PROBABILIDAD

CONDICIONAL
Y
EL TEOREMA DE BAYES

SESION 4
Teoría de la Probabilidad
Condicional
Probabilidad condicional
El concepto de probabilidad está basado en una situación
particular que se resume como sigue: “probabilidad de
ocurrencia de un evento en un escenario muy particular”
Suponga que se lanza un dado. Existe una clase de
escenarios exhaustivos y no traslapados como son: “el
número del dado es par” y “el número del dado es impar”.
Entonces bajo la hipótesis de trabajar con esta clase de
escenarios, uno se puede preguntar la probabilidad de
obtener algún determinado número bajo uno de estos
escenarios.
Por ejemplo, podemos preguntar cuál es la probabilidad de
obtener un tres bajo el escenario “el número del dado es
impar”. Es decir se está preguntando por la probabilidad de
que ocurran ambas situaciones, a saber : que ocurra el
“tres” y que ocurra que “el número del dado es impar”.
Probabilidad condicional

• Con frecuencia, la probabilidad de un evento se ve

influida por la ocurrencia de otro evento relacionado.
• Supongamos que tenemos un evento A con probabilidad
P(A). Si obtenemos nueva información y vemos que ha
ocurrido un evento relacionado, representado por B,
quisiéramos aprovechar esta información para calcular la
nueva probabilidad del evento A. Esa nueva probabilidad
se representa como P(A|B) y se entiende como “la
probabilidad del evento A dado la condición que ha
ocurrido el evento B”. La notación P(A|B) se lee: “la
probabilidad de A dado B”.
• En términos matemáticos, lo anterior significa el cálculo
de la siguiente probabilidad,

PrA  B
Probabilidad condicional


B

A
A B

Pr  A  B
Probabilidad condicional

• Ahora, Supongamos que queremos calcular la

probabilidad del evento B, siempre condicionado a la
ocurrencia del escenario o evento A.
• De otra forma, entonces, estamos interesados en la
probabilidad de ocurrencia simultánea de ambos
eventos, esto es de B y de A.
• De esta manera hemos fijado un determinado
escenario, el evento A, y en base a este y solo este
escenario haremos cálculo de probabilidad de
cualquier otro evento. Bajo esta situación, esto es:

PrB  A para todo evento B

Probabilidad condicional

• Se tiene que el mayor valor numérico de probabilidad

está sobre la ocurrencia del propio suceso A
condicionado a si mismo, eso es:

PrA  A  PrA  1
• Puesto que,

PrB  A  PA  evento _ B

Probabilidad condicional

 B

A Nuevo “universo”
referencial A B

Pr  A  B
Pr( A)
Probabilidad condicional

• Con esto hemos explicado la “definición” de probabilidad

condicional. Esto es, la probabilidad de un evento sujeto a
la ocurrencia de un “determinado escenario”.
• En el formulismo matemático, si A es el escenario elegido,
entonces la probabilidad de cualquier suceso B
condicionado al escenario A es:

PrB  A
PrB / A 
PrA
Probabilidad condicional

• El escenario o suceso condicionante A debe ser tal

que su probabilidad de ocurrencia sea positiva, es
decir que tenga probabilidad positiva de ocurrir. No
tiene sentido ni gracia que el escenario condicionante
A sea tal que Pr{A} = 0.
• Puesto que, si lo anterior ocurre, entonces todo
suceso B condicionado al suceso A, significará que

PrB  A  PrA  0

• Y esto significa que cualquier suceso condicionado

a un escenario “imposible” también será
“imposible”.
Ejemplo: Demanda por Discriminación en
Ascensos de la Policía
• La fuerza policial está formada por 1200 oficiales, 960 hombres y
240 mujeres. En los últimos dos años fueron ascendidos 324
oficiales. Se detalla a continuación:
ASCENSOS DE LOS OFICIALES DURANTE LOS ULTIMOS 2 AÑOS

