcular la probabilidad de que el empleado sea hombre dado que paso el examen.
3. ¾Son independientes los eventos P y H ?
4. ¾Son independientes los eventos P y M ?
Para responder la pregunta 1, calculamos la probabilidad:
24
P (P ∩ H) = = 0.24
100
Para la pregunta 2, calculamos la probabilidad condicional:
24
P (P ∩ H) 100
P (H|P ) = = 60 = 0.40
P (P ) 100

Para determinar si los eventos P y H son independientes; es decir, si los eventos ser hombre
y pasar la prueba son independientes, calculamos:
P (P ∩ H) = 0.24
por otra parte
40
P (H) = = 0.40
100
60
P (P ) = = 0.60
100
entonces
P (H)P (P ) = (0.40)(0.60) = 0.24
en consecuencia:
P (P ∩ H) = 0.24 = P (H)P (P )
así que concluimos que los eventos ser hombre y pasar la prueba son independientes.
De igual forma, para responder la pregunta 4, donde queremos determinar si los eventos ser
mujer y aprobar el examen son independientes, calculamos:
36
P (P ∩ M ) = = 0.36
100
por otra parte
60
P (M ) = = 0.60
100
60
P (P ) = = 0.60
100
entonces
P (M )P (P ) = (0.60)(0.60) = 0.36
en consecuencia:
P (P ∩ M ) = 0.36 = P (M )P (P )
así que concluimos que los eventos ser mujer y pasar la prueba son independientes.
■

5
3. Ley de Probabilidad Total y Regla de Bayes

Denición 3 (Partición de un Espacio Muestral). Sea B un evento cualquiera del espacio

muestral S, decimos que los eventos A1 , A2 , . . . , Ak , representan una partición del espacio muestral

S si:

Ai ∩ Aj = ∅, para todo i ̸= j , con i, j = 1, 2, . . . , n.

Sk
i=1 Ai = S .

P (Ai ) > 0, para todo i = 1, 2, . . . , n.

La Figura 1 muestra una imagen de una partición de un espacio muestral

Figura 1: Partición de un espacio muestral.

Entonces, si A1 , A2 , . . . , Ak es una partición del espacio muestral S , y B es un evento cualquiera

de S , como observamos en la Figura 1, podemos escribir:

B = (B ∩ A1 ) ∪ (B ∩ A2 ) ∪ . . . ∪ (B ∩ Ak )

entonces, calculando la probabilidad:

P (B) = P (B ∩ A1 ) + P (B ∩ A2 ) + . . . + P (B ∩ Ak )
= P (B|A1 )P (A1 ) + P (B|A2 )P (A2 ) + . . . + P (B|Ak )P (Ak )
k
X
= P (B|Ai )P (Ai )
i=1

Por lo tanto, este resultado establece que si A1 , A2 , . . . , Ak es una partición del espacio muestral
S , y B es un evento cualquiera en S , entonces:
k
X
P (B) = P (B|Ai )P (Ai )
i=1

esta igualdad se conoce como Ley de Probabilidad Total.

6
Teorema 1 (Teorema de Bayes). Si A1 , A2 , . . . , Ak es una partición del espacio muestral S, y

B es cualquier evento de S, entonces:

P (Aj ∩ B) P (B|Aj )P (Aj )

P (Aj |B) = = Pk (3)
P (B) i=1 P (B|Ai )P (Ai )

EJEMPLO: Probabilidad total

De los votantes en una ciudad, 40 % son de un partido A, y 60 % son de un partido B . Entre
los partidarios del partido A, 70 % están a favor de una emisión de bonos, en tanto que el
80 % del partido B , están a favor de una emisión de bonos. Si un votante se selecciona al
azar en la ciudad, ¾cuál es la probabilidad de que esté a favor de la emisión de bonos?
Los eventos A y B conforman una partición del espacio muestral:
S =A∪B con A ∩ B = ∅
Ahora sea el evento:
F = la persona está a favor de la emisión de bonos

Además, de los datos del problema sabemos que:

P (A) = 0.4
P (B) = 0.6
P (F |A) = 0.7
P (F |B) = 0.8

Luego
F = (F ∩ A) ∪ (F ∩ B) =⇒ P (F ) = P (F ∩ A) + P (F ∩ B) (4)
pero de la denición de probabilidad condicional:
P (F ∩ A) = P (F |A)P (A)
P (F ∩ B) = P (F |B)P (B)

sustituyendo estos valores en (4), tenemos que:

P (F ) = P (F |A)P (A) + P (F |B)P (B) = (0.70)(0.4) + (0.80)(0.60) = 0.76

■
EJEMPLO: Teorema de Bayes
Una compañía compra neumáticos de dos proveedores: 1 y 2. El proveedor 1 tiene antecedente
de suministrar neumáticos con 10 % de defectos, en tanto que el proveedor 2 tiene una tasa
de sólo el 5 % de defectos. Supongamos que el 40 % de las existencias actuales vienen del
proveedor 1. Si se toma un neumático de esa existencia y se observa que es defectuoso,
calcular la probabilidad de que haya sido suministrado por el proveedor 1.

