Tecnológico Nacional de México

Instituto Tecnológico De Salina Cruz

INGENIERA MECÁNICA 2B2.

Materia: PROBABILIDAD Y ESTADISTICA.

TRABAJO DE INVESTIGACIÓN TEMA 2.

INTRODUCCIÓN A LA PROBABILIDAD.

Equipo 2:

ESCOBAR MEDRANO VIVIANA 181020390

LÓPEZ ROSAS VICTOR RENE 181020396

MIJANGOS JIMENEZ ELEAZAR DE JESUS1810203327

OLAVARRI CERVANTES OMAR 181020319

OLIVERA BAUTISTA ZHAKTI AMALINALLI C181020173

PALACIOS ESCOBAR HUGO ANTONIO 181020394

SOSA RIOS DAMIAN 1810203

Docente: FIGUEROA GALVEZ WILLEBALDO

Salina Cruz Oaxaca a 02 de Marzo de 2019.

INDICE
INTRODUCCIÓN. ............................................................................................................................. 3
2.1 EXPERIMENTOS, REGLAS DE CONTEO Y ASIGNACION DE PROBABILIDAD. ............ 4
Espacio Muestral ............................................................................................................................. 5
Reglas de conteo, combinaciones, permutaciones. ......................................................................... 5
Experimento de varias etapas .......................................................................................................... 5
Regla de conteo para experimentos de etapas múltiples ................................................................. 6
Combinaciones ................................................................................................................................ 6
Permutaciones ................................................................................................................................ 8
2.2 EVENTOS Y SUS PROBABILIDADES. .................................................................................... 8
Asignación de probabilidades en el problema de KP&L. ............................................................... 9
Algunas relaciones básicas de probabilidad complemento de un evento ...................................... 11
Calculo de la probabilidad mediante el complemento .................................................................. 12
Complemento del evento A. .......................................................................................................... 12
Ley aditiva. .................................................................................................................................... 12
Eventos mutuamente excluyentes ................................................................................................. 16
2.3 RELACIONES BÁSICAS DE PROBABILIDAD. .................................................................... 16
Regla de la adicción ...................................................................................................................... 16
2.4 PROBABILIDAD CONDICIONAL .......................................................................................... 17
Interpretación ................................................................................................................................ 18
Propiedades ................................................................................................................................... 18
La falacia de la probabilidad condicional...................................................................................... 18
2.5 TEOREMA DE BAYES. ............................................................................................................ 19
Fórmula de bayes .......................................................................................................................... 20
Aplicaciones .................................................................................................................................. 20
Ejemplo del teorema de Bayes ...................................................................................................... 21
CONCLUSIÓN. ................................................................................................................................ 22
BIBLIOGRAFÍA............................................................................................................................... 23
INTRODUCCIÓN.

En la vida cotidiana aparecen muchas situaciones en las que los resultados

observados son diferentes aunque las condiciones iniciales en las que se produce
la experiencia sean las mismas. Por ejemplo, al lanzar una moneda unas veces
resultará cara y otras cruz. Estos fenómenos, denominados aleatorios, se ven
afectados por la incertidumbre.

En el lenguaje habitual, frases como "probablemente...", "es poco probable

que...", "hay muchas posibilidades de que..." hacen referencia a esta
incertidumbre.
La teoría de la probabilidad pretende ser una herramienta para modernizar y
tratar con situaciones de este tipo. Por otra parte, cuando aplicamos las técnicas
estadísticas a la recogida, análisis e interpretación de los datos, la teoría de la
probabilidad proporciona una base para evaluar la fiabilidad de las conclusiones
alcanzadas y las inferencias realizadas. Debido al importante papel
desempeñado por la probabilidad dentro de la estadística, es necesario
familiarizarse con sus elementos básicos, lo que constituye el objetivo del
presente tema.
 TEMA 2. INTRODUCCIÓN A LA PROBABILIDAD.
El concepto de probabilidad proviene del término
latino probabilĭtas. En primera instancia se entiende como la posibilidad que
existe de que un determinado hecho probable realmente suceda. Ese hecho
puede finalmente suceder, o no suceder.

La probabilidad es una herramienta de ayuda para la toma de decisiones porque

proporciona una forma de medir, expresar y analizar las incertidumbres
asociadas con eventos futuros de razones entre el número de casos favorables y
el número de casos posibles.

¿Qué es probabilidad? Es una medida numérica de la posibilidad de que ocurrirá

un evento en la que sus valores se asignan en una escala de 0 a 1.