Hombres Mujeres Totales

Ascendidos 288 36 324

No ascendidos 672 204 876

Totales 960 240 1200

• Debido a estos resultados un comité de oficiales mujeres

interpuso una demanda por discriminación, pues se habían
promovido a 288 oficiales hombres versus 36 oficiales mujeres.
Los responsables adujeron que esto se debió a la baja cantidad
de oficiales mujeres en la policía.
• Usando la probabilidad condicional, analice el fundamento de la
demanda por discriminación presentada por el comité.
Ejemplo: Demanda por Discriminación en Ascensos de la Policía

• Sean:
– H = evento de que un oficial es hombre
– M = evento de que un oficial es mujer
– A = evento de que un oficial es ascendido
– Ac= evento de que un oficial no es ascendido
• Preparamos la Tabla de Probabilidades Conjuntas (El resultado de la intersección de dos
eventos):
– P(H∩A) = 288/1200 = .24
– P(H∩Ac) = 672/1200 = .56
– P(M∩A) = 36 / 1200 = .03
– P(M∩Ac) = 204/1200 = .17
• Además podemos obtener Probabilidades Marginales, las cuales son el resultado de la
suma de las probabilidades conjuntas:
– P(H) = P(H∩A) + P(H∩Ac) =.80
– P(M) = P(M∩A) + P(M∩Ac) =.20
– P(A) = P(H∩A) + P(M∩A) =.27
– P(Ac) = P(H∩Ac) + P(M∩Ac) =.73

TABLA DE PROBABILIDADES CONJUNTAS DE ASCENSOS

Hombres Mujeres Totales

Ascendidos .24 .03 .27

No ascendidos .56 .17 73

Totales .80 .20 1.00

Ejemplo: Demanda por Discriminación en Ascensos de la Policía

• Efectuando Análisis de Discriminación:

– Probabilidad de que un Oficial Ascendido sea Hombre = P(A|H) = 288/960 = .30
– Probabilidad de que un Oficial Ascendido sea Mujer = P(A|M) = 36/240 = .15

• Usando la probabilidad conjunta:

– P(A|H) = P(H∩A) / P(H) = .24 / .80 = .30
– P(A|M) = P(M∩A) / P(M) = .03 / .20 = .15

ASCENSOS DE OFICIALES DURANTE LOS ULTIMOS 2 AÑOS

Hombres Mujeres Totales

Ascendidos 288 36 324

No ascendidos 672 204 876

Totales 960 240 1200

TABLA DE PROBABILIDADES CONJUNTAS DE ASCENSOS

Hombres Mujeres Totales

Ascendidos .24 .03 .27

No ascendidos .56 .17 73

Totales .80 .20 1.00

Conclusión:
• Si no hubiese discriminación los resultados serían iguales. Al ser diferentes y siendo
P(A|H) > P(A|M), entonces se puede decir que podría existir discriminación en el
proceso de ascensos de oficiales, pues mayor oportunidad tienen los hombres vs las
mujeres.
Ley Multiplicativa
• Mientras que la ley aditiva de la probabilidad se
usa para determinar la probabilidad de la unión
entre dos eventos, la Ley Multiplicativa se usa
para determinar la probabilidad de la intersección
de dos eventos o P(A∩B)
Dado:
P(A|B) = P(A∩B) / P(B) ….ò
P(B|A) = P(A∩B) / P(A)

Entonces la Ley Multiplicativa sería:

P(A∩B) = P(B)*P(A|B) ….ò
P(A∩B) = P(A)*P(B|A)
Ley Multiplicativa
• Ejemplo:
Un diario sabe que el 84% de las familias de una determinada colonia tiene
una suscripción para recibir el periódico de lunes a sábado. Se sabe
también que la probabilidad de que las mismas familias suscritas de lunes
a sábado, podrían suscribirse el domingo es de .75, ¿Cuál es la
probabilidad de que la suscripción de una familia incluya tanto a la edición
dominical como a la del lunes a sábado?
Desarrollo:
Sea:
A = familias con suscripción de lunes a sábado D
B = familia con suscripción dominical S
P(B∩A) = P(A)*P(B|A) ò P(S∩D) = P(D)*P(S|D)
Reemplazando:
P(B∩A) = .84*.75 = .63