7
 Sean los eventos:

A1 : el neumático es vendido por el proveedor 1

A2 : el neumático es vendido por el proveedor 2
D : el neumático es defectuoso

De acuerdo a los datos del problemas, tenemos:

P (A1 ) = 0.40
P (A2 ) = 0.60
P (D | A1 ) = 0.10
P (D | A2 ) = 0.05

Entonces queremos calcular P (A1 | D), pero de acuerdo al teorema de Bayes:

P (A1 ∩ D)
P (A1 | D) = =
P (D)
P (D | A1 )P (A1 )
= =
P (D | A1 )P (A1 ) + P (D | A2 )P (A2 )

(0.10)(0.40)
= =
(0.10)(0.40) + (0.05)(0.60)

0.04
= =
0.07

= 0.5714

Por lo tanto, hay una probabilidad de 0.5714 de que el neumático haya sido vendido por el
proveedor 1 dado que es defectuoso.
■
EJEMPLO: Teorema de Bayes
En una fábrica se embalan galletas en cajas en 4 cadenas demontaje: A1 , A2 , A3 y A4 . El
35 % de la producción total se embala en la cadena A1 y el 20 %, 24 % y 21 % en A2 , A3 y A4
respectivamente. Los datos indican que no se embalan correctamente un porcentaje pequeño
de las cajas; el 1 % de las cajas embaladas en la cadena A1 , el 3 % de las cajas embaladas en
la cadena A2 , el 2,5 % de las cajas embaladas en la cadena A3 y el 2 % de las cajas embaladas
en la cadena A4 . ¾Cuál es la probabilidad de que una caja elegida al azar de la producción
total sea defectuosa?. Se selecciona una caja al azar y se observa que es defectuosa, ¾cuál es
probabilidad de una caja seleccionada al azar haya sido embalada em la cadena A2 ?.

8
Sean los eventos:
A1 : la caja es embalada por la cadena A1
A2 : la caja es embalada por la cadena A2
A3 : la caja es embalada por la cadena A3
A4 : la caja es embalada por la cadena A4
D : la caja de galletas está embalada de manera defectuosa

De acuerdo a los datos del problema, tenemos:

P (A1 ) = 0.35
P (A2 ) = 0.20
P (A3 ) = 0.24
P (A4 ) = 0.21
P (D | A1 ) = 0.01
P (D | A2 ) = 0.03
P (D | A3 ) = 0.025
P (D | A2 ) = 0.02

Podemos escribir el evento D como:

D = (D ∩ A1 ) ∪ (D ∩ A2 ) ∪ (D ∩ A3 ) ∪ (D ∩ A4 )
item Por la ley de probabilidad total, tenemos que:
P (D) = P (D ∩ A1 ) + P (D ∩ A2 ) + P (D ∩ A3 ) + P (D ∩ A4 ) =
= P (D | A1 )P (A1 ) + P (D | A2 )P (A2 ) + P (D | A3 )P (A3 ) + +P (D | A4 )P (A4 )
= (0.10)(0.35) + (0.03)(0.20) + (0.025)(0.24) + (0.02)(0.21)
= 0.0197
Por lo tanto, la probabilidad de seleccionar aleatoriamente una caja de galleta mal embalada,
es de 0.197.
Luego, por el teorema de Bayes, tenemos:
P (A2 ∩ D)
P (A2 | D) = =
P (D)
P (D | A2 )P (A2 )
= =
P (D)

(0.03)(0.20)
= =
0.0197

= 0.3045

9
 Por lo tanto, si se selecciona una caja de galleta mal embalada, entonces hay una probabilidad
de 0.3045 de que hay sido embalada por la cadena de embalaje A2 .
■
EJEMPLO: Teorema de Bayes
Un paciente sufre de una enfermedad que es fatal en el 50 % de los casos. Un posible
tratamiento es quirúrgico. Se ha demostrado que de los sobrevivientes, el 40 % ha tenido
cirugía y de los no sobrevivientes, 10 % ha tenido cirugía. Encuentre la probabilidad de que
un paciente sobreviva si ha tenido cirugía.
Sean los eventos:

S1 : el paciente sobrevive a la enfermedad

S2 : el paciente no sobrevive a la enfermedad
C : el paciente tuvo la cirugía

De acuerdo a los datos del problema, tenemos:

P (S1 ) = 0.5
P (S2 ) = 0.5
P (C | S1 ) = 0.4
P (C | S2 ) = 0.1

El evento C se puede escribir como:

C = (C ∩1 S) ∪ (C ∩ S2 )

Luego, por la ley de probabilidad total, se cumple que:

P (C) = P (C ∩ S1 ) + P (C ∩ S2 )
= P (C|S1 )P (S1 ) + P (C|S2 )P (S2 )
= (0.40)(0.5) + (0.10)(0.5) = 0.25

Por el teorema de Bayes, calculamos:

P (C|S1 )P (S1 ) (0.40)(0.5)
P (S1 |C) = = = 0.8
P (C) 0.25

Este resultado nos indica que una persona con la enfermedad, que haya tenido la cirugía,
tiene un 80 % de posibilidad de sobrevivir.
■

10