Teorema de Bayes

adı́stica general para ingenierı́a, geologı́a y diseño

 M}
Teorema de Bayes Mr

OD
Mi
B

Pelar B) 1- PCMSNB )
p (B)
=P ( Min B) +
=
PEP ( Min B) =
?_? PLBIMI)P( Mi)

Estadı́stica general | Clase VI

2/30
 PLMpifg. l#;j- 1,zis=-PYiPEn-ZP(B/Mi)P(
PIM ; / B) =

Mi )
¡= ,
Ley de probabilidad

Sean A1 , A2 , · · · , Ak eventos mutuamente excluyentes y colec-

tivamente exhaustivos. Entonces para cualquier otro evento B,

Estadı́stica general | Clase VI

3/30
Ley de probabilidad

Sean A1 , A2 , · · · , Ak eventos mutuamente excluyentes y colec-

tivamente exhaustivos. Entonces para cualquier otro evento B,
k
!
[
P(B) = P Ai \ B
i=1
k
X
= P(Ai \ B)
i=1
Xk
= P(B/Ai )P(Ai )
i=1

Estadı́stica general | Clase VI

3/30
Ley de probabilidad

Sean A1 , A2 , · · · , Ak eventos mutuamente excluyentes y colec-

tivamente exhaustivos. Entonces para cualquier otro evento B,
k
!
[
P(B) = P Ai \ B
i=1
k
X
= P(Ai \ B)
i=1
Xk
= P(B/Ai )P(Ai )
i=1

Estadı́stica general | Clase VI

3/30
Por lo tanto:
k
X
P(B) = P(B/Ai )P(Ai ) (1)
i=1

Estadı́stica general | Clase VI

4/30
Teorema de Bayes

Sean A1 , A2 , · · · , Ak eventos mutuamente excluyentes y colecti-

vamente exhaustivos con probabilidades P(Ai ) (para i = 1, · · · , k ).
Entonces para cualquier otro evento B, para el cual P(B) > 0,
la probabilidad posterior de Aj dado B es

Estadı́stica general | Clase VI

5/30
Teorema de Bayes

Sean A1 , A2 , · · · , Ak eventos mutuamente excluyentes y colecti-

vamente exhaustivos con probabilidades P(Ai ) (para i = 1, · · · , k ).
Entonces para cualquier otro evento B, para el cual P(B) > 0,
la probabilidad posterior de Aj dado B es

P(Aj \ B) P(B/Aj )P(Aj )

P(Aj /B) = = Pk
P(B) i=1 P(B/Ai )P(Ai )

para j = 1, · · · , k .

Estadı́stica general | Clase VI

5/30
Ejercicio

La población de un paı́s particular se compone de tres gru-

pos étnicos. Cada individuo pertenece a uno de los cuatro gru-
pos sanguı́neos principales. La tabla de probabilidad da la pro-
porción de individuos en las diversas conbinaciones de grupo
étnico-grupo sangı́neo es:

O A B AB
1 0.082 0.106 0.008 0.004
2 0.135 0.141 0.018 0.006
3 0.215 0.200 0.065 0.020

Estadı́stica general | Clase VI

6/30
Suponga que se selecciona un individuo al azar de la población
y que los eventos se definen como:
P ( Ana) + PLANES) 0.447
PC A) =P ( Arg ) 1-
= .

PCGSMA B) + PCGSA B)
P 163 no) 1- Pts1 A)
1-
P (g) =

= 0.5

P ( ARG) = 0.2

É
P ( A / 6s ) =

P (63 )
= =
f- = 0.4

Estadı́stica general | Clase VI

7/30
Suponga que se selecciona un individuo al azar de la población
y que los eventos se definen como:

A = { tipo A seleccionado}
B = { tipo B seleccionado}
C = {grupo étnico 3 seleccionado}

Estadı́stica general | Clase VI

7/30
a. Calcule P(A), P(C) y P(A \ C)
la tipo A }
A = { Tiene sangre
Etnico 3
seleccionado }
{ del
.

↳ = Es grupo
)
P.CA/=P(AnG)tPlAncD+P(Ancs t 0 141 t 0.200
0.106
.

