Teorema de Bayes

Estadística e Investigación Operativa 1
DEPENDENCIA E INDEPENDENCIA DE SUCESOS

Si 𝐴 y 𝐵 son dos sucesos, la probabilidad de que ocurra 𝐵, dado que ha ocurrido 𝐴, se denota
𝑃(𝐵/𝐴) o probabilidad condicional del suceso 𝐵 si ha presentado 𝐴
Si la ocurrencia de 𝐴 no afecta la probabilidad de ocurrencia de 𝐵, entonces

𝑃(𝐵/𝐴) = 𝑃(𝐵) 𝑦 𝑃(𝐴/𝐵) = 𝑃(𝐴)
se dice que los sucesos son independientes.
En el caso de verse afectadas las probabilidades de un suceso por el resultado del otro
𝑃(𝐵/𝐴) ≠ 𝑃(𝐵) 𝑦 𝑃(𝐴/𝐵) ≠ 𝑃(𝐴)
en tal caso diremos que 𝐴 y 𝐵 son sucesos dependientes.
Analizamos el suceso compuesto AB, consistente en que primero se verifique 𝐴 y luego 𝐵

𝑃(𝐴𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴)
Si 𝐴 y 𝐵 son independientes
𝑃(𝐴𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵)
Ejemplo 1: Sean los sucesos 𝐴 “Cara al tirar por primera vez la moneda” y 𝐵 “Cara al tirar por
segunda vez la moneda”
𝐴 y 𝐵 son independientes, de modo que 𝑃(𝐴) = 0,5 𝑃(𝐵) = 𝑃(𝐵/𝐴) = 0,5
𝑃(𝐴𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵) = 0,5 ∙ 0,5 = 0,25
Ejemplo 2: Una urna contiene 2 bolas Rojas y 3 bolas Verdes, sea 𝐴 “la primera bola extraída
sea Roja” y 𝐵 “la segunda bola extraída también sea Roja”. La dependencia estará dada por
la reposición o no de la primera bola a la urna.
2 2 1
Sin reposición: 𝑃(𝐴) = 5 𝑃(𝐵) = 5 𝑃(𝐵/𝐴) = 4
2 1 2
𝑃(𝐴𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴) = ∙ = = 0,10
5 4 20
2 2
Con reposición: 𝑃(𝐴) = 5 𝑃(𝐵/𝐴) = 𝑃(𝐵) = 4
2 2 4
𝑃(𝐴𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵) = ∙ = = 0,16
5 5 25
Dependencia y exclusión
La dependencia o independencia no se vincula directamente con el hecho que los sucesos

sean mutuamente excluyentes o no.
• 2 sucesos 𝐴 y 𝐵 son mutuamente excluyentes si 𝑃(𝐴𝐵) = 𝑃(𝐴 ∩ 𝐵) = 0 porque no

pueden verificarse simultáneamente, en el ejemplo de las cartas si 𝐴 es el evento de
sacar un As y 𝐵 el evento de sacar un Rey, al sacar una carta del mazo es imposible
que esa carta sea a la vez un As y un Rey.
• 2 sucesos 𝐴 y 𝐵 no son excluyentes si 𝑃(𝐴 ∩ 𝐵) ≠ 0 , en el caso de las cartas 𝐴 es un
As y 𝐵 es un oro
TEOREMA DE BAYES
Conforme al esquema de probabilidad condicional
𝑃(𝐴𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴)

Generalmente utilizamos 𝐴𝐵 para describir un caso de pruebas repetidas, primero se debe
dar el evento A y luego el evento B, cuando ambos eventos pueden darse simultáneamente
(son dependientes), podemos cambiar la notación
𝑃(𝐴𝐵) = 𝑃(𝐴 ∩ 𝐵)
Sustituyendo obtenemos
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴)

