ESTADÍSTICA ECONOMICA I

Docente: Marco Antonio Achahui Follana

PROBABILIDAD
Introducción

Muchos de los eventos que ocurren en la vida diaria no pueden ser predichos con exactitud desde antes por diversas
razones, pues la mayoría de los hechos están influidos por factores externos. Además, existen aquellos sucesos que
están directamente influidos por el azar, es decir, por procesos que no se está seguro de lo que va a ocurrir. Sin
embargo, la probabilidad nos permite acercarnos a esos sucesos y estudiarlos, ponderando las posibilidades de su
ocurrencia y proporcionando métodos para tales ponderaciones.

Precisamente, algunos de esos métodos proporcionados por la probabilidad nos llevan a descubrir que algunos
sucesos tienen una mayor o menor probabilidad de ocurrir que la ponderación asignada a través del sentido común.
Nuestros sentidos, la información previa que poseemos, nuestras creencias o posturas, nuestras inclinaciones, son
algunos de los factores que intervienen para no permitirnos hacer ponderaciones reales y sistemáticas. La
probabilidad nos permitirá estudiar los eventos de una manera sistemática y más cercana a la realidad,
retribuyéndonos con información más precisa y confiable y, por tanto, más útil para las disciplinas humanas.

EXPERIMENTOS ALEATORIOS, ESPACIO MUESTRAL Y EVENTOS

Experimentos Determinísticos y no Determinísticos

En las ciencias experimentales el hombre busca modelos matemáticos adecuados que le permiten simplificar y
esquematizar los fenómenos observados y luego sacar conclusiones

Veamos un ejemplo: para un gas ideal, el modelo adecuado es P.V = n.R.T. Cualquier otro modelo que ensayemos
no estará de acuerdo con los resultados experimentales. Esto quiere decir que n 0 moles de un gas a una temperatura
T0, que ocupan un volumen V0 y si P0 es su presión medida experimentalmente, esta será igual a n0R T0/V0 y no a otro
valor. Los modelos como éste en que, fijadas la condición de la experiencia, hacen posible predecir el resultado sin
necesidad de realizarla se denominan determinísticos.

Se denomina entonces experimento determinístico a aquel que permite determinar el resultado de un experimento
cuando se conocen las condiciones en que se lo realiza.
Existen infinidad de fenómenos físicos, químicos o biológicos par los cuáles los científicos han hallado modelos
determinísticos adecuados, pero lamentablemente hay otros fenómenos a los que, por su naturaleza, no se les puede
adaptar un modelo determinístico. Por ejemplo, si el experimento consiste en arrojar un dado y el resultado es el
número que sale, evidentemente no podemos hallar ningún modelo matemático para predecir cuál será el resultado.

Supongamos que repetimos muchas veces la experiencia. En el caso del gas ideal si mantenemos las mismas
condiciones iniciales de presión, temperatura y cantidad de gas y repetimos la medición de presión, obtendremos
siempre el mismo valor, salvo pequeñas variaciones experimentales. Pero en el caso del dado, aunque
mantengamos constantes las condiciones de la experiencia, los resultados no serán iguales. Sin embargo, en la
experiencia del dado, si bien no podemos predecir el resultado, sabemos que será un número del 1 al 6. Si además
repetimos un gran número de veces la experiencia de tirar el dado, podríamos observar que el número de veces que
aparece cada resultado será igual a 1/6 del total de tiradas.

Entonces un experimento se dice no determinístico o aleatorio si no se puede predecir qué resultado se va a obtener
en una experiencia concreta, a pesar de conocer los posibles resultados

Los experimentos aleatorios se caracterizan por:

a) Se conocen con anterioridad todos los posibles resultados.
b) No puede predecirse el resultado de una realización concreta.
c) El experimento puede repetirse bajo las mismas condiciones todas las veces que se quiera.

Serán experimentos aleatorios, por ejemplo, los siguientes:

Lanzar un dado y considerar el resultado obtenido
Extraer una carta (o varias) de una baraja
Lanzar dos dados y hallar la suma de cada una de las caras obtenidas
 Se lanza una moneda. Si sale cara se extrae de una urna U 1, con una determinada composición de bolas de
colores, una bola y si sale cruz de extraer de una urna U 2, con otra determinada composición de bolas de
colores, una bola. A continuación, se considera el color de la bola extraído.

