Probabilidad y Estadı́stica

Unidad I: Regla de Bayes

Dr. Luis Celso Chan Palomo

chpalomo@uady.mx
Clase 7

February 2, 2023
Unidad I: Probabilidad

Competencia: Aplica conceptos básicos de probabilidad y de

distribuciones de probabilidad a situaciones prácticas del área de
ingenierı́a relacionadas con modelos de distribución.
▶ Probabilidad Total.
▶ Regla de Bayes.
▶ Ejemplos

ADA en UadyVirtual
Repaso

Corolario
Si A y B son mutuamente excluyentes entonces:

P(A ∪ B) = P(A) + P(B)

Teorema
Si en un experimento pueden ocurrir los eventos A y B, entonces

P(A ∩ B) = P(A)P(B | A),

siempre que P(A) > 0.

Motivación

P(A) = P[(E ∩ A) ∪ (E ′ ∩ A)]

Motivación

P(A) = P[(E ∩ A) ∪ (E ′ ∩ A)]

= P(E ∩ A) + P(E ′ ∩ A) excluyentes
Motivación

P(A) = P[(E ∩ A) ∪ (E ′ ∩ A)]

= P(E ∩ A) + P(E ′ ∩ A) excluyentes
= P(E )P(A | E ) + P(E )P(A | E ′ )
′
Ejemplo
Clasificación de adultos de una pequeña ciudad:

Empleado Desempleado Total

Hombre 460 40 500
Mujer 140 260 400
Total 600 300 900

Se selecciona un individuo al azar para que viaje por el paı́s

promoviendo las ventajas de establecer industrias nuevas en la
ciudad. Suponga que ahora se nos da la información adicional de
que 36 de los empleados y 12 de los desempleados son miembros
del Club Rotario. Encontrar la probabilidad del evento A de que el
individuo seleccionado sea miembro del Club Rotario.
Ejemplo
Clasificación de adultos de una pequeña ciudad:

Empleado Desempleado Total

Hombre 460 40 500
Mujer 140 260 400
Total 600 300 900

Se selecciona un individuo al azar para que viaje por el paı́s

promoviendo las ventajas de establecer industrias nuevas en la
ciudad. Suponga que ahora se nos da la información adicional de
que 36 de los empleados y 12 de los desempleados son miembros
del Club Rotario. Encontrar la probabilidad del evento A de que el
individuo seleccionado sea miembro del Club Rotario.

solución
P(A) = P(E )P(A | E ) + P(E ′ )P(A | E ′ ) =
Ejemplo
Clasificación de adultos de una pequeña ciudad:

Empleado Desempleado Total

Hombre 460 40 500
Mujer 140 260 400
Total 600 300 900

Se selecciona un individuo al azar para que viaje por el paı́s

promoviendo las ventajas de establecer industrias nuevas en la
ciudad. Suponga que ahora se nos da la información adicional de
que 36 de los empleados y 12 de los desempleados son miembros
del Club Rotario. Encontrar la probabilidad del evento A de que el
individuo seleccionado sea miembro del Club Rotario.

solución
′ ′
P(A)
= P(E
600 36

)P(A | E ) + P(E )P(A | E ) =
900 600 +
Ejemplo
Clasificación de adultos de una pequeña ciudad:

Empleado Desempleado Total

Hombre 460 40 500
Mujer 140 260 400
Total 600 300 900

Se selecciona un individuo al azar para que viaje por el paı́s

promoviendo las ventajas de establecer industrias nuevas en la
ciudad. Suponga que ahora se nos da la información adicional de
que 36 de los empleados y 12 de los desempleados son miembros
del Club Rotario. Encontrar la probabilidad del evento A de que el
individuo seleccionado sea miembro del Club Rotario.

