Unidad 5

CAPITULO 4: Introducción a la probabilidad

 
La probabilidad es una medida numérica de la posibilidad de que ocurra un evento.
Los valores de probabilidad se encuentran en una escala de 0 a 1. Los valores cercanos a 0 indican que las
posibilidades de que ocurra un evento son muy pocas. Los cercanos a 1 indican que es casi seguro que ocurra un
evento. Otras probabilidades entre cero y uno representan distintos grados de posibilidad de que ocurra un evento.

 
Experimentos, reglas de conteo y asignación de probabilidades
Un experimento es definido como un proceso que genera resultados definidos. Y en cada una de las repeticiones del
experimento, habrá uno y sólo uno de los posibles resultados experimentales.
 

 
Al especificar todos los resultados experimentales posibles, está definiendo el espacio muestral de un experimento.
El espacio muestral de un experimento es el conjunto de todos los resultados experimentales. A un resultado
experimental también se le llama punto muestral para identificarlo como un elemento del espacio muestral.
EJEMPLO: experimento de lanzar una moneda. La cara de la moneda que caiga hacia arriba determina el resultado
experimental. Si denota con S el espacio muestral, puede emplear la notación siguiente para describir el espacio
muestral.

Reglas de conteo, combinaciones y permutaciones

Al asignar probabilidades es necesario saber identificar y contar los resultados experimentales. Reglas de conteo:
1-Experimentos de pasos múltiples:
Sirve para experimentos de pasos múltiples. Considere un experimento que consiste en lanzar dos monedas. Defina
los resultados experimentales en términos de las caras y cruces que se observan en las dos monedas. ¿Cuántos
resultados experimentales tiene este experimento? El experimento de lanzar dos monedas es un experimento de
dos pasos: el paso 1 es lanzar la primera moneda y el paso 2 es lanzar la segunda moneda. Si se emplea H para
denotar cara y T para denotar cruz, (H, H) será el resultado experimental en el que se tiene cara en la primera
moneda y cara en la segunda moneda. Si continúa con esta notación, el espacio muestral (S) en este experimento del
lanzamiento de monedas será:
 
 

La regla de conteo para experimentos de pasos múltiples permite determinar el número de resultados
experimentales sin tener que enumerarlos.
Un experimento se describe como una sucesión de k pasos en los que hay n1 resultados posibles en el primer paso,
n2 resultados posibles en el segundo paso y así en lo sucesivo, entonces el número total de resultados
experimentales es (n1) (n2)...(nk).
EJEMPLO: Si considera el experimento del lanzamiento de dos monedas como la sucesión de lanzar primero una
moneda (n1 = 2) y después lanzar la otra (n2 = 2), siguiendo la regla de conteo (2)(2) = 4, entonces hay cuatro
resultados distintos. El número de resultados experimentales de seis monedas es (2)(2)(2) (2)(2)(2) =64.
Un diagrama de árbol es una representación gráfica que permite visualizar un experimento de pasos múltiples:
 

 
2-Combinaciones:
Permite contar el número de resultados experimentales cuando el experimento consiste en seleccionar n objetos de
un conjunto (usualmente mayor) de N objetos.
 

 
EJEMPLO: considere un procedimiento de control de calidad en el que un inspector selecciona al azar dos de cinco
piezas para probar que no tengan defectos. En un conjunto de cinco partes, ¿cuántas combinaciones de dos partes
pueden seleccionarse? De acuerdo con la regla de conteo de la ecuación es claro que con N = 5 y n = 2 se tiene:

De manera que hay 10 resultados posibles en este experimento de la selección aleatoria de dos partes de un
conjunto de cinco. Si etiqueta dichas partes como A, B, C, D y E, las 10 combinaciones o resultados experimentales
serán AB, AC, AD, AE, BC, BD, BE, CD, CE y DE.
 
3-Permutaciones:
Permite calcular el número de resultados experimentales cuando se seleccionan n objetos de un conjunto de N
objetos y el orden de selección es relevante. Los mismos n objetos seleccionados en orden diferente se consideran
un resultado experimental diferente.
El número de permutaciones de N objetos tomados de n en n está dado por:
 

La regla de conteo para permutaciones tiene relación estrecha con la de combinaciones; sin embargo, con el mismo
número de objetos, el número de permutaciones que se obtiene en un experimento es mayor que el número de
combinaciones, ya que cada selección de n objetos se ordena de n! maneras diferentes.
EJEMPLO: reconsidere el proceso de control de calidad en el que un inspector selecciona dos de cinco piezas para
probar que no tienen defectos. ¿Cuántas permutaciones puede seleccionar? La ecuación indica que si N = 5 y n = 2,
se tiene:
 

De manera que el experimento de seleccionar aleatoriamente dos piezas de un conjunto de cinco piezas, teniendo
en cuenta el orden en que se seleccionen, tiene 20 resultados. Si las piezas se etiquetan A, B, C, D 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 y ED.
 
Asignación de probabilidades
Los tres métodos comúnmente usados son el método clásico, el método de la frecuencia relativa y el método
subjetivo. Sin importar el método que se use, es necesario satisfacer los requerimientos básicos para la asignación de
probabilidades:
1. La probabilidad asignada a cada resultado experimental debe estar entre 0 y 1, inclusive. Si denota con Ei el i-
ésimo resultado experimental y con P(Ei ) su probabilidad, entonces exprese este requerimiento como:
 

 
2. La suma de las probabilidades de los resultados experimentales debe ser igual a 1. Para resultados experimentales
n escriba este requerimiento como:
 

El método clásico de asignación de probabilidades es apropiado cuando todos los resultados experimentales tienen
la misma posibilidad. Si existen n resultados experimentales, la probabilidad asignada a cada resultado experimental
es 1/n. Cuando emplee este método, satisfará en automático los dos requerimientos básicos de la asignación de
probabilidades.
 
El método de frecuencia relativa para la asignación de probabilidades es el más conveniente cuando existen datos
para estimar la proporción de veces que se presentarán los resultados si el experimento se repite muchas veces.
EJEMPLO: un estudio sobre los tiempos de espera en el departamento de rayos x de un hospital pequeño. Durante
20 días sucesivos un empleado registra el número de personas que están esperando el servicio a las 9:00 a.m.; los
resultados son:
 
 
En estos datos aparece que 2 de los 20 días, había cero pacientes esperando el servicio, 5 días había un paciente en
espera y así sucesivamente. Con el método de la frecuencia relativa, la probabilidad que se le asignará al resultado
experimental cero pacientes esperan el servicio, será 2/20 = 0.10; al resultado experimental un paciente espera el
servicio, 5/20 = 0.25; 6/20 = 0.30 a dos pacientes esperan el servicio; 4/20 = 0,2 0.20 a tres pacientes esperan el
servicio y 3/20 = 0.15 a cuatro pacientes esperan el servicio. Al usar el método de frecuencia relativa se satisfacen en
automático los dos requerimientos básicos.
El método subjetivo de asignación de probabilidades es el más indicado cuando no es factible suponer que todos los
resultados de un experimento sean igualmente posibles y, además, cuenta con pocos datos relevantes. El método
subjetivo de asignación de probabilidades a los resultados de un experimento, usa toda la información disponible.
Después de considerar dicha información se asigna un valor de probabilidad que expresa el grado de confianza (en
una escala de 0 a 1) que tiene acerca de que un resultado experimental ocurra. Como la probabilidad subjetiva
expresa el grado de confianza que tiene un individuo, es personal.
Cuando se usa el método de probabilidad subjetiva, es de esperarse que personas distintas asignen probabilidades
diferentes a los mismos resultados de un experimento. En el método subjetivo hay que tener cuidado de que se
satisfagan los dos requerimientos básicos .
Sea cual sea el grado de confianza que tenga la persona, el valor de probabilidad asignado a cada resultado
experimental debe estar entre 0 y 1, inclusive, y la suma de las probabilidades de todos los resultados
experimentales debe ser 1.
EJEMPLO: Considere el caso en el que Tom y Judy Elsbernd hacen una oferta para la compra de una casa. Hay dos
resultados posibles:
E1 = su oferta será aceptada
E2 = su oferta no será aceptada
Judy cree que la probabilidad de que su oferta sea aceptada es 0.8; por tanto, Judy establece que P(E1) = 0.8 y P(E2)
= 0.2; Tom, por su parte, cree que la probabilidad de que su oferta sea aceptada es 0.6; por tanto, Tom establecerá
P(E1) =0.6 y P(E2) = 0.4.
 

Eventos y sus probabilidades

Puntos muestrales y eventos son la base para el estudio de la probabilidad. Por tanto, ahora se le presenta la
definición formal de evento: Un evento es una colección de puntos muestrales.
El espacio muestral S es un evento. Puesto que contiene todos los resultados experimentales, su probabilidad es 1;
es decir P(S) = 1.
PROBABILIDAD DE UN EVENTO: La probabilidad de cualquier evento es igual a la suma de las probabilidades de los
puntos muestrales que forman el evento.
Entonces, la probabilidad de un determinado evento se calcula sumando las probabilidades de los puntos muestrales
(resultados experimentales) que forman el evento.
Siempre que se puedan identificar todos los puntos muestrales de un experimento y asignar a cada uno su
probabilidad, es factible calcular la probabilidad de un evento usando la definición. Sin embargo, en muchos
experimentos la gran cantidad de puntos muestrales hace en extremo difícil, si no imposible, la determinación de los
puntos muestrales, así como la asignación de sus probabilidades correspondientes.
Cuando se usa el método clásico para asignar probabilidades, se parte de que todos los resultados experimentales
son igualmente posibles. En tales casos la probabilidad de un evento es calculable contando el número de resultados
experimentales que hay en el evento y dividiendo el resultado entre el número total de resultados experimentales.
 
 

Algunas relaciones básicas de probabilidad

 
Complemento de un evento
Dado un evento A, el complemento de A se define como el evento que consta de todos los puntos muestrales que no
están en A. El complemento de A se denota Ac . Al diagrama de la figura se le llama diagrama de Venn e ilustra el
concepto del complemento:

 
El área rectangular representa el espacio muestral del experimento y, por tanto, contiene todos los puntos
muestrales. El círculo representa el evento A y encierra sólo los puntos muestrales que pertenecen a A. La región del
rectángulo que aparece sombreada incluye todos los puntos muestrales que no están en el evento A y es, por
definición, el complemento de A. En cualquier aplicación de la probabilidad ocurre un evento A o su complemento
Ac .
 

 
La probabilidad de un evento A se puede calcular si se conoce la probabilidad de su complemento, P(Ac ).
EJEMPLO: considere el caso de un administrador de ventas que, después de revisar los informes de ventas,
encuentra que 80% de los contactos con clientes nuevos no producen ninguna venta. Si A denota el evento hubo
venta y Ac el evento no hubo venta, el administrador tiene que P(Ac ) = 0.80. Mediante la ecuación se ve que:
 

La conclusión es que la probabilidad de una venta en el contacto con un cliente nuevo es 0.20.
 
Ley de la adición
Sirve para determinar la probabilidad de que ocurra por lo menos uno de dos eventos. Es decir, si A y B son eventos,
nos interesa hallar la probabilidad de que ocurra el evento A o el B o ambos.
Dados dos eventos, A y B, la unión de A y B se define: 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 se denota A U B.
 
 
Observe que en los dos círculos están contenidos todos los puntos muestrales del evento A y todos los puntos
muestrales del evento B. El que los círculos se traslapen indica que algunos puntos muestrales están contenidos
tanto en A como en B.
La intersección de A y B: Dados dos eventos A y B, la intersección de A y B es el evento que contiene los puntos
muestrales que pertenecen tanto a A como a B.
 

El área donde los círculos se sobreponen es la intersección que contiene una muestra de los puntos que están tanto
en A como en B.
La ley de la adición proporciona una manera de calcular la probabilidad de que ocurra el evento A o el evento B o
ambos. Es decir, la ley de la adición se emplea para calcular la probabilidad de la unión de los dos eventos. La ley de
la adición se expresa:
 

 
Observe que en la ley de la adición, los dos primeros términos P(A) + P(B), corresponden a los puntos muestrales en
A U B.
Pero, como los puntos muestrales que se encuentran en la intersección A ꓵ B están tanto en A como en B, cuando se
calcula P(A) + P(B), los puntos que se encuentran en A ꓵ B cuentan dos veces. Esto se corrige restando P(A ꓵ B).
EJEMPLO: considere el caso de una pequeña empresa de ensamble en la que hay 50 empleados. Se espera que todos
los trabajadores terminen su trabajo a tiempo y que pase la inspección final. A veces, alguno de los empleados no
satisface el estándar de desempeño, ya sea porque no termina a tiempo su trabajo o porque no ensambla bien una
pieza. Al final del periodo de evaluación del desempeño, el jefe de producción encuentra que 5 de los 50
trabajadores no terminarón su trabajo a tiempo, 6 de los 50 trabajadores ensamblaron mal una pieza y 2 de los 50
trabajadores no terminarón su trabajo a tiempo y armaron mal una pieza.
Sea:
L= el evento no se terminó el trabajo a tiempo.
D= el evento se armó mal la pieza.
La información de las frecuencias relativas lleva a las probabilidades:
 
Después de analizar los datos del desempeño, el jefe de producción decide dar una calificación baja al desempeño
de los trabajadores que no terminaron a tiempo su trabajo o que armaron mal alguna pieza; por tanto, el evento de
interés es L U D. ¿Cuál es la probabilidad de que el jefe de producción dé a un trabajador una calificación baja de
desempeño?
Usando la ecuación se tiene:
 

 
 

Estos cálculos indican que la probabilidad de que un empleado elegido al azar obtenga una calificación baja por su
desempeño es 0.18.
 
Existe un caso especial que surge cuando los eventos son mutuamente excluyentes: Se dice que dos eventos son
mutuamente excluyentes si no tienen puntos muestrales en común.
Los eventos A y B son mutuamente excluyentes si, cuando un evento ocurre, el otro no puede ocurrir. Por tanto,
para que A y B sean mutuamente excluyentes, se requiere que su intersección no contenga ningún punto muestral.
 

 
En este caso P(A ꓵ B) = 0 y la ley de la adición se expresa como:
 

Probabilidad condicional
Con frecuencia, en la probabilidad de un evento influye el hecho de que un evento relacionado con él ya haya
ocurrido. Suponga que tiene un evento A cuya probabilidad es P(A). Si obtiene información nueva y sabe que un
evento relacionado con él, denotado por B, ya ha ocurrido, deseará aprovechar esta información y volver a calcular
la probabilidad del evento A. A esta nueva probabilidad del evento A se le conoce como probabilidad condicional y
se expresa P(A | B).
La notación | indica que se está considerando la probabilidad del evento A dada la condición de que el evento B ha
ocurrido. Por tanto, la notación P(A | B) se lee “la probabilidad de A dado B”.
EJEMPLO: considere el caso de las promociones de los agentes de policía de una determinada ciudad. La fuerza
policiaca consta de 1200 agentes, 960 hombres y 240 mujeres. De éstos, en los últimos dos años, fueron promovidos
340. En la tabla se muestra cómo quedaron repartidas estas promociones entre los hombres y mujeres:
 

 
Después de analizar el registro de las promociones, un comité femenil protestó, ya que habían sido promovidos 288
agentes hombres, frente a sólo 36 mujeres. Los directivos de la fuerza policiaca argumentaron que el número de
mujeres promovidas no se debía a una discriminación, sino a que el número de mujeres que son agentes de policía
es una cantidad pequeña. Ahora verá cómo emplear la probabilidad condicional para analizar esta acusación de
discriminación.
Sean:
M= el evento que un agente de policía sea hombre.
W= el evento que un agente de policía sea mujer.
A= el evento que un agente de policía sea promovido.
A^c= el evento que un agente de policía no sea promovido.
 
Dividir los valores de los datos de la tabla entre el total de agentes de policía, 1200, permite concretar la información
que se tiene en las probabilidades:
 

Como cada uno de estos valores da la probabilidad de la intersección de dos eventos, se les llama probabilidades
conjuntas.
Tabla de probabilidades conjuntas:
 
 
Las cantidades que aparecen en los márgenes de una tabla de las probabilidades conjuntas son las probabilidades de
cada uno de los eventos por separado. Es decir, P(M) = 0.80, P(W) = 0.20, P(A) = 0.27, P(Ac ) = 0.73. A estas
probabilidades se les conoce como probabilidades marginales por encontrarse en los márgenes de una tabla de
probabilidad conjunta.
Observe que las probabilidades marginales se obtienen al sumar las probabilidades conjuntas del renglón o columna
correspondiente de la tabla de probabilidades conjuntas. En las probabilidades marginales se observa que 80% de la
fuerza policiaca está formada por hombres y 20% por mujeres, que 27% de los agentes de policía fueron promovidos
y 73% no fueron promovidos.
Calculo de la probabilidad de que un agente de policía sea promovido si es hombre: Para calcular P(A | M) se
observa, primero, que esta notación sólo significa que se considera la probabilidad del evento A (promoción) ya que
la condición designada como evento M (que el agente de policía sea hombre) está dada. Así que P(A | M) indica que
sólo interesan los promovidos dentro de los 960 agentes de policía que son hombres. Como 288 de los 960 agentes
de policía que son hombres fueron promovidos, la probabilidad de ser promovido dado que se es un agente hombre
es 288/960 = 0.30. Ahora, tanto el numerador como el denominador de esta fracción se dividen entre 1200, cantidad
total de agentes de policía en el estudio:
 

Observe que la probabilidad condicional se obtiene de 0.24/0.80, 0.24 es la probabilidad conjunta de A y M; es decir,
P(A ꓵ M) = 0.24; 0.80 es la probabilidad marginal de que un agente de la policía seleccionado aleatoriamente sea
hombre. Es decir, P(M) = 0.80. Por tanto, la probabilidad condicional P(A | M) se calcula como la razón entre P(A ꓵ
M) y la probabilidad marginal P(M).
 

El hecho de que la probabilidad condicional se pueda calcular como la razón entre una probabilidad conjunta
respecto a una probabilidad marginal proporciona la siguiente fórmula para el cálculo de la probabilidad condicional
de dos eventos A y B.
 

 
 
