TEOREMA DE BAYES

Partición de un espacio muestral: Es el conjunto de sucesos mutuamente excluyentes y que

cubren todo el espacio muestral. Es decir,

A1  A2   Ak   y
Ai  Aj    i  j
.

Teorema de la Probabilidad Total: Si se conoce la probabilidad de B en cada uno de los

sucesos mutuamente excluyentes

 A1, A2 , , Ak  , entonces se puede calcular probabilidad
de B de la siguiente manera:

k
P  B    P  Ai  .P  B Ai 
i 1

TEOREMA DE BAYES
Si se conoce la probabilidad de B en cada uno de los sucesos mutuamente excluyentes
 A1, A2 , , An  , entonces si ocurre de B , se puede calcular la probabilidad de ocurrencia de
Ai  A1, A2 , , Ak  , de la siguiente manera:

P  Ai  B  P  Ai  .P  B Ai 
P  Ai B    k
P B
 P  Ai .P  B Ai 
i 1
¡Recomendación!
Para la resolución de ejercicios de Probabilidad Total y Teorema de Bayes se recomienda utilizar
como punto de partida el siguiente diagrama de árbol.
EJEMPLO N° 1
En una línea de producción hay dos procesos, A y B. En el proceso A hay un 20% de defectuosos
y en B hay 25%. En una muestra de 300 productos hay 200 del proceso A y 100 del B.
a) ¿Qué eventos conformar una partición del espacio muestral?
b) Si se extrae un producto al azar, hallar la probabilidad que sea de que defectuoso.
c) Si al extraer el producto resultó defectuoso, halle la probabilidad de que sea del proceso A.

Solución:

Sean los siguientes eventos:

A : “el producto es del proceso A”

B : “el producto es del proceso B”
D : “el producto es defectuoso”
D : “el producto no es defectuoso”

a) El espacio muestral son todos los productos y los componen los productos del proceso A y
los productos de B    A  B . Por lo tanto, los sucesos A y B conforman una partición
del .

P  D   P  A.P  D A  P  B .P  D B 
b)
 2 1
P D   0.20    0.25 
3 3
13
P D 
60

P  A .P  D A
P A D 
P D
c)
2
 0.20 
P A D  3
2 1
 0.20    0.25
3 3
2 15 6
P A D  
13 60 13
EJEMPLO N° 2
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 también, mientras que
los no ingenieros y los no economistas solamente el 20% ocupa un puesto directivo.

a) Si se escoge un empleado al azar, ¿Cuál es la probabilidad de que ocupa un puesto directivo?

b) ¿Cuál es la probabilidad de que un empleado directivo elegido al azar sea ingeniero?

Solución:

Sean los siguientes eventos:

I : “el empleado es ingeniero”

E : “el empleado es economista”
O : “el empleado ejerce otra profesión”
D : “el empleado ocupa un puesto directivo”
D : “el empleado no ocupa un puesto directivo”

P  D   P  I .P  D I   P  E .P  D E   P  O .P  D O 

a)
P  D   0.20  0.75  0.20  0.50   0.60  0.20 
P  D   0.37
 P  I  .P  D I 
P I D 
b)
P D
0.20  0.75 
P I D 
0.37
15
P I D   0.405
37

VARIABLE ALEATORIA
DEFINICIÓN
Una variable aleatoria es una función que asigna un número real, y sólo uno, a cada uno de los
resultados de un experimento aleatorio.
Las variables aleatorias se representan por letras mayúsculas de nuestro alfabeto latino
 X ,Y ,... y utilizaremos las minúsculas
 x, y,...,  , para los valores concretos de las
variables. Son de carácter cuantitativo.

EJEMPLO N° 3
Sea  el espacio muestral que se obtiene al lanzar al aire una moneda tres veces consecutivas,
esto es,

  SSS , SSC, SCS , CSS , SCC, CSC, CCS , CCC

Si X se define en  como el “el número de caras obtenidas", entonces, X es una

variable aleatoria, donde:

 X  0 , corresponde al evento SSS .

 X  1 , corresponde al evento SSC,SCS y CSS .
 X  2 , corresponde al evento SCC,CSC y CCS .
 X  3 , corresponde al evento CCC .
VARIABLE ALEATORIA DISCRETA
Es aquella que solo puede tomar valores finitos o infinitos numerables. Generalmente, este tipo
de variables van asociadas a experimentos en los cuales se cuenta el número de veces que se
ha presentado un suceso o donde el resultado es una puntuación concreta.

A) Función de Probabilidad:

Se define la función de probabilidad de la variable aleatoria X a la función

f ( x) definida
f ( x)  P  X  x 
por para todo número real y que satisface las siguientes condiciones:

i ) f ( x)  0 ii)  f  x  1
i

La colección de pares
 x , p 
i i pi  f  xi 
se llama distribución de probabilidades
de X. La distribución de probabilidad se representa usualmente en una tabla, como la
siguiente:

Valores
xi de X x1 x2 x3 x4

Probabilidad
pi  P  X  xi  p1 p2 p3 p4
 La gráfica de una distribución de probabilidades discreta es la gráfica de bastones.

EJEMPLO N° 4
Con los datos del Ejemplo N° 3, determine la tabla de distribución de probabilidades con su
respectiva gráfica.

Solución:

Sea el
  SSS , SSC, SCS , CSS , SCC, CSC, CCS , CCC

La distribución de probabilidad se obtiene, calculando

P  X  xi  para cada
xi .