2.1 EXPERIMENTOS, REGLAS DE CONTEO Y ASIGNACION DE

PROBABILIDAD.
En el estudio de la probabilidad, definimos un EXPERIMENTO como un
proceso que genera resultados bien definidos. En cualquier repetición siempre
de un experimento, ocurrirá uno y solo uno de los posibles resultados
experimentales. A continuación vemos algunos ejemplos de experimentos y
sus resultados.

Experimento Resultados del experimento

Lanzar una moneda Cara, escudo
Seleccionar una parte para inspeccionarla Defectuoso, no defectuoso
Venta de Teléfonos Compro, no compro
Tirar un dado 1, 2, 3, 4, 5, 6.
Jugar un partido de fútbol Ganar, perder, empatar.

Cuando hayamos especificado todos los resultados posibles, habremos

identificado el espacio muestral del experimento.
Espacio Muestral

Para un experimento el espacio muestral es el conjunto de todos los

resultados experimentales.

Un resultado experimental también se conoce como punto muestral para

identificarlo como elemento del espacio muestral.
Considere el primer experimento de la tabla anterior- lanzamiento de una
moneda. Los resultados experimentales (puntos muestrales) están determinados
por la cara superior de la moneda- cara o escudo. Si S representa el espacio
muestral podremos usar la siguiente notación para describirlo.
S= {cara, escudo}

El espacio muestral para el segundo experimento de la tabla- seleccionar una

parte para inspección- tiene el siguiente, espacio muestral y puntos muestrales.

S= {defectuoso, no defectuoso}

Los experimentos, antes descritos tienen dos resultados experimentales (punto

muestral). Sin embargo, suponga que consideramos el cuarto experimento
listado- lanzar un dado. Los posibles resultados experimentales definidos como
el número de puntos que aparecen en la cara superior del dado son los seis
puntos del espacio muestral para este experimento.

S= {1, 2, 3, 4, 5, 6}

Reglas de conteo, combinaciones, permutaciones.

Un paso necesario en la asignación de probabilidades es poder identificar y

contar los resultados experimentales. A continuación se analizan tres reglas de
conteo que resultan útiles.

Experimento de varias etapas

La primera regla de conteo es para experimentos de varias etapas.

Considere el experimento que consiste en lanzar dos monedas. Los resultados
experimentales se definen en términos de la sucesión de caras o escudos que
aparecen en las caras superiores de las dos monedas. ¿Cuantos resultados
experimentales son posibles para este experimento? Lanzar las dos monedas se
pueden considerar como un experimento de dos pasos en que el primero es el
lanzamiento de la primera moneda y el segundo es el lanzamiento de la segunda.
Si para denotar escudo usamos la H y para denotar cara empleamos una T. (H,H)
indica el resultado experimental con escudo en la primera moneda y un escudo
en la segunda. Con esta notación podemos describir el espacio muestral S para
el lanzamiento de monedas de la manera siguiente:
S= {(H, H),(H,T),(T,H),(T,T)}

Así vemos que son posibles cuatro resultados experimentales. En este caso, no
es difícil listarlos todos.
La regla de conteo para experimentos de varias etapas permite determinar el
número de resultados experimentales sin listarlos.

Regla de conteo para experimentos de etapas múltiples

Si un experimento se puede describir como una sucesión de K etapas, en

las que hay n1 resultados posibles de la primera etapa, n2 en la segunda, etc..,
la cantidad total de resultados experimentales es igual a (n1),(n2)......(nK).
Si el experimento de lanzar dos monedas se considera como una sucesión de
primero lanzar una moneda (n1=2) y luego lanzar la otra (n2=2), podemos
inferir de la regla de conteo que hay (2) (2)=4 resultados experimentales
distintos. Como se observa, hay S= {(H, H),(H,T),(T,H),(T,T)}. El número de
resultados experimentales en un experimento que consiste en el lanzamiento d
seis monedas es (2) (2)(2)(2)(2)(2)=64.

Combinaciones

Una segunda regla de conteo que con frecuencia es de utilidad, permite

contar la cantidad de resultados experimentales cuando en un experimento se
deben seleccionar r objetos entre un conjunto de n objetos (por lo común más
grande). Se llama regla de conteo para combinaciones. El orden de los objetos
seleccionados no es importante en el orden.

