2.1.

Introducción

2.2. Conceptos básicos

2.2.1. Espacio muestral. Sucesos
2.2.2. Operaciones con sucesos

2.3. Concepto de Probabilidad. Propiedades

2.3.1. Definición clásica de la Probabilidad
2.3.2. Diagramas de árbol
2.3.3. Definición axiomática de la
Probabilidad
2.3.4. Propiedades de la Probabilidad

2.4. Probabilidad condicionada. Independencia de

Sucesos
2.4.1. Probabilidad condicionada
2.4.2. Independencia de sucesos

2.5. Teorema de la probabilidad total. Teorema de

Bayes
2.5.1. Teorema de la probabilidad total
2.5.2. Teorema de Bayes

55
 TEMA 2. CÁLCULO DE
PROBABILIDADES

™ 2.1 Introducción

¾ La probabilidad refleja las expectativas de que un

suceso determinado ocurra

¾ Fenómeno determinista: Se conoce con certeza el

resultado del experimento

¾ Fenómeno aleatorio: No se puede predecir el

resultado del experimento

¾ La probabilidad de un suceso es un número

comprendido entre 0 y 1 (ambos incluidos)

56
 ™ 2.2. Conceptos básicos

” 2.2.1. Espacio muestral. Sucesos

¾ Suceso elemental: Cada uno de los posibles

resultados, que no se pueden descomponer en otros más
simples, de un experimento aleatorio

¾ Espacio muestral, E: Conjunto de los sucesos

elementales

¾ Suceso: Subconjunto del espacio muestral

¾ Suceso seguro: Es el suceso formado por todos los

sucesos elementales

¾ Suceso imposible, ∅ : Es el suceso que no contiene

ningún suceso elemental

57
 ” 2.2.2. Operaciones con sucesos

a f
c
b e
d
A g
B

A = {a, b, c, d} , B = {c, d, e, f, g}

™ Unión de sucesos

¾ A ­ B: Todos los sucesos elementales de A ó B

A ­ B = {a, b, c, d, e, f, g}

A∪B

58
 a f
c
b e
d
A g
B

A = {a, b, c, d} , B = {c, d, e, f, g}

™ Intersección de sucesos

¾ A ® B: Sucesos elementales que pertenecen

simultáneamente a A y a B
A ® B = {c, d}

A∩B

59
 ™ Diferencia de sucesos

¾ A – B: Sucesos elementales que pertenecen al suceso

A pero no al B
A = {a, b, c, d} ; B = {c, d, e, f, g}
A – B = {a, b}

a f
c
b e
d
A g
B

♦ Ejemplo: Se están utilizando 7 árboles, numerados del 1

al 7, para un experimento.

ƒ Definir el Espacio muestral: E = {1, 2, 3, 4, 5, 6, 7}

E
1 2
A 3 7 B
5
4 6

ƒ Sean A y B los sucesos: A = {1,3, 5}, B = {2, 3, 7}

Obtener los sucesos: A ­ B, A ® B, A – B
A ­ B = {1, 2, 3, 5, 7}; A ® B = {3}; A – B = {1, 5}

60
 ™ Sucesos Complementarios

¾ AC : Es el suceso formado por todos los sucesos de E

que no están en A
AC = E − A
E = {a, b, c, d, e}, A = {b, c}, AC = {a, d, e}

E
a A
d
b c
AC e

♦ Ejemplo: A : “Tener el grupo sanguíneo O”

AC : “Tener el grupo sanguíneo A, B, ó AB”

’ EC = o/ , o/ C = E

61
 ™ Sucesos Incompatibles

¾ Los sucesos A y B son incompatibles o mutuamente

excluyentes si no pueden ocurrir simultáneamente
A = {a, b}, B = {d, e}

E
a
d
b c
e
A B

♦ Ejemplo: A : “Ser un reptil”, B : “Ser un león”