 P  X  0   P  SSS   1 8
 P  X  1  P  SSC ó SCS ó CSS   3 8
 P  X  2   P  SCC ó CSC ó CCS   3 8
 P  X  3  P  CCC   1 8

Luego, cada
xi con su respectiva
P  X  xi  se lleva a la siguiente tabla:

xi 0 1 32
pi 0.125 0.375 0.375 0.125

f ( x)
0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0 X
0 0.5 1 1.5 2 2.5 3 3.5

B) Función de distribución
 La función de distribución acumulada de probabilidades o simplemente función de

distribución,
F ( x) , de la variable aleatoria discreta X , cuya función de probabilidad es
f ( x) , se define por:

F ( x)  P  X  x    P  X  x    f ( x )
EJEMPLO N° 5
Con los datos del Ejemplo N° 3, determine la función de distribución de probabilidades con su
respectiva gráfica.

Solución:

Sea el
  SSS , SSC, SCS , CSS , SCC, CSC, CCS , CCC

La función de probabilidades
f ( x) de la variable aleatoria X está descrita en el
ejemplo 3. por:

f (0)  1 8 f 1  3 8 f  2   1 8 f (3)  1 8

Entonces:

 F (0)  f  0   1 8  0.125
 F (1)  f  0   f 1  1 8  3 8  1 2  0.5
 F (2)  f  0   f 1  f  2   1 8  3 8  3 8  7 8  0.875
 F (3)  f  0   f 1  f  2   f  3  1 8  3 8  3 8  1 8  1

Por lo tanto,

 0, x  0
 0.125, 0  x  1

F ( x)   0.5, 1  x  2
0.875, 2  x  3

 1, x  3
La gráfica de esta función de distribución está dada en la siguiente figura.

F ( x)

C) Valor esperado (o media), Varianza y Mediana

 n
   E  X     xi . p  xi  
i 1

  2  V  X   E  X 2    E  X  
2

 Me  xi  F  xi   P  X  xi   0.5
¡Ten presente!

 P X  a  F a
 P  X  a   1  P  X  a   1  F  a  1
 P  a  X  b   F b   F  a 
 P  a  X  b   F b   F  a   P  X  a 
 P  a  X  b   F b   F  a   P  X  b 
EJEMPLO N° 6
Con la Tabla de Distribución de Probabilidades del Ejemplo N° 4, determinar el valor
esperado, la varianza la mediana.

Solución:

a ) E  X   0  0.125   1 0.375   2  0.375   3  0.125 

E  X   0  0.375  0.75  0.375
E  X   1.5

 E  X 2    0   0.125   1  0.375    2   0.375    3  0.125 

2 2 2 2

E  X 2   0  0.375  1.5  1.125

EX 2  3

b) V  X   3  1.5 
2

V  X   0.75

 F (1)  f  0   f 1  1 8  3 8  1 2  0.5

c) Me  1
VARIABLE ALEATORIA CONTINUA
Es aquella que solo puede tomar valores infinitos no numerable. En general las variables
aleatorias discretas representan datos que provienen del conteo del número de elementos,
mientras que, las variables aleatorias continuas representan mediciones, por ejemplo, tiempo,
peso, longitud, etc.

A) Función de Densidad de Probabilidad

Se dice que la función
f ( x) es función de densidad de probabilidad de la variable aleatoria
continua X si satisface las siguientes condiciones:

i ) f ( x)  0

ii) 
f ( x)dx  1 
indica que el área total bajo la curva es igual a uno.
iii) P( A)   f  x  dx 
A expresa: probabilidad igual a área.

 P  a  X  b    f  x  dx
b

EJEMPLO N° 7
Sea a una constante y consideremos la función de densidad:

a  3x  x  , 0  x  3
 2

f ( x)  

 0, en otros casos
a) Calcule el valor de a.
b) Obtenga y represente la función de distribución.

c) Halle la
P 1  X  2 

Solución:

a ) 1   a  3 x  x 2 dx
3

3 2 1 33
1  a x  x 
2 3 0 

 27 
1  a  9
 2 
2
a
9
b) La función de distribución se muestra de la siguiente manera:

2 2 2
 x x , 0 x3
f ( x)   3 9

 0, en otros casos
Y la gráfica de esta función se muestra en la siguiente figura:
 f ( x)

2 2 2 
P 1  X  2     x  x 2 dx
c)
1
3 9 
2
x 2 2 x3
P 1  X  2   
3 27 1
4 16 1 2
P 1  X  2     
3 27 3 27
13
P 1  X  2  
27
EJEMPLO N° 7
La gráfica de la función de densidad de una
variable aleatoria continua X , es como se
muestra en la figura adjunta. Determinar el
número m tal que:

1
P  X  m 
2
Solución:

De la figura observamos que la recta pasa por los puntos (1,0) y (0,2). Sea y = ax + b la
ecuación de la recta, entonces:

 Si x  1, se tiene que 0  a  b
 Si x  0, se tiene que 2  b

Operando las dos ecuaciones, se tiene que: a  2 y b  2

Es decir: y  f ( x)  2 1  x 
Por lo tanto, la funcion de densidad de la variable X es:

2 1  x  , 0  x  1
f ( x)  
 0, en otros casos
Calculamos m, por la ecuación:

1
P  X  m 
2
  1
m
f ( x)dx 
2
 1
2 1  x  dx   0dx 
1
m 1 2
1
 m  1 
2

2
1
m 1
2

De las dos soluciones, escogemos la que se encuentra en el intervalo

1 2 2
0,1,osea m 1 
2 2