Regla de conteo para combinaciones

La cantidad de combinaciones de n objetos tomados r a la vez es
La notación ! significa factorial; por ejemplo, 5 factorial es
5!=(5)(4)(3)(2)(1)=120. Por definición, 0! es igual a 1.

Un ejemplo de la regla de conteo para combinaciones es un procedimiento de

control de calidad en que un inspector selecciona al azar dos de cinco partes,
para examinar y ver si tiene defectos. En un grupo de cinco partes, ¿cuantas
combinaciones de dos partes se puede seleccionar?. La regla de conteo de la
ecuación que para n=5 y r=2 el resultado es

Así, hay 10 resultados en el experimento de seleccionar al azar dos partes de un

grupo de cinco. Si identificamos a cinco partes como A, B, C, AD, AE, BC,
BD, BE, CD, CE y DE.
Otro ejemplo es el siguiente: la lotería de Ohio emplea selección aleatoria de
seis números de un grupo de 47 para determinar al ganador semanal. Se puede
aplicar la regla de conteo. Para combinaciones, para calcular la cantidad de
maneras en que se pueden seleccionar seis números distintos de entre un grupo
de 47 números.

La regla de conteo para combinaciones indica que hay más de 10 millones de

resultados experimentales para determinar al ganador de la lotería. Una persona
se compra un boleto de lotería tiene una posibilidad de ganar 10737573.
Permutaciones

Una tercera regla de conteo que a veces resulta útil es la regla de conteo para
permutaciones. Esta permite que uno pueda calcular el número de resultados
experimentales al seleccionar r objetos de un conjunto n objetos, donde es
importante el orden de selección. Si los mismos r objetos se seleccionan en otro
orden se considera que se trata de un resultado experimental distinto. En las
permutaciones sí importa el orden

Regla de conteo para permutaciones

El número de permutaciones de n objetos tomando r a la vez está dado por

La regla de conteo para permutaciones tiene estrecha relación con la de las

combinaciones. No obstante, un experimento tendrá más permutaciones que
combinaciones para el mismo número de objetos porque cada selección de r
objetos tiene n! formas distintas para ordenarlos.

Como ejemplo, considere de nuevo el proceso de control de calidad en que un

inspector selecciona dos de cinco partes para hallar los defectos. ¿Cuantas
permutaciones es posible seleccionar? La regla de conteo de ecuación muestra
que con n=5 y r=2 se tiene

Por tanto, 20 resultados son posibles para el experimento de elegir al azar dos
pares de un grupo de cinco cuando hay que tomar en cuenta el orden de
selección. Si marcamos las partes A,B,C, y E, las 20 permutaciones son AB,
BA, AC, CA, AD, DA, AE, EA, BC, CB, BD, DB, BE, EB, CD, DC, CE, EC,
DE, ED.

2.2 EVENTOS Y SUS PROBABILIDADES.

Un evento es una colección de puntos muestrales, por ejemplo:
1. La probabilidad de lanzar un dado de cómo resultados números pares
A= 1, 2, 3, 4, 5, 6.
A= 2, 4, 6.
El dado tiene seis punto muestrales por lo que probabilidad de que es
resultado experimental o punto muestral seria el evento A.
2. Si se tienen 3 cincos amarillos, 2 cincos morados y 4 cincos verdes,
entonces:
3/9+2/9+4/9=1

Asignación de probabilidades en el problema de KP&L.

TABLA 1
PUNTO MUESTRAL TIEMPO DE TERMINACION PROBABILIDAD DEL
DEL PROYECTO PUNTO MUESTRAL
(2,6) 8 meses P(2,6)=6/40=0.15
(2,7) 9 meses P(2,7)=6/40=0.15
(2,8) 10 meses P(2,8)=2/40=0.05
(3,6) 9 meses P(3,6)=4/40=0.10
(3,7) 10 meses P(3,7)=8/40=0.20
(3,8) 11 meses P(3,8)=2/40=0.05
(4,6) 10 meses P(4,6)=2/40=0.05
(4,7) 11 meses P(4,7)=4/40=0.10
(4,8) 12 meses P(4,8)=6/40=0.15

Ahora presentamos la definición formal relacionada con la probabilidad de un

evento.

Evento: Un evento es un conjunto de puntos muestrales.

