Teorema de Bayes

Si A 1, A 2 ,... , An son:
Sucesos incompatibles 2 a 2.
Y cuya unin es el espacio muestral (A 1

A2

...

A n = E).

Y B es otro suceso.
Resulta que:

Las probabilidades p(A1) se denominan probabilidades a priori.

Las probabilidades p(Ai/B) se denominan probabilidades a posteriori.
Las probabilidades p(B/Ai) se denominan verosimilitudes.
Ejemplos:

1 El 20% de los empleados de una empresa son ingenieros y otro 20% son
economistas. El 75% de los ingenieros ocupan un puesto directivo y el 50% de los
economistas tambin, mientras que los no ingenieros y los no economistas solamente
el 20% ocupa un puesto directivo. Cul es la probabilidad de que un empleado
directivo elegido al azar sea ingeniero?

2 La probabilidad de que haya un accidente en una fbrica que dispone de alarma es

0.1. La probabilidad de que suene esta s se ha producido algn incidente es de 0.97 y
la probabilidad de que suene si no ha sucedido ningn incidente es 0.02.
En el supuesto de que haya funcionado la alarma, cul es la probabilidad de que no
haya habido ningn incidente?
Sean los sucesos:
I = Producirse incidente.
A = Sonar la alarma.

robabilidad condicionada

Pgina web con conceptos e ideas de probabilidad condicionada.

Probabilidad total y teorema de Bayes.

Probabilidad compuesta, interseccin de sucesos p (A B )

Sucesos A y B independientes la probabilidad es

p (A B ) = p (A) + P(B)

Sucesos A y B dependientes hablamos de probabilidad condicionada.

Probabilidad condicionada

Las frmulas para explicar la probabilidad condicionada y dentro de esta la

probabilidad total y el teorema de Bayes se comprenden mejor en los ejemplos.

Probabilidad total

Teorema de Bayes

Ejemplos de probabilidad total y teorema de Bayes

Teorema de Bayes
El Teorema de Bayes viene a seguir el proceso inverso al que hemos
visto en el Teorema de la probabilidad total:

Teorema de la probabilidad total: a partir de las probabilidades del

suceso A (probabilidad de que llueva o de que haga buen tiempo)
deducimos la probabilidad del suceso B (que ocurra un accidente).

Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha

ocurrido un accidente) deducimos las probabilidades del suceso A
(estaba lloviendo o haca buen tiempo?).

La frmula del Teorema de Bayes es:

Tratar de explicar estar frmula con palabras es un galimatas, as que

vamos a intentar explicarla con un ejemplo. De todos modos, antes de
entrar en el ejercicio, recordar que este teorema tambin exige que
el suceso A forme un sistema completo.

Ejercicio 1: El parte meteorolgico ha anunciado tres posibilidades

para el fin de semana:

a) Que llueva: probabilidad del 50%.

b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.

Segn estos posibles estados meteorolgicos, la posibilidad de que

ocurra un accidente es la siguiente:

a) Si llueve: probabilidad de accidente del 10%.

b) Si nieva: probabilidad de accidente del 20%
c) Si hay niebla: probabilidad de accidente del 5%.

Resulta que efectivamente ocurre un accidente y como no estbamos en

la ciudad no sabemos que tiempo hizo (nev, llovo o hubo niebla). El
teorema de Bayes nos permite calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un
accidente se denominan "probabilidades a priori" (lluvia con el 60%,
nieve con el 30% y niebla con el 10%).
Una vez que incorporamos la informacin de que ha ocurrido un
accidente, las probabilidades del suceso A cambian: son probabilidades
condicionadas P (A/B), que se denominan "probabilidades a
posteriori".
Vamos a aplicar la frmula:

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el da del

accidente (probabilidad a posteriori) es del 71,4%.

b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 7,1%.

Probabilidad de eventos
Teorema de Bayes
En muchas situaciones es posible que se conozca
que el espacio muestral est particionado por una coleccin de eventos
,

mutuamente exluyentes

La probabilidad de cada evento

La probabilidad de ocurrencia de un evento cualquiera

particin

dado un evento de la

. Esto es,

Entonces es recomendable utilizar el llamado Teorema de Bayes para calcular la

probabilidad condicional de que un evento de la particin
evento

dado que ocurre el

Teorema
Sea
un espacio muestral y
mutuamente excluyentes tal que

para

una

. Entonces para cualquier evento

coleccin

de

de

eventos

Ejemplos
En cierta planta de montaje, tres mquinas B B B , montan 30%, 45% y 25%
de los productos, respectivamente. Se sabe de la experiencia pasada que 2%, 3%,
y 2% de los productos ensamblados por cada mquina, respectivamente, tiene
defectos. Ahora, suponga que se selecciona de forma aleatoria un producto
terminado y se encuentra que es defectuoso, cul es la probabilidad de que est
ensamblado por la mquina B ?
Solucin:
Considere los eventos siguientes:
A: el producto est defectuoso,
B : el producto est ensamblado por la mquina B .
B : el producto est ensamblado por la mquina B .