PCCSAA)
= 0.447 t

PCC no )+
=P ( F- 3) =
>
PKSRIAB)
P (G)
B) +
PCC > A

0.215 1-
0.200+0.065/-0.02
=

0.5
=

P ( Arg ) =
0.2

Estadı́stica general | Clase VI

8/30
 Plterqel) =

M3 Mq
Mr
M ,

P ( Covid ) = PIM rilouid )

.
+ PCMarconi d) +

PC Msn Covid ) + P ( Man Couid )

=
PL Covid IM ) PLM )
, , + P Eeouid /Ma ) Rita)

+ P ( Covid/Ms ) P ( Ms ) + Pleouid # PCMa)

PY.jo?jd)=-PidMPCMi)&-=.PKou.d/Mi)PlMi
PLM / Covid )
. =

)
b. Calcule tanto P(A/C)
3 y PC/A)
3 y explique en contex-
to lo que cad una de estas probabilidades representa

-8% f-
40%
P ( A / G)
=
=
= =

( Cs / A) É = 45%
P
= =

P (A)

Estadı́stica general | Clase VI

9/30
c. Si el individuo seleccionado no tiene sangre de tipo
B, ¿Cuál es la probabilidad de que él o ella pertenezca
al grupo étnico 1?
"
PLY -1 / B) = =

} AST
) =P (14--14,0)+1914=1
'
,

P ( { Y -14N B
P( { 7-1 }, AB)
0.106/-0.004
=
0.082 +

alO.iq#PHY--14nB')--P-(2y--s4)-PVY--sYnB))
= 0.2 -

0.008 =/0.192J

Estadı́stica general | Clase VI

10/30
PLB ) 1- PLB )
'
=

= 1 -

( PLB , } -4=1 4) 1-
.
PCB, { ¥24 )

+ )
PLB 4=39)
,

= 1 -
(0.0081-0.018+0.065)

= 1 -
0.091

= 0.909

PUY } /B
'
)
-1
EEI
=

O .
211
=
Ejemplo

En una gasolinera, 40 % de los clientes usan gasolina regular

(A1 ), 35 % usan gasolina plus (A2 ) y 25 % utilizan premium (A3 ).
De los clientes que utilizan gasolina regular, sólo 30 % llenan
sus tanques (evento B). De los clientes que utilizan plus, 60 %
llenan sus tanques, mientras que los que utilizan premium, 50 %
llenan sus tanques.

Estadı́stica general | Clase VI

11/30
a. ¿Cuál es la probabilidad de que el siguiente cliente
pida gasolina plus y llene el tanque (A2 \ B)?

Estadı́stica general | Clase VI

12/30
b. ¿Cuál es la probabilidad de que el siguiente cliente
llene el tanque?

Estadı́stica general | Clase VI

13/30
c. Si el siguiente cliente llena el tanque,¿cuál es la pro-
babilidad de que pida gasolina regular? ¿Plus? ¿Pre-
mium?

Estadı́stica general | Clase VI

14/30
Independencia

Los eventos A y B son independientes si P(A/B) = P(A) o

P(B/A) = P(B).

Estadı́stica general | Clase VI

15/30
Independencia

Los eventos A y B son independientes si P(A/B) = P(A) o

P(B/A) = P(B). Son dependientes en caso contrario.

PCB ) AYB son

PCB /A) =/
dependientes
'

Estadı́stica general | Clase VI

15/30
Independencia

Los eventos A y B son independientes si P(A/B) = P(A) o

P(B/A) = P(B). Son dependientes en caso contrario.
A y B son independientes si y sólo si

P(A \ B) = P(A)P(B).
h A B son

P ( ARB ) = PCA /B) PCB ) por :p y

tanto
enton PLA/ B) =P(A) por
independientes
PIARB ) =
PLAIPLB) .

Estadı́stica general | Clase VI

15/30
Independencia de mas de dos eventos

Los eventos A1 , · · · , An son mutuamente independientes si

por cada k (k = 2, 3, · · · , n) y para cada subconjunto de ı́ndices
i1 , i2 , · · · , ik se cumple:

Estadı́stica general | Clase VI

16/30
Independencia de mas de dos eventos

Los eventos A1 , · · · , An son mutuamente independientes si

por cada k (k = 2, 3, · · · , n) y para cada subconjunto de ı́ndices
i1 , i2 , · · · , ik se cumple:

P(Ai1 \ Ai2 \ · · · Aik ) = P(Ai1 )P(Ai2 ) · · · P(Aik ).