Los tres primeros son ejemplos de experimentos aleatorios simples y el último un ejemplo de experimento aleatorio
compuesto

Espacio Muestral
Se llama espacio muestral o universo Ω al conjunto de todos los posibles resultados del experimento. Cada uno de
estos resultados que no se puede descomponer en otros más sencillos se llama evento elemental.

Todo subconjunto del espacio muestral se llama evento y puede expresarse como unión de eventos elementales. Los
eventos se describen enumerando sus elementos (sucesos) o dando una condición que los determina.

Existen 2 eventos especiales:

El evento imposible Ø, que es aquel que nunca ocurre.
El evento seguro, que es el espacio muestral Ω.
En el experimento aleatorio:
1 : Tirar el dado
El espacio muestral asociado a este experimento es:
1  1, 2,3, 4,5, 6
vemos que en este caso el espacio de resultados es un subconjunto de los números naturales (N).
 2 : Contar la cantidad de glóbulos rojos contenidos en un ml. de sangre.
2  1, 2,3,........ = N (conjunto de números naturales)
 3 : Lanzar dos dados (o un dado dos veces) y sumar la puntuación obtenida
3  2,3, 4,5, 6, 7,8,9,10,11,12
a partir de dicho espacio muestral podemos considerar distintos eventos:
A = {2, 4, 6, 8, 10, 12} = {´´obtener suma par´´}
B = {2, 5, 7, 11} = {´´obtener una suma que sea número primo´´}
C = {10, 11, 12} = {´´obtener una suma mayor o igual que 10´´}
D = {3, 6, 9, 12} = {´´obtener suma múltiplo de 3´´}
F = {2, 3} = {´´que la suma que sea 2 ó 3´´}
Ø = {´´obtener una suma mayor que 15´´} suceso imposible
E = {´´Obtener una suma mayor o igual que 2 y menor o igual que 12´´} suceso seguro
M = {7} = {´´Obtener un 7´´}
A veces, suele ser útil utilizar un gráfico como el de la figura para hallar el espacio muestral de un determinado
experimento aleatorio.
El diagrama de árbol de la figura corresponde al experimento aleatorio:
 4 : Lanzar una moneda tres veces (o tres monedas) y considerar el resultado obtenido.
El espacio muestral se obtiene fácilmente sin más que ir recorriendo todas las ramas y es:

4  ccc, ccs, csc, css, scc, scs, ssc, sss

 ALGEBRA DE EVENTOS

Se dice que el evento A se ha obtenido en una prueba del experimento aleatorio cuando el resultado del experimento
coincide con alguno de los elementos que forman A.
Se dice que el evento A está contenido en el evento B ( ) si siempre que se verifique el evento A se verifica el
evento B.
Se dice que dos eventos son iguales (A = B) si y , es decir, todo suceso de uno de los dos conjuntos
lo es también del otro.
Dado un evento A, se define el evento complementario o contrario (Ac) como el formado por todos los sucesos que no
sean de A, es decir .

Operaciones con eventos

Dados dos eventos A y B:
Se define el evento diferencia (A – B) como el formado por los sucesos que están en A pero no en B o también puede
expresarse como
Se define el evento unión ( ) como el evento formado por todos los sucesos de A o de B.
Se define el evento intersección ( ) como el evento formado por todos los sucesos que están en A y en B.
Dos sucesos A y B se dicen incompatibles si al verificarse uno de ellos no se puede verificar el otro ( ).

Propiedades

Unión Intersección
Asociativa: Asociativa

Conmutativa Conmutativa

Idempotente Idempotente

Distributivas:

Otras propiedades:
Leyes de D’Morgan:

TECNICAS DE CONTEO

En ocasiones el trabajo de enumerar los posibles sucesos que ocurren en una situación dada se convierte en algo
difícil de lograr o, simplemente, tedioso. El análisis combinatorio, o cálculo combinatorio, permite enumerar tales
casos o sucesos y así obtener la probabilidad de eventos más complejos.
En el caso de que existan más de un suceso a observar, habría que contar el número de veces que pueden ocurrir
todos los sucesos que se desean observar, para ello se utiliza el principio fundamental de conteo.

