5.

8 TEOREMA DE BAYES

Hasta ahora se ha concentrado la atencin en la prediccin de la probabilidad

de ocurrencia de ciertos eventos al realizar un experimento. De esta manera, se
evala el efecto del experimento, o sea, que mediante una causa se medan sus
posibles resultados o efectos.

Suponga Causa Efecto que

efectivamente ocurre un accidente y como no estbamos en la ciudad no sabemos
qu tiempo hizo. El teorema de Bayes nos permite calcular estas probabilidades.

El teorema de Bayes viene a seguir el proceso inverso al que hemos visto en el

concepto de probabilidad condicional. Tratar de explicar estar frmula con
palabras puede prestarse a una verdadera confusin, as que vamos a intentar
explicarla con un ejemplo.

Ejemplo #1

Tres mquinas A, B y C, fabrican el mismo artculo. A produce el 50%, B el

40% y C el 10%. La probabilidad de que la mquina A produzca defectuosos es
del 1%, la mquina B es del 0.5% y la mquina C es del 2%. Si se selecciona
un producto al azar, cul es la probabilidad de que sea defectuoso?

Solucin

Sean los eventos:

E1 : el artculo lo produce la mquina A.

E2 : el artculo lo produce la mquina B.
E3 : el artculo lo produce la mquina C.
E: el artculo sea defectuoso.

Para obtener el espacio muestral, Se recurre al diagrama de rbol, del cual se

generan seis casos posibles.
 Figura 5.30

Finalmente, la probabilidad de que sea defectuoso est dada por:

P( E) = P( E 1 E ) + P( E 2 E ) + P( E 3 E)

P( E) = (0.50) (0.01 ) + (0.40)(0.005) + (0.10 )(0.02)

P( E) = 0.009 0.9%

Ahora supongamos que se sabe que un producto fue inspeccionado y result

defectuoso. O sea, se conoce su efecto y se desea evaluar su posible causa.

Para evaluar esa nueva condicin, se formula la siguiente pregunta, cul es la

probabilidad de que hubiera sido fabricado por la mquina A, B o C?
Este ejemplo se puede ilustrar a travs del siguiente diagrama de Venn en donde
se presentan las tres causas probables.

Figura 5.31

S E 1 E 2 E 3

S E 1 E 2 E 3

E 1 E E 2 E E 3 E

E 1 E E 2 E E 3 E

P(E) = rea sombreada

Luego se tiene que:

P ( E1 E ) ( 0 . 50 )( 0 . 01 )
P ( E1 /E ) = =
P(E) ( 0 .009 )

P ( E1 /E ) = 0 .56 56%

P ( E2 E) ( 0 .40 ) ( 0 . 005 )
P ( E2 /E ) = =
P (E ) ( 0 . 009 )

P ( E2 /E ) = 0 .22 22%

P ( E3 E) ( 0. 10 ) ( 0 .02 )
P ( E3 /E ) = =
P ( E) ( 0 . 009 )
 P ( E3 /E ) = 0 .22 22%

Dado que el producto defectuoso debe provenir de alguna de las tres mquinas,
se puede comprobar que la suma de las probabilidades de que provengan de
alguna de estas es del 100%.

El mtodo puede generalizarse como se muestra en el siguiente diagrama de

Venn:

S E1 E2 E3 E4 En

E1E E2E E3E E4E EnE

Figura 5.32

Los sucesos E1 hasta En son mutuamente excluyentes y su reunin constituye el

espacio muestral.

S = E 1 E 2 E 3 E n
Suponga que el suceso E se ha realizado, en estas condiciones se puede
obtener las probabilidades de que dicho suceso provenga de E1, E2, , En. O sea,

P( E i ) P( E/E i )
P( E i / E ) =
P( E )
en donde

P( E) = P( E 1 E ) + P( E 2 E ) + +P( E n E )
As se tiene que

P( E i ) P( E /E i )
P( E i / E ) =
P( E 1 ) P( E /E 1 ) + P( E 2 ) P( E/ E 2 ) + + P( E n ) P( E/ E n )

Denominado Teorema de Bayes en honor al reverendo Toms Bayes su creador

en Inglaterra durante el siglo XVIII. Cabe indicar, que en 1763 se public
pstumamente Essay Towards Solving a Problem in the Doctrine of Chances,
donde el reverendo Bayes abord el problema de las causas a travs de los
efectos observados, y donde se enuncia el teorema que lleva su nombre. Este
trabajo resulta ser la base para la tcnica estadstica conocida como estadstica
bayesiana, que se utiliza para calcular la probabilidad de la validez de una
proposicin tomando como bases la estimacin de la probabilidad previa y las
evidencias relevantes ms recientes.