62
 ™ Propiedades de la unión de sucesos

¾ Asociativa: A ­ (B ­ C) = (A ­ B) ­ C
¾ Conmutativa: A ­ B = B ­ A
¾ A ­ A = A , A ­ AC = E

™ Propiedades de la intersección de sucesos

¾ Asociativa: A ® (B ® C) = (A ® B) ® C
¾ Conmutativa: A ® B = B ® A
¾ A ® A = A , A ® AC = ¬

63
 ™ Propiedades conjuntas de la unión e
intersección de sucesos

¾ Distributiva: A ­ (B ® C) = (A ­ B) ® (A
­ C)
A ® (B ­ C) = (A ® B) ­ (A ®
C)
♦ Ejemplo

E B
d
b
c e f
a
g
A
C

♦ A = {a, b, c}, B = {b, c, d, e}, C = {c, e, f, g}

A ® (B ­ C) = {a, b, c} ® {b, c, d, e, f, g} = {b, c}

(A ® B) ­ (A ® C) = {b, c} ­ {c} = {b, c}

64
™ 2.3. Concepto de Probabilidad. Propiedades

” 2. 3.1. Definición clásica de la probabilidad

” Espacio
” Espacio muestral
muestral equiprobable:
equiprobable: “Todos
“Todos los
los sucesos
sucesos
elementales
elementales tienen
tienen igual
igual probabilidad
probabilidad de
de ocurrir”
ocurrir”

En estas condiciones se define la probabilidad del suceso

A como:

Nº Casos Favorables al Suceso A C F

P (A) = =
Nº Total de Casos Posibles C P

65
 ♦ Ejemplo

— En una pareja, cada uno de sus miembros posee genes

para ojos castaños y azules. Teniendo en cuenta que cada
uno tiene la misma probabilidad de aportar un gen para
ojos castaños que para ojos azules y que el gen para ojos
castaños es dominante, obtener la probabilidad de que un
hijo nacido de esta pareja tenga los ojos castaños.

ƒ Solución

Gen de la madre Gen del padre

E = {C C, C A, A C, A A}

Casos favorables = {C C, C A, A C}
Casos posibles = {C C, C A, A C, A A}

CF 3
P ( Ojos Castaños ) = =
CP 4

66
 ” 2. 3.2. Diagramas de árbol

” El
” El diagrama
diagrama de
de árbol
árbol es
es un
un método
método para
para obtener
obtener los
los
resultados
resultados posibles
posibles de
de un
un experimento
experimento cuando
cuando éste
éste se
se
produce
produce en
en unas
unas pocas
pocas etapas.
etapas.
” Cada
Cada paso
paso del
del experimento
experimento se
se representa
representa como
como una
una
ramificación
ramificación del
del árbol.
árbol.

Trayectorias

A AAA
A
B AAB

A
A ABA
B
B ABB
A BAA
A
B BAB
B
A BBA
B
B BBB

67
 ♦ Ejemplo

— “Una mujer es portadora de hemofilia. Aunque la mujer

no tenga la enfermedad, puede transmitirla a sus 3 hijos.
Obtener las trayectorias para este experimento mediante un
diagrama de árbol”.

Primer Segundo Tercer Trayectoria

hijo hijo hijo
S SSS
S
N SSN ’

S
S SNS ’
N
N SNN
S NSS ’
S
N NSN
N
S NNS
N
N NNN ♦
Suponiendo que es igualmente probable que se trasmita o no
la enfermedad.
Obtener las probabilidades de los siguientes sucesos:
1.- Ningún hijo tenga la enfermedad, (suceso A)
2.- Dos hijos tengan la enfermedad, (suceso B)
CF 1 CF 3
P( A ) = = P( B ) = =
CP 8 CP 8

68
 ” 2.3.3. Definición axiomática de la probabilidad

¾ Álgebra de sucesos, β : “Es el conjunto de todos los

sucesos del Espacio Muestral”
¾ Axiomas de la probabilidad
Consideremos una aplicación, P, del álgebra de
sucesos en el conjunto de los números reales.