Como la probabilidad que se de un evento correspondientes a la intersección de los elementos de 𝐴
con los elementos de 𝐵, claramente debe haber dependencia entre ellos, si despejamos la probabilidad
condicional obtenemos
𝑃 (𝐵 ∩ 𝐴 )
𝑃(𝐵/𝐴) =
𝑃 (𝐴 )
De la misma manera
𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵) ∙ 𝑃(𝐴/𝐵)
Despejamos
𝑃(𝐵 ∩ 𝐴)
𝑃(𝐴/𝐵) =
𝑃(𝐵)
𝑃(𝐵/𝐴) y 𝑃 (𝐴/𝐵) son sucesos alternos y es evidente que 𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐴 ∩ 𝐵), pero es
un error común considerar que ambas probabilidades condicionales son iguales.
Numéricamente sólo podrían se iguales en el caso que 𝑃(𝐴) = 𝑃(𝐵) lo que difícilmente
suceda en la realidad. Entonces si
𝑃(𝐴) ≠ 𝑃(𝐵) → 𝑃(𝐵/𝐴) ≠ 𝑃(𝐴/𝐵)

Volvamos a
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴)
→ 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴) = 𝑃(𝐵) ∙ 𝑃(𝐴/𝐵)
𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵) ∙ 𝑃(𝐴/𝐵)
Despejando, obtenemos el Teorema de Bayes:

𝑃(𝐵)
1° versión 𝑃(𝐵/𝐴) = ∙ 𝑃(𝐴/𝐵)
𝑃(𝐴)
𝑃(𝐵 ∩ 𝐴)
2° versión 𝑃(𝐵/𝐴) =
𝑃(𝐴)
𝑃(𝐵)
3° versión 𝑃(𝐵/𝐴) = ∙ 𝑃(𝐴/𝐵)
𝑃(𝐵) ∙ 𝑃(𝐴/𝐵) + 𝑃(𝐵̅) ∙ 𝑃(𝐴/𝐵̅)
Este teorema nos permite calcular la probabilidad condicional de un suceso si conocemos la

probabilidad condicional de su caso alterno.
Aplicaciones del Teorema de Bayes
Ejemplo 1
Supongamos que una fábrica tiene 3 máquinas 𝑋, 𝑌, 𝑍 que producen una misma pieza, que van a un
mismo contenedor. La empresa tiene un margen de tolerancia del 3,5 % que las piezas sean
defectuosas. Todos los días se toma una muestra del contenedor y se verifica el % de piezas
defectuosas, si alguna vez el porcentaje de piezas defectuosas es superior, se debe revisar las máquinas
(lo que tiene un costo elevado) para determinar cuál de las 3 está fallando.
Es evidente que lo más probable es que falle una de las máquinas y tener que revisar las tres para
verificar que 2 funcionan bien es muy costoso. El teorema de Bayes nos indica cuál es la probabilidad
de falla de cada una de las máquinas, de modo que para ahorrar costos se comienza revisando la de
probabilidad más alta, si resultó ser correcto que era la que estaba provocando el fallo nos ahorramos
el control de las otras 2 máquinas. Si esta no era revisamos la segunda con la esperanza de ahorrarnos
el costo de revisar la tercera.
Definimos los sucesos:

𝑋: “la pieza es producida por la máquina 1”
𝑌: “la pieza es producida por la máquina 2”
𝑍: “la pieza es producida por la máquina 3”
𝐷: “la pieza producida es defectuosa”
Luego habiéndose encontrado una pieza defectuosa, nos preguntamos ¿cuál es la

probabilidad que la haya producido la máquina 1, o la máquina 2 o la máquina 3? Deseamos
calcular:
𝑃(𝑋/𝐷) , 𝑃(𝑌/𝐷) , 𝑃(𝑍/𝐷)

Estas son probabilidades a posteriori, que calcularemos con la información disponible, se
sabe que a priori
𝑃(𝑋) = 0,30 , 𝑃(𝑌) = 0,45 , 𝑃(𝑍) = 0,25
Esto nos indica que del total de piezas que hay dentro del contendor 30 % provienen de la máquina 1,
45 % de la máquina 2 y el 25 % de la máquina 3. Otro dato conocido a priori es la probabilidad que
cada máquina produzca una pieza defectuosa
𝑃(𝐷/𝑋) = 0,02 , 𝑃(𝐷/𝑌) = 0,03 , 𝑃(𝐷/𝑍) = 0,04