Las tcnicas de Bayes permiten abordar en forma diferente el rea de "toma de

decisiones", formulndola en trminos de prdidas o ganancias econmicas y no
en trminos de la probabilidad de tomar la decisin correcta. As, por ejemplo,
tomar una o dos decisiones que pudieran ser incorrectas puede ser benfico en
trminos econmicos.

Es importante conocer, que las probabilidades que manejamos antes de conocer

el hecho de que un evento haya ocurrido, se denominan "probabilidades a
priori". Por ejemplo, evaluar la probabilidad de que llueva.

Una vez que incorporamos la informacin de que ha ocurrido otro evento, por
ejemplo un accidente, las probabilidades del suceso anterior cambian ya que son
probabilidades condicionadas que se denominan "probabilidades a posteriori".

As, conociendo el hecho, se puede evaluar la probabilidad de que llueva dado

que hubo un accidente.

Ejemplo #1

Desde Pedregal Esperanza Muoz toma el Metrobs o taxi para dirigirse a su

trabajo en la Universidad Tecnolgica. Las probabilidades de que aborde el
Metrobs o taxi son del 70% y 30%, respectivamente. Treinta por ciento de las
veces que toma el Metrobs llega tarde al trabajo, mientras que el 20% de las
veces que toma un taxi le sucede lo mismo. Si Esperanza llega tarde al trabajo en
un da cualquiera, cul es la probabilidad de que haya tomado el Metrobs?

Solucin

Sean los eventos

E: Esperanza Muoz llega tarde a su trabajo.

E1: Esperanza Muoz toma el Metrobs para dirigirse a su trabajo.
E2: Esperanza Muoz toma taxi para dirigirse a su trabajo.

Se describe el espacio muestral a travs del diagrama de rbol. Del mismo se

derivan de la primera y tercera ramificacin, los eventos que evalan las
probabilidades conjuntas solicitadas.

Figura 5.33

Se calcula primero como efecto hecho consumado la probabilidad de que

Esperanza Muoz llegue tarde a su trabajo. Se aplica el concepto de dependencia
estadstica o probabilidad condicional.

P( E) = P( E1 ) P( E/ E1 ) + P( E 2 ) P( E /E 2 )

P( E) = (0. 70 ) (0 .30 ) + (0.30 ) (0.20 )

P( E) = 0. 27 27%
De acuerdo al resultado, es moderadamente baja la posibilidad de que Esperanza
Muoz llegue tarde a su trabajo.

Ahora la posible causa, si Esperanza Muoz llega tarde al trabajo un da en

particular, la probabilidad de que haya tomado el Metrobs ser evaluada a travs
del Teorema de Bayes.

P( E 1 E) (0.70) ( 0.30)
P(E 1 /E)= =
P( E) (0.27)

P( E 1 /E) = 0.778 77.8%

De acuerdo al resultado, la probabilidad de que la tardanza sea atribuida al

Metrobs es catalogada como moderadamente alta.

Cabe indicar, que la probabilidad de haber tomado taxi, dado que lleg tarde, es el
sera el complemento o diferencia de la anterior, con respecto al 100%. De otra
forma, puede evaluarse aplicando nuevamente el concepto de Bayes.

P( E 2 E) (0.30) (0.20)
P( E 2/ E) = =
P(E) (0.27)

P( E 2 /E ) = 0.222 22.2%

Es moderadamente baja la posibilidad de que sea por culpa del taxi la razn de su
llegada tarde al trabajo.

Finalmente, se deriva de los resultados que es ms probable que sea imputada la

tardanza al Metrobs, cada vez que llegue tarde al trabajo.

PROBLEMAS DE PRCTICA

PROBLEMA #1

Por las malas influencias de sus amistades, todas las noches el seor Olea llega
tarde a su casa. Su esposa, por tenerle una alta consideracin, le deja encendida
la luz de la entrada a la casa. La probabilidad de que el seor Olea llegue en
tragos es del 75%. Si llega en tragos, hay una probabilidad del 95% de que olvide
apagar la luz. En tanto que sta es slo del 10% si llega sobrio.

a. Cul es la probabilidad de que el seor Olea apague la luz en una noche

cualquiera?
b. Dado que el seor Olea apag la luz en cierta noche, cul es la probabilidad
de que haya llegado en tragos?

PROBLEMA #2

Existen dos mtodos A y B para ensear a los trabajadores cierta habilidad

industrial. El porcentaje de fracasos es del 20% con el mtodo A y el 10% para el
B. Sin embargo, el B cuesta ms y por eso se utiliza solamente en el 30% de
las veces. Se entren a un trabajador segn uno de los mtodos, pero no logr
aprenderlo correctamente, cul es la probabilidad de que haya recibido el
entrenamiento con el mtodo A?