P
β R

P
∀A ∈ β , A P(A) ∈R

¾ Esta aplicación es una probabilidad si verifica los

tres axiomas siguientes:
’ Axioma 1
A ∈ β, 0 ≤ P(A)
’ Axioma 2
P(E)=1

’ Axioma 3
Sean A1, A2, ... ,An, sucesos mutuamente incompatibles,
Ai ® Aj = ¬ para i ≠ j. Entonces se verifica
P ( A1 ­ A2 ­ ... ­ An ) =
P ( A1 ) + P ( A2 ) + ... +P ( An )

69
 ♦ Ejemplo

— Tres caballos, A, B, y C están siendo tratados con tres

métodos experimentales distintos para aumentar la
velocidad con la que pueden correr. Después del
tratamiento intervienen en una carrera. El caballo C tiene
doble probabilidad de ganar que B, y B doble que A.
Calcular las probabilidades de que gane cada uno.

Solución

E = { A, B, C } P(A)=k P ( B ) = 2k P ( C ) = 4k

Ax. 3 Ax. 2

P (A ∪ B ∪ C) = P (A) + P (B) + P (C) = P (E) = 1 =

= k + 2k + 4k = 7k =1 ⇒ k = 1 7

P ( A ) =1 7 P(B)=2 7 P(C)=4 7

70
’ Si suponemos que el espacio muestral es
equiprobable, la definición axiomática de la
probabilidad coincide con la definición clásica

— En el ejemplo anterior, supongamos que los tres

caballos tienen la misma probabilidad de ganar

Solución:

E = { A, B, C } P(A)=P(B)=P(C)=k

Ax. 3 Ax. 2

P (A ∪ B ∪ C) = P (A) + P (B) + P (C) = P (E) = 1 =

= k + k + k = 3k = 1 ⇒ k = 1 3

P(A)=P(B)=P(C)= 1 3

71
 ” 2.3.4. Propiedades de la probabilidad

♦ 1. ∀ A ∈ β , P ( AC ) = 1 - P ( A )

ƒ Ejemplo. Se sabe que la probabilidad de curar la

leucemia infantil es de 1/3. Por lo tanto, la probabilidad
de que no se cure la enfermedad será de 1 − 1 / 3 = 2 / 3

♦ 2. P(¬)=0

ƒ Ejemplo. Consideramos el experimento de lanzar un

dado. La probabilidad de obtener 9 en una cara es igual a
cero

♦ 3. Si A ⊂ B ⇒ P ( A ) ≤ P( B )

E
Β Α

ƒ Ejemplo. En el experimento anterior, sea A el suceso

obtener un numero mayor que 4, y B obtener un número
mayor que 2
CF 2 CF 4
P(A) = = , P (B) = =
CP 6 CP 6

72
 ♦ 4. P ( A – B ) = P ( A ) – P ( A ∩ B )

A–B A∩B
Α Β

ƒ Ejemplo. “En el experimento anterior, sea A el suceso

obtener un numero menor que 5 y B el suceso obtener un
numero par”

A = {1, 2, 3, 4}, B = {2, 4, 6}, A - B = {1, 3}, A ® B = {2, 4}

4 2 2
P (A− B ) = P (A)− P (A ∩ B ) = − =
6 6 6

♦ 5. P (A ­ B ) = P ( A ) + P ( B ) – P ( A ® B )

A∪B

73
ƒ Ejemplo. En una población el 4% de las personas son
daltónicas, el 18% hipertensas y el 0.5% daltónicas e
hipertensas. ¿Cuál es la probabilidad de que una persona
sea daltónica ó hipertensa?
Α = { Daltónico }, B = { Hipertenso }
4 18 0.5
P ( A) = , P(B) = , P(A ∩ B ) =
100 100 100

P (A ­ B ) = P ( A ) + P ( B ) – P ( A ® B ) =

4 18 0.5
= + − = 0.215
100 100 100

♦ 6.- P ( A ­ B ­ C ) = P ( A ) + P ( B ) + P ( C )
–
–P(A®B) –P(A®C)–P(B®C)+
+P(A®B®C)