Principio Fundamental de Conteo o Principio de multiplicación

En muchos problemas podemos establecer un espacio muestral equiprobable y entonces el problema de calcular
probabilidades se convierte en un problema de contar de cuántas maneras se puede hacer algo.
Para empezar con algo sencillo, veamos este problema. Tengo tres programas para ver correo electrónico: Hotmail,
Gmail y yahoo; además recibo dos tipos de mensajes: de trabajo y personales. Ud. me sorprende viendo un mensaje
y anota el tipo de programa y el tipo de mensaje que estoy viendo. ¿Cuántos puntos tiene el espacio muestral?
Casi automáticamente hemos contestado que son 6. Si alguien no nos cree, podemos escribirle cuales son.
Sin saberlo hemos estado haciendo uso de lo que se llama Principio Fundamental del Conteo.
Definición.-
Si un suceso se puede presentar de n1 formas, y otro se puede presentar de n2 formas, entonces el número de
formas en que ambos sucesos pueden presentarse en ese orden es de n1·n2.

Ejemplos:
1 . Para hacer un código se van a usar 3 letras distintas y 4 dígitos distintos a cero. ¿Cuántos códigos diferentes se
pueden hacer?
Consideramos elaborar uno de estos códigos como si hubiera siete huecos, los primeros tres a llenar con letras, los
otros cuatro con números. El primer hueco puede ser llenado con cualquiera de las 27 letras con que contamos,
pensemos que ya ha sido llenado. No importa con cuál letra haya sido llenado, para el siguiente hueco tenemos de
nuevo 27 letras que podemos usar; es decir que hay 272 formas diferentes de llenar los primeros dos huecos. Esto
que razonamos aquí es el contenido del principio fundamental. Aplicándolo al resto de los huecos llegamos a que
hay: 27394 códigos distintos posibles.

2. El menú de un restaurante ofrece 3 platos calientes y 4 postres. ¿De cuántas maneras se puede elegir un
almuerzo de 1 plato caliente y 1 postre?
Podríamos hacer una lista de todas las posibilidades, pero será mucho más cómodo aplicar el principio de la
multiplicación:
Hay 3 maneras de elegir el plato caliente y para cada una de ellas hay 4 maneras de elegir el postre. Por lo tanto, hay
3  4  12 comidas posibles.
Principio de adición
Definición.- Si dos operaciones son mutuamente excluyentes (es decir, si solo una de ellas puede ocurrir) y si la
primera se puede hacer de n1 maneras diferentes y la segunda operación se puede hacer de n2 maneras diferentes,
entonces hay n1 + n2. maneras de realizar la primera o la segunda operación.

Ejemplo
Cinco empresas de transporte terrestre tienen servicio diario entre Lima y Cusco. Tres empresas de aviación tienen
vuelo diario entre Lima y Cusco. ¿ De cuántas maneras se puede viajar de Cusco a Lima?
Hay 5+3 maneras de ir de Cusco a Lima en avión o en autobús.

En los problemas de conteo, la palabra "o" se traduce en suma.

Permutaciones
Definimos una permutación como un arreglo de todos o parte de un conjunto de objetos.
Para determinar el número de permutaciones, partimos de una colección de n objetos diferentes.
De ellos se van a seleccionar r (r puede ser igual o menor que n) y el orden en que queden acomodados es
importante. Esto quiere decir que dos acomodos en orden distinto son contados como distintos. El número de estas
permutaciones lo denotamos con nPr y se calcula así:
n!
Pr 
(n  r )!
n

cuando r es igual a n (es decir, cuando se trata de permutar todos los n objetos) la fórmula se reduce a:
Pn  n Pn  n !
Por ejemplo: Sea el conjunto A={a,b,c,d}, ¿cuántas ordenaciones sin repetición se pueden obtener?
4 P4  n !  4!  24
Sea el mismo conjunto A={a,b,c,d}, ¿cuántas ordenaciones tomados de dos en dos sin repetición se pueden obtener?
Lo que resulta es: ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc; son 12 en total
n! 4!
P2    12
(n  r )!  4  2 !
4

Ejemplos:
1. P10, 4 son las permutaciones de 10 elementos agrupándolos en subgrupos de 4 elementos:
10! 10  9  8  7  6  5  4  3  2 1
P10, 4    5,040
(10  4)! 6  5  4  3  2 1
Entonces podemos formar 5,040 subgrupos diferentes de 4 elementos a partir de los 10 elementos.

2. ¿Cuántas banderas diferentes, de tres franjas horizontales de igual ancho y de colores distintos, pueden
confeccionarse a partir de siete colores diferentes?

7!
P7 ,3   210
4!
3. ¿Cuántos números de tres cifras distintas se pueden formar con las nueve cifras significativas del sistema
decimal?