Para entenderlo mejor, volvamos al problema de KP&L (Kentucky Power and
Light Company) y supongamos que al gerente de proyecto le interesa el
evento en que todo el proyecto se puede determinar en 10 meses o menos. Al
consultar la tabla 1 vemos que hay seis puntos muestrales (2,6), (2,7), (2,8),
(3,6) (3,6) y (4,6) que dan un tiempo de terminación de 10 meses o menos.
Sea C el evento en que el proyecto se termina en 10 meses o menos;
escribimos

C= {(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)

Se dice que el evento C ocurre si cualquiera de los seis puntos muestrales de
arriba llega a ser el resultado experimental.
Otros eventos que podrían interesar a la gerencia de KP&L son los siguientes:
L= el evento en que el proyecto se termina en menos de 10
meses.

M=el evento en que el proyecto se termina en más de 10

meses.

Con la información de la tabla 4.3, vemos que esos eventos consisten en los
siguientes puntos muéstrales.
L= {(2,6), (2,7), (3,6)} M= {(3,8), (4,7), (4,8)}

Se puede definir una amplia variedad de eventos adicionales para el problema

de esta compañía, pero en cada caso el evento debe definirse como un
conjunto de puntos muestrales del experimento.
Dadas las probabilidades de los puntos muestrales en la tabla 1 podemos usar
la siguiente definición para calcular la probabilidad de cualquier evento que
pudiera interesar a la agencia de KP&L.

Probabilidad de un evento
La probabilidad de un evento es igual a la una de las probabilidades de los
puntos muestrales en el evento.
Con esta definición calcularemos la probabilidad de determinado evento al
sumar las probabilidades de los puntos muestrales (resultados experimentales)
que lo forman. Ya podemos calcular la probabilidad de que el proyecto dure
10 meses o menos en terminarse. Como este evento está definido por
C={(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)}, la probabilidad del evento C, denota
por P(C), está dada por

P(C)= P(2,6) + P(2,7) + P(2,8) + P(3,6) + P(3,7) + P(4,6)

Al consultar en la tabla 4.3 las probabilidades de los puntos muestrales,

llegamos a

P(C)=0.15 + 0.15 +0.5 +0.10 +0.20 + 0.05 = 0.70

Igualmente, como el evento de que el proyecto se termine en menos de 10
meses se expresa como L={(2,6),(2,7), (3,6), la probabilidad de este
evento es.
 P(L)= P(2,6) + P(2,7) + P(3,6)
= 0.15 + 0.15 +0.10 = 0.40
Por ultimo, para el evento de que el proyecto se termine en más de 10 meses
tenemos M={(3,8), (4,7), (4,8)}, y en consecuencia

P(L)= P(3,8) + P(4,7) + P(4,8)

=0.05 + 0.10 + 0.15=0.30

Con los anteriores resultados probabilísticos, ya podemos informar a la

gerencia de KP&L que hay una probabilidad de 0.70 que termine en 10 meses
o menos, una de 0.40 de que se termine en menos de 10 meses, y una de 0.30
de que se termine en más de 10 meses.
Este procedimiento para calcular probabilidades de eventos se puede repetir
para cualquier evento que interese a la dirección de KL&L.
Siempre que podamos identificar a todos los puntos muestrales de un
experimento y asignar las probabilidades a cada uno, podemos calcular la
probabilidad de un evento por medio de la definición. Sin embargo, en
muchos experimentos la cantidad de puntos muestrales es grande, y la
identificación de ellos, así como la determinación de sus probabilidades
asociadas, es demasiado tediosa, si no es que imposible.

Algunas relaciones básicas de probabilidad complemento de un evento

Dado un evento A, el complemento de A se define como el evento formado

por todos los puntos muéstrales que no están en A. El complemento de A se
representa con Ac, conocido con Diagrama de Venn que ilustra el concepto de
un complemento. El área rectangular representa el espacio muestral del
experimento y, como tal, contiene todos los puntos muestrales posibles. El
círculo representa al evento A y solo contiene los puntos muestrales que
pertenecen a A. La región sombreada del rectángulo contiene todos los puntos
muestrales que no están en el evento A y, por definición, es el complemento
de A.

En cualquier aplicación de probabilidades, debe suceder ya sea el evento A

o su complemento Ac. En consecuencia.
P(A) + P(Ac) = 1
Al despejar P(A) obtenemos el siguiente resultado:
Calculo de la probabilidad mediante el complemento

P(A)= 1- P(Ac)
La ecuación de cálculo indica que la probabilidad de un evento A se puede
calcular con facilidad si se conoce la probabilidad de su complemento, P(Ac).
Por ejemplo, veamos el caso de un gerente de ventas que, después de revisar
los informes de ventas, dice que 80% de los contactos con nuevos clientes no
resultan en venta alguna. Si se define a A como el evento de una venta y Ac
el no venta, lo que el gerente dice es que P(Ac)=0.80. Al aplicar la ecuación
tenemos.

