ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO

FACULTAD DE ADMINISTRACION DE EMPRESAS

ESCUELA DE CONTABILIDAD Y AUDITORIA

Integrantes:

Natalia Ainaguano

Andrs Chafla

Mnica Pilco

Rub Jarrin

Estefana Tibn

Blanca Sangucho

Katty Andy

Jeaneth Zamora

Marcelo Quinatoa

Curso:

Quinto 2

Profesor:

Ingeniero Marco Gavilnez

Fecha:

Riobamba 9 de noviembre del 2017

 Teorema de Bayes
ndice

1. Introduccin ............................................................................................................. 1
2. Objetivos ................................................................................................................ 2
2.1. General .............................................................................................................. 2
2.2. Especficos ..................................................................................................... 2
3. Marco Conceptual ................................................................................................ 3
4. Teorema de Bayes ................................................................................................. 3
4.1. Qu es el Teorema de Bayes? ........................................................................ 3
4.2. Frmula ......................................................................................................... 4
5. Resumen ................................................................................................................ 5
6. Ejercicios ............................................................................................................... 6
6.1. Ejemplo 1. ......................................................................................................... 6
6.2. Ejemplo 2. ..................................................................................................... 7
6.3. Ejercicio 3...................................................................................................... 7
6.4. Ejercicio 4...................................................................................................... 8
6.5. Ejercicio 5...................................................................................................... 9
6.6. Ejercicio 6.................................................................................................... 10
6.7. Ejercicio 7. ...................................................................................................... 11
6.8. Ejercicio 8.................................................................................................... 12
6.9. Ejercicio 9.................................................................................................... 12
6.10. Ejercicio 10.................................................................................................. 13
6.11. Ejercicio 11.................................................................................................. 14
6.12. Ejercicio 12.................................................................................................. 14
6.13. Ejercicio 13.................................................................................................. 15
6.14. Ejercicio 14.................................................................................................. 15
6.15. Ejercicio 15.................................................................................................. 16
6.16. Ejercicio 16.................................................................................................. 16
7. Conclusin .......................................................................................................... 18
8. Bibliografa ......................................................................................................... 19
 Teorema de Bayes
1. Introduccin
El objeto del tema es la cuantificacin de la incertidumbre, lo cual tiene mucho que ver
con la previsibilidad del comportamiento. Hemos visto que el Anlisis de Regresin es
una tcnica para obtener predicciones, y que, excepto en el caso de covariacin perfecta,
las predicciones son ms o menos errneas. En consecuencia, hay incertidumbre en las
predicciones, y esta es la situacin habitual. La imprevisibilidad genera incertidumbre.

Los matemticos vienen estudiando esta cuestin ya hace muchos aos, y han facilitado
herramientas precisas que dan resultados exactos en situaciones relativamente sencillas y
fcilmente formalizarles. Cuando se estudia el comportamiento, sin embargo, las cosas
son diferentes porque el comportamiento se caracteriza por la complejidad, y su estudio
requiere frecuentemente tcnicas complejas. Los conceptos bsicos de la probabilidad son
de inters porque son el fundamento de procedimientos ms sofisticados que sirven para
cuantificar la incertidumbre.

Los matemticos no son los nicos que miden la incertidumbre: Todo el mundo lo hace
cada da. Por ejemplo: Un conocido nos pide un prstamo por una cantidad importante, y
de una manera intuitiva evaluamos la probabilidad de que nos devuelva el prstamo y
decidimos en consecuencia. Otro ejemplo: Tenemos un trabajo seguro en una empresa, y
nos ofrecen un trabajo mejor pagado en otra; generalmente evaluamos la incertidumbre
de la nueva situacin antes de tomar una decisin. Estas evaluaciones son ms o menos
intuitivas, y no suponen una cuantificacin precisa de la incertidumbre, pero el
fundamento de como suelen hacerse se asemeja a algunas aproximaciones formales a la
probabilidad, que la definen como la frecuencia en que ocurre el acontecimiento.