Al tratarse de números el orden importa y además nos dice "cifras distintas" luego no pueden repetirse:
P9,3  9  8  7  504
Por tanto, se pueden formar 504 números.

4. Con las letras de la palabra DISCO ¿Cuántas palabras distintas se pueden formar?

Evidentemente, al tratarse de palabras el orden importa. Y además n = m, es decir tenemos que formar palabras de
cinco letras con cinco elementos D, I, S, C, O que no están repetidos.
P5  5! 5  4  3  2 1  120
Por tanto, se pueden formar 120 palabras.

Permutaciones con repetición

En general, si se toman n1 de una primera forma, n2 objetos de una segunda forma, …., nk objetos de una k-
ésima forma de un total de n objetos; entonces la cantidad de permutaciones u ordenaciones con repetición
obtenidas son:
n!
n Pn1 , n2 ,...,nk 
n1!n2!......nk !
k
dónde: n = n
i=1
i

Ejemplos:
1. Calcular las permutaciones de 10 elementos, en los que uno de ellos se repite en 2 ocasiones y otro se repite en 3
ocasiones:
10!
P210,3   302,400
2!3!
Es decir, tendríamos 302,400 formas diferentes de agrupar estos 10 elementos.

2. ¿De cuántas maneras distintas pueden colocarse en línea nueve bolas de las que 4 son blancas, 3 amarillas y 2
azules?

El orden importa por ser de distinto color, pero hay bolas del mismo color (están repetidas) y además n = k, es decir
colocamos 9 bolas en línea y tenemos 9 bolas para colocar:
9!
 1260
4!3!2!
Por tanto, tenemos 1260 modos de colocarlas.

Combinaciones
Una situación parecida a la de las permutaciones la presentan lo que llamamos combinaciones. La situación es
inicialmente igual, deseamos tomar de una colección de n objetos distintos una subcolección de tamaño r. La
diferencia está en que ahora no es importante el orden en que se obtengan.
La fórmula que da el número de combinaciones de r objetos tomados de una colección de n es:
n n!
Cr    
 r  r !(n  r )!
n

Note que siempre este número va a ser menor que nPr ya que, como no interesa el orden, va a haber menos
combinaciones, ya que muchas nos van a resultar iguales.
Por ejemplo: Si tomamos el mismo conjunto A={a,b,c,d}, ¿cuántos subconjuntos de 2 elementos cada uno se pueden
obtener?
Haciéndolos se obtienen: {a,b}, {a,c}, {a,d}, {b,c}, {b,d}, {c,d}, son seis los subconjuntos:
 4 n! 4!
C2      6
 2  r !(n  r )! 2! 4  2 !
4

Ejemplos:
1. Un alumno decide rendir tres de los cinco exámenes finales ¿De cuántas maneras distintas puede elegir esas tres
pruebas?
5!
C 5, 3   10
3!2!
  49 49!
2. ¿Cuántas combinaciones de 6 aciertos existen en la lotería primitiva? C49,6      13,983,816
 6  6!49  6!
Es decir, que tendríamos que echar 13’983,816 apuestas de 6 números para tener la seguridad al 100% de que
íbamos a acertar.

Eventos Mutuamente Excluyentes

Cuando hablamos de varios eventos dentro del mismo experimento se pueden dar varios casos. Si dos o más
eventos no pueden ocurrir simultáneamente, se llaman eventos mutuamente excluyentes, es decir, que la
intersección de ambos eventos es vacía.
Sea A1 , A2 , ... , Ak una colección de eventos del espacio muestral  , se dice que son mutuamente excluyentes si
Ai  Aj  ,  i  j .
Por otro lado, en ocasiones un evento o más eventos dependen de otro evento previo, es decir, un evento A ocurre
dado que ocurrió un evento B. Si existe este tipo de relación entre eventos se dice que son eventos dependientes o
condicionados (el evento A depende del evento B, o el resultado del evento A está condicionado al resultado del
evento B). Por otro lado, si no existe tal relación entre eventos se dice que son eventos independientes. Los criterios
de dependencia o de independencia se definirán más adelante, en términos de probabilidad condicional.