Estadı́stica general | Clase VI

16/30
Ejemplo

Los componentes enviados a un distribuidor son revisados en

cuanto a defectos por dos inspectores diferentes (cada compo-
nente es revisado por ambos inspectores). El primero detecta
90 % de todos los defectuosos que están presentes y el segun-
do hace lo mismo. Por lo menos un inspector no detecta un
defecto en 20 % de todos los componentes de todos los com-
ponentes defectuosos.¿Cuál es la probabilidad de que ocurra lo
siguiente?

Estadı́stica general | Clase VI

17/30
 n

a. ¿Un componente defectuoso será detectado sólo

por el primer inspector? ¿Por exactamente uno de los
dos inspectores? "

1 detecta fallas
El inspector
"
Is : "

detecta fallas
Iz : " El inspector 2

Ia )
0.9 =P (
P (Ii )
.

II ) 1- P ( Ia )
P (
=
. .
= . -
a. =

PCIe)
) 1- PCI, )
P ( Ii NIAY = 1 - P ( Ii MIR =
'
0 19
1 ( 0.9) =
.
.

Estadı́stica general | Clase VI

18/30
b. ¿Los tres componentes defectuosos en un lote no
son detectados por ambos inspectores (suponiendo
que las inspecciones de los diferentes componentes
son independientes unas de otras)?
P ( IÍNIE) =
PCI , UIAÍ
= 1 -
P ( Ii UIA)

+ PCIA ) PLIIRIAT
[ P (Ii)
-

= 1 -

= 1 -
[0.91-0.9-0.92]
0 01
=
detectados
componentes defectuosos
. .

son
Si A = Tres no

por
ambos inspectores
PCA ) 0.013 0.0001 = O
= =

Estadı́stica general | Clase VI

19/30
Variables Aleatorias
Para un espacio muestral dado S de algún experimento, una
variable aleatoria es cualquier regla que asocia un número
con dada resultado en S. En lenguaje matemático, una variable
aleatoria es una función cuyo dominio es el espacio muestral
cuyo rango es el conjunto de los números reales.

Estadı́stica general | Clase VI

20/30
Variables Aleatorias
Para un espacio muestral dado S de algún experimento, una
variable aleatoria es cualquier regla que asocia un número
con dada resultado en S. En lenguaje matemático, una variable
aleatoria es una función cuyo dominio es el espacio muestral
cuyo rango es el conjunto de los números reales.

Estadı́stica general | Clase VI

20/30
 SI R
( N,N N ) - O
,

( N, S
,
S ) - z

( S
,
N, S ) - 2
Rango ✗

LS
,
S
,
N ) - 2 30,1 ,
2,3 }
( 5,5 5) -
3
,

( N, N , 5) - 1

( S, N ,
N) - 1

( N, S
,
N ) -
1

✗
-
I
(1) = { ( N, S N )
, ,
( S, N, N ) , CIYN 5) >
}
'
( ) } N) }
-

✗ o = ( N, N,
'

✗
-

(2) = } LN 5,51, (b) Nis ) ,

( 5,5, NIG
,
'
(3) } ( 55,574
-

✗ =

" " '

-40 ) (1) (a) (3)
-

✗ ✗ ✗ ✗
, , ,

Son eventos de / muestra / S .

Una variable aleatoria discreta es una variable aleatoria cuyos
valores posibles constituyen un conjunto finito o bien pueden
ser puestos en lista en una secuencia infinita en la cual existe
un primer elemento, un segundo elemento, y ası́ sucesivamente
(“contablemente” infinita).

Estadı́stica general | Clase VI

21/30
Una variable aleatoria es continua si ambas de las siguientes
condiciones se cumplen:

Estadı́stica general | Clase VI

22/30
Una variable aleatoria es continua si ambas de las siguientes
condiciones se cumplen:
1. Su conjunto de valores posibles se compone de todos los
números que hay en un solo intervalo sobre la lı́nea de
numeración (posiblemente de extensión infinita, es decir,
desde 1 hasta 1) o todos los números en una unión
disjuntas de dichos intervalos (por ejemplo,
[0, 10] [ [20, 30]).

