Z

INTRODUCCIÓN AL ESTUDIO DE
LAS PROBABILIDADES
Compilador: Carlos Esduardo Ardón López

Guatemala de la Asunción, 16 junio de 2019

Z

CONTENIDO

 DEFINICIONES: probabilidad, experimento aleatorio,

ensayo, espacio muestral, punto muestral, evento o
suceso
 REGLAS DE CONTEO: principio multiplicativo,
combinaciones, permutaciones
 MÉTODOS DE ASIGNACIÓN DE PROBABILIDADES:
Clásico, frecuencial y subjetivo. Requerimientos
básicos de asignación.
 RELACIONES DE PROBABILIDAD:
• Regla de la adición y eventos mutuamente excluyentes
• Regla del producto, independencia de eventos y
probabilidad condicional. Teorema de Bayes
Z

PROBABILIDADES

DEFINICIÓN
La probabilidad es una medida numérica de la
posibilidad de que ocurra un suceso o del
grado de incertidumbre asociado a cada uno
de los eventos que se analizan en un
experimento aleatorio. Una probabilidad
puede expresarse como fracción, proporción
(decimal) o porcentaje.

La palabra aleatorio hace referencia a todo lo que ocurre debido

exclusivamente al azar o la casualidad, expresa carencia de propósito,
causa, orden, tendencia o correlación.
Z

PROBABILIDADES

EXPERIMENTO ALEATORIO
Es toda acción o actividad que al repetirse un número determinado
de veces (ensayos) bajo las mismas condiciones, registra un conjunto
de posibles resultados debidos al azar, sin que pueda ser posible
enunciar con certeza cuál de ésos resultados será observado en el
siguiente ensayo. Por el contrario los experimentos deterministas son
aquellos en que si se repiten las mismas condiciones iniciales se
garantiza el mismo resultado.

EL ESPACIO MUESTRAL (S) de un experimento () es el conjunto de

todos los resultados posibles. PUNTO MUESTRAL o suceso elemental
(e) es un elemento del espacio muestral. UN EVENTO o suceso (E) es
una colección o subconjunto de puntos muestrales.
Z

PROBABILIDADES
EJEMPLOS: ESPACIOS MUESTRALES Y EVENTOS
Se elegirán presidente y secretario a partir de cuatro candidatos: Juan
(J), Billy (B), Mildred (M) y Astrid (A).
a) ¿Cuál es el espacio muestral del experimento?
b) ¿Cuál podría ser el resultado de la elección?
c) ¿Cuál es el evento E en que una mujer es presidente y el secretario
es hombre?

Se elegirán dos personas que representarán a una comunidad

estudiantil a partir de cuatro candidatos: Juan (J), Billy (B), Mildred
(M) y Astrid (A).
a) ¿Cuál es el espacio muestral del experimento?
b) ¿Cuál podría ser el resultado de la elección?
c) ¿Cuál es el evento E en que los dos representantes sean del mismo
género?
Z

PROBABILIDADES
EJEMPLOS: ESPACIOS MUESTRALES Y EVENTOS
¿Cuántos y cuáles son los posibles resultados de que una
persona gane o pierda al disputar tres partidas de ajedrez?
Enumerar los elementos del evento E que consiste en
perder exactamente (solamente) una de las tres partidas. 23  8

¿Un antibiótico se aplica sobre a 4 pacientes para

observar si provoca algún tipo de reacción alérgica.
a) Definir el espacio muestral
b) Indicar el evento P que consiste en que al menos tres
de los 4 pacientes muestren reacción alérgica.
c) Indicar el evento R que a lo sumo (como máximo) un
paciente presente reacción alérgica. 24  16
Z

PROBABILIDADES
REGLAS GENERALES DE CONTEO
Al asignar probabilidades es necesario saber identificar y
contar los resultados experimentales. Tres de las principales
reglas de conteo son el principio multiplicativo, las
combinaciones y las permutaciones.
PRINCIPIO MULTIPLICATIVO
La primera regla de conteo sirve, principalmente, para
experimentos por pasos o de elementos múltiples. Si se
desea realizar un experimento que consta de k pasos o
elementos, en donde el primer paso o elemento tiene n1
resultados posibles, n2 el segundo, y nk el último, entonces, la
cardinalidad N del espacio muestral del experimento está
dado por:
N  n1  n2  ...nk
Z

PROBABILIDADES
PRINCIPIO MULTIPLICATIVO: EJEMPLOS
¿De cuántas maneras pueden otorgarse 3 premios a un conjunto de 10
personas, suponiendo que cada persona no puede obtener más de un premio?
N  10  9  8  720
¿Si una prueba de opción múltiple consiste en 5 preguntas, cada una con 4
respuestas posibles de las cuales sólo 1 es correcta, a) ¿de cuántas formas
diferentes un estudiante puede contestar las preguntas al elegir al azar la
respuesta a cada pregunta? b) ¿de cuántas maneras un estudiante puede
contestar las preguntas al elegir aleatoriamente la respuesta a cada pregunta y
tener incorrectas todas las respuestas?

N  4  4  4  4  4  45  1024 N  35  243
En un estudio para seleccionar plaguicidas, cada una de 3 nuevas moléculas se
prueban en 5 cultivos y 2 sistemas de producción diferentes. Si las pruebas se
realizan una vez bajo cada uno de los distintos grupos de condiciones ¿Cuántas
pruebas se necesitan?
N  3  5  2  30
Z

PROBABILIDADES
DIAGRAMA DEL ARBOL
Un diagrama de árbol es una representación gráfica que
permite visualizar y determinar sistemáticamente los
elementos del espacio muestral de algunos experimentos.
Por ejemplo, para un experimento que consiste en lanzar
una moneda y después lanzarla una segunda vez si sale
cara, pero, si sale escudo en el primer lanzamiento,
entonces se lanza un dado una vez; el diagrama del árbol
sería el siguiente:
Z

PROBABILIDADES
1er. 2do. Punto
resultado resultado muestral

C CC

C
E CE

1 E1
2 E2
E 3 E3
4 E4
5 E5
6 E6
S  CC , CE , E1, E 2, E 3, E 4, E 5, E 6
Z

PROBABILIDADES

PERMUTACIONES
La tercera regla de conteo que suele ser útil, es para
permutaciones. Dicha regla permite calcular el número de
resultados experimentales cuando se seleccionan n objetos
de un conjunto de N objetos. En las permutaciones, el orden
de la selección según la posición que ocupa cada objeto es
relevante, es decir, los mismos n objetos seleccionados en
orden diferente se consideran un resultado experimental
también diferente.
N!
N Pn 
 N  n !
Z

PROBABILIDADES
COMBINACIONES
Otra regla de conteo útil que permite determinar el
número de resultados experimentales cuando el
experimento consiste en seleccionar n objetos de un
conjunto de N objetos, son las combinaciones. En las
combinaciones el orden con el que se seleccionan los
mismos n objetos es irrelevante, es decir, los mismos n
objetos seleccionados en orden diferente se consideran
como solo un resultado experimental.
N!
N Cn 
n ! N  n  !
Cuando se hace un muestreo de una población finita de tamaño N, la regla de
conteo para combinaciones sirve para hallar el número de muestras de
tamaño n que pueden seleccionarse.
Z

PROBABILIDADES
COMBINACIONES
Que significado tiene la expresión 23C2, por ejemplo,
veamos:

1 22
+ 2 21 + 3 20 +…+ 21 2 + 22 1

Veintiuna (21) formas,

Una (1) forma, porque el
porque el 2º ya se
22º ya se combinó con
combinó con el 1º.
todos los anteriores.

