Probabilidad

condicional
La probabilidad condicional, o probabilidad Es decir, la probabilidad
condicionada, es la posibilidad de que condicional es aquella que
ocurra un evento, al que denominamos A, depende de que se haya
como consecuencia de que ha tenido lugar cumplido otro hecho
otro evento, al que denominamos B. relacionado
 Ejemplo
Supongamos que tenemos un aula con 30 alumnos, siendo el 50 % de 14 años y el otro 50% de 15 años. Además, sabemos
que 12 integrantes del salón tienen 14 años y usan resaltado en sus libros ¿Cuál es la probabilidad de que un estudiante del
salón use resaltado si tiene 14 años?

Siguiendo la fórmula mostrada líneas arriba, primero, sabemos que la probabilidad de que el estudiante tenga 14 años es
50%(P(B)). Asimismo, la probabilidad que de que un estudiante tenga 14 años y use resaltado es 12/30=40%.
Por lo tanto, la probabilidad de que un estudiante use resaltado si tiene 14 años se calcularía de la siguiente forma:
∩
P(A|B)=P(A B)/P(B)=0,4/0,5=0,8=80%
Es decir, existe un 80% de probabilidad de que un estudiante use resaltado si tiene 14 años.

Si tenemos un evento,
que denominamos A, Se lee que la Lo opuesto a la
condicionado a otro probabilidad de que
probabilidad
evento, al cual suceda A, dado que ha
condicional es la
acontecido B, es igual a la
denominamos B, la probabilidad
probabilidad de que
notación sería P(A|B) y la independiente. Es decir,
ocurra A y B, al mismo
fórmula sería la siguiente: aquella que no depende
∩
P(A|B)=P(A B)/P(B)
tiempo, entre la
probabilidad de B. de la ocurrencia de otro
evento.

Propiedades de la probabilidad condicional
Las propiedades de la probabilidad condicional
son las siguientes:
Esto significa que la probabilidad de A dado B,
más la probabilidad del complemento de A (los
elementos del universo que no pertenece a A)
dado B, es igual a 1.
Esta propiedad implica que si A es un
subconjunto de B (o son dos conjuntos iguales),
la probabilidad de que ocurra A dado B es 1.
Lo anterior quiere decir que la probabilidad de A
es igual a la probabilidad de A dado B por la
probabilidad de B más la probabilidad de A,
dado el complemento de B por el complemento
de B.
Ejemplo 1:
∩
Si P(A) = 0,6 ; P(B) = 0,4 y P(A B)=0,18. Calcular:
a) P(A|B)
b) P(B|A)
Solución:
En este problema, simplemente vamos a reemplazar los datos
en la fórmula.
a) Usamos la fórmula de probabilidad condicional:
b) Usamos la fórmula de fórmula de probabilidad
condicional, teniendo en cuenta que vamos a calcular
la probabilidad de que ocurra B, dado que ha ocurrido
A.
El tiempo seguro en pantalla es clave.
Exponerlos a materiales que los inspiran a ser
creativos.
Teorema de bayes
FEl teorema de Bayes parte de una situación en la que es posible
conocer las probabilidades de que ocurran una serie de sucesos
Ai.
A esta se añade un suceso B cuya ocurrencia proporciona cierta
información, porque las probabilidades de ocurrencia de B son
distintas según el suceso Ai que haya ocurrido.
Conociendo que ha ocurrido el suceso B, la fórmula del teorema
de Bayes nos indica como modifica esta información las
probabilidades de los sucesos Ai.
Ejemplo teorema de
EL TEOREMA DE BAYES ES UTILIZADO
PARA CALCULAR LA PROBABILIDAD DE UN
SUCESO, TENIENDO INFORMACIÓN DE

bayes ANTEMANO SOBRE ESE SUCESO.

PODEMOS CALCULAR LA PROBABILIDAD
DE UN SUCESO A, SABIENDO ADEMÁS QUE
Ejemplo: Si seleccionamos una persona al azar, la probabilidad de ESE A CUMPLE CIERTA CARACTERÍSTICA
que sea diabética es 0,03. Obviamente la probabilidad de que no QUE CONDICIONA SU PROBABILIDAD
lo sea es 0,97.
Si no disponemos de información adicional nada más podemos
decir, pero supongamos que al realizar un análisis de sangre los
niveles de glucosa son superiores a 1.000 mg/l, lo que ocurre en el
95% de los diabéticos y sólo en un 2% de las personas sanas.
¿Cuál será ahora la probabilidad de que esa persona sea
diabética?
La respuesta que nos dá el teorema de bayes es que esa
información adicional hace que la probabilidad sea ahora 0,595.
Vemos así que la información proporcionada por el análisis de
sangre hace pasar, la probabilidad inicial de padecer diabetes de
0,03, a 0,595.
Evidentemente si la prueba del análisis de sangre hubiese sido
negativa, esta información modificaría las probabilidades en
sentido contrario. En este caso la probabilidad de padecer
diabetes se reduciría a 0,0016.
Distribución
de Poisson

La distribución de Poisson es
una distribución de probabilidad
discreta y se emplea para
describir procesos que pueden
ser descritos con una variable
aleatoria discreta. Describe
situaciones en las cuales los
clientes llegan de manera
independiente durante un cierto
intervalo de tiempo y el número
de llegadas depende de la
magnitud del intervalo. La
distribución de Poisson juega un
rol importante en complementar
la distribución exponencial en la
teoría de colas o modelo de
líneas de espera
Entre los procesos que se
pueden describir con la
distribución de probabilidad
de Poisson están la
distribución de las llamadas
telefónicas que llagan a un
conmutador, la demanda
(necesidades) de servicios en
una institución asistencial por
parte de los pacientes, los
arribos de los camiones y
automóviles a la caseta de
cobro y el número de
accidentes en un cruce. Los
ejemplos citados tienen un
elemento en común. Pueden
ser descritos por una variable
aleatoria discreta que asume
valores enteros (0,1,2,3,4,5 y
así sucesivamente).
La Distribución de Poisson se
llama así en honor a Simeón
Dennis Poisson (1781-1840),
francés que desarrolló esta
distribución basándose en
estudios efectuados en la
última parte de su vida.
El número de enfermos que
llegan a un consultorio en
cierto intervalo de tiempo
será de 0,1,2,3,4,5 o algún otro
número entero. De manera
análoga, si se cuenta el
número de automóviles que
llegan a una caseta de cobro
durante un periodo de diez
minutos, el número será
entero.
Características de los procesos que producen una
distribución de la probabilidad de Poisson

El número de vehículos que pasan por una caseta de cobro en las horas de mayor tráfico sirve como ejemplo para mostrar las
características de una distribución de probabilidad de Poisson.
El promedio (media) de los arribos de vehículos por hora de gran tráfico puede estimarse a partir de los datos anteriores del
tráfico.

Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada uno, encontraremos que los siguientes
enunciados son verdaderos:
a) La probabilidad de que exactamente un vehículo llegue por segundo a una caseta individual es un número muy pequeño y es
constante para que cada intervalo de un segundo.
b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un segundo es tan reducida que podemos asignarle un
valor cero.
c) El número de vehículos que llegan en determinado intervalo de un segundo es independiente del momento en que el intervalo
de un segundo ocurre durante la hora de gran tráfico.
d) El número de llegadas en cualquier intervalo de un segundo no depende del número de arribos de cualquier otro intervalo de
un segundo.
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos descrito en este ejemplo, si estas condiciones
se cumplen nos apoyaremos en una distribución de probabilidad de Poisson para describirlos.
 Cálculo de probabilidades mediante la distribución de Poisson
La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que pueden ser descritos con
una variable aleatoria discreta. La letra X suele representar esa variable y puede además asumir valores enteros
(0,1,2,3 etc..) . Utilizamos la letra X mayúscula para representar la variable aleatoria y la x minúscula para designar
un valor específico que puede asumir la X mayúscula. La probabilidad de exactamente x ocurrencias en una La distribución de Poisson como
distribución de Poisson se calcula mediante la fórmula: una aproximación a la distribución
P(x) = l x * e-l / x!
l x = Lambda binomial.
(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.
Algunas veces, si se desea evitar el
e-l = e= 2.71828 elevado a la potencia de lambda negativa.
x! = x factorial. tedioso trabajo de calcular las
distribuciones binomiales, se puede
usar a cambio la de Poisson, pero
Ejemplo: debe cumplir con ciertas
Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los archivos de la
condiciones como :
policía indican una media de cinco accidentes por mes en él. El número de accidentes está
distribuido conforme a la distribución de Poisson, y la división de seguridad en carreteras quiere n=>20
calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado. p=<0.05
Aplicando la fórmula anterior:
P(0) = (5)0 (e-5) /0! = 0.00674 En los casos en que se satisfacen
P(1) = (5)1 (e-5) /1! = 0.03370 tales condiciones, podemos
P(2) = (5)2 (e-5) /2! = 0.08425
P(3) = (5)3 (e-5) /3! = 0.14042
sustituir la media de la distribución
P(4) = (5)4 (e-5) /4! = 0.17552 binomialen lugar de la media de la
Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo que distribución de Poisson de modo
será igual a :
P(0) = 0.00674 que la fórmula quedaría así:
P(1) = 0.03370 P(x) = (np) X * e-np /x!
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511
Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la
probabilidad de que ocurran más de tres debe ser = 1 –0.26511 = 0.73489.