Respuesta:
La probabilidad de que la suscripción de una familia incluya tanto a la
edición dominical como a la del lunes a sábado es de 63%.
Ley Multiplicativa
• Para Eventos Independientes tendríamos la siguiente fórmula:
Dado:
P(A|B) = P(A) ò P(B|A) = P(B)
Entonces la Ley Multiplicativa sería:
P(A∩B) = P(A) *P(B)
• Ejemplo:
El gerente de una gasolinera por su experiencia sabe que el 80% de los clientes
usan tarjeta para comprar combustible. ¿Cuál es la probabilidad de que los 2
siguientes clientes que compren gasolina usen tarjeta?
Desarrollo:
Sea:
A = el evento que el 1er cliente usa tarjeta de crédito
B = el evento que el 2do cliente usa tarjeta de crédito
P(A∩B) = P(A)*P(B) = .80*.80 = .64
Respuesta:
La probabilidad de que los 2 siguientes clientes que compren gasolina usen
tarjeta es de 64%
 Problemas Propuestos
1. Suponga que hay dos eventos, A y B, con P(A)=.50;P(B)=.60;P(A∩B)=.40
a) Calcule P(A|B)
b) Calcule P(B|A)
2. Un club nocturno tiene los siguientes datos sobre la edad y el estado civil de
140 clientes:
Registro de Clientes Club Nocturno
Estado Civil
Soltero Casado
< 30 años 44 14
Edad
30 años a mas 28 21

a) Forme una tabla de probabilidad conjunta para estos datos

b) Aplique las probabilidades marginales para comentar sobre la edad de los clientes del
club
c) Emplee las probabilidades marginales para comentar sobre el estado marital de los
clientes
d) ¿Cuál es la probabilidad de encontrar un cliente que sea soltero y menor de 30 años?
e) Si un(a) cliente(a) tienen menos de 30 años, ¿Cuál es la probabilidad de que sea
soltero(a)?
 Problemas Propuestos
3. Los siguientes datos pertenecen a una muestra de 80 familias de cierta
población, éstos muestran la escolaridad de los padres y de sus hijos:
Escolaridad de Padres e Hijos
Hijo
Fue a la No fue a la
Universidad Universidad
Fue a la Universidad 18 7
Padre
No fue a la Universidad 22 33

a) Elabore una tabla de probabilidad conjunta.

b) Aplique las probabilidades marginales para comentar sobre la escolaridad
entre padres e hijos.
c) ¿Cuál es la probabilidad de que el hijo vaya a la universidad, si su padre
asistió?
d) ¿Cuál es la probabilidad de que el hijo vaya a la universidad, si su padre no
asistió?
Teorema de Bayes
El Teorema de Bayes
Al explicar la probabilidad condicional se indicó que una fase
importante del análisis de probabilidades es su actualización
cuando se adquiere información adicional.
Con frecuencia iniciamos nuestro análisis con estimados iniciales
o a priori o anteriores a los eventos específicos de interés.
Entonces pasa que aparece nueva información ya sea de un
reporte, informe, o prueba de un producto, la cual se convierte en
la información adicional.
Con esa nueva información se modifican los valores iniciales de
las probabilidades previas mediante el cálculo de probabilidades
actualizadas a las que llamamos a posteriori o posteriores. El
Teorema de Bayes proporciona un método para calcular esas
probabilidades.
El Teorema de Bayes se aplica cuando los eventos para los que
deseamos calcular sus probabilidades posteriores son
mutuamente excluyentes y colectivamente exhaustivos.
 Teorema de Bayes

(Valoración priori acerca de si Componente

la hipótesis es subjetivo
verdadera antes de ver los datos)
X
X
Componente
(Factor de Bayes) de los datos
(evidencia)

(Valoración a posteriori- de que la hipótesis Probabilidad

nula sea verdadera) de la veracidad
 Probabilidad Total

Cuando se sabe que el espacio muestral está

formado por un conjunto de eventos mutuamente
excluyentes E1, E2, E3, ..., EN.