Los matemticos definen la probabilidad de ocurrencia de un acontecimiento A (hay

tambin otras definiciones) como la razn entre la frecuencia de A (nmero de veces que
es observado) y el nmero de veces en que podra ocurrir:

Pero difcilmente podemos medir la incertidumbre del comportamiento aunque la frmula

sea sencilla. Volviendo al ejemplo, es difcil recoger datos exactos de todas las ocasiones
en que un individuo ha tenido la oportunidad de engaar, y la de todas las veces que la ha
hecho; en consecuencia difcilmente podremos obtener una medida precisa de la
probabilidad de que devuelva el prstamo. En otras situaciones s podemos obtener una

pg. 1
 Teorema de Bayes
aproximacin ms precisa a la probabilidad. Por ejemplo, la de que un estudiante
seleccionado al azar obtenga "Notable". Esta probabilidad es el nmero de estudiantes
que obtienen "Notable" dividido por el nmero total de estudiantes del curso:

En el ejemplo, diremos que la probabilidad de que un estudiante seleccionado al azar

obtenga "Notable" es igual a 0.2 (dado que 100 estudiantes han obtenido Notable en un
curso en 500 estudiantes). (VALENCIA, s.f.)

2. Objetivos
2.1.General
Investigar, analizar el Teorema de Bayes en libros y fuentes virtuales con la finalidad
de comprender lo investigado y poder explicar con ejemplos a nuestros compaeros de
curso

2.2.Especficos
Investigar sobre el Teorema de Bayes.
Identificar los elementos bsicos del Teorema de Bayes.
Realizar ejercicios del tema.

pg. 2
 Teorema de Bayes

3. Marco Conceptual

4. Teorema de Bayes
En el siglo XVIII el respetable Thomas Bayes, planteo una pregunta, Dios realmente
existe? Dado su inters en las matemticas, intento crear una frmula para llegar a la
probabilidad de que Dios existiera en base a la evidencia que exista en la Tierra. Ms
tarde Pierre-Simn Laplace perfecciono el trabajo de Bayes y le dio el nombre de
Teorema de Bayes.(Lind, Marchal, & Wathen, 2006)

4.1.Qu es el Teorema de Bayes?

El Teorema de Bayes, dentro de la teora probabilstica, proporciona la distribucin de
probabilidad condicional de un evento "A" dado otro evento "B" (probabilidad posterior),
en funcin de la distribucin de probabilidad condicional del evento "B" dado por "A" y
de la distribucin de probabilidad marginal del evento "A" (probabilidad simple).
(Ramirez, 2011)

El origen de concepto de la obtencin de probabilidades posteriores con informacin

limitada se atribuye al reverendo Thomas Bayes (1702-1761).

La frmula bsica para probabilidad condicional en circunstancia de dependencia se

conoce como Teorema de Bayes

B ()
P( ) =
A ()

El Teorema de Bayes ofrece un potente mtodo estadstico para evaluar nueva

informacin y revisar nuestras anteriores estimaciones de la probabilidad de que las cosas
se encuentren en un estado en otro. El Teorema de Bayes es un procedimiento formal que
permite a los tomadores decisiones combinar la Teora de Probabilidad Clsica con su
mejor sentido intuitivo acerca de lo que es posible que ocurra, advertencia, el valor real
del Teorema de Bayes no est en el lgebra sino en la habilidad de los administradores
bien informados para hacer buenas predicciones del futuro.

En todas las situaciones en las que se use el Teorema de Bayes primero utiliza los datos
histricos disponibles y despus agregue su propio juicio intuitivo al proceso. La intuicin

pg. 3
 Teorema de Bayes

Usada para hacer predicciones acerca de cosas que ya es tambin descrita

estadsticamente est mal dirigida.

4.2.Frmula

Dnde:

El numerador es la probabilidad conjunta:

El denominador es la probabilidad marginar de que ocurra el evento B

Entonces:

pg. 4
 Teorema de Bayes

El teorema de Bayes da respuesta a cuestiones de tipo causal, predictivas y de

diagnstico

En las cuestiones causales queremos saber cul es la probabilidad de

acontecimientos que son la consecuencia de otros acontecimientos.

En las cuestiones predictivas queremos saber cul es la probabilidad de

acontecimientos dada informacin de la ocurrencia de los acontecimientos
predictores.