23 C2  22  21  20  19  18  17  16  15  14  13  12  11  10  9  8  7  6  5  4  3  2  1  253

23!
23 C2   253
2! 23  2  !
Z

PROBABILIDADES
DIFERENCIA ENTRE COMBINACIONES Y PERMUTACIONES
Los cuatro equipos favoritos para ganar un campeonato son Argentina,
Brasil, Colombia y México. ¿De cuántas maneras posibles podría
disputarse la final? ¿De cuántas maneras podrían ocupar los primeros
tres lugares?
Los primeros tres lugares:
Disputa de la final: N!
N Pn 
N!  N  n !
N Cn 
n ! N  n  ! 4!
4 P3   24
C 
4!
6  4  3 !
4 2
2! 4  2  1 2 3 4 5 6

AM
AB
AC
BM
El cuarto lugar queda determinado, conociendo
BC de antemano los primeros tres lugares

CM
Z

PROBABILIDADES
2do 3er
Resultados
lugar lugar
1er ABC
lugar ABM
ACB
ACM
AMB
AMC

BAC
N!
Diagrama del árbol

N Pn 
BAM
BCA  N  n !
BAM
4!
BMA P   24
BMC 4 3
 4  3 !
CAB
CAM
CBA
CBM
CMA
CMB
MAC
MAB
MBA
MBC
MCB
MCA
Z

PROBABILIDADES
COMBINACIONES Y PERMUTACIONES: EJEMPLOS
Un investigador quiere seleccionar en forma aleatoria 5 de 10
personas disponibles para integrar un grupo de encuestadores
¿Cuántas grupos diferentes de 5 personas es posible formar?
N!
N Cn 
n ! N  n  !
10!
C   252
10 5

5! 10  5 
Una compañía va a crear tres nuevas divisiones y se cuenta con siete
gerentes elegibles para dirigir cualquiera de las tres divisiones. ¿De
cuántas formas se podrían elegir a los tres nuevos directores?
N!
P 
N n
 N  n !
7!
P   210
7 3
 7  3 !
Z

PROBABILIDADES
COMBINACIONES Y PERMUTACIONES: EJERCICIOS
1. Un estudio concluyó que al seguir siete sencillas reglas, la vida de
un hombre se puede prolongar 11 años en promedio y la vida de
una mujer 7 años. Estas 7 reglas son: no fumar, hacer ejercicio, uso
moderado del alcohol, dormir siete u ocho horas, mantener el peso
adecuado, desayunar y no ingerir alimentos entre comidas. De
cuántas formas puede una persona adoptar cinco de esas reglas a
seguir:
a) ¿Si la persona actualmente infringe las siete reglas?
b) ¿Si la persona nunca bebe y siempre desayuna?
7 C5  21 5 C3  10

2. Encuentre el número de formas en que 6 profesores se pueden

asignar a 4 secciones A, B, C y D, de un curso de matemática, si ningún
profesor se asigna a más de una sección.
6 P4  360
Z

PROBABILIDADES
COMBINACIONES Y PERMUTACIONES: EJERCICIOS

1. Cuál es el número total de muestras posibles que se pueden

extraer de un grupo de 30 fincas, cuando el tamaño de la
muestra es de 2, 8, 15 y 25 fincas.

30 C2  435 180000000

160000000

30 C8  5 852 925
140000000 N=30
Número de muestras 120000000

100000000

C15  155117 520

80000000

30 60000000

40000000

20000000

30 C25  142 506 0

0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
Tamaño de la muestra
Z

PROBABILIDADES
MÉTODOS DE 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.
 La probabilidad asignada a cada resultado experimental debe
estar entre 0 y 1 inclusive. Se denota con ei, el i-ésimo resultado
experimental y con P(ei) su probabilidad, entonces, este
requerimiento se expresa como:

0  P  ei   1  ei
 La suma de las probabilidades de los resultados experimentales
debe ser igual a 1.0. Para n resultados experimentales se escribe
este requerimiento como:
P  e1   P  e2   P  e3   ...  P  en   1
Z

PROBABILIDADES
EL MÉTODO CLÁSICO
El método clásico de asignación de probabilidades es apropiado cuando todos los
resultados experimentales tienen la misma posibilidad de ocurrencia y se conoce
de antemano (a priori) la distribución de probabilidades. Si existen n resultados
experimentales, la probabilidad asignada a cada resultado experimental es 1/n.
Por ello, cuando se lanza una moneda al aire, la probabilidad de que salga una cara
es de 1/n = ½. Así, la probabilidad de un suceso es la fracción decimal a la que
tiende la frecuencia relativa asociada al mismo, cuando se repite el experimento
un número suficientemente grande de veces. La regla de Laplace dice que en un
espacio muestral formado por sucesos equiprobables (todos tienen la misma
probabilidad), la probabilidad de un suceso A es el número de casos favorables
dividido por el número de casos posibles o probables.

número de resultados favorables

Probabilidad de un evento 
número de resultados posibles

La probabilidad asignada a cada punto muestral es:

1
P e =
n
Z

PROBABILIDADES

MÉTODO CLÁSICO:EJEMPLO
Considere el experimento que consiste en lanzar un par de
dados. Suponga que lo relevante es la suma de los puntos en
las dos caras que caen hacia arriba.
a)¿Cuántos puntos muestrales habrá y cuál es la probabilidad
asignada a cada uno?
b)Enumere los puntos muestrales.
c)¿Cuál es la probabilidad de obtener un 7?
d)¿De obtener un número mayor o igual que 9?
e)¿Cuál es la probabilidad de obtener un número par?
f)Qué método se utilizó para calcular las probabilidades
solicitadas.
Z

PROBABILIDADES
Espacio muestral y probabilidad individual
a) E  6  6  36

P  ei  = 
1 1
n 36
1 2 3 4 5 6
Probabilidad de obtener un 7:
1 11 12 13 14 15 16
c) P  e1  =
6 1
 2 21 22 23 24 25 26
36 6 3 31 32 33 34 35 36
Probabilidad de obtener un 4 41 42 43 44 45 46
número mayor o igual a 9: 5 51 52 53 54 55 56
6 61 62 63 64 65 66
d) P  e2  =
10 5

36 18
Probabilidad de obtener un Método:
número par:
f) Clásico
e) P  e3  =
18 1

36 2
Z

PROBABILIDADES
MÉTODO CLÁSICO:EJEMPLOS
1. Determine las probabilidades de los siguientes eventos
al sacar una carta de una baraja estándar de 52 cartas:
a) Un siete, b) Una carta negra, c) Un as o un rey.
2. ¿Cuál es la probabilidad de obtener el mismo número
en el lanzamiento de dos dados?
3. ¿Cuál es la probabilidad de obtener dos caras al lanzar
dos monedas?
4. Determine la probabilidad de que en dos extracciones
sucesivas en un naipe de 52 cartas: a) la primera sea un
3 y la segunda un 8 con y sin restitución, b) La primera
sea un 5 y la segunda también, con y sin restitución.