Eventos Colectivamente Exhaustivos

Sea A1 , A2 , ... , Ak una colección de eventos del espacio muestral  , se dice que son colectivamente exhaustivos
k
si Ai   .
i 1
PROBABILIDAD

Jacob Bernoulli (1654 - 1705), Abraham de Moivre (1667 - 1754), el reverendo Thomas Bayes (1702 - 1761) y Joseph
Lagrange (1736 - 1813) desarrollaron fórmulas y técnicas para el cálculo de la probabilidad. En el siglo XIX, Pierre
Simon, marqués de Laplace (1749 - 1827), unificó todas estas primeras ideas y compiló la primera teoróa general de
la probabilidad.
La teoría de la probabilidad fue aplicada con éxito en las mesas de juego y, lo que es más importante, en problemas
sociales y económicos.
Muchos centros de aprendizaje estudiaron la probabilidad como una herramienta para el entendimiento de los
fenómenos sociales.
Existen tres maneras básicas y diferentes de definir la probabilidad. Estas tres formas presentan planteamientos
diferentes conceptualmente pero con las mismas reglas de probabilidad:
Definición clásica.
Definición por frecuencia relativa.
Definición Axiomática.

Definición clásica o definición de Laplace

En el caso de que todos los eventos elementales del espacio muestral  sean equiprobables, Laplace define la
probabilidad del evento A como el cociente entre el número de resultados (sucesos) favorables a que ocurra el
evento A en el experimento y el número de resultados (sucesos) posibles del experimento:
1
Si   w1 , w2 ,...., wn  y P wi   ,  i  1, 2,...., n
n
Entonces:
numero de sucesos favorables a A n  A
P  A  
numero de sucesos posibles n 
La probabilidad clásica, a menudo, se le conoce como probabilidad a priori, debido a que si utilizamos ejemplos
previsibles como monedas no alteradas, dados no cargados y mazos de barajas normales, entonces podemos
establecer la respuesta de antemano, sin necesidad de lanzar una moneda, un dado o tomar una carta. No tenemos
que efectuar experimentos para poder llegar a conclusiones.
Este planteamiento de la probabilidad tiene serios problemas cuando intentamos aplicarlo a los problemas de toma
de decisiones menos previsibles. El planteamiento clásico supone un mundo que no existe, supone que no existen
situaciones que son bastante improbables pero que podemos concebir como reales. La probabilidad clásica supone
también una especie de simetría en el mundo.

Propiedades
La probabilidad de un evento cualquiera A está comprendido entre cero y uno: 0  P  A  1
P(A) = 0 si A es un evento imposible, es decir P     0
P(A) = 1 si A es el evento seguro, es decir P  A  P     1
Puesto que todos los elementos de   w1 , w2 ,...., wn  son igualmente probables y
n
1
P wi   ,  i  1, 2,...., n entonces P      P wi  1
n i 1

Un resultado de la propiedad anterior es la siguiente: si A y B son eventos mutuamente excluyentes entonces:

P(A  B) = P(A) + P(B)

Si A  B entonces P  A  P  B 

Definición frecuentista
En el siglo XIX, los estadísticos británicos, interesados en la fundamentación teórica del cálculo del riesgo de
pérdidas en las pólizas de seguros de vida y comerciales, empezaron a recoger datos sobre nacimientos y
defunciones. En la actualidad, a este planteamiento se le llama frecuencia relativa de presentación de un evento y
define la probabilidad como:
Si un experimento bien definido se repite n veces (n grande); sea nA  n el número de veces que el evento A
nA
ocurre en los n ensayos, entonces la frecuencia relativa de veces que ocurre el evento A , es la estimación de la
n
probabilidad que ocurra el evento A .
Por lo tanto un experimento aleatorio se caracteriza porque repetido muchas veces y en idénticas condiciones el
cociente numero de veces que aparece un resultado n
 A tiende a un número finito que se llama probabilidad
numero de veces que se realiza el exp erimento n
nA
de dicho resultado. Es decir P  A   hA  , siendo h A la frecuencia relativa del suceso A.
n
Esta definición sería la más real, pero proporciona probabilidades aproximadas, es decir, proporciona estimaciones y
no valores reales, los resultados son a posteriori, también presenta el inconveniente de tener que realizar el
experimento un gran número de veces.