Si se conocen las probabilidad condicionales P(S|Ei) de

un suceso S, entonces la probabilidad de ocurrencia del
suceso S, conocida como probabilidad total, se
determina con la siguiente expresión:

𝑷 𝑺 = 𝑷 𝑬𝟏 × 𝑷 𝑺 𝑬𝟏 + 𝑷 𝑬𝟐 × 𝑷 𝑺 𝑬𝟐 + ⋯ , +𝑷 𝑬𝒏 × 𝑷 𝑺 𝑬𝒏
 Teorema de Bayes

Cuando se sabe que el espacio muestral está

formado por un conjunto de eventos
mutuamente excluyentes E1, E2, E3, ..., EN.
Si se conocen las probabilidad de los eventos Ei y las
probabilidades condicionales P(S|Ei), entonces se puede
determinar la probabilidad condicional de que haya ocurrido
uno de los eventos Ei dado que ocurrió el suceso S mediante
la fórmula:
Probabilidad Total y Teorema de
Bayes

𝐄𝒏𝒖𝒏𝒄𝒊𝒂𝒅𝒐 𝒅𝒆𝒍 𝒑𝒓𝒐𝒃𝒍𝒆𝒎𝒂.

 Probabilidad Total y Teorema de
Bayes
Ejemplo (continuación):

Por datos históricos sabemos que la máquina 1

tiene una probabilidad de piezas defectuosas
del 2.4%; la máquina 2, del 1.5%; y la máquina 3,
del 0.5%.

𝐄𝒏𝒖𝒏𝒄𝒊𝒂𝒅𝒐 𝒅𝒆𝒍 𝒑𝒓𝒐𝒃𝒍𝒆𝒎𝒂.

 Probabilidad Total y Teorema de
Bayes
Ejemplo:
(Continuación)

1. ¿Cuál es
la probabilidad
de que una
pieza resulte
defectuosa?

𝐄𝒏𝒖𝒏𝒄𝒊𝒂𝒅𝒐 𝒅𝒆𝒍 𝒑𝒓𝒐𝒃𝒍𝒆𝒎𝒂.

 Probabilidad Total y Teorema de
Bayes
Ejemplo: (Continuación)

1. Si una pieza está

defectuosa, ¿cuál es la
probabilidad de que
haya sido
manufacturada en la
máquina 1?
¿y en la máquina 2?
¿y en la 3?

𝐄𝒏𝒖𝒏𝒄𝒊𝒂𝒅𝒐 𝒅𝒆𝒍 𝒑𝒓𝒐𝒃𝒍𝒆𝒎𝒂.

 Probabilidad Total y Teorema de
Bayes
Ejemplo: (Solución)
1. ¿Cuál es la probabilidad de
que una pieza resulte 𝑷𝑫 =
defectuosa? ?
Esta pregunta corresponde
a probabilidad total y se
resuelve fácilmente
mediante un diagrama de
árbol.
𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.
 Probabilidad Total y Teorema de
Bayes

Ejemplo: (Solución)
Evento aleatorio M:

El producto puede ser

manufacturado en
cualquiera de las tres
máquinas:

M1, M2 ó M3.

𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.

 Probabilidad Total y Teorema de Bayes

Ejemplo: (Solución)
La producción de
piezas defectuosas en
cada máquina, también
es un evento aleatorio.
En cada máquina se
pueden presentar dos
resultados posibles:

D = Pieza defectuosa
ND = Pieza no defectuosa

𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.

 Probabilidad Total y Teorema de
Bayes

Ejemplo: (Solución)
Anotamos las
probabilidades en las
líneas que unen los
nodos aleatorios:
La probabilidad de
que una pieza sea
manufacturada en la
máquina1 es del 55%;
en la máquina 2, del
28%, y en la máquina
3, del 17%.

𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.

Probabilidad Total y Teorema de
Bayes
Ejemplo: (Solución)
Anotamos las
probabilidades de defectos
en cada máquina:
La probabilidad de que una
pieza que se manufactura en
la máquina1 resulte
defectuosa es del 2.4%; en
la máquina 2 y defectuosa,
del 1.5%; y en la máquina 3,
defectuosa, del 0.5%.

𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆

𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆
𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂 𝒆𝒏 𝒄𝒂𝒅𝒂
𝒎á𝒒𝒖𝒊𝒏𝒂.
Probabilidad Total y Teorema de
Bayes

El porcentaje puede
interpretarse como
una división entre
100.

𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.

Probabilidad Total y Teorema de
Bayes

El porcentaje puede
interpretarse como
una división entre
100.

𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.

 Probabilidad Total y Teorema de
Bayes

𝑪𝒂𝒍𝒄𝒖𝒍𝒂𝒏𝒅𝒐 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.

 Probabilidad Total y Teorema de
Bayes
Ejemplo: (Solución)

𝑷 𝑫 = 𝑷 𝑴𝟏 × 𝑷 𝑫 𝑴𝟏 + 𝑷 𝑴𝟐 × 𝑷 𝑫 𝑴𝟐 + 𝑷 𝑴𝟑 × 𝑷 𝑫 𝑴𝟑
𝑷𝑫 = 𝟎. 𝟎𝟏𝟑𝟐 + 𝟎. 𝟎𝟎𝟒𝟐 + 𝟎. 𝟎𝟎𝟎𝟖𝟓
𝑷𝑫 = 𝟎. 𝟎𝟏𝟖𝟐𝟓
𝑪𝒂𝒍𝒄𝒖𝒍𝒂𝒏𝒅𝒐 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒂𝒅 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏𝒂 𝒑𝒊𝒆𝒛𝒂 𝒓𝒆𝒔𝒖𝒍𝒕𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒂.
 Probabilidad Total y Teorema de
Bayes
Ejemplo: (Solución)
2. Si una pieza está defectuosa,
¿cuál es la probabilidad de que haya
sido manufacturada en la máquina 1?
¿y en la máquina 2?
¿y en la 3?
Esta pregunta corresponde al
Teorema de Bayes.

𝑻𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝑩𝒂𝒚𝒆𝒔: 𝑷𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒂𝒖𝒔𝒂𝒔

𝒂 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒍𝒐𝒔 𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒐𝒔.
 Probabilidad Total y Teorema de Bayes
Ejemplo: (Solución)

𝑷 𝑬𝒊 × 𝑷 𝑺|𝑬𝒊
𝑷 𝑬 𝒊|𝑺 =
𝑷 𝑬𝟏 × 𝑷 𝑺 𝑬𝟏 + 𝑷 𝑬𝟐 × 𝑷 𝑺 𝑬𝟐 + ⋯ , +𝑷 𝑬𝒏 × 𝑷 𝑺 𝑬𝒏
𝑷 𝑴𝟏 × 𝑷 𝑫 𝑴𝟏
𝑷 𝑴 𝟏 |𝑫 =
𝑷 𝑴𝟏 ×𝑷 𝑫 𝑴𝟏 + 𝑷 𝑴𝟐 × 𝑷 𝑫 𝑴𝟐 + 𝑷 𝑴𝟑 × 𝑷 𝑫 𝑴𝟑

𝑺ó𝒍𝒐 𝒆𝒔 𝒏𝒆𝒄𝒆𝒔𝒂𝒓𝒊𝒐 𝒔𝒖𝒔𝒕𝒊𝒕𝒖𝒊𝒓 𝒆𝒏 𝒍𝒂 𝒇ó𝒓𝒎𝒖𝒍𝒂 𝒅𝒆𝒍 𝑻𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝑩𝒂𝒚𝒆𝒔.