Corazón Diamante Trébol Pica

Z

PROBABILIDADES

MÉTODO DE LA FRECUENCIA RELATIVA

El método de frecuencia relativa para la asignación de
probabilidades es el más conveniente cuando existen registros o
bases de datos sobre hechos que permitan estimar la proporción de
las veces en que se han presentado determinados resultados. El
método utiliza esa proporción como probabilidad de ocurrencia del
hecho, es decir, se determina qué tan frecuentemente ha sucedido
algo en el pasado y se utiliza esa cifra para predecir la probabilidad
de que suceda de nuevo en el futuro.
Una segunda característica de las probabilidades establecidas por
frecuencia relativa, es que los hechos se hayan observado un
número suficientemente grande de VECES o en número
suficientemente grande de CASOS.
Z

PROBABILIDADES

MÉTODO DE LA FRECUENCIA RELATIVA

En lenguaje estadístico, la frecuencia relativa se vuelve estable
conforme la cantidad de veces o los casos crece. En consecuencia,
cuando se utiliza el planteamiento de frecuencia relativa para
establecer probabilidades, la fracción que se obtiene como
probabilidad adquirirá mayor precisión a medida que aumenten las
observaciones. En términos generales, la probabilidad de un evento
con base en el modelo de frecuencia relativa se determina así:

número de veces que ha ocurrido el evento

Frecuencia relativa de un evento 
número total de observaciones
Z

PROBABILIDADES
RELACIÓN ENTRE FRECUENCIA RELATIVA Y PROBABILIDAD CLÁSICA
Número de Veces que cae Probabilidad frecuencial
lanzamientos el número 3
10 2 2/10=1/5=0.2
150 26 26/150=13/75=0.1733333…
400 67 67/400=0.1675
1500 250 250/1500=1/6=0.16666…

En método clásico la probabilidad de obtener un 3 es

1/6=0.16666… la cual se observaría con precisión cuando
el número de lanzamiento es grande.
Aunque la fracción del resultado en que cae 3 en esos 10
lanzamientos está lejos de lo esperado, parece que se
estabiliza y tiende a 1/6 conforme aumenta el número de
lanzamientos.
Z

PROBABILIDADES

MÉTODO DE LA FRECUENCIA RELATIVA

Las TABLAS DE MORTALIDAD ilustran el método de la frecuencia
relativa para asignación de probabilidades. Estas tablas se elaboran
con base al registro estadístico de las muertes ocurridas en un
grupo suficientemente grande de personas (regularmente 100,000)
en un periodo determinado. La población que se considera es un
grupo de tenedores de pólizas de seguro de vida y la tabla de
mortalidad resultante se utiliza para calcular las primas de este tipo
de seguros.
Z

PROBABILIDADES
EJEMPLO DE TABLA DE MORTALIDAD

Por ejemplo, si una

persona tiene 25 años,
¿Cuál es la probabilidad
de morir a la edad de 51
años [P(m51)]?
v51
P  25 v26   100
v25

P  25 v26  
89080
100
96,820
P  25 v26   92%

P  m 51   100  P  25 v26 
P  m 51   100  92
P  m 51   8% Respuesta
Z

PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
En la tabla siguiente se da la población guatemalteca en millones
de habitantes, según el rango de edad expresada en años. En el
caso de seleccionar aleatoria de una persona de esta población,
Cuál es la probabilidad de que la persona tenga: a) entre 20 y 24
años?, b) entre 20 y 34 años, c) 45 años o más?, d) entre 45 y 64
años.
Edad Cantidad
19 o menos 4.1
20 a 24 3.1
25 a 34 2.5
35 a 44 2.8
45 a 54 1.7
55 a 64 1.4
65 y más 1.2
16.8
Z

PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
Se realizó un sondeo entre las personas mayores a 15 años respecto de su
principal actividad de ejercitación física. A continuación se presenta el número
de participantes en cinco modalidades reportadas, expresado en miles de
personas.
Actividad Mujeres Hombres
M=101.1 y H=96.4
Bicicleta 11.6 16.8
a) 0.32
Deporte de equipo 22.1 20.9
Correr o caminar 40.5 23.3 b) 0.21
Con aparatos 14.2 15.0
c) 0.41 y 0.59
Nadar 12.7 20.4

a) Estime la probabilidad de que una persona, elegida en forma aleatoria,

haga ejercicio caminando.
b) Estime la probabilidad de que un hombre, elegido en forma aleatoria,
haga ejercicio nadando.
c) Suponga que acaba de ver una persona haciendo ejercicio en bicicleta.
¿Cuál es la probabilidad de que sea mujer?, ¿de que sea hombre?
Z

PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
El gerente administrativo de una compañía de seguros tiene los
datos siguientes acerca del funcionamiento de las fotocopiadoras
que utilizan. Según los datos, ¿cuál es la probabilidad de que una
fotocopiadora esté fuera de servicio?
Fotocopiadora Días de Días fuera de
funcionamiento servicio
1 209 51
2 217 43
3 258 2
4 229 31
5 247 13

1160 140

P  fs  
140 7
  0.1077
1160  140 65
Z

PROBABILIDADES
MÉTODO FRECUENCIAL: EJEMPLO
Durante los últimos 5 años ocurrieron 200 accidentes en una fábrica
que utiliza tres turnos, los cuales pueden ser atribuidos a condiciones
de trabajo inseguras y a fallas humanas. La tabla muestra el número de
accidentes que han ocurrido en cada turno y la causa.
Turno Condiciones inseguras Fallas humanas
Matutino 20 70 90
Vespertino 16 40 56
Nocturno 10 44
54
46 154

a) ¿Cuál es la probabilidad de que el accidente …: i) se atribuya a condiciones

inseguras de trabajo?, ii) no ocurra en el turno matutino?, iii) ocurra en el turno
nocturno?
b) Al registrarse un accidente en turno matutino ¿Cuál es la probabilidad de que
se deba a una falla humana?
c) Si ocurre un accidente por condiciones de trabajo inseguras ¿Cuál es la
probabilidad de que haya sido en el turno vespertino?
Z

PROBABILIDADES
Turno Condiciones inseguras Fallas humanas
Matutino 20  0.10  70  0.35  90  0.45 

Vespertino 16  0.08  40  0.20  56  0.28 

Nocturno 10  0.05  44  0.22  54  0.27 

46  0.23 154  0.77 

Accidente se atribuya a condiciones

inseguras: Al registrarse un accidente en turno
matutino ¿Cuál es la probabilidad
20  16  10 46
P i     0.23 de que se deba a una falla humana?
200 200
Accidente no ocurra en el turno 70 70
P c    0.78
matutino: 20  70 90
20  70 90
P  ii   1   1  0.55 Si ocurre un accidente por condiciones de
200 200
trabajo inseguras ¿Cuál es la probabilidad
Accidente ocurra en el turno
de que haya sido en el turno vespertino?
nocturno
10  44 54 P d  
16

16
 0.35
P  iii     0.27 20  16  10 46
200 200
Z

PROBABILIDADES
CON RELACIÓN AL EJERCICIO ANTERIOR
Turno Condiciones inseguras Fallas humanas
Matutino 20  0.10  70  0.35  90  0.45 

Vespertino 16  0.08  40  0.20  56  0.28 

Nocturno 10  0.05  44  0.22  54  0.27 

46  0.23 154  0.77 

Si ocurre un accidente, ¿Cual es la probabilidad que se registre

en el turno matutino (evento A) y se deba a fallas humanas
(evento B)?
P  A  B   Pconjunta P  A  B   P  A  P  B 
Pconjunta  P  A   P  B  Eventos independientes