solución
P(A)
= P(E
)P(A |
E ) +
P(E ′ )P(A | E ′ ) =
600 36 300 12 4
900 600 + 900 300 = 75 , E empleados.
Al sumar las probabilidades al final de cada rama del árbol se
obtiene la probabilidad del evento A:

solución

P(A) = P(E )P(A | E ) + P(E ′ )P(A | E ′ )

     
600 36 300 12 4
= + =
900 600 900 300 75
Lema
Para cualquier evento A y E de un espacio muestra S:

P(A) = P(E )P(A | E ) + P(E ′ )P(A | E ′ )

Pregunta
Cómo se generaliza la fórmula del Lema?
Probabilidad Total
Teorema
Si los eventos B1 , B2 y B3 son una partición del espacio muestra S
y P(Bi ) ̸= 0 i = 1, 2, 3 entonces para cualquier evento A de S:

P(A) = P(B1 ∩ A) + P(B2 ∩ A) + P(B3 ∩ A)

= P(B1 )P(A | B1 ) + P(B2 )P(A | B2 ) + P(B3 )P(A | B3 )
 P(A) = P(B1 )P(A | B1 ) + P(B2 )P(A | B2 ) + P(B3 )P(A | B3 )

Ejemplo
Tres máquinas de cierta planta de ensamble, B1 , B2 y B3 , montan
30%, 45% y 25% de los productos, respectivamente. Se sabe por
experiencia que 2%, 3% y 2% de los productos ensamblados por
cada máquina, respectivamente, tienen defectos. Ahora bien,
suponga que se selecciona de forma aleatoria un producto
terminado. ¿Cuál es la probabilidad de que esté defectuoso?
 P(A) = P(B1 )P(A | B1 ) + P(B2 )P(A | B2 ) + P(B3 )P(A | B3 )

Ejemplo
Tres máquinas de cierta planta de ensamble, B1 , B2 y B3 , montan
30%, 45% y 25% de los productos, respectivamente. Se sabe por
experiencia que 2%, 3% y 2% de los productos ensamblados por
cada máquina, respectivamente, tienen defectos. Ahora bien,
suponga que se selecciona de forma aleatoria un producto
terminado. ¿Cuál es la probabilidad de que esté defectuoso?

solución

P(A) = (.3)P(A | B1 ) + (.45)P(A | B2 ) + (.25)P(A | B3 )

 P(A) = P(B1 )P(A | B1 ) + P(B2 )P(A | B2 ) + P(B3 )P(A | B3 )

Ejemplo
Tres máquinas de cierta planta de ensamble, B1 , B2 y B3 , montan
30%, 45% y 25% de los productos, respectivamente. Se sabe por
experiencia que 2%, 3% y 2% de los productos ensamblados por
cada máquina, respectivamente, tienen defectos. Ahora bien,
suponga que se selecciona de forma aleatoria un producto
terminado. ¿Cuál es la probabilidad de que esté defectuoso?

solución

P(A) = (.3)P(A | B1 ) + (.45)P(A | B2 ) + (.25)P(A | B3 )