E
B

A∩B B∩C
A∩B∩C
C
A
A∩C

74
ƒ Ejemplo. En un parque natural se detectan tres plagas. El
25% de los árboles tienen la enfermedad A, el 20% la B y el
30% la C. El 12% la A y la B, el 10% la A y la C, el 11% la
B y la C y el 5% tienen las tres enfermedades. Calcular las
probabilidades siguientes:
1. Un árbol tenga alguna de las enfermedades
2. Un árbol tenga la enfermedad A pero no la B
3. Un árbol tenga la enfermedad B y C pero no la A

P ( A ) = 0.25; P ( B ) = 0.2; P ( C ) = 0.3;

P ( A ® B ) = 0.12; P ( A ® C ) = 0.1;
P ( B ® C ) = 0.11; P(A®B®C)=
0.05;
1. P ( A ­ B ­ C ) = P ( A ) + P ( B ) + P ( C ) – P ( A ®
B)
–P(A®C)–P(B®C)+P(A®B®C)=
= 0.25 + 0,2 + 0.3 – 0.12 – 0,1 – 0.11 + 0.05 = 0.47
B
E
A­B­C

A C

75
 P ( A ) = 0.25; P ( B ) = 0.2; P ( C ) = 0.3;
P ( A ® B ) = 0.12; P ( A ® C ) = 0.1;
P ( B ® C ) = 0.11; P(A®B®C)=
0.05;
2. Un árbol tenga la enfermedad A pero no la B

P ( A – B ) = P ( A ) – P ( A ∩ B ) = 0.25 – 0.12 = 0.13

B
E
(B∩C)–A

A–B
A C

3.- Un árbol tenga la enfermedad B y C pero no la A

P((B®C)–A)=P(B®C)–P(A®B®C)=
= 0.11 – 0.05 = 0.06

76
 ™ 2.4. Probabilidad condicionada.
Independencia de Sucesos

” 2.4.1. Probabilidad condicionada

¾ “Probabilidad de que ocurra el suceso A, condicionado

a que el suceso B haya ocurrido ya”

ƒ Sean dos sucesos A y B ∈ β, con P ( B ) > 0

P ( A∩ B )
P (A / B)=
P (B)
ƒ Si P ( A ) > 0
P ( A∩ B )
P ( B / A) =
P ( A)

’( A / B )C = ( AC / B ) ⇒ P ( AC / B ) = 1 – P ( A / B )

¾P ( A ® B ) = P (A ) P ( B / A) = P ( B ) P (A / B )

¾ P ( A1 ® A2 ® A3 ) = P ( A1 ) P ( A2 / A1 ) P (A3 / A1 ® A2 )

77
ƒ Ejemplo. Una familia tiene tres hijos. Construir un
diagrama de árbol y calcular las siguientes probabilidades:
1. El primer hijo sea niña, A, (♦)
2. Exactamente dos sean niñas, B, (’)
3. Se cumplan ambas condiciones
4. Exactamente dos sean niñas, si el primero es niña

1º 2º 3º Trayectoria
hijo hijo hijo

M MMM ♦
M
H MMH ♦’
M
M MHM ♦’
H
H MHH ♦

M HMM ’
M
H HMH
H
M HHM
H
H HHH

P ( A ) = 4 / 8, P ( B ) = 3 / 8, P(A®B)=2/8

P ( A ∩ B ) 28 1
P (B / A) = = =
P ( A) 4 2
8

78
 ” 2.4.2. Independencia de sucesos

™ El suceso A es independiente del suceso B si y sólo si

se verifica:
P(A/B) = P(A)
Si P ( A / B ) ≠ P ( A ) el suceso A es dependiente de B

™ La independencia es una propiedad recíproca

El suceso A es independiente del suceso B

El suceso B es independiente del suceso A

™ Dos sucesos son independientes sii

P(A®B)=P(A)P(B)