Pconjunta  0.35
P( A  B)  0.45  0.77  0.35
Z

PROBABILIDADES
CON RELACIÓN AL EJERCICIO ANTERIOR
Turno Condiciones inseguras Fallas humanas
Matutino 20  0.10  70  0.35  90  0.45 

Vespertino 16  0.08  40  0.20  56  0.28 

Nocturno 10  0.05  44  0.22  54  0.27 

46  0.23 154  0.77 

Si ocurre un accidente, ¿Cual es la probabilidad de que se deba a

condiciones inseguras (evento A) y se registre en el turno
vespertino (evento B)?
P  A  B   Pconjunta P  A  B   0.08 Pconjunta  P  A  B 
P  A  B   P  A  P  B  P  A  B   0.23  0.28  0.064 Eventos dependientes

P  A  B   P  A  P  B / A P  A B  P  A / B P  B
P  A  B  0.08 P  A  B  0.08
P  B A    0.35 P  A B    0.286
P  A 0.23 P  B 0.28
P  A  B   0.23  0.35  0.08 P  A  B   0.286  0.28  0.08
Z

PROBABILIDADES
El siguiente cuadro contiene información sobre 150
alumnos en cuanto a su asignación a dos cursos A y B
en la escuela de vacaciones de la universidad.
Asignación Cantidad de alumnos
Solo al curso A 30
Solo al curso B 45
A los dos cursos 25

Calcular la probabilidad de encontrar un alumno asignado …

a) ¿al curso A?
b) ¿al curso B?
c) ¿a los cursos A y B?
d) ¿a los cursos A o B? Significa: al menos a uno de los dos cursos: uno,
otro o ambos.
e) ¿a ninguno de los dos cursos?
f) ¿exactamente a uno de los dos cursos? Uno u otro, no ambos.
Z

PROBABILIDADES

MÉTODO SUBJETIVO
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, se cuenta con pocos datos
relevantes. En el método subjetivo, la asignación de
probabilidades a cada uno de los resultados de un
experimento se realiza utilizando toda la información
disponible, además, la propia experiencia e intuición.
Al asignar probabilidades subjetivas, es normal que dos
personas obtengan probabilidades distintas para un
evento.
Z

RELACIONES DE PROBABILIDAD
SINOPSIS

REGLA DE ADICIÓN REGLA DEL PRODUCTO

EVENTOS EVENTOS

Mutuamente
Inclusivos Independientes Dependientes
excluyentes
Probabilidad
condicional

P  A o B   P  A  P  B  P  A y B   P  A  P  B / A

P  A o B   P  A  P  B   P  A  B  P  A y B   P  A  P  B 
Z

RELACIONES DE PROBABILIDAD

REGLA DE ADICIÓN REGLA DEL PRODUCTO

UNIÓN DE INTERSECCIÓN DE
CONJUNTOS CONJUNTOS

O (AB) Y (AB)

SUMA DE MULTIPLICACIÓN DE
PROBABILIDADES PROBABILIDADES

P  A  B   P  A  P  B  P  A  B   P  A  P  B  Probabilidad
condicional
Mutuamente excluyentes Independientes

P  A  B
P  B A 
P  A  B   P  A  P  B   P  A  B  P  A  B   P  A  P  B / A P  A
Inclusivos (No mutuamente excluyentes) Dependientes
Z

ALGUNAS RELACIONES DE PROBABILIDAD

A B A B

0.20 0.31 0.22 0.27

0.35 0.33

0.14 0.18

A B

0.35 0.40

0.25
Si dos eventos son mutuamente excluyentes, también son independientes. Si dos
eventos que son independientes, no necesariamente son mutuamente excluyentes.
Z

ALGUNAS RELACIONES DE PROBABILIDAD

PROBABILIDAD DEL COMPLEMENTO DE UN EVENTO
Se refiere al cálculo de la probabilidad de ocurrencia de un
evento por diferencia, dada la probabilidad de ocurrencia de otro
que es su complemento.
P  A  P  B   1
P  A   P  Ac   1
P  AC   1  P  A 

Partiendo de la premisa que la probabilidad encontrar un analfabeta en

Guatemala es de 18%, ¿Cual es la probabilidad de encontrar una
persona que sabe leer y escribir?

P  A   18%
P  AC   1  P  A 
P  AC   1  18  82%
Z

ALGUNAS RELACIONES DE PROBABILIDAD

REGLA DE ADICIÓN
Se refiere a la probabilidad de ocurrencia de la unión de dos eventos
inclusivos (AB), es decir, de que ocurra por lo menos uno de los
eventos (uno, el otro o ambos). La unión de eventos siempre lleva
consigo una intersección, no obstante, en el cálculo de probabilidades
para eventos INCLUSIVOS (que no son mutuamente excluyentes), la
adición de eventos da por resultado un “doble conteo” de los
resultados en la intersección. Ello se corrige restándole a la suma, una
vez, la probabilidad de ocurrencia de ambos.

P  A  B   P  A  P  B   P  A  B 

Dos eventos son INCLUSIVOS cuando tienen puntos muestrales en común,

es decir, existen elementos en la intersección (AB) de ambos eventos.
Z

ALGUNAS RELACIONES DE PROBABILIDAD

EVENTOS MUTUAMENTE EXCLUYENTES

Dos eventos son mutuamente excluyentes cuando no tienen
puntos muestrales en común, es decir, no deben existir
elementos en la intersección (AB) de ambos eventos. Cuando
dos eventos son mutuamente excluyentes, la probabilidad de
que ocurra uno u otro (regla de adición) es la suma de las
probabilidades de ambos eventos porque no pueden suceder a
la vez. La condición de eventos mutuamente excluyentes
modifica la ley de adición y queda expresada de la siguiente
manera:
P  A  B   P  A  P  B 
Z

ALGUNAS RELACIONES DE PROBABILIDADES

EJEMPLO: REGLA DE ADICIÓN
Considere seleccionar al azar un estudiante en cierta universidad y que A
denote el evento en que el individuo seleccionado tenga una tarjeta de
crédito Visa y que B sea el evento análogo para la tarjeta MasterCard.
Suponga que P(A) =0.5, P(B) = 0.4 y P(A  B) =0.25
Calcule la probabilidad de que un estudiante seleccionado al azar ……..
a) Tenga por lo menos uno de los dos tipos de tarjetas
b) No tenga ningún tipo de tarjeta
c) Posea una tarjeta Visa pero no una MasterCard.
d) Tenga exactamente una tarjeta de crédito
Por lo menos uno de los tipos de tarjetas
P  A  B   P  A   P  B    A  B   0.5  0.4  0.25  0.65
P  A P  B No tenga ningún tipo de tarjeta
P  A  B   1   A  B   1  0.65  0.35
c

0.25 P  A  B  0.15 Visa pero no MasterCard

0.25 P  A  B c   P  A  B   P  B   0.65  0.4  0.25
0.35 Que tenga exactamente una tarjeta
P  AB   P  A   P  B   2  P  A  B   0.5  0.4  2  0.25   0.4
Z