= (.3)(.02) + (.45)(.03) + (.25)(.02) = .0245
Ejemplo
Tres máquinas de cierta planta de ensamble, B1 , B2 y B3 , montan
30%, 45% y 25% de los productos, respectivamente. Se sabe por
experiencia que 2%, 3% y 2% de los productos ensamblados por
cada máquina, respectivamente, tienen defectos.
Motivación: Regla de Bayes
En general P(A | B) ̸= P(B | A). La regla de Bayes proporciona
una fórmula que permite calcular una de las probabilidades
condicionales si se conoce la otra. Suponga que se conoce
P(B | A) y que se desea calcular P(A | B):
P(A ∩ B)
P(A | B) = =
P(B)
Motivación: Regla de Bayes
En general P(A | B) ̸= P(B | A). La regla de Bayes proporciona
una fórmula que permite calcular una de las probabilidades
condicionales si se conoce la otra. Suponga que se conoce
P(B | A) y que se desea calcular P(A | B):
P(A ∩ B) P(A)P(B | A)
P(A | B) = =
P(B) P(B)
Motivación: Regla de Bayes
En general P(A | B) ̸= P(B | A). La regla de Bayes proporciona
una fórmula que permite calcular una de las probabilidades
condicionales si se conoce la otra. Suponga que se conoce
P(B | A) y que se desea calcular P(A | B):
P(A ∩ B) P(A)P(B | A)
P(A | B) = =
P(B) P(B)
P(A)P(B | A)
=
P(A)P(B | A) + P(A′ )P(B | A′ )
Motivación: Regla de Bayes
En general P(A | B) ̸= P(B | A). La regla de Bayes proporciona
una fórmula que permite calcular una de las probabilidades
condicionales si se conoce la otra. Suponga que se conoce
P(B | A) y que se desea calcular P(A | B):
P(A ∩ B) P(A)P(B | A)
P(A | B) = =
P(B) P(B)
P(A)P(B | A)
=
P(A)P(B | A) + P(A′ )P(B | A′ )

Ejemplo
La proporción de personas en una comunidad que tienen cierta
enfermedad es 0.005. Está disponible una prueba para diagnosticar
la enfermedad. Si una persona la padece, la probabilidad de que la
prueba dé una señal positiva es 0.99. Si una persona no está
enferma, la probabilidad de que la prueba dé una señal positiva es
0.01. Si una persona sale positiva en la prueba, ¿cuál es la
probabilidad de que la persona realmente esté enferma?
Ejemplo
La proporción de personas en una comunidad que tienen cierta
enfermedad es 0.005. Está disponible una prueba para diagnosticar
la enfermedad. Si una persona la padece, la probabilidad de que la
prueba dé una señal positiva es 0.99. Si una persona no está
enferma, la probabilidad de que la prueba dé una señal positiva es
0.01. Si una persona sale positiva en la prueba, ¿cuál es la
probabilidad de que la persona realmente esté enferma?

solución
Sea B que la prueba sale positiva y A que esté enferma:

P(A)P(B | A)
P(A | B) =
P(A)P(B | A) + P(A′ )P(B | A′ )
Ejemplo
La proporción de personas en una comunidad que tienen cierta
enfermedad es 0.005. Está disponible una prueba para diagnosticar
la enfermedad. Si una persona la padece, la probabilidad de que la
prueba dé una señal positiva es 0.99. Si una persona no está
enferma, la probabilidad de que la prueba dé una señal positiva es
0.01. Si una persona sale positiva en la prueba, ¿cuál es la
probabilidad de que la persona realmente esté enferma?

solución
Sea B que la prueba sale positiva y A que esté enferma:

P(A)P(B | A)
P(A | B) =
P(A)P(B | A) + P(A′ )P(B | A′ )
(.005)(.99)
=
(.005)(.99) +
Ejemplo
La proporción de personas en una comunidad que tienen cierta
enfermedad es 0.005. Está disponible una prueba para diagnosticar
la enfermedad. Si una persona la padece, la probabilidad de que la
prueba dé una señal positiva es 0.99. Si una persona no está
enferma, la probabilidad de que la prueba dé una señal positiva es
0.01. Si una persona sale positiva en la prueba, ¿cuál es la
probabilidad de que la persona realmente esté enferma?

solución
Sea B que la prueba sale positiva y A que esté enferma:

P(A)P(B | A)
P(A | B) =
P(A)P(B | A) + P(A′ )P(B | A′ )
(.005)(.99)
= = .332
(.005)(.99) + (.995)(.01)
Teorema (Bayes)
Sean A y B eventos tales que P(A) ̸= 0, P(A′ ) ̸= 0 y P(B) ̸= 0.
Entonces:
P(A)P(B | A)
P(A | B) =
P(A)P(B | A) + P(A′ )P(B | A′ )

Pregunta
Cómo se generaliza?
Teorema (Bayes)
Sean A y B eventos tales que P(A) ̸= 0, P(A′ ) ̸= 0 y P(B) ̸= 0.
Entonces:
P(A)P(B | A)
P(A | B) =
P(A)P(B | A) + P(A′ )P(B | A′ )

Pregunta
Cómo se generaliza?

