1. Probabilidad condicionada.

Fórmula de la probabilidad
total. Teorema de Bayes.
1.1. Probabilidad condicionada
Sean A, B dos sucesos en un espacio de probabilidad (Ω, A, P ), se define la probabilidad
de A condicionada al suceso B como aquella probabilidad de que suceda A supuesto que
se ha producido el evento B. Se calcula por medio de la fórmula

P (A ∩ B)
P (A/B) = (1)
P (B)

1.Ejemplo.
Supongamos que tenemos dos urnas, una llamémosle urna I, con 7 bolas de color negro
y 3 bolas blancas. La otra urna, llámese urna II, contiene 4 bolas negras y 2 bolas blancas.
Se saca una bola de la urna I y se introduce en la urna II. A continuación se extrae de
la urna II una bola. Está claro que el color de la bola que saquemos de la segunda urna
depende del color de la bola sacada de la urna I. Si la primera bola extraı́da de la urna I
fuera de color negro, ¿cuál serı́a la probabilidad de extraer una bola negra de la urna II?

Solución. Llamemos S al suceso de extraer una bola negra de la urna II y N al

suceso de extraer una bola negra en la urna I. La probabilidad que se pide en la pregunta
es
5
P (S/N ) =
7

1.2. Teorema de la probabilidad total.

Sean A1 , A2 , . . . , An ∈ A una colección de sucesos tales que son mutuamente exclu-
yentes, esto es Ai ∩ Aj = ∅ ∀i 6= j. Supongamos que además son exhaustivos, esto es
A1 ∪ A2 ∪ . . . ∪ An = Ω. Dado un suceso cualquiera S, entonces su probabilidad responde
a la siguiente fórmula
n n n
!
[ X X
P (S) = P (S ∩ Ω) = P Ai ∩ S = P (Ai ∩ S) = P (S/Ai ) P (Ai ) (2)
i=1 i=1 i=1

2. Ejemplo.
En el ejemplo anterior, ¿cuál es la probabilidad de obtener una bola negra en la segunda
extracción?. Llamaremos B y N respectivamente a los sucesos de extraer una bola blanca
o una negra en la primera extracción. Entonces, si S denota el suceso que nos interesa,
extraer una bola negra en la segunda extracción, tenemos que
5 7 4 3 5 12 47
P (S) = P (S/N ) · P (N ) + P (S/B) · P (B) = · + · = + =
7 10 7 10 10 70 70

1.3. Teorema de Bayes. Probabilidades a posteriori.

Supongamos que en la situación planteada en el epı́grafe anterior queremos conocer
cuál es la probabilidad condicionada P (A1 /S). Es decir, una vez que conocemos que se
ha producido el suceso S cuál es la probabilidad de que esto se deba al evento A1 , esto

Fernando Villena Delgado 1

1.3 Teorema de Bayes. Probabilidades a posteriori.

se conoce como una “probabilidad a posteriori”. Aplicando la definición de probabilidad

condicionada tendremos
P (A1 ∩ S) P (S/A1 ) · P (A1 ) P (S/A1 ) · P (A1 )
P (A1 /S) = = n = n (3)
P (S) P P
P (Ai ∩ S) P (S/Ai ) P (Ai )
i=1 i=1

La fórmula anterior nos vale para cualquier suceso Aj en lugar de A1 .

3. Ejemplo.
Supongamos que en una fábrica tenemos tres máquinas que fabrica un determinada
modelo de pieza metálica para un motor de un coche. Las máquinas las llamaremos A,
B y C. Sea E el evento que consiste en que una pieza salga defectuosa.Sabemos que la
máquina A produce el 40 % del total de piezas, B el 30 % y C el resto, otro 30 %. Sabemos
además, que la máquina A puede llegar a fabricar un 1 % de piezas defectuosas, la B un
2 % y por último la máquina C tiene una probabilidad del 0,5 % de producir una pieza
defectuosa. En un test de calidad se encontró una pieza defectuosa, nos preguntamos por
la probabilidad de que dicha pieza provenga de la máquina A.

