Beruflich Dokumente
Kultur Dokumente
Bc
P(Bc|A)
P(B|Ac)
B
P(Ac)
Ac
P(Bc|A)
Bc
Sobre las ramas del diagrama de rbol se han anotado las probabilidades condicionadas correspondientes,
deducidas de las relaciones anlogas a:
Juan Camilo Alzate Echeverri
34
juank151@hotmail.com
Estadstica Probabilstica
B ) = P( A ) P( B/A )
para calcular las probabilidades de las intersecciones de sucesos que forman la tabla.
Ejemplo 1
Un taller sabe que por trmino medio acuden por la maana 3 automviles con problemas elctricos, 8 con
problemas mecnicos y 3 con problemas de chapa, y por la tarde 2 con problemas elctricos, 3 con problemas
mecnicos y 1 con problemas de chapa.
a. Calcule el porcentaje de los que acuden por la tarde.
b. Calcule el porcentaje de los que acuden por problemas mecnicos.
c. Calcule la probabilidad de que un automvil con problemas elctricos, acuda por la maana.
Solucin
En las tablas de contingencia, con las frecuencias absolutas y los porcentajes, respectivamente, pueden verse
recogidos los datos del enunciado.
ELCTRICOS MECNICOS CHAPA TOTAL
MAANA
14
TARDE
TOTAL
11
20
0.15
0.40
0.15
0.70
TARDE
0.10
0.15
0.05
0.30
TOTAL
0.25
0.55
0.20
1.00
Las respuestas a las cuestiones planteadas basta leerlas en las tabla. As, se obtiene:
35
Estadstica Probabilstica
P( B) P( An ) P( B / An )
I 1
Ejemplo 1
Una poblacin est formada por tres grupos tnicos: A con un 30%, B con un 10% y C con un 6O%. Adems se
sabe que el porcentaje de personas con ojos claros en cada una de estas poblaciones es, respectivamente, del
20%, 40% y 5%. Cul es la probabilidad de que un individuo al azar de esta poblacin tenga ojos claros?
Solucin
Por el teorema de la probabilidad total, la probabilidad de que un individuo elegido al azar de esta poblacin
tenga ojos claros es:
P(ojos claros) = P(A) x P(ojos claros/A) + P(B) x P(ojos claros/B) + P(C) x P(0jos claros/C )
= 0.3 x 0.2 + 0.1 x 0.4 + 0.6 x 0.05 = 0.13
La probabilidad de que un individuo escogido al azar de esta poblacin sea de ojos claros es del 13%.
Ejemplo 2
Se realiz un censo en la ciudad de Medelln para saber la cantidad de personas que habita la ciudad. Sus
resultados fueron que el 0.6 son mujeres y el resto hombres. De las mujeres el 0.65 son menores de edad y el
0.35 son mayores de edad, mientras que en los hombres sucede lo contrario de las mujeres. Si se escoge una
persona al azar de este estudio, encuentre la probabilidad de que sea menor de edad.
Solucin
36
Estadstica Probabilstica
M = {Sea mujer}
H = {Sea hombre}
P(A|M)=0.65
P(M)=0.6
P(B|M)=0.35
P(A|H)=0.35
P(H)=0.4
P(B|H)=0.65
Medelln
24%
47%
29%
Bogot
22%
36%
42%
Si un usuario encuestado es seleccionado al azar, encuentre la probabilidad de que considere que el servicio
de Avianca es bueno.
Solucin
P(B) = P(Med B)+ P(Bt B)
P(B) = P(Med)*P(B|Med)+P(Bt)*P(B|Bt)
P(B) = 0.5 * 0.24 + 0.5 * 0.22 = 0.12 + 0.11 = 0.23
La probabilidad de que esta persona haya dicho que el servicio es bueno es del 23 %.
Para una mayor claridad puedes observar el diagrama adjunto.
Bueno
37
Estadstica Probabilstica
P(B/Med) = 0.24
Medelln
Inicio
P(Med) = 0.5
P(Bt) = 0.5
Regular
Malo
P(R/Med) = 0.47
P(M/Med) = 0.29
Bueno
P(B/Bt) = 0.22
Bogot
P(M/Bt) = 0.42
Ejemplo 4
Una compaa dedicada al transporte pblico explota tres lneas de una ciudad, de forma que el 60% de los
autobuses cubre el servicio de la primera lnea, el 30% cubre la segunda y el 10% cubre el servicio de la tercera
lnea. Se sabe que la probabilidad de que, diariamente, un autobs se avere es del 2%, 4% y 1%,
respectivamente, para cada lnea. Determina la probabilidad de que, en un da, un autobs sufra una avera.
Solucin
El suceso "sufrir una avera" (Av) puede producirse en las tres lneas, (L1, L2, L3). Segn el teorema de la
probabilidad total y teniendo en cuenta las probabilidades del diagrama de rbol adjunto, tenemos:
P(Av) = P(L1)*P(Av/L1) + P(L2)*P(Av/L2) + P(L3)*P(Av/L3)
= 0.6*0.02 + 0.3*0.04 + 0.1*0.01
= 0.012 + 0.012 + 0.001 = 0.025
Estadstica Probabilstica
7. Teorema de Bayes
La tcnica ms antigua y mejor definida para manejar la incertidumbre es la Regla de Bayes, la misma que est
basada en la teora clsica de la probabilidad. Las hiptesis son ms o menos probables dependiendo de las
posibilidades de los hechos o evidencias que las sostienen. La probabilidades se calculan con base a la frmula
general de la probabilidad condicional de Bayes o alguna transformacin de la misma.