En las cuestiones de tipo diagnstico queremos saber cul es la probabilidad del

acontecimiento (o acontecimientos) causales o predictivos dado que tenemos
informacin de las consecuencias.

Para resumir, en las situaciones causales o predictivas desconocemos las consecuencias

y tenemos evidencia de las causas. Por el contrario, en las situaciones de diagnstico
desconocemos las causas y tenemos evidencia de las consecuencias. Corporaciones y
grupos de investigacin han aplicado la base de los teoremas de probabilidad de Bayes,
para incrementar la estimacin y mejorar los sistemas de basados en conocimiento y
agregar contexto a la informacin.

5. Resumen
El teorema de Bayes es un procedimiento para obtener probabilidades condicionales
(probabilidades de ocurrencia de acontecimientos condicionadas a la ocurrencia de otros
acontecimientos). La expresin del teorema de Bayes para dos variables discretas es:

Para variables que toman ms de dos valores, la expresin es:

pg. 5
 Teorema de Bayes

El teorema de Bayes da respuesta a cuestiones de tipo causal, predictivas y de

diagnstico. En las cuestiones causales queremos saber cul es la probabilidad de
acontecimientos que son la consecuencia de otros acontecimientos. En las cuestiones
predictivas queremos saber cul es la probabilidad de acontecimientos dada informacin
de la ocurrencia de los acontecimientos predictores. En las cuestiones de tipo diagnstico
queremos saber cul es la probabilidad del acontecimiento (o acontecimientos) causales
o predictivos dado que tenemos informacin de las consecuencias. Para resumir, en las
situaciones causales o predictivas desconocemos las consecuencias y tenemos evidencia
de las causas. Por el contrario, en las situaciones de diagnstico desconocemos las causas
y tenemos evidencia de las consecuencias.

6. Ejercicios
6.1.Ejemplo 1.
Un autor, por intermedio de la editorial enva folletos promocionando su libro de
estadstica a 72% de los profesores que ensean la asignatura en las universidades que
fueron seleccionados para la promocin. Un mes despus se constat que el 46% que
recibieron el folleto adoptaron el libro y un 16% que no lo recibieron, tambin lo
adoptaron. Cul es la probabilidad de que un profesor que adopta el libro, fue el resultado
del folleto de promocin?

(1 ) = 0,72 0,46

0,54

(2 ) = 0,28 0,16

0,84

0,72(0,46)
(1 |) = = 0.8809
0,72(0,46) + (0,28)(0,16)

r// 0,889 maneras de obtener la promocin de un libro.

pg. 6
 Teorema de Bayes
6.2. Ejemplo 2.
Se tienen 3 recipientes; el primero contiene 6 bolas azules y 2 rojas; el segundo 4 azules
y 4 rojas y el tercero 6 azules. Se selecciona una de las tres urnas al azar y de ellas se
extrae una bola que resulta ser azul. Con la anterior informacin. Cul es la probabilidad
de que el recipiente escogido sea el primero?, Sea el tercero?

Solucin:

1 1 1
(1 ) = 3 (2 ) = 3 (3 ) = 3

6 3 6 3 6 3
(|1 ) = = (|2 ) = = (|3 ) = =
8 4 8 4 8 4

r// La probabilidad de que la bola azul provenga del primer recipiente ser:

(1 ) (|1 )
(1 |) =
(1 ) (|1 ) + (2 ) (|2 ) + . . (3 ) (|3 )

(1 3 )( 3/4) 1
(1 |) = = = 0,33
(13) (34) + (13)(12) + (13) (1) 3

r// La probabilidad de que provenga al tercer recipiente.

( 13 )( 1) 4
(3 |) = = = 0,44
(13) (34) + (13)(12) + (13) (1) 9

6.3.Ejercicio 3
El 20% de los empleados de una empresa son ingenieros y otro 20% son economistas. El
75% de los ingenieros ocupan un puesto directivo y el 50% de los economistas tambin,
mientras que los no ingenieros y los no economistas solamente el 20% ocupa un puesto
directivo. Cul es la probabilidad de que un empleado directivo elegido al azar sea
ingeniero?

pg. 7
 Teorema de Bayes

r// 0,405 formas de ser elegido al azar un ingeniero para el directivo.