 
El círculo de la derecha muestra que el evento B ha ocurrido, la parte del círculo que se superpone con el evento A se
denota (A ꓵ B). Una vez que el evento B ha ocurrido, la única manera de que también sea observable el evento A es
que ocurra el evento (A ꓵ B). De manera que la razón P(A ꓵ B)/P(B) aporta la probabilidad condicional de que se
observe el evento A dado que el evento B ya ha ocurrido.
La probabilidad de que un agente de la policía sea promovido (ya sea hombre o mujer) es P(A) = 0.27. Sin embargo,
la cuestión relevante en el caso de la discriminación tiene que ver con las probabilidades condicionales P(A | M) y
P(A | W). Es decir, ¿cuál es la probabilidad de que un agente de la policía sea promovido dado que es hombre y cuál
es la probabilidad que un agente de la policía sea promovido dado que es mujer? Si estas dos probabilidades son
iguales, no hay fundamentos para un argumento de discriminación ya que las oportunidades de ser promovidos son
las mismas para agentes de la policía hombres o mujeres. Pero, si hay diferencia entre estas dos probabilidades
condicionales se confirmará que los hombres y mujeres agentes de policía son considerados de manera distinta
cuando se trata de las decisiones para promoverlos.
P(A | W)= P(A ꓵ W)/P(W)= 0.03/0.20= 0.15.
La probabilidad de que un agente de policía sea promovido dado que es hombre es 0.30, el doble de 0.15, que es la
probabilidad de que un agente de policía sea promovido dado que es mujer.
 
Eventos independientes
En el ejemplo anterior, como P(A | M) es distinto de P(A) los eventos A y M son eventos dependientes. Es decir, a la
probabilidad del evento A (ser promovido) la altera o le afecta saber que se da el evento M (que el agente sea
hombre). De manera similar, como P(A | W) es distinto de P(A), los eventos A y W son eventos dependientes. Pero, si
la probabilidad de un evento A no cambia por la existencia del evento M —es decir, si P(A | M) = P(A)—, entonces los
eventos A y M son eventos independientes. Esto lleva a la definición de la independencia de dos eventos.
Dos eventos A y B son independientes si
 

o
 

 
Ley de la multiplicación
Es útil para calcular la probabilidad de la intersección de dos eventos. La ley de la multiplicación se basa en la
definición de probabilidad condicional:
 
 
EJEMPLO: considere el caso del departamento de circulación de un periódico al que 84% de los hogares de cierta
región están suscritos a la edición diaria del periódico. Si D denota el evento un hogar suscrito a la edición diaria,
P(D) = 0.84. Además, sabe que la probabilidad de que un hogar ya suscrito a la edición diaria se suscriba también a la
edición dominical (evento S) es 0.75; esto es, P(S | D) = 0.75.
¿Cuál es la probabilidad de que un hogar se subscriba a ambas, a la edición diaria y a la dominical?
 

Así, sabe que 63% de los hogares se suscriben a ambas ediciones, a la diaria y a la dominical.
 
Un caso especial es el de la ley de la multiplicación cuando los eventos involucrados son independientes:

Para calcular la probabilidad de la intersección de dos eventos independientes, simplemente se multiplican las
probabilidades correspondientes. Observe que la ley de la multiplicación para eventos independientes proporciona
otra manera de determinar si dos eventos son independientes. Es decir, si P(A ꓵ B) = P(A)P(B), entonces A y B son
independientes; si P(A ꓵ B) es distinto de P(A)P(B), entonces A y B son dependientes.
 

Teorema de Bayes
Revisar las probabilidades cuando se obtiene más información es parte importante del análisis de probabilidades.
Por lo general, se suele iniciar el análisis con una estimación de probabilidad inicial o probabilidad previa de los
eventos que interesan. Después, de fuentes como una muestra, una información especial o una prueba del
producto, se obtiene más información sobre estos eventos. Dada esta nueva información, se modifican o revisan los
valores de probabilidad mediante el cálculo de probabilidades revisadas a las que se les conoce como probabilidades
posteriores. El teorema de Bayes es un medio para calcular estas probabilidades.
 