 Probabilidad Total y Teorema de Bayes
Ejemplo: (Solución)

𝑷 𝑬𝒊 × 𝑷 𝑺|𝑬𝒊
𝑷 𝑬 𝒊|𝑺 =
𝑷 𝑬𝟏 × 𝑷 𝑺 𝑬𝟏 + 𝑷 𝑬𝟐 × 𝑷 𝑺 𝑬𝟐 + ⋯ , +𝑷 𝑬𝒏 × 𝑷 𝑺 𝑬𝒏
𝟎. 𝟎𝟏𝟑𝟐
𝑷 𝑴𝟏|𝑫
=
=?
𝟎. 𝟓𝟓 × 𝟎. 𝟎𝟐𝟒 + 𝟎. 𝟐𝟖 × 𝟎. 𝟎𝟏𝟓 + 𝟎. 𝟏𝟕 × 𝟎. 𝟎𝟎𝟓 = 𝟎. 𝟎𝟏𝟖𝟐𝟓
 Probabilidad Total y Teorema de Bayes

Ejemplo: (Solución)

𝑷 𝑬𝒊 × 𝑷 𝑺|𝑬𝒊
𝑷 𝑬 𝒊|𝑺 =
𝑷 𝑬𝟏 × 𝑷 𝑺 𝑬𝟏 + 𝑷 𝑬𝟐 × 𝑷 𝑺 𝑬𝟐 + ⋯ , +𝑷 𝑬𝒏 × 𝑷 𝑺 𝑬𝒏
𝟎. 𝟎𝟏𝟑𝟐
𝑷 𝑴𝟏|𝑫 =𝟎. 𝟕𝟐𝟑𝟐𝟖
𝟎. 𝟎𝟏𝟖𝟐𝟓
 Probabilidad Total y Teorema de Bayes

Ejemplo (continuación):

Debido a una reducción de la

demanda, la producción
debe reducirse de la
capacidad máxima de 12,600
piezas a solamente 7,800.

¿Cómo debe distribuirse la

producción? Argumenta tu
respuesta.

𝐄𝒏𝒖𝒏𝒄𝒊𝒂𝒅𝒐 𝒅𝒆𝒍 𝒑𝒓𝒐𝒃𝒍𝒆𝒎𝒂.

 Probabilidad Total y Teorema de Bayes

Ejemplo: (Solución)
La disminución de la producción debe hacerse de modo
que se utilice a plena capacidad la máquina 3, que
presenta un menor porcentaje de defectos.

Para determinar su capacidad de producción debemos

recordar que 12,600 piezas es la capacidad total de las tres
máquinas, y de ellas, la máquina 3 produce el 17%.

El 17% de 12,600 es: 𝟏𝟐𝟔𝟎𝟎 × 𝟎. 𝟏𝟕 = 𝟐, 𝟏𝟒𝟐

𝑻𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝑩𝒂𝒚𝒆𝒔: 𝑷𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒂𝒖𝒔𝒂𝒔

𝒂 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒍𝒐𝒔 𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒐𝒔.
 Probabilidad Total y Teorema de Bayes

Ejemplo: (Solución)
Posteriormente la máquina 2 debe emplearse a su máxima
capacidad o tanto como sea necesario para satisfacer la
demanda.
Para determinar su capacidad de producción aplicamos la
misma estrategia que con la máquina 3: 12,600 piezas es
la capacidad total de las tres máquinas, y de ellas, la
máquina 2 produce el 28%.

El 28% de 12,600 es: 𝟏𝟐𝟔𝟎𝟎 × 𝟎. 𝟐𝟖 = 𝟑, 𝟓𝟐𝟖

𝑻𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝑩𝒂𝒚𝒆𝒔: 𝑷𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒂𝒖𝒔𝒂𝒔

𝒂 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒍𝒐𝒔 𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒐𝒔.
 Probabilidad Total y Teorema de Bayes
Ejemplo: (Solución)

Finalmente la máquina 1, que es la que produce un mayor

porcentaje de defectos, se empleará solamente en caso
necesario para satisfacer el resto de la demanda.
La máquina 3 producirá: 2,142 piezas. La máquina 2 producirá:
3,528 piezas. Entre las dos máquinas producirán: 5,670 piezas.
La máquina 1 producirá la cantidad faltante para satisfacer la
demanda: 7,800 – 5,670 = 2,130 piezas.

𝑻𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝑩𝒂𝒚𝒆𝒔: 𝑷𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒂𝒖𝒔𝒂𝒔

𝒂 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒍𝒐𝒔 𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒐𝒔.
 Probabilidad Total y Teorema de Bayes

Ejemplo: (Solución)
Debemos determinar los porcentajes de producción de
cada máquina para modificar el diagrama de árbol.