ALGUNAS RELACIONES DE PROBABILIDADES

EJEMPLOS: REGLA DE ADICIÓN

Suponga que tiene un espacio muestral con cinco
resultados experimentales que son igualmente posibles:
S={e1, e2, e3, e4, e5}. Y los eventos: A={e1, e2}, B={e3, e4} y
C={e2, e3, e5}. Determine:
a)P(A), P(B) Y P(C)
b)P(AUB). ¿A y B son mutuamente excluyentes?
c) Cc, P(Cc)
d)AUBc y P(AUBc)
e)P(BUC)
Z

ALGUNAS RELACIONES DE PROBABILIDADES

EJERCICIO: REGLA DE ADICIÓN
En una encuesta aplicada a los suscriptores de una revista
se encontró que en los últimos 12 meses 45.8% habían
rentado un automóvil por razones de trabajo, 54% por
razones personales y 30% por razones de trabajo y
personales.
a) ¿Cuál es la probabilidad de que un suscriptor haya
rentado un automóvil en los últimos 12 meses por
razones de trabajo o por razones personales?
b) ¿Cuál es la probabilidad de que un suscriptor no haya
rentado un automóvil en los últimos 12 meses ni por
razones de trabajo ni por razones personales?
R/69.8, 30.2
Z

ALGUNAS RELACIONES DE PROBABILIDADES

EJERCICIO: REGLA DE ADICIÓN
Una compañía de electricidad ofrece una tarifa de consumo
mínimo a cualquier usuario cuyo consumo de electricidad sea de
menos de 240 kWh durante un mes particular. Si A denota el
evento en que un usuario seleccionado al azar en una cierta
comunidad no excede el consumo mínimo durante enero y B el
evento análogo para el mes de julio (A y B se refieren al mismo
usuario). Suponga P(A)=0.8, P(B)=0.7 y P(AB)=0.9. Calcule lo
siguiente:
a) P(AB).
b) La probabilidad de que el consumo mínimo no sea
sobrepasado en exactamente uno de los dos meses.
Representar gráficamente el evento.
Z

ALGUNAS RELACIONES DE PROBABILIDAD

PROBABILIDAD CONDICIONAL
A veces, en la probabilidad de un evento, influye el hecho de que un
evento relacionado con aquel ya haya ocurrido. La probabilidad de que
un evento A ocurra cuando se sabe que ya ocurrió algún evento B se
le llama probabilidad condicional y se denota con P(A|B). El símbolo
P(A|B), se lee “la probabilidad de que ocurra A dado que ocurrió B” o
simplemente “la probabilidad de A, dado B”. Cuando la ocurrencia de
uno de los eventos influye en la probabilidad de ocurrencia del otro, la
probabilidad de ese otro evento cambia dependiendo si el primero ya
ocurrió, se trata entonces de eventos DEPENDIENTES.

  P  A  B
P AB 
P  B
P  A  B
P  B A 
P  A
Z

PROBABILIDADES
EJEMPLO: PROBABILIDAD CONDICIONAL
La probabilidad de que al hacerle servicio a un automóvil necesite un
cambio de aceite es 0.25, la probabilidad de que necesite un nuevo
filtro de combustible es 0.40, y la probabilidad de que necesite
cambio de aceite y filtro es 0.14. Ahora, si se tiene que cambiar el
aceite, ¿cuál es la probabilidad de que se necesite un nuevo filtro? Si
necesita un nuevo filtro de combustible, ¿cuál es la probabilidad de
que se tenga que cambiar el aceite? ¿cuál es la probabilidad de que
se requiera cambio de aceite o filtro de combustible

P  A  F  0.14
P  F A    0.56

P A  0.25
Considerando los eventos: La probabilidad del evento F (0.40) cambia
A: Se necesita cambio de aceite (P=0.25) (0.56) debido a la ocurrencia del evento A
F: Es necesario cambio de filtro (p=0.40)
P  A  F  0.14
AF= Cambio de aceite y filtro (0.14) P A F     0.35
P F  0.40
La probabilidad del evento A (0.25) cambia
(0.35) debido a la ocurrencia del evento F .
Z

ALGUNAS RELACIONES DE PROBABILIDADES

PROBALIDAD CONDICIONAL: EJEMPLO
Una muestra aleatoria de 200 adultos se clasifica a continuación por
género y nivel educativo.
Educación Hombre Mujer
Primaria 38  0.19  45  0.225  83  0.415 

Secundaria 28  0.14  50  0.25  78  0.39 

Universitaria 22  0.11 17  0.085  39  0.195 

88  0.44  112  0.56 

Si se elige una persona al azar de este grupo, encuentre la probabilidad de

que: (a) La persona sea hombre, dado que la persona tiene educación
secundaria; (b) La persona no tenga grado universitario, dado que la persona
es mujer; (c) ¿Son independientes los eventos de la literal a?; ¿Son
independientes el nivel educativo y el género? Observe que la probabilidad
de ser hombre en la tabla es
Solución inciso “a”: 0.44, la cual cambia dado que
ha ocurrido en evento S, es
P  H  S  0.14
PH S 
decir:
P(HS)?   0.36 P( H )  P  H S 
PS  0.39
Z

ALGUNAS RELACIONES DE PROBABILIDADES

PROBALIDAD CONDICIONAL: EJEMPLO
Una muestra aleatoria de 200 adultos se clasifica a continuación por
género y nivel educativo.
Educación Hombre Mujer
Primaria 38  0.19  45  0.225  83  0.415 

Secundaria 28  0.14  50  0.25  78  0.39 

Universitaria 22  0.11 17  0.085  39  0.195 

88  0.44  112  0.56 

(b) La persona no tenga grado universitario, dado que la persona es mujer

P  P  S   M  0.225  0.25
P(P+SM)? P  P  S  M     0.85
PM  0.56
(c.1) ¿Son independientes los eventos de la literal a?
Al ser independientes, se cumple que : Pconjunta  0.14
P H  S   PH  P S  P  H  S   0.44  0.39  0.17
Prob. Conjunta Prob. Marginal
No, los eventos son dependientes
Z

ALGUNAS RELACIONES DE PROBABILIDADES

PRUEBA DE INDEPENDENCIA DE VARIABLES UTILIZANDO
CHI-CUADRADA
Educación Hombre Mujer
Primaria 38  36.52  45  46.48  83  0.415 

Secundaria 28  34.32  50  43.68  78  0.39 

Universitaria 22 17.16  17  21.84  39  0.195 

88  0.44  112  0.56 

 foij  feij   38  36.52   45  46.48 17  21.84 

2 2 2 2
r k
 cal
2
     ...   4.623
i 1 j 1 feij 36.52 46.48 21.84

fi  f j  tab
2
 2 , gl   0.05,2
2
 5.991
Donde : feij   cal
2
tab
2
n gl   r  1 k  1

fe31 
39  88
 17.16 gl   3  1 2  1  2 4.6231 5.991
200
foij=frecuencia observada
feij=frecuencia esperada
Z

ALGUNAS RELACIONES DE PROBABILIDADES

EJEMPLO
Seis árboles de limón persa fueron plantados en línea recta y sabemos
que dos tienen una enfermedad. Considere los siguientes eventos: los
árboles enfermos están a la par (E), el árbol número 3 es uno de los
enfermos (F).
a) Si cada uno de los árboles tiene la misma susceptibilidad a estar
enfermo, ¿cuál es la probabilidad de que los árboles enfermos estén a la
par?
b) Si sabemos que el árbol 3 es uno de los enfermos, ¿cuál es la
probabilidad de que los árboles enfermos estén a la par?

d) ¿Serán los eventos E y F independientes?

e) Si los árboles estuvieran plantados en círculo, y se sabe que el árbol 3 está

enfermo. Calcule la probabilidad de que los árboles estén a la par. Defina si los
eventos E y F son independientes.
Z

ALGUNAS RELACIONES DE PROBABILIDADES

PRUEBA DE INDEPENDENCIA UTILIZANDO CHI-CUADRADO

La prueba de independencia de 2 permite estudiar la

relación entre las dos variables, es decir, si existe o no,
dependencia estadística entre las mismas. Si el valor del
estadístico calculado es mayor o igual que el valor del
estadístico tabulado, las variables son dependientes, existe
relación entre las variables. Por lo tanto, en el presente
caso, como chi-cuadrado calculado es menor que chi-
cuadrado tabulado, las variables son independientes, no
existe relación significativa de dependencia entre el nivel
educativo y el género de la persona.
Z

ALGUNAS RELACIONES DE PROBABILIDADES

PROBALIDAD CONDICIONAL
INDEPENDENCIA DE EVENTOS Y DE VARIABLES: CONCLUSIÓN

PRUEBA DE INDEPENDENCIA DE EVENTOS

Dos eventos A y B, por ejemplo, son independientes si la
probabilidad conjunta (AB) es igual al producto de las
probabilidades marginales [P(A)×P(B)]. También, dos eventos son
independientes si P(A)=P(A/B), o bien, si P(B)= P(B/A).

PRUEBA DE INDEPENDENCIA DE VARIABLES

El análisis de independencia de dos variables conlleva el análisis
en conjunto de la independencia de todos las parejas de eventos
posibles. Ello se realiza utilizando la prueba de independencia
estadística de chi cuadrado (2).
Z

ALGUNAS RELACIONES DE PROBABILIDADES

PRUEBA DE INDEPENDENCIA UTILIZANDO CHI-CUADRADO
PROCEDIMIENTO EN INFOSTAT
Z

ALGUNAS RELACIONES DE PROBABILIDADES

PRUEBA DE INDEPENDENCIA UTILIZANDO CHI-CUADRADO
PROCEDIMIENTO EN INFOSTAT
Z

ALGUNAS RELACIONES DE PROBABILIDAD

REGLA GENERAL DEL PRODUCTO

Mientras que la regla aditiva se utiliza para determinar la probabilidad
de una unión entre dos eventos, la regla general del producto se usa
para determinar probabilidad de la intersección de dos eventos. Esta
regla se aplica en el caso de que dos eventos DEPENDIENTES A y B
ocurran conjuntamente. La probabilidad de que dos eventos
dependientes ocurran simultáneamente o en sucesión, es igual al
producto de la probabilidad de uno y la probabilidad condicional del
otro evento. Se denota por: A y B, AB o simplemente AB. El cálculo
en este caso de deriva de la probabilidad condicional, al despejar para
la probabilidad conjunta.
P  A  B
P  B A 
P  A
P  A  B   P  A  P  B A
Z

ALGUNAS RELACIONES DE PROBABILIDADES

EJEMPLO: REGLA GENERAL DEL PRODUCTO (E. DEPENDIENTES)
En un experimento de preferencia al color de la uva, 10 racimos uniformes
excepto por el color, se colocan sobre sobre una mesa, de los cuales, 6 son
de uvas verdes y 4 de uvas rojas. Luego se le pide a un consumidor que
escoja dos racimos. ¿Cuál es la probabilidad de que la persona elija dos
racimos verdes?
2da. Selección Eventos
1ra. Selección   3
Rojas  9 
 4
RR
Rojas  10 
  6
Verdes  9 
RV
P v y v  P v   P v v 
 
P v y v 
4 6 5
Rojas  9  
  6 VR 10 9
Verdes  10 
P v y v 
1
  5
Verdes  9  3
VV
Z

ALGUNAS RELACIONES DE PROBABILIDAD

REGLA ESPECIAL DEL PRODUCTO
Esta regla se aplica en el caso de que dos eventos A y B sean
independientes. La probabilidad de que dos eventos INDEPENDIENTES
ocurran simultáneamente o en sucesión es igual al producto de sus
probabilidades individuales (marginales). Matemáticamente lo escribimos
como:
P  AB   P  A   P  B 
EVENTOS INDEPENDIENTES: dos eventos son independientes si la
ocurrencia de uno no tiene no tiene ningún efecto sobre la
probabilidad de que el otro evento acontezca. Dos eventos son
independientes si:
P  A B   P  A
P  B A  P  B 
P  A  P  B   P  A  P  B A
En algunos problemas puede existir reemplazo, en otros sin reemplazo. En el primer caso los eventos
son independientes y en el segundo, sería un situación de probabilidad donde los eventos son
dependientes.
Z

ALGUNAS RELACIONES DE PROBABILIDADES

EJEMPLO: REGLA DEL PRODUCTO
En una caja se tienen 7 bolas rojas y 4 azules. Cuál es la probabilidad
de extraer:
a) Una bola roja en la primera extracción y una bola azul en la
segunda, con reemplazo. ¿Y sin reemplazo?
b) Tres bolas azules en tres extracciones sucesivas, con reemplazo.
¿Y sin reemplazo?
c) Dos bolas rojas seguidas y luego una azul, en tres extracciones
sucesivas sin reemplazo.
d) Dos bolas azules y una roja en cualquier orden, en tres
extracciones sucesivas sin reemplazo. ¿Y con reemplazo?
e) Dos bolas del mismo color en dos extracciones sucesivas sin
reemplazo.
f) Dos bolas de diferente color en dos extracciones sucesivas con
reemplazo.
Z

ALGUNAS RELACIONES DE PROBABILIDADES

a) En una caja se tienen 7 bolas rojas y 4 azules. Cuál es la
probabilidad de extraer una bola roja en la primera extracción y una
bola azul en la segunda, con reemplazo. ¿Y sin reemplazo?

7 Con reemplazo: Sin reemplazo:

P r  
11 P r y a  P r  P a P r y a  P r  P a r 
4
P a 
P r y a 
7 4 14
P r y a 
7 4 28    0.25
11    0.23
11 11 121 11 10 15

b) En una caja se tienen 7 bolas rojas y 4 azules. Cuál es la

probabilidad de extraer tres bolas azules en tres extracciones
sucesivas, con reemplazo. ¿Y sin reemplazo?

Con reemplazo: Sin reemplazo:

P  a, a y a   P  a   P  a   P  a  P  a, a y a   P  a   P  a a   P  a a y a 

P  a, a y a  
4 4 4 64
P  a, a y a  
    0.05 4 3 2 4
    0.02
11 11 11 1331 11 10 9 165
Z

ALGUNAS RELACIONES DE PROBABILIDADES

c) En una caja se tienen 7 bolas rojas y 4 azules. Cuál es la probabilidad
de extraer dos bolas rojas seguidas y luego una azul, en tres extracciones
sucesivas sin reemplazo.
P r  
7 P  r, r y a   P  r   P  r r   P  a r, r 
11
P  r, r y a  
7 6 4 28
4     0.17
P a  11 10 9 165
11

d) En una caja se tienen 7 bolas rojas y 4 azules. Cuál es la probabilidad

de extraer dos bolas azules y una roja en cualquier orden, en tres
extracciones sucesivas sin reemplazo. ¿Y con reemplazo?
Bien : P  a, a y r  
14 P  a, a y r   P  a   P  a a   P  r a , a 
165
P  a, a y r  
4 3 7 14 Con reemplazo:
O: P  a, r y a  
14   
165 11 10 9 165
P  E2   3 114  114  117 
P  r, a y a   P  E1  
14 14 14 14
O bien :  
P  E2   3 
165 112 
165 165 165 
 1331 
P  E1   3 
14  14
  0.2545 P  E2  
336
 0.2524
 165  55 1331
Z

ALGUNAS RELACIONES DE PROBABILIDADES

e) En una caja se tienen 7 bolas rojas y 4 azules. Cuál es la probabilidad de
extraer dos bolas del mismo color en dos extracciones sucesivas, sin reemplazo.
P  a y a  o  r y r    P  a   P  a a   P  r   P  r r 
" O bien " 4 3 7 6
PE    
11 10 11 10
7
P r   PE  
6 21
11 55 55
4
P a  27
11 PE   0.49
55
f) En una caja se tienen 7 bolas rojas y 4 azules. Cuál es la probabilidad de extraer
dos bolas de diferente color en dos extracciones sucesivas con reemplazo.
P  a y r,o,r y a   P  a   P  r   P  r   P  a 
P a y r  
28
Bien 121 4 7 7 4
PE    
P r y a 
28 11 11 11 11
O bien 121 Sin reemplazo:
28 28
PE  
P  E2   2   
121 121 4 7

PE  2  
28
121 P  E2  
28
 11 10 
 0.51
56 55
PE   0.46
121
Z

EJERCICIOS DE REPASO
En una laguna, el 92% de las algas pertenece al fitoplancton (algas que
flotan libremente), mientras que el 8% restante corresponde al perifiton
(algas que crecen sobre plantas acuáticas). Dentro de las algas
fitoplanctónicas, el 56% son diatomeas. En el perifiton, las diatomeas
componen el 40%.
a) Calcular la probabilidad de que un alga elegida al azar sea una
diatomea.
b) Calcular la probabilidad de que un alga elegida al azar sea una
diatomea o pertenezca al perifiton.
c) Determine la probabilidad de que pertenezca al perifiton dado que no
es diatonea.
d) Calcular la probabilidad de que un alga elegida al azar no sea diatonea
y pertenezca al fitoplancton.
e) Si el alga elegida al azar es diatonea, ¿cuál es la probabilidad de que
pertenezca al fitoplancton?
f) ¿Son independientes los eventos del inciso anterior?
Z

EJERCICIOS
Una de las rutas que planifica un vendedor de fertilizante incluye la visita
a dos fincas que acostumbran hacer pedidos significativos del producto.
La probabilidad de lograr un pedido en la primera finca es 0.65, la
probabilidad de que la segunda finca haga un pedido es 0.48 y la
probabilidad de que por lo menos una de las fincas le haga un pedido es
0.9. Cuál es la probabilidad de que…
a) Ambas fincas le hagan un pedido.
b) Exactamente una finca le haga un pedido.
c) Ninguna de haga un pedido.

En un estanque piscícola se han liberado tres especies de tilapia adultas

con fines de pesca deportiva. 7 tilapias rojas (Oreochromis
mosssambicus), 5 tilapias azules (Oreochromis aureus) y 4 tilapias del nilo
(Oreochromis niloticus). ¿Cuál es la probabilidad de pescar dos peces de
la misma especie en dos extracciones sucesivas sin reemplazo?
Z

EJERCICIOS
Se considera una caja que contiene 6 bolas rojas, 4 blancas y 5 azules. Se
extraen tres bolas en forma sucesiva (sin reposición). Calcular la
probabilidad que:
a) La primera sea roja, la segunda blanca y la tercera azul.
b) Las tres bolas son del mismo color.
c) Se extraigan exactamente dos rojas.
R/ 4/91, 34/455, 27/91
Z

TEOREMA DE BAYES

El Teorema de Bayes fue desarrollado por el reverendo Thomas Bayes y

publicado por la Royal Society of London en 1763, dos años después de su
fallecimiento. Estudió el problema de la determinación de la probabilidad
de las causas a través de los efectos observados. El teorema se refiere a la
probabilidad de un suceso condicionado por la ocurrencia de otro suceso.
Más específicamente, con su teorema se resuelve el problema conocido
como "de la probabilidad inversa“. El Teorema de Bayes es aplicable cuando
los eventos para los que se quiere calcular la probabilidad revisada son
mutuamente excluyentes y colectivamente exhaustivos, de manera que la
unión de los eventos es todo el espacio muestral. Involucra el uso de la
probabilidad previa del evento que interesa, la aplicación del Teorema de
la Probabilidad Total (sumatoria de probabilidades conjuntas
condicionadas) y el cálculo de probabilidades posteriores o revisadas que
se obtienen a través de un cociente.
Z

TEOREMA DE BAYES
El teorema se utiliza cuando un conjunto de eventos mutuamente
excluyentes (B1,B2,B3…Bk), particionan completamente el espacio muestral S
de un experimento aleatorio B, ante la ocurrencia simultánea o a posteriori
de otro evento A que interseca a todos o algunos de los eventos Bi del espacio
muestral S, con lo cual se obtiene el espacio muestral reducido denominado
S’ que modifica la probabilidad de ocurrencia de los eventos del experimento
aleatorio B. Así, la probabilidad del evento A se puede obtener sumando las
probabilidades de dichas intersecciones. El Teorema de Bayes permite
calcular la probabilidad de ocurrencia modificada (Br) de los eventos Bi en el
espacio muestral reducido S’, llamada probabilidad revisada.
S
S Bk

A
Bk B1 S'
B5
B1 B5 A  Bk
A  B1
A  B1

A  B1
A  B1

B2 A  B1
B2 B3 B4 B4
B3
Z

TEOREMA DE BAYES
Sean los eventos B1,B2,B3,…BK una partición mutuamente excluyente
y exhaustiva del espacio muestral S de un experimento aleatorio B,
de tal forma que:
S Bi  Bi '   
S B1  S B2  S B3 ...  S Bk  S
Bk
A
A  Bk S'
SA  S '
B1 B5
A  B1
A  B1

A  B1 P  B1   P  B2   P  B3   ...  P  Bk   1
A  B1
B2 A  B1
B4 P( A)  P  A  B1   P  A  B2   ...  P  A  Bk 
P  A  Bi 
B3

Los eventos Bi no tienen elementos en P( A Bi )   P  Bi   P ( A Bi )  P  A  Bi 

común (mutuamente excluyentes), y P  Bi 
entre todos forman el espacio k
Esto es el Teorema de
muestral del experimento aleatorio B P( A)   P  Bi   P ( A Bi )
(son exhaustivos). i
la Probabilidad Total

P  Bi   P ( A Bi ) Esto es la probabilidad
P( Br )  k revisada de Bi en el espacio
 P  B   P( A B )
i
i i muestral reducido S’
Z

TEOREMA DE BAYES
Sea {B1,B2,B3,…BK } un conjunto de eventos mutuamente excluyentes y exhaustivos, tales que
la probabilidad previa de cada uno de ellos es distinta de cero (0). Sea A otro evento
cualquiera del que se conocen las probabilidades condicionales P(A|Bi), entonces, la
probabilidad revisada Br, que es la probabilidad de Bi dado que ha ocurrido A [P(Bi|A)], está
dada por la expresión:

A  Bi P  A  Bi  P  A  Bi 
A  B1 Br  P( Bi A)  P( A Bi ) 
A  B5 P  A P  Bi 
A  B2
A  B4
A  B3
Probabilidad previa

P  Bi   P  A Bi 
P  Br  
P  B1   P  A B2   P  B2   P  A B2   ...  P  Bk   P  A Bk 

Probabilidad revisada Teorema de la Probabilidad Total

Z

TEOREMA DE BAYES: EJEMPLO

Un test de diagnóstico tiene una probabilidad 0.9 de detectar la presencia de

Escherichia coli en el caso que efectivamente esté presente (sensibilidad del test). Si no
está presente, detecta su ausencia con una probabilidad de 0.8 (especificidad del test).
Según el origen, la probabilidad de que una muestra de agua contenga Escherichia coli
es 0.15 (prevalencia).
a) ¿Cuál es la probabilidad de que el test de un resultado positivo?
b) Suponiendo que el test dio un resultado positivo, ¿Cuál es la probabilidad de que
realmente la muestra de agua contenga E. coli? (Valor predictivo positivo del test)
c) Por otro lado, si el test da un resultado negativo, ¿Cuál es la probabilidad de que
realmente el agua esté libre de bacterias? (Valor predictivo negativo del test)
d) ¿Cuál es la probabilidad de que el test de positivo cuando la bacteria está ausente?,
es decir, un falso positivo.
e) ¿Cuál es la probabilidad de que test de negativo cuando la bacteria si está
presente?, es decir, falso negativo.
f) ¿Cuál es la probabilidad de que la bacteria este ausente en la muestra de agua,
dado que el test ha dado positivo?.
Z

TEOREMA DE BAYES: EJEMPLO

Evento A
Diag. Positivo
Evento B1 P(A|B1)=0.90
E. Coli presente
P(B1)=0.15 Evento A
Diag. negativo
P(A|B1)=0.10

Evento A
Diag. Positivo
Evento B2 P(A|B2)=0.20
E. Coli ausente
P(B2)=0.85 Evento A
Diag. negativo
P(A|B2)=0.80

a) ¿Cuál es la probabilidad de que el test de un resultado positivo?

P( A)  P  B1   P ( A B1 )  P  B2   P ( A B2 )
P( A)  0.15  0.9  0.85  0.2  0.305
Z

TEOREMA DE BAYES: EJEMPLO

Evento A
Diag. Positivo
Evento B1 P(A|B1)=0.90
E. Coli presente
P(B1)=0.15 Evento A
Diag. negativo
P(A|B1)=0.10

Evento A
Diag. Positivo
Evento B2 P(A|B2)=0.20
E. Coli ausente
P(B2)=0.85 Evento A
Diag. negativo
P(A|B2)=0.80

b) Suponiendo que el test dio un resultado positivo, ¿Cuál es la probabilidad de que

realmente la muestra de agua contenga E. coli? (Valor predictivo positivo del test)

P  B1   P ( A B1 ) 0.15  0.9
P( B1 A)    0.4426
P( A) 0.305
Z

TEOREMA DE BAYES: EJEMPLO

Evento A c) Por otro lado, si el test da un resultado negativo,
Diag. Positivo ¿cuál es la probabilidad de que realmente el agua
Evento B1 P(A|B1)=0.90 está libre de bacterias? (Valor predictivo negativo
E. Coli presente del test)
P(B1)=0.15 Evento A
P  B2   P ( A B2 ) 0.85  0.80
Diag. negativo P( B2 A)    0.9784
P(A|B1)=0.10 P( A) 1  0.305
d) ¿Cuál es la probabilidad de que el test de
Evento A positivo cuando la bacteria está ausente?, es decir,
Diag. Positivo un falso positivo?
Evento B2 P(A|B2)=0.20
E. Coli ausente P( A B2 )  0.20
P(B2)=0.85 Evento A
e) ¿Cuál es la probabilidad de que test de negativo
Diag. negativo
cuando la bacteria si está presente?, es decir, falso
P(A|B2)=0.80
negativo ?
P( A B1 )  0.10

f) ¿Cuál es la probabilidad de que la bacteria este ausente en la muestra de

agua, dado que el test ha dado positivo?
P  B2   P  A B2   0.85 0.2   34  0.5574
P  B2 A   
P  A 0.305 61
Z

TEOREMA DE BAYES: EJERCICIOS

En una fábrica de televisores las máquinas I, II y III

producen respectivamente el 28%, el 32% y el 40% del
total. En la producción de cada máquina el 3%, 4% y el
5% son televisores defectuosos. Se toma al azar un
televisor de la producción total y se le encuentra
defectuoso ¿Cuáles la probabilidad que haya sido
producido por la máquina I. R/ 21/103 (0.2039)
Máquina Defectuoso No defectuoso
I (28%) 0.03 0.97
II (32%) 0.04 0.96
III (40%) 0.05 0.95
Z

TEOREMA DE BAYES: EJERCICIOS

Una fábrica con 3 sucursales producen 40, 35 y 25% del

total de la producción. Tiene los siguientes porcentajes de
artículos defectuosos: 4, 6 y 8%, respectivamente. Sí se
elige aleatoriamente un artículo, calcule las siguientes
probabilidades:
a) De que no sea defectuoso. R/ 0.9430
b) Si resultó defectuoso, ¿cuál es la probabilidad de que
proceda de la primera sucursal? 0.2807
c) Si no resultó ser defectuoso ¿Cuál es la probabilidad de
que proceda de la segunda sucursal? 0.3489
Z

TEOREMA DE BAYES: EJERCICIOS

En los parcelamientos “La Máquina” “Nueva Concepción” y “La Blanca”

se producen en su orden el 14, 18, y 25% del total de maíz de la
república. Los porcentajes de sacos con grano vano son en ese orden
son: 3,4 y 6%. Para el resto del país, el porcentaje es el triple de la
desviación estándar de los porcentajes de sacos con grano vano
indicados anteriormente (4.58%).
a) Si se elige aleatoriamente un saco ¿cuál es la probabilidad de que
contenga grano vano?
b) Sí se escoge un saco al azar y se descubre que contiene grano vano
¿Cuál es la probabilidad de que provenga del resto del país?
c) ¿Cuál es la probabilidad de que siendo de “La Blanca” contenga
grano vano?
d) Si se escoge otro saco y no contiene grano vano ¿Cuál es la
probabilidad de que provenga de la Nueva Concepción?
Z

TEOREMA DE BAYES: EJERCICIOS

Una agroexportadora empaca mangos en cajas que pueden contener

mangos mal clasificados en cuanto a su calidad exportable, con
probabilidad de 0.1. Cada caja exportada pasa por un verificador de
calidad en el país de destino que detecta mangos mal clasificados con
probabilidad de 0.95. Si el verificador encuentra mango mal clasificado,
la caja es rechazada. Además, el verificador puede rechazar una caja de
mango, por error, cuando el mango ha sido correctamente clasificado,
con probabilidad de 0.07. Calcular.
a) La probabilidad que una caja con mango mal clasificado no sea
rechazada
b) La probabilidad que una caja de mango sea rechazada
c) Si una caja de mango no es rechazada por el verificador, ¿Cuál es la
probabilidad que realmente contenga mango mal clasificado?