P(A)=1 - P(Ac)=1 - 0.880= 0.20

Podemos concluir que la probabilidad de que se haga una venta al entrar en

contacto con un nuevo cliente e 0.20.
En otro ejemplo, un agente de compras dice que hay una probabilidad de 0.90
de que un proveedor mande un embarque sin partes defectuosas. Recorriendo
al complemento, podemos decir que hay probabilidad de 1 - 0.90 = 0.10 de
que el embarque contenga partes defectuosas.

Complemento del evento A.

Ley aditiva.
La ley aditiva es útil cuando se tienen dos eventos y se desea conocer la
probabilidad de que ocurra al menos uno de ellos. Esto es, con los eventos A
y B nos interesa conocer la probabilidad de que suceda el evento A, o el
evento B, o ambos.
Antes de presentar la ley adictiva, necesitamos analizar dos conceptos
relacionados con la combinación de eventos: la unión de eventos y la
intersección de estos. Dados dos eventos, A y B, la unión de A y B se define
como sigue.

Unión de dos eventos

La unión de A y B es el evento que contiene todos los puntos muestrales que
pertenecen a A o a B o a ambos. La unión de A y B se representa con A U B.

El diagrama de Venn muestra la unión de los eventos A y B. Observe que los

dos círculos contiene todos los puntos muestrales del evento A y los puntos
muestrales del evento B. El hecho de que los círculos se traslapen indica que
algunos puntos muestrales están contenidos tanto en A como B al mismo
tiempo.
La definición de la intersección de dos eventos A y B es la siguiente.

Intersección de dos eventos.

Dados dos eventos, A y B, la intersección de A y B es el evento que contiene
los puntos muestrales que pertenecen simultáneamente a A y a B, y se
representa como A Ƞ B.

El diagrama de Venn que muestra la intersección de los dos eventos es el de la

figura, el área en donde se traslapan los dos círculos es la intersección;
contiene los puntos muestrales que están en A y también en B.
Continuemos ahora con la descripción de la ley aditiva. Esta ley proporciona
una forma de calcular la probabilidad de que ocurra el evento A o B, o
ambos. En otras palabras, la ley aditiva es útil para calcular la probabilidad de
la unión de dos eventos, A U B. Esta ley se enuncia como sigue.

Ley aditiva
P(A U B)= P(A) + P(B) - P(A Ƞ B)

Figura 1 Unión de los eventos A y B

Figura 2 Intersección de los eventos A y B

Para captar intuitivamente la ley aditiva, observe que los dos primeros términos
en ella, P(A) + P(B), se asocian con todos los puntos muestrales en A U B. Sin
embargo, como los puntos muestrales en la intersección A Ƞ B están en A y en
B al mismo tiempo, al calcular P(A) + P(B) de hecho contamos dos veces a cada
uno de los puntos en A Ƞ B. Al restar P(A Ƞ B) corregimos el doble conteo.

Como ejemplo de aplicación de ley aditiva, consideramos el caso de una

pequeña ensambladora con 50 empleados. Se espera que cada trabajador
termine a tiempo sus labores de trabajo, además de que el producto armado
pase una inspección final. A veces, algunos de los trabajadores no pueden
cumplir con los estándares de desempeño porque terminan su trabajo tarde y
arman productos defectuosos. Al terminar un periodo de evaluación de
desempeño, el gerente de producción vio que 5 de los 50 trabajadores habían
terminado tarde su trabajo, que 6 de los 50 habían armado productos
defectuosos y que 2 habían terminado el trabajo tarde y también habían
armado productos defectuosos.

Sean
L= el evento de que el trabajo se termine tarde
D= el evento de que el producto armado es defectuoso

La información anterior sobre frecuencias relativas conduce a las siguientes

probabilidades

P(L)= 5=0.10
50

P(D)= 6=0.12
50

P(L Ƞ D)= 2 =0.04

50
Después de revisar los datos, el gerente de producción opto por asignar una
mala calificación de desempeño al empleado cuyo trabajo se presentara tarde
o fuera defectuoso, en consecuencia, el evento de interés es L U D. ¿ Que
probabilidad hay de que asigne una mala calificación a un empleado?
Observe que, desde el punto de vista probabilístico, la cuestión se relaciona
con la unión de dos eventos. En forma específica, queremos conocer P(L U
D). Aplicamos la ecuación de la figura 1 y obtenemos
P(L U D)= P(L) + P(D) - P(L Ƞ D)

Conocemos los valores de las tres probabilidades del lado derecho de la

ecuación y podemos escribir
P(L U D)= 0.10+0.12-0.04=0.18

Este cálculo indica una probabilidad de 0.18 de que un empleado elegido al

azar recibe una mala calificación de desempeño.