 
EJEMPLO: considere una fábrica que compra piezas de dos proveedores. Sea A1 el evento la pieza proviene del
proveedor 1 y A2 el evento la pieza proviene del proveedor 2. De las piezas que compra la fábrica, 65% proviene del
proveedor 1 y 35% restante proviene del proveedor 2. Por tanto, si toma una pieza aleatoriamente, le asignará las
probabilidades previas P(A1) = 0.65 y P(A2) = 0.35.
La calidad de las piezas compradas varía de acuerdo con el proveedor. Por experiencia, sabe que la calidad de los dos
proveedores es:
 

 
Si G denota el evento la pieza está buena y B denota el evento la pieza está mala:
 

 
 
 
Cada uno de los resultados experimentales es la intersección de dos eventos, de manera que para calcular estas
probabilidades puede usar la ley de la multiplicación:
 

El proceso del cálculo de estas probabilidades conjuntas se representa mediante un árbol de probabilidad:
 

 
Las probabilidades de cada una de las ramas del paso 1 son probabilidades previas y las probabilidades de cada una
de las ramas del paso 2 son probabilidades condicionales.
Suponga ahora que las piezas de los dos proveedores se emplean en el proceso de fabricación de esta empresa y que
una máquina se descompone al tratar de procesar una pieza mala. Dada la información de que la pieza está mala,
¿cuál es la probabilidad de que sea del proveedor 1 y cuál es la probabilidad de que sea del proveedor 2?
Como B es el evento la parte está mala, lo que busca son las probabilidades posteriores P(A1 | B) y P(A2 | B). De
acuerdo con la ley para la probabilidad condicional:
 
 
Del árbol de probabilidad:
 

Para hallar P(B), se observa que B sólo puede presentarse de dos maneras: (A1 ꓵ B) y (A2 ꓵ B). Por tanto,
 

 
 

 
al principio de este ejemplo, la probabilidad de seleccionar una pieza y que fuera del proveedor 1 era 0.65. Sin
embargo, dada la información de que la pieza está mala, la probabilidad de que la pieza provenga del proveedor 1
bajó a 0.4262. En efecto, si la pieza está mala, la posibilidad de que sea del proveedor 2 es mayor que 50-50; es
decir, P(A2 | B) = 0.5738.
El teorema de Bayes es aplicable cuando los eventos para los que se quiere calcular la probabilidad revisada son
mutuamente excluyentes y su unión es todo el espacio muestral.
En el caso de n eventos mutuamente excluyentes A1, A2, …, An, cuya unión sea todo el espacio muestral, el teorema
de Bayes aplica para calcular cualquiera de las probabilidades:
 

 
Método tabular
Para realizar los cálculos del teorema de Bayes es útil emplear un método tabular. Los cálculos se realizan mediante
los siguientes pasos:
Paso 1. Se harán las columnas siguientes:
Columna 1: Para los eventos mutuamente excluyentes Ai de los que quiere tener la probabilidad posterior.
Columna 2: Para las probabilidades previas P(Ai ) de los eventos.
Columna 3: Para las probabilidades condicionales P(B | Ai ) de la nueva información B dado cada evento.
Paso 2. En la columna 4 se calculan las probabilidades conjuntas P(Ai ꓵ B), de cada evento y la nueva información,
empleando la ley de la multiplicación. Estas probabilidades conjuntas se encuentran multiplicando las probabilidades
previas de la columna 2 por las correspondientes probabilidades condicionales de la columna 3; es decir, P(Ai ꓵ B) =
P(Ai )P(B | Ai ).
Paso 3. Sume las probabilidades de la columna 4. Esta suma es la probabilidad de la nueva información, P(B). Así, en
la tabla se ve que la probabilidad de que una pieza sea del proveedor 1 y esté mala es 0.0130 y que la probabilidad
de que la pieza sea del proveedor 2 y esté mala es 0.0175. Como éstas son las únicas dos maneras de tener una pieza
mala, la suma 0.0130 +0.0175, que es 0.0305, da la probabilidad de hallar una pieza mala en las piezas recibidas de
los dos proveedores.
Paso 4. En la columna 5 se calculan las probabilidades posteriores usando la relación básica de la probabilidad
condicional.
 

Observe que las probabilidades conjuntas P(Ai ꓵ B) están en la columna 4 y que la probabilidad P(B) es la suma de la
columna 4.