Máquina 3: 2,142 Para determinar el

Máquina 2: 3,528 porcentaje de cada
máquina dividimos la
Máquina 1: 2,130 cantidad de piezas
Total: 7,800 producidas por cada
máquina, entre la
producción total.

𝑻𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝑩𝒂𝒚𝒆𝒔: 𝑷𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒂𝒖𝒔𝒂𝒔

𝒂 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒍𝒐𝒔 𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒐𝒔.
 Probabilidad Total y Teorema de Bayes

Ejemplo: (Solución)
Debemos determinar los porcentajes de producción de
cada máquina para modificar el diagrama de árbol.

Máquina 3: 2,142 𝟐, 𝟏𝟒𝟐 ÷ 𝟕, 𝟖𝟎𝟎 = 𝟐𝟕. 𝟓%

Máquina 2: 3,528 𝟑, 𝟓𝟐𝟖 ÷ 𝟕, 𝟖𝟎𝟎 = 𝟒𝟓. 𝟐%
Máquina 1: 2,130 𝟐, 𝟏𝟑𝟎 ÷ 𝟕, 𝟖𝟎𝟎 = 𝟐𝟕. 𝟑%
Total: 7,800

Estos porcentajes se emplearán para modificar el diagrama

de árbol.

𝑻𝒆𝒐𝒓𝒆𝒎𝒂 𝒅𝒆 𝑩𝒂𝒚𝒆𝒔: 𝑷𝒆𝒓𝒎𝒊𝒕𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒂𝒖𝒔𝒂𝒔

𝒂 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒍𝒐𝒔 𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒐𝒔.
 Probabilidad Total y Teorema de Bayes

𝑷 𝑴𝟏 × 𝑷 𝑫 𝑴𝟏 =
D
𝟎. 𝟐𝟕𝟑 × 𝟎. 𝟎𝟐𝟒 = 𝟎. 𝟎𝟎𝟔𝟓𝟓𝟐
M1
ND
𝑷 𝑴𝟐 × 𝑷 𝑫 𝑴𝟐 =
D 𝟎. 𝟒𝟓𝟐 × 𝟎. 𝟎𝟏𝟓 = 𝟎. 𝟎𝟎𝟔𝟕𝟖
45.2%
M M2
ND

𝑷 𝑴𝟑 × 𝑷 𝑫 𝑴𝟑 =
D
𝟎. 𝟐𝟕𝟓 × 𝟎. 𝟎𝟎𝟓 = 𝟎. 𝟎𝟎𝟏𝟑𝟕𝟓
M3
ND
 Probabilidad Total y Teorema de Bayes