Evento mutuamente excluyente

Se dice que dos eventos son mutuamente excluyentes si no tienen puntos
muestrales en común.

Esto es, los eventos A y B son mutuamente excluyentes si, cuando ocurre uno,
el otro no puede ocurrir. Así un requisito para que A y B sean mutuamente
excluyentes es que su intersección no debe contener puntos muestrales. El
diagrama de Venn donde se muestran dos elementos, A y B, mutuamente
excluyente, se presenta en la figura 3. En este caso, P(A Ƞ B)= 0 y la ley se
puede expresar como sigue.

Ley aditiva para eventos mutuamente excluyentes

P(A U B)= P(A) + P(B)

Eventos mutuamente excluyentes

2.3 RELACIONES BÁSICAS DE PROBABILIDAD.

Con las probabilidades podemos realizar varias operaciones entre ellas las que
aparecen en la gráfica.

Regla de la adicción

Regla especial de la adición. Establece que si dos eventos A y B son

mutuamente excluyentes la probabilidad de que uno u otro evento ocurran
es igual a la suma de sus probabilidades. De lo anterior se puede deducir
que la probabilidad de que ocurra A más la probabilidad de que no ocurra
A debe sumar 1. A esto se le llama la regla del complemento. Esta regla
establece que para determinar la probabilidad de que ocurra un evento se
puede restar de 1 la probabilidad de que no ocurra.
 La Regla de la Adición expresa que: la probabilidad de ocurrencia de al
menos dos sucesos A y B es igual a: P(A o B) = P(A) U P(B) = P(A) +
P(B) si A y B son mutuamente excluyente P(A o B) = P(A) + P(B) - P(A
y B) si A y B son no excluyentes Siendo: P(A) = probabilidad de
ocurrencia del evento A P(B) = probabilidad de ocurrencia del evento B
P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B

ejemplo: Si A y B son dos eventos que no son mutuamente excluyentes,

entonces P(A o B) se calcula con la siguiente fórmula: P(A o B) = P(A) +
P(B) - P(A y B) El Diagrama de Venn ilustra esta regla

ejemplo: En una muestra de 500 estudiantes, 320 dijeron tener un estéreo,

175 dijeron tener una TV y 100 dijeron tener ambos Si un estudiante es

seleccionado aleatoriamente, ¿cuál es la probabilidad de que tenga sólo
un estéreo, sólo una TV y uno de cada uno? P(S) = 320 /500 = .64. P(T)
= 175 /500 = .35. P(S y T) = 100 /500 = .20.

Si un estudiante es seleccionado aleatoriamente, ¿cuál es la probabilidad

de que tenga un estéreo o una TV en su habitación? P(S o T) = P(S) + P
(T) - P(S y T) = .64 +.35 - .20 = .79.

2.4 PROBABILIDAD CONDICIONAL

La probabilidad condicionada mide la probabilidad de un determinado suceso
conociendo información previa sobre otro suceso.
Probabilidad condicional es la probabilidad de que ocurra un evento A,
sabiendo que también sucede otro evento B. La probabilidad condicional se
escribe P o P, y se lee «la probabilidad de A dado B». No tiene por qué haber
una relación causal o temporal entre A y B.
No tiene por qué haber una relación causal o temporal entre A y B. A puede
preceder en el tiempo a B, sucederlo o pueden ocurrir simultáneamente. A
puede causar B, viceversa o pueden no tener relación causal. Las relaciones
causales o temporales son nociones que no pertenecen al ámbito de la
probabilidad. Pueden desempeñar un papel o no dependiendo de la
interpretación que se le dé a los eventos.
El condicionamiento de probabilidades puede lograrse aplicando el teorema de
Bayes.