A partir de estos datos podemos calcular la probabilidad de producir una pieza defectuosa (no importa
de qué máquina proviene)
𝑃(𝐷) = 𝑃(𝑋) ∙ 𝑃(𝐷/𝑋) + 𝑃(𝑌) ∙ 𝑃(𝐷/𝑌) + 𝑃(𝑍) ∙ 𝑃(𝐷/𝑍)

𝑃(𝐷) = 0,30 ∙ 0,02 + 0,45 ∙ 0,03 + 0,25 ∙ 0,04 = 0,0295
Esto significa que del total de piezas del contenedor es normal encontrar un 2,95 % de piezas
defectuosas
Por el teorema de Bayes podemos calcular

𝑃(𝑋) 0,30
𝑃(𝑋/𝐷) = ∙ 𝑃(𝐷/𝑋) = ∙ 0,02 = 0,2034
𝑃(𝐷) 0,0295
𝑃(𝑌) 0,45
𝑃(𝑌/𝐷) = ∙ 𝑃(𝐷/𝑌) = ∙ 0,03 = 0,4576
𝑃(𝐷) 0,0295
𝑃(𝑍) 0,25
𝑃(𝑍/𝐷) = ∙ 𝑃(𝐷/𝑍) = ∙ 0,04 = 0,3390
𝑃(𝐷) 0,0295
Esto nos indica que lo más probable es que la máquina 2 haya producido la pieza defectuosa,
por lo que debe ser revisada primero. Se verifica que
𝑃(𝑋/𝐷) + 𝑃(𝑌/𝐷) + 𝑃(𝑍/𝐷) = 1

Ejemplo 2
Se participa del siguiente experimento: hay dos urnas con bolillas de color
- En la urna I (𝑈1 ) hay 10 bolillas rojas

- En la urna II (𝑈2 ) hay 5 bolillas rojas y 5 verde
Un asistente con los ojos vendados extrae una bolilla sin saber de qué urna es. Si la bolilla es
roja ¿de qué urna se extrajo?
Vemos las probabilidades
Suceso Elegir Urna Prob. Condicional Prob. Conjunta

𝑈1 𝑃(𝑈1 ) = 0,5 𝑃(𝑅/𝑈1 ) = 1 𝑃 (𝑅 ∩ 𝑈1 ) = 0,5
𝑈2 𝑃(𝑈2 ) = 0,5 𝑃(𝑅/𝑈2 ) = 0,5 𝑃(𝑅 ∩ 𝑈2 ) = 0,25
Suma 𝑃(𝑅) = 0,75
recordamos 𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴)
𝑃(𝐵) 𝑃(𝐵∩𝐴)
y el teorema de Bayes 𝑃(𝐵/𝐴) = 𝑃(𝐴) ∙ 𝑃(𝐴/𝐵) = 𝑃(𝐴)
en nuestro caso tendríamos 𝐴: {𝑅 , 𝑉 } 𝐵: {𝑈1 ; 𝑈2 }

La probabilidad de obtener una bolilla roja, la podemos calcular de 2 formas:
15
• a partir de los datos (15 rojas y 5 verdes) 𝑃(𝑅) = 20 = 0,75
• a partir de las prob. conjuntas 𝑃 (𝑅 ∩ 𝑈1 ) + 𝑃(𝑅 ∩ 𝑈2 ) = 0,5 + 0,25 = 0,75
recordar la regla 𝑃(𝐴) = 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐴 ∩ 𝐵̅) y que en nuestro ejemplo el contrario o
negado de 𝑈1 es 𝑈2
la probabilidad que habiéndose sacado una bolilla Roja provenga de la Urna 1 es
𝑃(𝑅 ∩ 𝑈1 ) 0,5
𝑃(𝑈1 /𝑅) = = = 0,66667
𝑃(𝑅) 0,75
𝑃(𝑅 ∩ 𝑈2 ) 0,25
𝑃(𝑈2 /𝑅) = = = 0,33333
𝑃(𝑅) 0,75
Se verifica 𝑃(𝑈1 /𝑅) + 𝑃(𝑈2 /𝑅) = 1