6.4.Ejercicio 4.
La probabilidad de que haya un accidente en una fbrica que dispone de alarma es 0.1.
La probabilidad de que suene esta s se ha producido algn incidente es de 0.97 y la
probabilidad de que suene si no ha sucedido ningn incidente es 0.02. En el supuesto de
que haya funcionado la alarma, cul es la probabilidad de que no haya habido ningn
incidente?

Sean los sucesos:

I= Producirse incidente

A=Sonar la alarma

r// 0,157 es la probabilidad de haber evitado un accidente.

pg. 8
 Teorema de Bayes

6.5.Ejercicio 5.
El parte meteorolgico ha anunciado tres posibilidades para el fin de semana:

a) Que llueva: probabilidad del 50%.

b) Que nieve: probabilidad del 30%

c) Que haya niebla: probabilidad del 20%.

Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente

es la siguiente:

a) Si llueve: probabilidad de accidente del 10%.

b) Si nieva: probabilidad de accidente del 20%

c) Si hay niebla: probabilidad de accidente del 5%.

Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no

sabemos qu tiempo hizo (nev, llovi o hubo niebla). El teorema de Bayes nos permite
calcular estas probabilidades:

Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se

denominan "probabilidades a priori" (lluvia con el 60%, nieve con el 30% y niebla con
el 10%).

Una vez que incorporamos la informacin de que ha ocurrido un accidente, las

probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se
denominan "probabilidades a posteriori".

Vamos a aplicar la frmula:

a) Probabilidad de que estuviera lloviendo:

pg. 9
 Teorema de Bayes

r// La probabilidad de que efectivamente estuviera lloviendo el da del accidente

(probabilidad a posteriori) es del 71,4%.

b) Probabilidad de que estuviera nevando:

r// La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:

r//La probabilidad de que hubiera niebla es del 7,1%.

6.6.Ejercicio 6.
Tres mquinas A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de las
piezas producidas en una fbrica. Los porcentajes de produccin defectuosa de estas
mquinas son del 3%, 5% y 5%.

I. Seleccionamos una pieza al azar, calcular la probabilidad de que se defectuosa

pg. 10
 Teorema de Bayes

Tomamos al azar una pieza y resulta ser defectuosa; calcula la probabilidad de haber

sido producida por la

mquina B

II. Qu mquina tiene la mayor probabilidad de haber producido la citada pieza

defectuosa?

r// La mquina con mayor probabilidad de haber producido la pieza defectuosa es A

6.7.Ejercicio 7.
Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1negra y C con
2 bolas rojas y 3 negras. Escogemos una urna al azar y extraemos una bola. Si la bola ha
sido roja Cul es la probabilidad de haber sido extrada de la urna A?

Solucin: llamamos R= sacar bola roja y N= sacar bola negra. En el diagrama de

rbol adjunto pueden verse las distintas probabilidades de ocurrencia de los sucesos R o
N para cada una de las tres urnas.

r// 0,260 de obtener una bola extrada de la urna A.

pg. 11
 Teorema de Bayes

6.8.Ejercicio 8.
En la sala de pediatra de un hospital, el 60% de los pacientes son nias. De los nios el
35% son menores de 24 meses. El 20% de las nias tienen menos de 24 meses. Un
pediatra que ingresa a la sala selecciona un infante al azar.

Datos: Suceso H: seleccionar una nia, Suceso V: seleccionar un nio, Suceso M: infante
menor de 24 meses

a) Determine el valor de la probabilidad de que sea menor de 24 meses.

R// la probabilidad es de 0,26

b) Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una
nia.

r// la probabilidad de que sea nia es de 0,46

6.9.Ejercicio 9.
Un mdico cirujano se especializa en cirugas estticas. Entre sus pacientes, el 20% se
realizan correcciones faciales, un 35% implantes mamarios y el restante en otras cirugas
correctivas. Se sabe, adems, que son de gnero masculino el 25% de los que se realizan
correcciones faciales, 15% implantes mamarios y 40% otras cirugas correctivas. Si se
selecciona un paciente al azar, determine:

SOLUCIN: Se definen los sucesos:

Suceso F: pacientes que se realizan cirugas faciales

Suceso M: pacientes que se realizan implantes mamarios

Suceso O: pacientes que se realizan otras cirugas correctivas

Suceso H: pacientes de gnero masculino

pg. 12
 Teorema de Bayes

a) Determine la probabilidad de que sea de gnero masculino

r// la probabilidad de que sea masculino ser 0,28

b) Si resulta que es de gnero masculino, determine la probabilidad que se haya

realizado una ciruga de implantes mamarios.

r// la probabilidad de que sea masculino y se haya poner implantes ser 0,19

6.10. Ejercicio 10.

Un Doctor dispone de tres equipos electrnicos para realizar ecosonogramas. El uso que
le da a cada equipo es de 25% al primero, 35% el segundo en y 40% el tercero. Se sabe
que los aparatos tienen probabilidades de error de 1%, 2% y 3% respectivamente. Un
paciente busca el resultado de una ecografa y observa que tiene un error. Determine la
probabilidad de que se ha usado el primer aparato.

SOLUCIN: Se definen los sucesos:

Suceso P: seleccionar el primer aparato

Suceso S: seleccionar el segundo aparato

Suceso T: seleccionar el tercer aparato

Suceso E: seleccionar un resultado con error

pg. 13
 Teorema de Bayes

r// Existe una probabilidad del 0,12 de que haya ocurrido un error

6.11. Ejercicio 11.

Una fbrica de enlatados produce 5000 envases diarios. La mquina A produce 3000 de
estos envases, de los que el 2% son defectuosos y la mquina B produce 2000 restantes
de los que se sabe que el 4% son defectuosos.

a) Si el envase seleccionado es defectuoso, qu probabilidad hay de que proceda de

la mquina A? Y de la B?

r// 0,4286 de que provenga de la mquina A y de la mquina B 0,5714

6.12. Ejercicio 12.

En un colectivo de inversores burstiles, el 20% realiza operaciones va internet. De los
inversores que realizan operaciones va internet con 80% consulta InfoBolsaWeb. De los
inversores burstiles que no realicen operaciones va internet solo un 20% consulta
InfoBolsaWeb.

pg. 14
 Teorema de Bayes

a) Si se elige al azar un inversor burstil de este colectivo y resulta que consulta

InfoBolsaWeb, Cul es la probabilidad de que realice operaciones va internet?

r// 0,5 es la probabilidad de que se realicen operaciones en internet

6.13. Ejercicio 13.

Una fbrica de tornillos tiene dos mquinas, la M1 que es ms antigua, y hace el 75% de
todos los tornillos, y la M2, ms nueva pero pequea, que hace el 25% de los tornillos.
La M1 hace un 4% de tornillos defectuosos, mientras que la M2 tan solo hace un 2% de
tornillos defectuosos. Si escogemos un tornillo al azar, Qu probabilidad hay de que
salga defectuoso?

r// 0,857 es la probabilidad de que salga defectuoso.

6.14. Ejercicio 14.

Tenemos tres cajas con bombillas. La primera contiene 10 bombillas, de las cuales hay
cuatro fundidas; en la segunda hay seis bombillas, y tan slo una fundida, y en la tercera
hay tres bombillas fundidas de un total de ocho. Si cogemos una bombilla fundida, cul
es la probabilidad de que sea de la caja 1?

Recordemos que C1, C2, C3 representan las cajas 1, 2 y 3. Tambin F="bombilla

fundida", por lo que F= "bombilla no fundida".

pg. 15
 Teorema de Bayes

R// 0,425 es la probabilidad de obtener la caja 1

6.15. Ejercicio 15.

En un congreso se renen 250 mdicos de Europa, de los cuales 115 son alemanes; 65,
franceses, y 70 ingleses. De estos mdicos, el 75% de los alemanes, el 60 % de los
franceses y el 65% de los ingleses estn a favor de utilizar una nueva vacuna para la gripe.
Si escogemos un mdico al azar, y est a favor de aplicar la vacuna, cul es la
probabilidad de que sea francs?