Teorema (Bayes Generalizado)

Sean A1 , A2 , A3 una partición del espacio muestra S tales que
P(Ai ) ̸= 0. Entonces para cualquier evento B:

P(Ar )P(B | Ar )
P(Ar | B) =
P(A1 )P(B | A1 ) + P(A2 )P(B | A2 ) + P(A3 )P(B | A3 )
Ejemplo
Una empresa de manufactura emplea tres planos analı́ticos para el
diseño y desarrollo de un producto especı́fico. Por razones de
costos los tres se utilizan en momentos diferentes. De hecho, los
planos 1, 2 y 3 se utilizan para 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 ) = 0.03, P(D | P3 ) = 0.02, en donde P(D | Pj ) es la
probabilidad de que un producto esté defectuoso, dado el plano j.
Si se observa un producto al azar y se descubre que está
defectuoso, ¿cuál de los planos tiene más probabilidades de
haberse utilizado y, por lo tanto, de ser el responsable?

P(P1 )P(D | P1 )
P(P1 | D) =
P(P1 )P(D | P1 ) + P(P2 )P(D | P2 ) + P(P3 )P(D | P3 )
Ejemplo
Una empresa de manufactura emplea tres planos analı́ticos para el
diseño y desarrollo de un producto especı́fico. Por razones de
costos los tres se utilizan en momentos diferentes. De hecho, los
planos 1, 2 y 3 se utilizan para 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 ) = 0.03, P(D | P3 ) = 0.02, en donde P(D | Pj ) es la
probabilidad de que un producto esté defectuoso, dado el plano j.
Si se observa un producto al azar y se descubre que está
defectuoso, ¿cuál de los planos tiene más probabilidades de
haberse utilizado y, por lo tanto, de ser el responsable?

P(P1 )P(D | P1 )
P(P1 | D) =
P(P1 )P(D | P1 ) + P(P2 )P(D | P2 ) + P(P3 )P(D | P3 )
(.3)(0.01)
= = 0.158
(.3)(0.01) + (.2)(0.03) + (.5)(0.02)
solución

P(P1 )P(D | P1 )
P(P1 | D) =
P(P1 )P(D | P1 ) + P(P2 )P(D | P2 ) + P(P3 )P(D | P3 )
(.3)(.01)
= = 0.158
(.3)(0.01) + (.2)(0.03) + (.5)(0.02)

P(P2 | D) =
solución

P(P1 )P(D | P1 )
P(P1 | D) =
P(P1 )P(D | P1 ) + P(P2 )P(D | P2 ) + P(P3 )P(D | P3 )
(.3)(.01)
= = 0.158
(.3)(0.01) + (.2)(0.03) + (.5)(0.02)
(.2)(0.03)
P(P2 | D) = = .316
(.3)(0.01) + (.2)(0.03) + (.5)(0.02)

P(P3 | D) =
solución

P(P1 )P(D | P1 )
P(P1 | D) =
P(P1 )P(D | P1 ) + P(P2 )P(D | P2 ) + P(P3 )P(D | P3 )
(.3)(.01)
= = 0.158
(.3)(0.01) + (.2)(0.03) + (.5)(0.02)
(.2)(0.03)
P(P2 | D) = = .316
(.3)(0.01) + (.2)(0.03) + (.5)(0.02)
(.5)(0.02)
P(P3 | D) = = .526
(.3)(0.01) + (.2)(0.03) + (.5)(0.02)

Entonces un defecto en un producto elegido al azar tiene más

probabilidad de ser el resultado de haber usado el plano 3.