Estadı́stica general | Clase VI

22/30
Una variable aleatoria es continua si ambas de las siguientes
condiciones se cumplen:
1. Su conjunto de valores posibles se compone de todos los
números que hay en un solo intervalo sobre la lı́nea de
numeración (posiblemente de extensión infinita, es decir,
desde 1 hasta 1) o todos los números en una unión
disjuntas de dichos intervalos (por ejemplo,
[0, 10] [ [20, 30]).
l
2. Ningún valor posible de la variabletiene probabilidad
positiva, esto es, P(X = c) = 0 con cualquier valor posible
de c.

Estadı́stica general | Clase VI

22/30
Ejemplo

Considere el experimento en el cual se marca un número te-

lefónico en cierto código de área con un marcador de número
aleatorio (tales dispositivos los utilizan en forma extensa en or-
ganizaciones encuestadoras) y defina una variable aleatoria Y
como

Estadı́stica general | Clase VI

23/30
Ejemplo

Considere el experimento en el cual se marca un número te-

lefónico en cierto código de área con un marcador de número
aleatorio (tales dispositivos los utilizan en forma extensa en or-
ganizaciones encuestadoras) y defina una variable aleatoria Y
como
⇢
1 si el número seleccionado no aparece en el directorio
Y =
0 si el número seleccionado sı́ aparece en el directorio

Estadı́stica general | Clase VI

23/30
Por ejemplo, si 5282966 aparece en el directorio telefónico, en-
tonces Y (5282966) = 0 en tanto que Y (7727350) = 1 dice que
el número 7727350 no aparece en el directorio telefónico. Una
descripción en palabras de esta ı́ndole es más económica que
una lista completa, por lo que se utilizará tal descripción simpre
que sea posible.

Estadı́stica general | Clase VI

24/30
Cualquier variable aleatoria cuyos únicos valores posibles son 0
y 1 se llama variable aleatoria de Bernoulli

Estadı́stica general | Clase VI

25/30
Cualquier variable aleatoria cuyos únicos valores posibles son 0
y 1 se llama variable aleatoria de Bernoulli
En ocasiones se deseará definir y estudiar diferentes variables
del mismo espacio muestral.

Estadı́stica general | Clase VI

25/30
Cualquier variable aleatoria cuyos únicos valores posibles son 0
y 1 se llama variable aleatoria de Bernoulli
En ocasiones se deseará definir y estudiar diferentes variables
del mismo espacio muestral.
Ejemplo: Un experimento en el cual se determinó el número
de bombas en uso en cada una de dos gasolineras. Defina las
-

variables aleatorias X , Y y U como:

Estadı́stica general | Clase VI

25/30
Cualquier variable aleatoria cuyos únicos valores posibles son 0
y 1 se llama variable aleatoria de Bernoulli
En ocasiones se deseará definir y estudiar diferentes variables
del mismo espacio muestral.
Ejemplo: Un experimento en el cual se determinó el número
de bombas en uso en cada una de dos gasolineras. Defina las
variables aleatorias X , Y y U como:

X = el número total de bombas en uso en las dos gasolineras

Y = la diferencia entre el número de bombas en uso en la
gasolinera 1 y el número en uso en la gasolinera 2
U = el máximo de los números de bombas en uso en las dos
gasolineras

Estadı́stica general | Clase VI

25/30
Si se realiza este experimento y se obtiene s = (2, 3), entonces
X ((2, 3)) = 2 + 3 = 5, por lo que se dice que el valor observado
de X fue x = 5.
Asimismo, el valor observado de Y serı́a y = 2 3 = 1 y el U
serı́a u = máx(2, 3) = 3.

Estadı́stica general | Clase VI

26/30
Si se realiza este experimento y se obtiene s = (2, 3), entonces
X ((2, 3)) = 2 + 3 = 5, por lo que se dice que el valor observado
de X fue x = 5.
Asimismo, el valor observado de Y serı́a y = 2 3 = 1 y el U
serı́a u = máx(2, 3) = 3.
A pesar de que en nuestro ejemplo las variables pueden asumir
sólo un número finito de posibles valores, en general éste no
tiene que ser el caso.