Propiedades de la frecuencia relativa:

0  hA  1  A  entonces 0  PA  1
hAB  hA  hB si A  B  entonces P(A  B) = P(A) + P(B)
hA  0  nA  n  0 entonces P  A  P     0
hA 1  nA  n 1 entonces P  A  P     1

Definición axiomática de probabilidad (Kolmogorov)

Sea  el espacio muestral asociado al experimento  . La probabilidad es una función P que asigna a cada evento A
un número P(A) (es decir, una regla bien definida por la que se asigna a cada evento un, y un solo un, número real
llamado la probabilidad del evento A tal que cumpla los axiomas siguientes:
Primer axioma - La probabilidad de un evento A es un número real entre 0 y 1: 0  P  A  1 para cada evento A en
.
Segundo axioma - Ocurre un suceso de la muestra de todos los sucesos o espacio de sucesos Ω con probabilidad 1:
P   1
Tercer axioma – Para cualquier número finito A1 , A2 , ... , Ak de eventos mutuamente excluyentes en Ω:
 k  k
P  Ai    P  Ai 
 i 1  i 1

Consecuencias de los Axiomas

1. P  A '  P  Ac   1  P  A
2. P   0
3. Dados dos sucesos tales que A  B entonces P  A  P  B 
4. Si A y B son eventos mutuamente excluyentes entonces P  A  B   P  A  P  B 
5. Si A y B son dos sucesos cualesquiera de Ω, entonces: P  A  B   P  A  P  B   P  A  B 
 PROBABILIDAD CONDICIONADA
En el cálculo de las probabilidades de algunos eventos, el valor de dicha probabilidad variará en función del
conocimiento de determinadas informaciones relativas a estos eventos. Veamos un ejemplo:
Si disponemos de una urna que contiene cuatro bolas numeradas del 1 al 4, extraemos una bola y seguidamente la
volvemos a introducir para realizar una segunda extracción, la probabilidad de extraer, por ejemplo, la bola número 3
en la segunda extracción es la misma que en la primera.
Si realizamos el mismo proceso sin reemplazar la bola extraída la probabilidad de extraer, por ejemplo, la bola
número 3 en la segunda extracción dependerá de la bola extraída en primer lugar.

Sean A y B dos sucesos tal que P  A  0 , se llama probabilidad de B condicionada a A: P(B/A), a la probabilidad
de que ocurra B dado que ha sucedido A.
P  A  B
P  B A 
P  A

REGLA DE LA MULTIPLICACION
De la igualdad anterior se deduce: P  A  B   P( B A ) = P( B/A ) · P( A )
La forma para tres eventos, A, B y C: P  A  B  C   P( A ) · P( B/A ) · P( C/A B)
Esta fórmula admite una generalización para un número cualquiera de sucesos.

Ejemplo:
Consideremos el experimento de "lanzar un dado al aire". Calculemos, por ejemplo, la probabilidad de obtener un 3
sabiendo que ha salido un número impar:
Definimos los sucesos A="sacar 3" y B= {1,3,5}; entonces, P(A/B)=1/3 puesto que si sabemos que ha salido un
número impar, los casos posibles ahora son 3 y los casos favorables al suceso A sólo 1.
La expresión recibe el nombre de probabilidad “a posteriori”, la expresión recibe el nombre de

probabilidad “a priori” y la expresión recibe el nombre de “verosimilitud”.

PROBABILIDAD DE EVENTOS INDEPENDIENTES

El conocimiento de que ha ocurrido el evento A modifica, en algunas ocasiones, la probabilidad de que ocurra el
evento B, pero en otras no. Los eventos en los que, conociendo que uno ha ocurrido, no se modifica la probabilidad
del otro, decimos que son independientes y, si se modifica, decimos que son dependientes entre sí.
Dos sucesos A y B se dice que son independientes cuando: P( A B ) = P( A ) P( B )

Como consecuencia tenemos:

Si dos sucesos A, B y C son independientes entre sí si la ocurrencia de uno de ellos no modifica la probabilidad del
otro, es decir:
P( B/A ) = P( B ) ó P( A/B ) = P( A )
P( A B C ) = P( A ) · P( B ) · P( C )
P  A '  B   P  A ' P  B 
P  A  B '  P  A P  B '
P  A '  B '  P  A ' P  B '

TEOREMA DE LA PROBABILIDAD TOTAL

Sea A1 , A2 , ... , Ak una colección de eventos del espacio muestral  mutuamente excluyentes dos a dos tales y
colectivamente exhaustivos con P  Ai   0 , para cualquier evento B en  se cumple:
n
P  B    P  Ai  P  B Ai 
i 1

TEOREMA DE BAYES
Sea A1 , A2 , ... , Ak una colección de eventos del espacio muestral  mutuamente excluyentes dos a dos tales y
colectivamente exhaustivos con P  Ai   0 , y sea el suceso B entonces:

P  Ai  P  B Ai 
P  Ai B  
P  B