Ejemplo 3
Igual que el caso anterior, pero en la Urna 1 hay 6 bolillas Rojas y 4 Verdes
Suceso Elegir Urna Prob. Condicional Prob. Conjunta

𝑈1 𝑃(𝑈1 ) = 0,5 𝑃(𝑅/𝑈1 ) = 0,6 𝑃 (𝑅 ∩ 𝑈1 ) = 0,3
𝑈2 𝑃(𝑈2 ) = 0,5 𝑃(𝑅/𝑈2 ) = 0,5 𝑃(𝑅 ∩ 𝑈2 ) = 0,25
Suma 𝑃(𝑅) = 0,55
𝑃(𝑅 ∩ 𝑈1 ) 0,3
𝑃(𝑈1 /𝑅) = = = 0,5455
𝑃(𝑅) 0,55
𝑃(𝑅 ∩ 𝑈2 ) 0,25
𝑃(𝑈2 /𝑅) = = = 0,4545
𝑃(𝑅) 0,55
Se verifica 𝑃(𝑈1 /𝑅) + 𝑃(𝑈2 /𝑅) = 1
También se pueden expresar los datos en forma de matriz
Roja Verde Total

Urna 1 6 4 10
Urna 2 5 5 10
Total 11 9 20
Las probabilidades son
11
• 𝑃(𝑅) = 20 = 0,55
6
• 𝑃(𝑅 ∩ 𝑈1 ) = 20 = 0,3
5
• 𝑃(𝑅 ∩ 𝑈2 ) = 20 = 0,25

Teorema de Bayes

Cargado por

Copyright:

Formatos disponibles

Teorema de Bayes

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teorema de Bayes

Cargado por

Copyright:

Formatos disponibles

Estadística e Investigación Operativa 1

DEPENDENCIA E INDEPENDENCIA DE SUCESOS

Si la ocurrencia de 𝐴 no afecta la probabilidad de ocurrencia de 𝐵, entonces

Analizamos el suceso compuesto AB, consistente en que primero se verifique 𝐴 y luego 𝐵

La dependencia o independencia no se vincula directamente con el hecho que los sucesos

• 2 sucesos 𝐴 y 𝐵 son mutuamente excluyentes si 𝑃(𝐴𝐵) = 𝑃(𝐴 ∩ 𝐵) = 0 porque no

𝑃(𝐴𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴)

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵/𝐴)

𝑃(𝐴) ≠ 𝑃(𝐵) → 𝑃(𝐵/𝐴) ≠ 𝑃(𝐴/𝐵)

Despejando, obtenemos el Teorema de Bayes:

Este teorema nos permite calcular la probabilidad condicional de un suceso si conocemos la

Aplicaciones del Teorema de Bayes

Definimos los sucesos:

Luego habiéndose encontrado una pieza defectuosa, nos preguntamos ¿cuál es la

𝑃(𝑋/𝐷) , 𝑃(𝑌/𝐷) , 𝑃(𝑍/𝐷)

𝑃(𝐷/𝑋) = 0,02 , 𝑃(𝐷/𝑌) = 0,03 , 𝑃(𝐷/𝑍) = 0,04

𝑃(𝐷) = 𝑃(𝑋) ∙ 𝑃(𝐷/𝑋) + 𝑃(𝑌) ∙ 𝑃(𝐷/𝑌) + 𝑃(𝑍) ∙ 𝑃(𝐷/𝑍)

Por el teorema de Bayes podemos calcular

𝑃(𝑋/𝐷) + 𝑃(𝑌/𝐷) + 𝑃(𝑍/𝐷) = 1

- En la urna I (𝑈1 ) hay 10 bolillas rojas

Suceso Elegir Urna Prob. Condicional Prob. Conjunta

en nuestro caso tendríamos 𝐴: {𝑅 , 𝑉 } 𝐵: {𝑈1 ; 𝑈2 }

Se verifica 𝑃(𝑈1 /𝑅) + 𝑃(𝑈2 /𝑅) = 1

Suceso Elegir Urna Prob. Condicional Prob. Conjunta

También se pueden expresar los datos en forma de matriz

Roja Verde Total

También podría gustarte