B : el producto est ensamblado por la mquina B .

Al aplicar el teorema, podemos escribir:

De los datos del problema sabemos que:

Entonces:

As, al seleccionar de forma aleatoria un producto terminado y encontrar que es

defectuoso, la probabilidad de que est haya sido ensamblado por la mquina B
es del 20%.

1.3.5 Teorema de Bayes

La interpretacin ms aceptada del teorema de Bayes, es que su

estructura permite el calculo de probabilidades despus de
haber
sido
realizado
un
experimento
(probabilidades aposteriori), basndose en el conocimiento de la
ocurrencia de ciertos eventos que dependan del evento
estudiado, o sea, se parte de probabilidades conocidas antes de
efectuar el experimento (probabilidades apriori), las cuales son

afectadas por las probabilidades propias del experimento (las

que aparecen durante la ocurrencia del evento).

Continuando nuestro anlisis sobre el teorema de Bayes, la

probabilidad condicional de Ai dado B, para cualquier i, es:

Aplicando en el numerador la Regla de Multiplicacin P(AiB) =

P(Ai) P(B|Ai) y en el denominador el Teorema de Probabilidad
Total P(B) = P(A1) P(B | A1) + P(A2) P(B | A2) + . . . + P(An) P(B
| An), obtenemos la ecuacin que representa al:

Teorema de Bayes

Ejemplo 3. 11. Referente al problema de la fbrica que produce

dos tipos de reguladores A y B visto anteriormente en la aparte
corresponde al Teorema de Probabilidad Total, cabe hacer el
siguiente anlisis: si se selecciona un regulador al azar de la
produccin de la fbrica y se ve que funciona bien Cul es la
probabilidad de que sea del tipo B?

Solucin

En este caso el estudio se restringe a los reguladores que funcionan bien, por
lo que ese evento acta como espacio muestral reducido, o sea como evento
condicin. Por lo tanto, el planteamiento de la pregunta es P(B | F).

Los datos que se tienen son :

P(A) = 0.75

P(F | A) = 0.95

P(B) = 0.25

P(F | B) = 0.98

De acuerdo al Teorema de Bayes:

Podemos observar que el denominador corresponde al resultado

obtenido al aplicar el Teorema de Probabilidad Total, lo cual debe
ser as, ya que la probabilidad condicional establece
que
Probabilidad

De

esta

forma

podemos

ver

que

la

Total es el denominador de la frmula del Teorema de Bayes.

Tambin podemos observar que aplicando los conceptos de la
Regla de Multiplicacin y del Teorema de Probabilidad Total
llegamos al planteamiento del teorema de Bayes, Veamos:

Ejemplo 3. 12. Una fbrica que produce material para la construccin tiene 3
mquinas, a las que se les denomina A, B y C. La mquina A produce tabique,
la B adoqun y la C losetas. La mquina A produce el 50% de la produccin total
de la fbrica, la B el 30% y la C el 20%. Los porcentajes de artculos
defectuosos producidos por las mquinas son, respectivamente, 3%, 4% y 5%.
Si se selecciona un artculo al azar y se observa que es defectuoso, encontrar
la probabilidad de que sea un tabique.

Solucin

Definamos el evento D como sea un artculo defectuoso. De

acuerdo a esto tenemos que:

P(A) = 0.5

P(D | A) = 0.03

P(B) = 0.3

P(D | B) = 0.04

P(C) = 0.2

P(D | C) = 0.05

Si el artculo del que deseamos calcular la probabilidad es un tabique,

significa que es producido por la mquina A. Tambin observamos que en la
solucin solamente participan los artculos defectuosos, ya que se pone por
condicin esta caracterstica. Por lo tanto:

Ejemplo 3. 13. A un congreso asisten 100 personas, de las cuales 65 son

hombres y 35 son mujeres. Se sabe que el 10% de los hombres y el 6% de las
mujeres son especialistas en computacin. Si se selecciona al azar a un
especialista en computacin Cul es la probabilidad de que sea mujer?

Solucin

Definamos los eventos:

H:

Sea un hombre

M: Sea una mujer

E:

La persona sea especialista en computacin

Tenemos que:

Por lo tanto: