Teorema de Bayes

La probabilidad condicional se basa en el resultado de un

hecho para describir otra probabilidad específica.

Este concepto de puede extender cada vez que se tiene

nueva información con la cual determinar si una
probabilidad se debe a una causa específica.

Este procedimiento recibe el nombre de Teorema y Bayes

y se maneja así:
1
 Teorema de Bayes

Si A es un evento simple y Bi es una sucesión de eventos,

la probabilidad de que se cumpla el evento Bi dado que ya
se cumplió el evento A es:

P( A / Bi ) P( Bi )
P( Bi / A) 
P( A / B1 ) P( B1 )  P( A / B2 ) P( B2 )  ...  P( A / Bn ) P( Bn )

2
 En una fabrica se tiene dos maquinas que producen pantalones de vestir.
La maquina 1 produce 45 % del total de pantalones y la maquina 2 produce
el 55% restante. La maquina 1 produce 10 % de pantalones defectuosos y en la
maquina 2 el porcentaje de producción defectuosa es de 8%.Si se observa un
pantalón defectuoso ¿Cuál es la probabilidad de que haya sido producido por la
maquina 2? X 10%
D

MAQUINA1 45 %
YND 90%

XD 08%
MAQUINA 2 55 %

YND 92%

sustituyendo en la formula de la ley de Bayes tenemos

(.55)(.08) (0.044)
= = 0.49
(.08)(0.55)+(0.10)(0.45) (0.089)
La prob. de que el pantalón defectuoso halla sido producido por la máquina 2 es de 49%
Un equipo de béisbol juega 70 % de sus partidos por la noche y 30 % durante el día.
El equipo gana 50 % de sus juegos nocturnos y 90 % diurnos. De acuerdo con las
últimas noticias, ganó el ultimo fin de semana ¿Cuál es la probabilidad de que el
partido se halla desarrollado por la noche?

50% gana
Donde:
A 70% P (A)=0.70
Xn P (X/A)=0.50
50% pierde P (Ā)=0.30
P (X/ Ā)=0.90
90% gana
Yd
B 30%
10% pierde

sustituyendo en la formula de la ley de Bayes tenemos

(.70)(.50) (0.35)
= = 0.5645
(.70)(0.50)+(0.30)(0.90) (0.62)
La prob. de que el partido se halla desarrollado por la noche es de 56.4 %
El departamento de compras de una empresa de plásticos reporto lo siguiente :

80% de material de vinil recibido del proveedor A es de buena calidad mientras que solo 50%
del material recibido del proveedor B es de la misma calidad .
Sin embargo , la capacidad de producción del proveedor A es limitada, razón por la cual solo
40% del material de vinil adquirido por la empresa de plásticos proviene del proveedor A. El
restante 60 % procede del proveedor B. Al inspeccionar un embarque de material de vinil , se
encuentra que es de buena calidad ¿Cuál es la probabilidad de que el material de vinil haya sido
adquirido del proveedor A?
Bc
XA 80%
A 40 %
YB 20% Mc

XA 50% Bc
B 60 %

50% Mc
sustituyendo en la formula de la ley de Bayes tenemos XB
(.40)(.80) (0.32)
= = 0.516
(.80)(0.40)+(0.60)(0.50) (0.62)
La prob. de que el material de vinil halla sido adquirido por el proveedor A es de 51.6%
Un productor espera detectar los artículos de mala calidad para quitarlos de
los inventarios.
Supón que en una determinada planta de manufactura, hacia el final de la línea de producción,
el inspector de calidad recoge algunos artículos que le parecen de calidad sospechosa para
someterlos a una inspección minuciosa. Si el 10% de todos los artículos producidos son
defectuosos, 60% de los defectuosos se someten a una inspección minuciosa y solo 20% de los
no defectuosos se someten a una inspección minuciosa, calcula la probabilidad que un articulo
sea defectuoso dado que fue inspeccionado minuciosamente

20% XIM Donde:

ND 90 % P (D)=.10
Y 80% P (M/D)=0.60
P (~ D)=0.90
X 60% IM P (M/~ D)=0.20

D 10 %
Y 40%
sustituyendo en la formula de la ley de Bayes tenemos
(.10)(.60) (0.06)
= = 0.25
(.10)(0.60)+(0.90)(0.20) (0.24)
La probabilidad de que el articulo sea defectuoso dado que fue inspeccionado
minuciosamente es del 0.25
 SESION 5

Distribución de probabilidad
Binomial
Hipergeométrica

UVM
 Distribución de probabilidad binomial

• La distribución binomial tiene las siguientes

características:
– El resultado de cada ensayo de un experimento se clasifica
en una de dos categorías mutuamente excluyentes, a
saber: éxito o fracaso.
– La variable aleatoria cuenta el número de éxitos en una
cantidad fija de ensayos.
– La probabilidad de un éxito permanece igual en todos los
ensayos. Lo mismo sucede con la probabilidad de un
fracaso.
– Los ensayos son independientes.

UVM
 Utilidad
La distribución binomial se utiliza en situaciones cuya solución
tiene dos posibles resultados.

Por ejemplo:

Al nacer un/a bebé puede ser varón o mujer.

En pruebas de cierto o falso sólo hay dos alternativas.

Un tratamiento médico puede ser efectivo o inefectivo.
La meta de producción o ventas del mes se pueden o no lograr.

UVM
Distribución de probabilidad binomial

 Para construir una distribución binomial, sea:

C es una combinación.
n es el número de ensayos.
x es el número de éxitos.
 es la probabilidad de éxito en cada
ensayo.

UVM
 Distribución de probabilidad binomial

• La fórmula para la distribución de probabilidad

binomial es:

P( x) n C x (1   ) x n x

C es una combinación.
n es el número de ensayos.
x es el número de éxitos.
 es la probabilidad de éxito en cada ensayo.

UVM
 Ejemplo1

¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda

10 veces?
El número de aciertos es 6 Esto es x=6
El número de experimentos n son 10
La probabilidad de éxito   .50 es decir, que salga "cara" al
lanzar la moneda es 50% ó 0.50
La fórmula quedaría: P ( x)  n C x x (1   ) n  x

P (6) 10 C6 6

(1   )10 6
P (x = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces
una moneda es de 20.5% .

UVM
 Ejemplo 2
• El departamento del trabajo
de Alabama registra que el P( x) n C x (1   ) x n x

20% de la fuerza de trabajo

en Mobile está
desempleada. Para una
P(3)14 C3 (1  .20) 3 143

muestra de 14 trabajadores,
calcule las siguientes
probabilidades:
– Exactamente 3 están C es una combinación.
desempleados. N es el número de ensayos.
X es el número de éxitos.
 es la probabilidad de éxito en cada ensayo.

UVM
 C es una combinación.
n es el número de ensayos.
x es el número de éxitos.
 es la probabilidad de éxito en cada ensayo.

 La probabilidad de exactamente 3:

P(3)14 C 3(.20) (1  .20) 3 11

 (364)(.0080)(.0859)
 .2501

UVM
 Media y varianza de la distribución
binomial
• La media se calcula así:
  n
• La varianza se calcula así:

  n (1   )
2

UVM
 Ejemplo 3
• Del ejemplo 2, retomamos que  = .2 y n = 14.
• Por lo tanto, la media es: µ = n = 14(.2) = 2.8
• La varianza es: σ2 = n(1 –) = 14(.2)(.8) = 2.24

UVM
¿Cuál es la probabilidad de obtener cuatro veces el número 3 al
lanzar un dado ocho veces?
El número de aciertos es 4. Esto es x=4
El número de experimentos n son 8
La probabilidad de éxito p (probabilidad de que salga un 3 al
tirar el dado) es 1 / 6 (= 0.1666)
La fórmula queda:
P (x= 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el números
3 al tirar un dado 8 veces es de 2.6%.
8 4
P(4)8 C4 (0.1666) (1  .1666) 4

C es una combinación.
n es el número de ensayos.
x es el número de éxitos.
 UVM
es la probabilidad de éxito en cada ensayo.
En una fábrica de cámaras el 5% sale con defectos. Determine la
probabilidad de que en una muestra de 12 se encuentren 2 cámaras
defectuosas.

UVM
En una fábrica de cámaras el 5% sale con defectos. Determine la
probabilidad de que en una muestra de 12 se encuentren 2 cámaras
defectuosas.

P(2)12 C2 (1  .05) 2 12 2

C es una combinación.
n es el número de ensayos. El resultado es 0.0988
x es el número de éxitos.
 es la probabilidad de éxito en cada ensayo.

UVM
Población finita
 Una población finita es una población que
consiste en un número fijo de individuos
conocidos, objetos o medidas, por ejemplo:
 El número de estudiantes en esta clase.
 El número de carros en el estacionamiento.
 El número de casas construidas en el
fraccionamiento Arboledas.

UVM
Distribución Hipergeométrica
 La distribución hipergeométrica tiene las
siguientes características:
 Hay sólo dos resultados posibles.
 La probabilidad de un éxito no es la misma en
cada ensayo.
 Ésta resulta de contar el número de éxitos en un
número fijo de ensayos.

UVM
 Distribución de probabilidad
hipergeométrica
 La fórmula para encontrar una probabilidad utilizando la
distribución hipergeométrica es:
( S Cx )( N  S Cn  x )
P( x ) 
N Cn

 Donde N es el tamaño de la población, S es el número de

éxitos en la población, x es el número de éxitos en una
muestra de n observaciones.
Numero de éxitos en la población S Numero de éxitos x
En una prueba
Tamaño de la población N Es la muestra de n observaciones n

UVM
Ejemplo 1
UVM
1.De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene 3 proyectiles
defectuosos que no explotarán, ¿cuál es la probabilidad de que , a) los 4 exploten?,

Solución:
a) N = 10 proyectiles en total
S = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el número de proyectiles que
explotan entre la muestra que se dispara

( S Cx )( N  S Cn  x )
P( x ) 
N Cn
C4* 3 C0 ( 35 )( 1 ) 35
p( x  4; n  4 )  
7
  0.16667
10 C4 210 210

La probabilidad de que exploten 4 es de 0.1666

 UVM
Entre las 20 celdas solares que se presentan en una exposición comercial 12
son Celdas planas y las otras son celdas de concentración .Si una persona
que visita la exposición selecciona al azar 6 de las celdas solares para
revisarlos. Cuál es la probabilidad de que 3 de estas sean planas

220*56 = 0.3178
38760
 Distribución de probabilidad de
Poisson
• La distribución de probabilidad de Poisson describe
la cantidad de veces que ocurre un evento en un
intervalo determinado.
• Esta distribución también es una forma límite de la
distribución binomial, cuando la probabilidad de
éxito es muy pequeña y n es grande.
 Utilidad

 La distribución de Poisson se utiliza en situaciones donde los sucesos son

impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el
total de posibles resultados.

 Es muy útil cuando la muestra o segmento n es grande y la probabilidad

de éxitos p es pequeña.

 Se utiliza cuando la probabilidad del evento que nos interesa se

distribuye dentro de un segmento n dado como por ejemplo distancia,
área, volumen o tiempo definido.
 Ejemplos de la
utilidad
 La llegada de un cliente al negocio durante una hora.

 Las llamadas telefónicas que se reciben en un día.

 Los defectos en manufactura de papel por cada metro producido.

 Los envases llenados fuera de los límites por cada 100 galones de
producto terminado.
 Distribución de probabilidad de Poisson

• La distribución de Poisson puede describirse matemáticamente

utilizando la siguiente fórmula:

x 
 e
P( x) 
x!
• Donde µ es la media del número de ocurrencias (éxitos) en un
intervalo específico.
• e es la constante 2.71828 (base del sistema logarítmico neperiano).
• x es el número de éxitos.
• P(x) es la probabilidad que se va a calcular para un valor dado de x.
 Distribución de probabilidad de Poisson

• La media del número de éxitos µ puede determinarse

en una situación binomial así: n donde n es el
número de ensayos y  es la probabilidad de éxito.
• La varianza de una distribución Poisson es también
n(1 – ).
 Ejemplo
La Sra. García está encargada de los préstamos en el banco del centro de
Poza Rica . Con base en sus años de experiencia, estima que la probabilidad de
que un solicitante no sea capaz de pagar su préstamo, es 0.025. El mes pasado realizó 40
préstamos.
• ¿Cuál es la probabilidad de que 3 préstamos no sean pagados a tiempo?
µ = n* = 40(.025) = 1
P(3) = 13 *e-1/3! = 0.0613  e x 
P( x) 
x!
3 1
1 e
P( x) 
3!
la probabilidad de que 3 préstamos no sean pagados a tiempo es de 0.0613
 Ejemplo 2

El entrenador Rojas esta seleccionando jugadores basándose en la experiencia

se estima que la probabilidad de que pasen el examen físico es de 0.06.
En la selección pasada se realizaron 20 exámenes. Cual es la probabilidad de
Que 3 jugadores nox aprueben el examen
 e 
P( x)  µ = n* =20*.06=1.2
x!
1.23 e 1.2
P (3)  =.08674
3!

la probabilidad de que 3 jugadores no

aprueben el examen .08674
 Ejemplo 3

La probabilidad de que nazca un niño con síndrome de Down es de 0.04 por cada
Nacimiento. Si nacen 200 niños al día .Cual es la probabilidad de tener 4 niños
con síndrome de Down

x 
 e 8 4 e 8
P( x)  P ( 4) 
4!
x!
P(4)=0.0572
µ = n* = 200*.04=8

la probabilidad de tener 4 niños

con síndrome de down 0.0572
Una empresa electrónica observa que el número de componentes que fallan antes de
cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el número
promedio de estos fallos es ocho,

1. ¿cuál es la probabilidad de que falle un componente en 25 horas?

Que tengan una excelente noche

UVM