™ Si los sucesos A y B son independientes, se verifica:

¾ Los sucesos A y BC son independientes
¾ Los sucesos AC y B son independientes
¾ Los sucesos A C y BC son independientes

™ Decimos que n sucesos son independientes si se verifica:

P ( A1 ® A2 ® ... ® An ) = P ( A1 ) P ( A2 )...P ( An )

79
ƒ Ejemplo. Se analizan muestras de agua para detectar
plomo y mercurio. El 38% de las muestras presentan niveles
tóxicos de plomo o mercurio, el 32% de plomo y el 10% de
ambos metales.
a. ¿Son independientes los sucesos: “Nivel tóxico de
plomo” y “Nivél tóxico de mercurio”
b. Calcular las probabilidades de que una muestra tenga:
1. Niveles tóxicos de mercurio si tiene niveles tóxicos de
plomo
2. Niveles tóxicos solamente de plomo
A : ”Nivel tóxico plomo”, B: “Nivel tóxico mercurio”
P ( A ­ B ) = 0.38; P ( A ) = 0.32; P ( A ® B ) = 0.10

A–B A∩B B–A

A
A∪B B

a.
P (A ­ B ) = P ( A ) + P ( B ) – P ( A ® B ) ⇒
P ( B ) = P (A ­ B ) – P ( A ) + P ( A ® B ) =
= 0.38 – 0.32 + 0.10 = 0.16
P ( A ) P ( B ) = 0.32 x 0.16 = 0.051 ≠ 0.10 = P ( A ® B )
⇒ Los sucesos A y B no son independientes
b 1.
P ( B / A ) = P ( A ∩ B ) / P ( A ) = 0.10 / 0.32 = 0.3125
b 2.
P ( A – B ) = P ( A ) – P ( A ® B ) = 0.32 – 0.10 =
0.22
80
ƒ Ejemplo. “Se están estudiando tres mutaciones no
relacionadas, A, B y C, en un grupo de monos. La
probabilidad de tener la mutación A es 0.13, la B es 0.11 y la
C es 0.14. Calcular las probabilidades:
1. Un mono no tenga ninguna de las mutaciones
2. Un mono tenga alguna de las mutaciones
3. Un mono tenga la mutación A y C, pero no la B
P ( A ) = 0.13; P ( B ) = 0.11; P ( C ) = 0.14
Los sucesos A, B y C son independientes
1.
P ( AC ® BC ® CC ) = P ( AC ) P ( BC ) P ( CC ) =
= (1 – P ( A )) (1 – P ( B )) (1 – P ( C )) =
= 0.87 x 0.89 x 0.86 = 0.665898

2.
P(A­B­C)=P(A)+P(B)+P(C)–P(A®
B) – P ( A ® C ) – P ( B ® C ) + P ( A ® B ® C ) =
= 0.13 + 0.11 + 0.14 – 0.13 x 0.11 – 0.13 x 0.14 –
0.11 x 0.14 + 0.13 x 0.11 x 0.14 = 0.334102

” P ( A ­ B ­ C ) = 1 – P ( AC ® BC ® CC ) = 1 − 0.66589

3.
P ( A ® BC ® C ) = P ( A ) P ( BC ) P ( C ) =
= P ( A ) (1 – P ( B )) P ( C ) =
= 0.13 x 0.89 x 0.14 = 0.016198

81
 ™ 2.5. Teorema de la probabilidad total.
Teorema de Bayes

” 2.5.1. Teorema de la probabilidad total

— Sean los sucesos A1, A2, ... ,An, que verifican:

〉 Ai ∩ A j = θ si i ≠ j
A1 ∪ A2 ∪ .... ∪ An = E
ƒ Los sucesos Ai, para i = 1, … , n son incompatibles dos a
dos y exhaustivos
— Sea un suceso B, con P ( B ) > 0

