Cuatro “tipos” de probabilidad

Marginal Unión Conjunta Condicional

P( X ) P( X  Y ) P( X  Y ) P( X | Y )
La probabilidad La probabilidad La probabilidad La probabilidad
de que ocurra de que ocurra de que ocurra de que ocurra
X XoY XeY X sabiendo que
ha ocurrido Y

X X Y X Y
Y

2
Ejemplo: En este aula el 70% de los alumnos son
hombres.
De ellos el 10% son fumadores. El 20% de las mujeres
son
fumadoras.
 ¿Qué porcentaje de fumadores hay en total?

Podemos aplicar la ley de

la probabilidad total:
Mujeres
Hombres y mujeres forman Hombres
un sistema exhaustivo y
excluyente de sucesos.

Fumadores

3
 Fuma
0,1

Hombre
0,7
No fuma
0,9
Estudiante

0,2
0,3 Fuma
Mujer

0,8
No fuma

P(F) = P(F∩H) + P(F∩M) = P(F|H) P(H) + P(F|M) P(M)

= 0,1 · 0,7 + 0,2 · 0,3 = 0,13
4
 Thomas Bayes nació en Londres, Inglaterra.
Su padre fue ministro presbiteriano.
Posiblemente De Moivre fue su maestro
particular, pues se sabe que por aquel entonces
ejercía como profesor en Londres.

Bayes fue ordenado ministro presbiteriano y

muere en 1761. Sus restos descansan en el
cementerio londinense de Bunhill Fields. La
traducción de la inscripción en su tumba es:

"Reverendo Thomas Bayes.

Hijo de los conocidos Joshua y Ann
Bayes. 7 de abril de 1761. En
reconocimiento al importante trabajo que
realizó Thomas Bayes en probabilidad. Su
tumba fue restaurada en 1969 con
donativos de estadísticos de todo el
mundo".
5
 Fuma
0,1
En el problema
anterior: Se elige a un
Hombre
0,7 individuo al azar
No fuma
0,9 y resulta fumador.
Estudiante ¿Cuál es la
0,2 probabilidad de que
0,3 Fuma sea una mujer?
Mujer

0,8
No fuma

P(M) = 0,3, P(F) = 0,13

P(M|F) = P(F ∩ M)/P(F) = P(F|M) P(M) / P(F) =
0,2·0,3 / 0,13 = 0,46

6
 2. Probabilidad
Teorema de Bayes.
El concepto de probabilidad condicional da lugar a ramificaciones muy
discutidas en las inferencias obtenidas usando el cálculo de las
probabilidades. Estas dificultades provienen de la aplicación del
llamado Teorema de Bayes.
En el siglo XVIII, el reverendo Thomas Bayes, ministro inglés de la iglesia
presbiteriana, desarrolló una fórmula para llegar a la probabilidad de
que Dios existe, con base en las evidencias a su alcance en la tierra.
Posteriormente, Laplace detalló el trabajo de Bayes y le dio el nombre
de “Teorema de Bayes”. En forma práctica, el Teorema de Bayes es:

En esta fórmula, los eventos A1 y A2 son mutuamente excluyentes, donde

A1 y A2 se refieren a dos eventos en particular.
 2. Probabilidad
Teorema de Bayes.
El teorema de Bayes es un método para revisar una probabilidad, debido a
que se obtiene información adicional.
Ejemplo:
Supongamos que 5% de la población de cierto país padece una enfermedad
peculiar. Si A1 se refiere al evento “tiene la enfermedad” y A2 al evento
“no tiene la enfermedad”. Se conocen, entonces, las probabilidades (a
priori) de seleccionar a un individuo que tenga la enfermedad, P(A1) =
0.05 y P(A2) = 0.95 para quienes no padecen la enfermedad.
Hay una técnica de diagnóstico para detectar la enfermedad (información
adicional), pero no es muy precisa. Supongamos que B indica el evento
“las pruebas demuestran que la enfermedad está presente”. Se sabe que
si la persona está enferma, la probabilidad de que la prueba indique su
presencia es P(B/ A1)=0.90. Si no está enferma, y la prueba indica que
si lo está la probabilidad es P(B/ A2)=0.15.
 2. Probabilidad
Teorema de Bayes.
Supongamos que seleccionamos al azar a una persona y realizamos la
prueba y ésta indica que la enfermedad está presente. ¿Qué
probabilidad hay de que la persona realmente padezca esa
enfermedad?. Si queremos saber la probabilidad a posteriori
aplicamos el teorema de Bayes.

En el problema anterior tenemos solo dos eventos, pero el teorema de

Bayes puede aplicarse también a tres o más eventos:
 2. Probabilidad
Ejercicio:
Un fabricante de videorreproductoras de casete (VCR) compra un microchip
en particular, llamado LS-24, a tres proveedores (A1, A2 y A3). Al
proveedor A1 se le compran 30% de los chips, 20% al A2 y el 50%
restante a A3. El fabricante tiene los registros de los tres proveedores y
sabe que el 3% de los chips de A1 son defectuosos, lo mismo ocurre con
el 5% de los chips del proveedor A2 y el 4% de los chips del proveedor
A3. Si un trabajador del fabricante elige aleatoriamente un chip
defectuoso, ¿qué probabilidad hay de que el proveedor sea el A2?
Considere B1 como defectuso y B2 como no defectuoso. Se sabe que:
P(B1/A1 ) = 0.03; P(B1/A2 ) = 0.05; P(B1/A3 ) = 0.04.