Interpretación

P (A/B) Se puede interpretar como, tomando los mundos en los que B se

cumple, la fracción en los que también se cumple A. Si el evento B es, por
ejemplo, tener la gripe, y el evento A es tener dolor de cabeza, P (A/B) sería la
probabilidad de tener dolor de cabeza cuando se está enfermo de gripe.
Gráficamente, si se interpreta el espacio de la ilustración como el espacio de
todos los mundos posibles, A serían los mundos en los que se tiene dolor de
cabeza y B el espacio en el que se tiene gripe. La zona verde de la intersección
representaría los mundos en los que se tiene gripe y dolor de cabeza P (A∩B).
En este caso, P (A/B) es decir, la probabilidad de que alguien tenga dolor de
cabeza sabiendo que tiene gripe, sería la proporción de mundos con gripe y
dolor de cabeza (color verde) de todos los mundos con gripe: El área verde
dividida por el área de B. Como el área verde representa P (A∩B). y el área de
B representa a P(B), formalmente se tiene que:

Propiedades

La falacia de la probabilidad condicional

La falacia de la probabilidad condicional se basa en asumir que P (A|B) es casi

igual a P (B|A). El matemático John Allen Paulos analiza en su libro El hombre
a numérico este error muy común cometido por personas que desconocen
la probabilidad.
La verdadera relación entre P (A|B) y P (B|A) es la siguiente:
Por ejemplo, si queremos calcular la probabilidad de que al tirar un dado salga
un 6, sabemos por la regla de Laplace, que la probabilidad es de 1/6.
Sin embargo, si disponemos de la información de que el resultado ha sido un
número par, entonces tan sólo hay tres posibilidades: 2, 4 Y 6 y, por lo que la
probabilidad pasa a ser más alta, de 1/3.

Dados dos sucesos A y B, tales que P(B)/=0 , se denomina probabilidad de

A condicionada a B, que escribimos P(A/B) , a :

De la fórmula de la probabilidad condicionada podemos derivar una expresión

que nos resultará muy útil:

Esta expresión se conoce como principio de la probabilidad compuesta.

2.5 TEOREMA DE BAYES.

En la teoría de la probabilidad el teorema de Bayes es un resultado enunciado
por Thomas Bayes en 17631 que expresa la probabilidad condicional de
un evento aleatorio A dado B en términos de la distribución de probabilidad
condicional del evento B dado A y la distribución de probabilidad marginal de
sólo A.
En términos más generales y menos matemáticos, el teorema de Bayes es de
enorme relevancia puesto que vincula la probabilidad de A dado B con la
probabilidad de B dado A. Es decir que sabiendo la probabilidad de tener un
dolor de cabeza dado que se tiene gripe, se podría saber si se tiene algún dato
más, la probabilidad de tener gripe si se tiene un dolor de cabeza, muestra este
sencillo ejemplo la alta relevancia del teorema en cuestión para la ciencia en
todas sus ramas, puesto que tiene vinculación íntima con la comprensión de la
probabilidad de aspectos causales dados los efectos observados.

Fórmula de bayes

Para calcular la probabilidad tal como la definió Bayes en este tipo de sucesos,
necesitamos una fórmula. La fórmula se define matemáticamente como:

Donde B es el suceso sobre el que tenemos información previa y A(n) son los
distintos sucesos condicionados. En la parte del numerador tenemos la
probabilidad condicionada, y en la parte de abajo la probabilidad total. En
cualquier caso, aunque la fórmula parezca un poco abstracta, es muy sencilla.
Para demostrarlo, utilizaremos un ejemplo en el que en lugar de A(1), A(2) y
A(3), utilizaremos directamente A, B y C.

Aplicaciones

El teorema de Bayes es válido en todas las aplicaciones de la teoría de la

probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades
que emplea. En esencia, los seguidores de la estadística tradicional sólo admiten
probabilidades basadas en experimentos repetibles y que tengan una
confirmación empírica mientras que los llamados estadísticos bayesianos
permiten probabilidades subjetivas. El teorema puede servir entonces para
indicar cómo debemos modificar nuestras probabilidades subjetivas cuando
recibimos información adicional de un experimento. La estadística bayesiana
está demostrando su utilidad en ciertas estimaciones basadas en el conocimiento
subjetivo a priori y el hecho de permitir revisar esas estimaciones en función de
la evidencia empírica es lo que está abriendo nuevas formas de hacer
conocimiento. Una aplicación de esto son los clasificadores bayesianos que son
frecuentemente usados en implementaciones de filtros de correo basura o spam,
que se adaptan con el uso.