Estadı́stica general | Clase VI

26/30
Ejercicio 1

Una viga de concreto puede fallar por esfuerzo constante (S) o

por flexión (F ). Suponga que se seleccionan al azar tres vigas
que fallaron y se determina el tipo de falla de cada una. Sea X
el número de vigas entre las tres seleccionadas que fallaron por
esfuerzo constante.
K Ponga en lista cada resultado en el espacio
muestral junto con el valor asociado de X .

Estadı́stica general | Clase VI

27/30
 S
"
Una
viga
falla por esfuerzo
Solución :

cortante
"

"

" falla por flexión

Una
F viga
entre las tres
"
el de
✗ : # vigas fallaron
Seleccionadas que por
cortante
"

esfuerzo

Estadı́stica general | Clase VI

28/30
 ✗ R
Solución A ✗
③ Rango
) 1-
1-02={0,1/2,3}
s
( s
,
s
,

( 5,5 / F)
F) 1-
③ Discreta .

(S ,
F,
1-
⑦ -

(F) 5,5 ) D.
1-
)
( F , -5,5
1-
(F) F) F)
-⑦
CS , -5,5) ID
(F) S
,
F) 1-

Estadı́stica general | Clase VI

29/30
 Distribución de probabilidad
de
o función de masa

Solución
probabilidad .

P ( ✗ = >
c)
✗ = x
-18
PCX :o) =

O 1-
✗ =L ) -8
P (
=

1 1-
P ( ✗
2)=
=
f-
2 1-

3 1-
P ( ✗ =3 ) =
¥

={§÷
G- Si ✗ o
=

=P «
%!
»
µ Si ✗ =L

Estadı́stica general | Clase VI

30/30
 Distribución de
probabilidad de X
•

1- )
% -
que
%
-

9 9

Yo .

: :
&
.

i. . ¡ %
.

s
1 2
3
×

✗ = x PCX -

-
x ) Fcx ) =P ( ✗ )
Ex

O b-
1 3/8 48
2
3/8 7/8

3 1/8 1

5- ( x) es la función de distribución
acumulada de la v. a ✗

{
O si x < O

1
5- ( x ) =
¥ si os ✗ <

4/8 Si 1 E K < 2

7/8 Si ZEX <3

L 1 si XZS

P ( ✗ a- 2) =
"
Probabilidad de que
número de
falla cortante
vigas
sea
con
"

igual
o a 2
menor

"
Probabilidad de lo más
zugas
que a"
cortante
tengan falla
 PC ✗ E 2) = F (2) = acá utilizamos
la función de

»+,
distribución acumulada
5-( x ) calcular
para
probabilidad
la
requerida .

p, Acá utilizamos
✗
=p > +
µ
.

la función
¥ 3- + ¥ de
distribución
= +

de
=
Ffg probabilidad
c)
ql >
para
calcular la

de distribución probabilidad
FÁ Función
acumulada de la
requerida .

V. a X
.

1 -

61g -
: '

No ¡
i

÷ i
i
%
_

MÍ
:
:
¡
Y si
-

a
,
 Valor esperado E ( X ) =
µ = I
de ✗ &
&
Población Muestra .

F- ( X ) =
01010) +
1/0117+2/92) + 31013)
=
0*+1 (E) +21%1+31 :-) 3
g-

3- % ÷
¥4 Ia
= + + = = = 1.5 .

/
,

= £ sciflxi )
donde se,

✗z
=

=
o

2
¡= I JC 3 =

✗ 4 = 3

= 1.5

Varianza de ✗ : Var ( x ) = o
'
= s
>

de tu

población muestra .

'

Var ( X ) = F- ( x2 ) -
[F-
un
( x)]

Segundo
momento
primer
momento
al cuadrado
4

EIXY ziqcxi )
=

Es o

Ejemplo ELÍ) =
02*1%(11+246) +3¥
) +4 #2) )
=

polis +9pts
=
§ + 4.
3- +
9-
¥
 F- [ Á] =
3- +
E- +
8-
=
2¥ = 3

'
Var ( X ) = F- [ x2] -
[ E- [ × ]]
2
= 3 _
( 1. 5)

= 3 - 2.25

= 0.75

Desviación estándar de la
V. a .
✗ : sdcx )

sdcx ) = TÚ
= TOIÉ
=
0.87

Conclusión ECXI = 1.5