Consideremos los siguientes sucesos: A="mdico alemn", F="mdico

francs", I="mdico ingls", as como V="estar a favor de la vacuna" (y por lo
tanto, V="estar en contra de la vacuna").

R// 0,228 probabilidad de que sea francs.

6.16. Ejercicio 16.

Una compaa de desarrollo urbano est considerando la posibilidad de construir un
centro comercial en un sector de la Capital. Un elemento vital en esta consideracin es
un proyecto de una autopista que une este sector con el centro de la ciudad. Si el consejo

pg. 16
 Teorema de Bayes

municipal aprueba esta autopista, hay una probabilidad de 0.90 de que la compaa
construya el centro comercial en tanto que si la autopista no es aprobada la probabilidad
es de solo 0.20, Basndose en la informacin disponible, el presidente de la compaa
estima que hay una probabilidad de 0.60 que la autopista sea aprobada.

a) Cul es la probabilidad que la compaa construya el centro comercial?

P(B) = (0.60) (0.90) + (0.40) (0.20)

P(B) = 0.54 + 0.08

P(B) = 0.62

R// 0,62 es la probabilidad de que la compaa construya un centro comercial

b) Dado que el centro comercial fue construido. Cul es la probabilidad de

que la autopista haya sido aprobada?

R// 0,87 es la probabilidad de que la autopista haya sido aprobada.

pg. 17
 Teorema de Bayes

7. Conclusin
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad.
Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En
esencia, los seguidores de la estadstica tradicional solo admiten probabilidades basadas
en experimentos repetibles y que tengan una confirmacin emprica mientras que los
llamados estadsticos bayesianos permiten probabilidades subjetivas.

El teorema de Bayes es de gran utilidad para conocer las probabilidades de los eventos o
circunstancias que se n so presenten y se convierte en una gran herramienta para la toma
de decisiones bajo ciertas circunstancias. Es necesario ahondar ms en el tema ya que
tiene muchas aplicaciones y es bastante extenso como a la vez interesante. Por lo que
esperamos que esta aproximacin al tema se convierta en el inicio de un mayor
aprendizaje.

pg. 18
 Teorema de Bayes

8. Bibliografa
Bibliogrfica, E. (2017). Enciclopedia Bibliogrfica. Recuperado el 26 de Octubre de
2017, de Enciclopedia Bibliogrfica:
https://www.biografiasyvidas.com/biografia/b/bayes.htm

Lind, D., Marchal, W., & Wathen, S. (2006). ESTADISTICA APLICADA A LOS
NEGOCIOS Y LA ECONOMIA. MCGRAW-HILL/INTERAMERICANA EDITORES,
S.A DE C.V.

Martinez Bencardino, C. (2012). Estadistica y muestreo (Dcima tercera edicin ed.).

Bogot, Colombia: Ecoe Ediciones. Recuperado el 26 de Octubre de 2017

Mojica, L. (06 de Septiembre de 2015). Prezzi. Recuperado el 26 de Octubre de 2017,

de "El valor de la Probabilidad": https://prezi.com/nlq89cr0xrfr/el-valor-de-la-
probabilidad/

Ramirez, S. (01 de Mayo de 2011). SlideShare. Recuperado el 26 de Octubre de 2017,

de Teorema de Bayes: https://es.slideshare.net/psy-roman/teorema-de-bayes-7796271

Triola, M. (2009). Estadtica. Mxico: Editorial Pearson.

Valencia, U. (2017). Estadstica Descriptiva. Recuperado el 26 de Octubre de 2017, de

Estadstica Descriptiva: https://www.uv.es/webgid/Descriptiva/1_introduccin7.html

VALENCIA, U. D. (s.f.). Teorema de Bayes. Obtenido de Teorema de Bayes:

https://www.uv.es/webgid/Descriptiva/1_introduccin7.html

Walpole, R., Myers, S., Myers, R., & Ye, K. (2009). Probalidad y estadstica. Mexico:
Printed in Mexico.

pg. 19