𝑷 𝑴𝟏 × 𝑷 𝑫 𝑴𝟏 =
D
𝟎. 𝟐𝟕𝟑 × 𝟎. 𝟎𝟐𝟒 = 𝟎. 𝟎𝟎𝟔𝟓𝟓𝟐
M1
ND
𝑷 𝑴𝟐 × 𝑷 𝑫 𝑴𝟐 =
D 𝟎. 𝟒𝟓𝟐 × 𝟎. 𝟎𝟏𝟓 = 𝟎. 𝟎𝟎𝟔𝟕𝟖
45.2%
M M2
ND

𝑷 𝑴𝟑 × 𝑷 𝑫 𝑴𝟑 =
D
𝟎. 𝟐𝟕𝟓 × 𝟎. 𝟎𝟎𝟓 = 𝟎. 𝟎𝟎𝟏𝟑𝟕𝟓
M3
ND

𝑷 𝑫 = 𝟎. 𝟎𝟏𝟒𝟕𝟎𝟕
 Probabilidad Total y Teorema de Bayes

𝟎. 𝟎𝟎𝟔𝟓𝟓𝟐
D 𝑷 𝑴𝟏|𝑫 = = 𝟎. 𝟒𝟒𝟓𝟓
𝟎. 𝟎𝟏𝟒𝟕𝟎𝟕
M1
ND

D 𝑷 𝑴𝟐|𝑫 𝟎. 𝟎𝟎𝟔𝟕𝟖
45.2% = = 𝟎. 𝟒𝟔𝟏𝟎
M M2 𝟎. 𝟎𝟏𝟒𝟕𝟎𝟕
N
D
𝟎. 𝟎𝟎𝟏𝟑𝟕𝟓
D 𝑷 𝑴𝟑|𝑫 = = 𝟎. 𝟎𝟗𝟑𝟒
M3 𝟎. 𝟎𝟏𝟒𝟕𝟎𝟕
ND

𝑷𝑫 = 𝟎. 𝟎𝟏𝟒𝟕𝟎𝟕
 Problemas Propuestos
1. En el mismo caso resuelto determine lo siguiente antes de la reducción de
producción:
a) La probabilidad de que una pieza no resulte defectuosa. Elabore diagrama de árbol.
b) Si una pieza no es defectuosa, ¿cuál es la probabilidad de que haya sido manufacturada en
la máquina 1?; ¿y en la máquina 2?;¿y en la 3?. Elabore diagrama de árbol.
2. En el mismo caso resuelto determine lo siguiente después de la reducción de
producción:
a) La probabilidad de que una pieza no resulte defectuosa. Elabore diagrama de árbol.
b) Si una pieza no es defectuosa, ¿cuál es la probabilidad de que haya sido manufacturada en
la máquina 1?; ¿y en la máquina 2?;¿y en la 3?. Elabore diagrama de árbol.
3. Un banco local revisa su política de tarjetas de crédito, con el objetivo de
cancelar algunas de ellas. en el pasado aproximadamente el 5% de los
tarjetahabientes (th) ha dejado de pagar sin que el banco haya podido
recuperar la deuda. En consecuencia la gerencia estableció que hay una
probabilidad previa de .05 de que un th incurra en cartera vencida. Además
el banco ha visto que la probabilidad de que un cliente regular se atrase en
uno o mas pagos mensuales es de .20. Naturalmente, la probabilidad de
atraso en uno o mas pagos para los clientes de cartera vencida es 1.
a) Si un cliente se atrasa en un pago mensual, calcule la porbabilidad posterior de que el
cliente incurra en cartera vencida.
 Problemas Propuestos
• En la empresa “Alimentos Mr Pollo” el 2 0% de los empleados son ingenieros
y otro 20% son economistas. El 75% de los ingenieros ocupan un cargo
directivo y el 50% de los economistas también, mientras que los de más
trabajadores (no ingenieros y no economistas )solamente el 20% ocupa un
puesto directivo. ¿Cuál es la probabilidad de que un empleado directivo
elegido al azar sea ingeniero?
• La probabilidad de que ha ya un accidente en una fábrica que dispone de
alarma es 0.1. La probabilidad de que suene esta sí se ha producido algún
incidente es d e 0.97 y la probabilidad de que suene si no ha sucedido ningún
incidente es 0.02. En el supuesto de que haya funcionado la alarma, ¿cuál es
la probabilidad de que no haya habido ningún incidente?.
• Una empresa que fabrica camisetas posee tres máquinas, A, B y C, producen
el 45%, 30% y 25%, respectivamente, del total de las piezas producidas en la
fábrica. Los porcentajes de producción defectuosa de estas máquinas son del
3%,4% y 5% respectivamente.
a) Seleccionamos una camiseta al azar; calcular la probabilidad de que salga defectuosa.
b) Tomamos, al azar, una camiseta y resulta ser defectuosa; calcula la probabilidad de haber
sido producida por la máquina B.
c) ¿Qué máquina tiene la mayor probabilidad de haber producido una camiseta defectuosa?
 GLOSARIO

• Exhaustivos: se dice que dos o más sucesos son

exhaustivos si se consideran todos los posibles
resultados.
• Traslapados:Unir dos elementos remontando una parte
del elemento sobre la otra.
•  : Para todo, cuantificación universal.
• Mutuamente excluyentes: cuando dos o mas eventos no
tienen puntos muestrales en común
• Colectivamente exhaustivos: Es la unión de los eventos
que forman un espacio muestral.