Solución.
Este es el tipico problema que se resuelve con el teorema de Bayes. Nos están pidiendo
la probabiliad P (A/E) donde A representa el suceso de que una pieza sea fabricada por
la máquina A. Entonces, aplicando el teorema de Bayes:

P (E/A) · P (A)
P (A/E) = =
P (E/A) · P (A) + P (E/B) · P (B) + P (E/C) · P (C)
0, 01 · 0, 4
= =
0, 01 · 0, 4 + 0, 02 · 0, 3 + 0, 005 · 0, 3
0, 004 4 4 40 8
= = = =
0, 004 + 0, 006 + 0, 0015 4 + 6 + 1, 5 11, 5 115 23

4. Ejemplo.
Una planta industrial recibe microcircuitos provenientes de tres distintos fabricantes,
sean estos B1 , B2 , B3 . El 50 % del total se compra a B1 mientras que a B2 y a B3 se les
compra el 25 % a cada uno. El porcentaje de circuitos defectuosos para B1 , B2 y B3 es
de 5, 10 y 12 % respectivamente. Si los circuitos se almacenan en la planta de montaje si
importar quien fue el proveedor:

a) Determinar la probabilidad de que una unidad ensamblada en la planta contenga un

circuito defectuoso.

b) Si un circuito no está defectuoso, ¿cuál es la probabilidad de haya sido vendido por

el proveedor B2 ?

Solución.

a) Llamaremos E al suceso de encontrar un circuito defectuoso. B1 , B2 , B3 a los

sucesos de que un circuito venga de los proveedores homónimos. Entonces, aplicamos

Fernando Villena Delgado 2

1.3 Teorema de Bayes. Probabilidades a posteriori.

la fórmula de la probabilidad total:

P (E) = P (E/B1 )P (B1 ) + P (E/B2 )P (B2 ) + P (E/B3 )P (B3 ) =
= 0, 05 · 0, 5 + 0, 1 · 0, 25 + 0, 12 · 0, 25 = 0, 08

b) Con la notación del apartado anterior, buscamos la probabilidad

P B2 ∩ E P E/B2 P (B2 ) 0, 9 · 0, 25 45
P B2 /E =
=
= = ≈ 0, 245
P E P E 0, 92 184
Puesto que


P E = 1 − P (E) y P E/B2 = 1 − P (E/B2 )

5. Ejemplo.
Tenemos tres urnas: A, con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1 negra, y
C, con 2 bolas rojas y 3 negras. Escogemos una caja al azar y extraemos una bola. Si la
bola es de color rojo, ¿cuál es la probabilidad de haber sido sacada de la caja A?

Solución.
Llamemos R al evento “sacar bola roja N al suceso “sacar bola negra”. En el diagrama
2

de árbol (1) se reflejan las distintas probabilidades

Figura 1: árbol de probabilidades

La probabilidad que nos piden es P (A/R) que aplicando el teorema de Bayes serı́a
P (R/A)P (A)
P (A/R) = =
P (R/A)P (A) + P (R/B)P (B) + P (R/C)P (C)
3 1 1
· 45
8 3 = 8 = ≈ 0, 260 = 26 %
3 1 2 1 2 1 1 2 2 173
· + · + · + +
8 3 3 3 5 3 8 9 15

Fernando Villena Delgado 3

1.3 Teorema de Bayes. Probabilidades a posteriori.

6. Ejemplo.Teorema de Bayes y diagnóstico de una enfermedad.

Supongamos que una cierta enfermedad tiene una prevalencia del 1 % en una pobla-
ción humana. Disponemos de un test para detectar la enfermedad que es fiable al 90 %.
¿Qué significa esto?, pues quiere decir que el test da positivo con un 90 % al aplicarlo a
un paciente enfermo y da negativo en un 90 % cuando se aplica a un inidividuo sano. Si
escogemos al azar un individuo de dicha población, llamemos E al evento que significa que
está enfermo y llamemos S al evento de que sea sano. También llamaremos A al suceso que
consiste en dar positivo cuando se aplica el test. Lo que queremos averiguar es la probabili-
dad de que un individuo esté realmente enfermo cuando el test da positivo. Empezaremos
hallando la probabilidad de obtener un positivo para un individuo cualquiera:
27
P (A) = P (A/E)P (E) + P (A/S)P (S) = 0, 90 · 0, 01 + 0, 10 · 0, 99 = = 0, 108
250
Supongamos que al examinar a un sujeto, éste ha dado positivo en el test. ¿Cuál es la
probabilidad de que esté realmente enfermo y no sano?. La respuesta nos la proporciona
el teorema de Bayes:

P (A/E)P (E) 0, 90 · 0, 01 0, 009 1

P (E/A) = = = =
P (A) 0, 108 0, 108 12
De manera que aún cuando el test da positivo, la probablidad de que un inidividuo
tenga la enfermedad es de bastante menos de un 10 %.

Fernando Villena Delgado 4