— Se conocen: P ( Ai ) y P ( B / Ai ), i = 1,..., n

An An® B
A2 ® B
A1 ® B
A2
A1

‰ En las condiciones anteriores, este teorema nos

proporciona la probabilidad total de que ocurra el suceso B:

n
P( B) = ∑ P(A i) P( B / A i)
i =1

82
 ” 2.5.2. Teorema Bayes

— Sean los sucesos A1, A2,...,An, que verifican:

〉 Ai ∩ A j = θ si i ≠ j
A1 ∪ A2 ∪ ... ∪ An = E
ƒ Los sucesos Ai, para i = 1, … ,n, son incompatibles dos a
dos y exhaustivos
— Sea un suceso B, con P ( B ) > 0

— Se conocen: P ( Ai ) y P ( B / Ai ), i = 1,..., n

‰ El Teorema de Bayes nos expresa la probabilidad de

que ocurra un suceso determinado, Aj , condicionado a
que el suceso B ya ha ocurrido

(
P Aj ∩ B ) ( ) ( )
P Aj P B / Aj
( )
P Aj / B = =
P( B) ( ) ( )
∑in=1 P A i P B / A i

¾ Las probabilidades P ( Aj ) se designan probabilidades a

“priori”, o probabilidades de las causas. Las
probabilidades P ( Aj / B ) se designan probabilidades a
“posteriori”, si el suceso B ya ha ocurrido, probabilidad
de que sea debido a la causa

83
ƒ Ejemplo. Una empresa farmacéutica tiene tres
delegaciones, Madrid, Barcelona y Granada. De un
determinado fármaco se produce el 45% en la delegación
de Madrid, el 30% en Barcelona, y el 25% en Granada. Del
total de los fármacos, son defectuosos el 5% de los
producidos en Madrid, el 3% en Barcelona y el 4% en
Granada. Calcular:
1. Probabilidad de que un fármaco sea defectuoso
2. Si un fármaco es defectuoso, ¿cuál es la probabilidad de
que haya sido producido por la delegación de Granada?
A1 : “Producido Madrid”, A2 : “Producido Barcelona”
A3 : “Producido Granada”, B : “Defectuoso”
P ( A1 ) = 0.45; P ( A2 ) = 0.30; P ( A3 ) = 0.25
P ( B / A1 ) = 0.05; P ( B / A2 ) = 0.03; P ( B / A3 ) = 0.04

A1
A3 A1 ∩ B
A3 ∩ B
A2 ∩ B
A2

1.
P ( B ) = P ( A1) P ( B / A1) + P( A2 ) P( B / A2 ) + P( A3 ) P( B / A3 )
= 0.45 × 0.05 + 0.30 × 0.03 + 0.25 × 0.04 = 0.0415

2. P ( A3 ) P ( B / A3 ) 0.25 × 0.04
P ( A3 / B ) = = = 0.241
P( B) 0.0415

84
— Ejemplo. En una población el 51% de las personas son
mujeres, el 18% tienen la tensión alta y el 10% ambas
cosas. Obtener:
1. Probabilidad de que una persona tenga la tensión alta si
es mujer
2. Probabilidad de ser hombre si se tiene la tensión alta
3. Probabilidad de ser mujer si no se tiene la tensión alta

A : “Ser Mujer”, B : “Tener la tensión alta”

P ( A ) = 0.51; P ( B ) = 0.18; P ( A ® B ) = 0.10

P ( A ∩ B) 0.10
1. P ( B /A ) = = = 0.19
P (A) 0.51

2. ( )
P A C / B = 1 – P ( A / B ) = 1 − 0.555 = 0.445

P ( A ∩ B ) 0.10
P ( A / B) = = = 0.555
P ( B) 0.18

(
P A ∩ BC ) = 0.4131 = 0.5037
3. (
P A /B C
)=
( )
P BC 0.82

(
P A ∩ BC ) = P ( A ) P ( B / A ) = P ( A ) (1–P ( B / A )) =
C

= 0.51 × ( 1– 0.19 ) = 0.4131

85