Ejemplo del teorema de Bayes

Una empresa tiene una fábrica en Estados Unidos que dispone de tres máquinas
A, B y C, que producen envases para botellas de agua. Se sabe que la máquina
A produce un 40% de la cantidad total, la máquina B un 30%, y la máquina C
un 30%. También se sabe que cada máquina produce envases defectuosos. De
tal manera que la máquina A produce un 2% de envases defectuosos sobre el
total de su producción, la máquina B un 3%, y la máquina C un 5%. Dicho esto,
se plantean dos cuestiones:
P(A) = 0,40 P(D/A) = 0,02
P(B) = 0,30 P(D/B) = 0,03
P(C) = 0,30 P(D/C) = 0,05
1.Si un envase ha sido fabricado por la fábrica de esta empresa en Estados
Unidos ¿Cuál es la probabilidad de que sea defectuoso?
Se calcula la probabilidad total. Ya que, a partir los diferentes sucesos,
calculamos la probabilidad de que sea defectuoso.

P(D) =[ P(A) x P(D/A) ] + [ P(B) x P(B/A) ] + [ P(C) x P(C/A) ] = [ 0,4 x 0,02

] + [ 0,3 x 0,03 ] + [ 0,3 x 0,05 ] = 0,032

Expresado en porcentaje, diríamos que la probabilidad de que un envase

fabricado por la fábrica de esta empresa en Estados Unidos sea defectuoso es
del 3,2%.

2. Siguiendo con la pregunta anterior, si se adquiere un envase y este es

defectuoso ¿Cuáles es la probabilidad de que haya sido fabricado por la
máquina A?¿Y por la máquina B?¿Y por la máquina C?
Aquí se utiliza el teorema de Bayes. Tenemos información previa, es decir,
sabemos que el envase es defectuoso. Claro que, sabiendo que es defectuoso,
queremos saber cual es la probabilidad de que se haya producido por una de
las máquinas.

P(A/D) = [P(A) x P(D/A)] / P(D) = [0,40 x 0,02] / 0,032 = 0,25

P(B/D) = [P(B) x P(D/B)] / P(D) = [0,30 x 0,03] / 0,032 = 0,28

P(C/D) = [P(C) x P(D/C)] / P(D) = [0,30 x 0,05] / 0,032 = 0,47

Sabiendo que un envase es defectuoso, la probabilidad de que haya sido

producido por la máquina A es del 25%, de que haya sido producido por la
máquina B es del 28% y de que haya sido producido por la máquina C es del
47%.

CONCLUSIÓN.

El Cálculo de Probabilidades nos permite calcular el grado de fiabilidad o error

de las conclusiones obtenidas mediante inferencia estadística.
† La probabilidad mide o cuantifica la incertidumbre que tenemos sobre el
resultado de un experimento aleatorio.
Saber calcular probabilidades, te permite analizar y predecir sucesos y
fenómenos y un determinado grado de acierto.
A veces podemos intuir si un suceso es más probable que otro, o ¿qué
probabilidad tengo de que suceda…? Sin embargo hemos comprobado que a
veces la intuición no coincide con la verdadera solución, por eso la importancia
de este tema.
BIBLIOGRAFÍA
http://metodosunoydos.galeon.com/enlaces2221651.html. (s.f.).

http://pachucaestadisticaaplicada.blogspot.com/2010/09/evento-y-sus-probabilidades.html. (s.f.).
Obtenido de http://pachucaestadisticaaplicada.blogspot.com/2010/09/evento-y-sus-
probabilidades.html

http://pachucaestadisticaaplicada.blogspot.com/2010/09/probabilidadreglas-de-conteo.html.
(s.f.). Obtenido de
http://pachucaestadisticaaplicada.blogspot.com/2010/09/probabilidadreglas-de-
conteo.html

https://concepto.de/probabilidad/#ixzz5hAIp2FQm. (s.f.). Obtenido de

https://concepto.de/probabilidad/#ixzz5hAIp2FQm

https://economipedia.com/definiciones/teorema-de-bayes.html. (s.f.). Obtenido de

https://economipedia.com/definiciones/teorema-de-bayes.html

https://es.wikipedia.org/wiki/Teorema_de_Bayes. (s.f.). Obtenido de

https://es.wikipedia.org/wiki/Teorema_de_Bayes

https://www.sangakoo.com/es/temas/probabilidad-condicionada. (s.f.). Obtenido de

https://www.sangakoo.com/es/temas/probabilidad-condicionada