En su esencia, esta regla nos indica qu informacin es necesaria y el mtodo para invertir la condicin cuando
calculamos una probabilidad condicional. Si A y B son eventos y conocemos P(A/B), P(A/Bc), entonces
podemos calcular P(B/A). La necesidad de calcular ste ultimo valor a partir de la informacin disponible es
imprescindible para entender las consecuencias de algunas de nuestras decisiones.
Suponga que en el ejemplo 3 de la pgina 36, el cual habla sobre la opinin que tienen los usuarios de Bogot
y Medelln acerca de la aerolnea Avianca, se quiere hallar la probabilidad de que al escoger una persona al
azar del estudio, sta sea de Medelln, dado que dijo que el servicio era bueno.
Bueno
Medelln
Inicio
P(Med) = 0.5
P(Bt) = 0.5
Bogot
P(B/Med) = 0.24
Regular
P(R/Med) = 0.47
P(M/Med) = 0.29
Malo
Bueno
P(B/Bt) = 0.22
P(M/Bt) = 0.42
Solucin
Segn lo preguntado, deberamos encontrar la probabilidad siguiente:
P(Med/B)
39
Estadstica Probabilstica
P( Med B)
P( B)
P( Med ) P( B / Med )
P( Med / B)
P( Med B) P( Bt B)
P( Med ) P( B / Med )
P( Med / B)
P( Med ) P( B / Med ) P( Bt ) P( B / Bt )
P( Med / B)
Lo que hicimos fue simplemente: aplicar en el segundo paso la regla multiplicativa de la probabilidad para el
numerador y la regla de la probabilidad total para el denominador. Ahora podemos reemplazar los valores en la
ltima frmula pues todos son conocidos.
P( Med / B)
0.5 * 0.24
0.12
0.522
0.5 * 0.24 0.5 * 0.22 0.23
Lo cual quiere decir que la probabilidad de que la persona sea de Medelln, dado que dijo que el servicio es
bueno, es del 52.2%.
P( Ai / B)
P( Ai B)
P( B)
P( Ai / B)
P( Ai ) P( B / Ai )
P( A1 ) P( B / A1 ) P( A2 ) P( B / A2 ) ... P( An ) P( B / An )
P( Ai / B)
P( Ai ) P( B / Ai )
n
P( A ) P( B / A )
j 1
Teorema de Bayes
40
Estadstica Probabilstica
P( Ai / B)
Para i = 1,n
P(Ai) : Son llamadas probabilidades a priori, ya que estn dadas antes de que tengamos cualquier conocimiento
acerca del resultado de un evento que proviene de la fuente i.
P(Ai/B) : Es la probabilidad condicional tpica o normal que trata con la probabilidad de un resultado en la
segunda etapa despus que un resultado en la primera etapa ha ocurrido.
P(B/Ai) : Es la probabilidad inversa o sea, que trata con la probabilidad de un resultado en la primera etapa
dado que un resultado en la segunda etapa ha ocurrido. Tambin se llama probabilidad a posteriori, (o
posterior) ya que es encontrada despus que el resultado de la prueba es conocido.
En los problemas relacionados con la probabilidad, y en particular con la probabilidad condicionada, as como
con la probabilidad total y el teorema de Bayes, es aconsejable que, con la informacin del problemas,
construyas una tabla de contingencia o un diagrama de rbol.
Ejemplo
El gerente de marketing de una firma fabricante de juguetes planea la introduccin de un nuevo juguete al
mercado. En el pasado, 40% de los juguetes introducidos por esta firma han tenido xito y 60% no lo han
tenido. Antes de lanzar el juguete al mercado, se lleva a cabo una investigacin de mercados y se elabora un
informe, favorable o desfavorable. En el pasado, 80% de los juguetes con xito recibieron informes favorables y
30% de los juguetes sin xito tambin recibieron informes favorables. El gerente de marketing quera conocer la
probabilidad de que el nuevo juguete tendr xito si recibe un informe favorable.
El teorema de bayes se puede desarrollar a partir de las definiciones de probabilidad condicional y marginal en
la siguiente forma:
P(B A) = P(B) P(A/B)
(1)
P(A B) = P(A)P(B/A)
(2)
Estadstica Probabilstica
P(A/Bi) P(Bi)
.
P(A/B1) P(B1) + P(A/B2) P(B2)+..........+ P(A/BK) P(BK)
P(E)= 0.40
P(Ec )= 0.60
Entonces
P(E/F)=
P(F/E)= 0.80
P(F/ Ec )= 0.30
P(F/E) P(E)
.
c
c
P(F/E) P(E) + P(F/ E ) P(E )
(0.80) (0.40)
.
(0.80) (0.40) + (0.30) (0.60)
0.32 .
0.32 + 0.18
= 0.64
La probabilidad de que un juguete tenga xito, dado que se recibi un informe favorable, es de 0.64. por tanto,
la probabilidad de que un juguete no tenga xito puesto que recibi un informe favorable es de 0.36, porque
solo hay dos eventos posibles:
P(Ec/F)= 1- P (E/F)
El denominador del teorema de Bayes representa la probabilidad total del evento F, en este caso un informe
favorable de la investigacin de mercados. Por tanto, la proporcin de juguetes que reciben informes favorables
de la investigacin de mercados es de 0.50.
42