ALGUNAS REGLAS

DE

PROBABILIDAD

REGLAS DE ADICIN:
REGLA ESPECIAL DE ADICIN.- Para aplicar
la regla especial de adicin, los eventos deben ser
mutuamente excluyentes.
Si 2 eventos A y B son mutuamente excluyentes, la regla
especial de adicin indica que la probabilidad de que ocurra
uno u otro de los eventos, es igual a la suma de sus
probabilidades.
P(A o B) P(A ) P(B )
Para 3 eventos mutuamente excluyentes denotados por A,
B y C, la regla se escribe:
P(A

o B o C ) P(A

) P(B

) P(C

EJEMPLO: Una mquina automtica llena bolsas de

plstico con azcar. La mayora de las bolsas

contiene el peso correcto, pero debido al uso

demasiado de la mquina, a veces suele no llenar la
bolsa con el peso exacto. Una verificacin de 5000

paquetes llenados el mes pasado indic:

Con peso
menor
Exacto
Con peso
mayor

Evento

Nmero de
paquetes

Probabilidad de
ocurrencia

500

500 / 5000

0.10

4200

4200 / 5000

0.84

300

300 / 5000

0.06

5000

1.00

Cul es la probabilidad de que un paquete en

especial tenga un peso diferente al exacto?

P(A o C) P( A) P(C ) 0.10 0.06 0.16

Regla General de Adicin.- Los resultados

de un experimento pueden no ser mutuamente
excluyentes.
Vamos a explicar esto con
Un ejemplo de turistas.

EJEMPLO:
Se hizo una encuesta de una
muestra de 250 turistas que
visitaron MACHUPICCHU
y SACSAHUAMN durante este
ao. La cual revelo que 160
visitaron MACHUPICCHU
y 140 visitaron SACSAHUAMN.

Entonces supuestamente la probabilidad

de que un turista haya visitado
SACSAHUAMN o MACHUPICCHU es:

P(S

140 160
o M) P(S) P(M)

0.56 0.64 1.20

250 250

Pero esto no es posible porque ninguna probabilidad es

mayor que 1, y la explicacin a esto, es que algunos
turistas visitaron los dos sitos. Entonces, se supo que
100 turistas visitaron los 2 lugares. Ahora veamos como
cambia esto:

P(S o M) P( S ) P( M ) P(S y M)

Reemplazando:

P(S

140 160 100

o M)

0.56 0.64 0.40 0.80

250 250 250

PROBABILIDAD CONJUNTA:
Es la probabilidad que mide la posibilidad de que dos o ms
eventos ocurran en forma simultnea. Entonces sea los
eventos A y B, que no son excluyentes:

P(A

o B) P(A) P(B) P(A

y B)

REGLAS DE MULTIPLICACIN
Regla Especial de Multiplicacin.- Requiere
que 2 eventos A y B sean independientes. Es decir que la

ocurrencia de uno no altera la probabilidad del otro.

Independientes.-

Se

expresa

esto

cuando

la

ocurrencia de un evento no tiene efecto en la probabilidad

de la ocurrencia de cualquier otro. Esto se representa
como:

P(A y B) P(A) *P(B)

EJEMPLO:
Se lanzan 3 monedas al aire. Cul es la

probabilidad de que todas caigan cruz?

Entonces la probabilidad de que caiga cruz
una moneda es 0.5, es decir 1 / 2:

P(A y B y C) P( A) * P( B) * P(C ) 0.5 * 0.5 * 0.5 0.125

Probabilidad

Condicional.-

Es la
probabilidad de que ocurra un evento en particular, dado
que otro evento haya ocurrido.

Regla General de Multiplicacin.- Esta se utiliza

para determinar la probabilidad conjunta de que ocurran 2
eventos.

Es decir que para 2 eventos A y B, la probabilidad

conjunta de que ambos sucedan se evala al multiplicar
la probabilidad de que el evento A ocurra, por la
probabilidad condicional de que suceda el evento B.

P(A y B) P(A) * P(B/A)

Donde P (B/A) expresa la posibilidad de que ocurra B
dado que ya ocurri A. El trazo diagonal significa
dado que.

EJEMPLO:
En una caja hay 7 bolas blancas y 3 rojas. Cul
es la probabilidad de sacar una bola roja, y despus
sacar otra bola roja de la caja?
Sacar la primera bola roja, es el evento A y su
probabilidad es
P (A) = 3 / 10. Porque hay 3 bolas rojas y en total hay 10
bolas.
Sacar la segunda bola roja, es el evento B y su

probabilidad es P (B/A) = 2 / 9. Es decir, sacar la segunda

bola roja despus de haber sacado la primera bola roja
antes (sin reponer la primera bola roja sacada).

3 2 6
P(A y B) P( A) * P( B / A) *
0.0667
10 9 90
Ahora esto se puede ampliar para 3 eventos:

P(A y B y C) P( A) * P( B / A) * P(C / A y B)

Entonces para el ejemplo:

Sea el evento C, sacar una tercera bola roja.

3 2 1
P(A y B y C) P( A) * P( B / A) * P(C / A y B) * * 0.0083
10 9 8

DIAGRAMAS DE RBOL (ARBORIGRAMAS):

Un diagrama de rbol es una representacin grfica, til

para organizar clculos que abarcan varias etapas. Cada

segmento en el rbol es una etapa del problema.
Las cantidades escritas cerca de las
ramas son las probabilidades
condicionales del experimento.

EJEMPLO:
Veamos una encuesta que se realiz en

una empresa sobre el vicio de fumar:

Hombres (H)

Mujeres (M)

Sub-total

Fuman (F)

70

40

110

No Fuman (NF)

20

30

50

Sub-total

90

70

160

Probabilidad
Condicional
70
110

110
160

110 70
*
0.4375
160 110

110 40
*
0.2500
160 110

40

110

20

50
160

Probabilidad
Conjunta

50

NF

50 20
*
0.1250
160 50

50 30
*
0.1875
160 50

30
50

Entonces las probabilidades son:

P(F y H)

P(F) = 110 / 160

P(H / F) = 70 / 110

7700 / 17600 = 0.4375

P(F y M)

P(F) = 110 / 160

P(M / F) = 40 / 110

4400 / 17600 = 0.2500

P(NF y H)

P(NF) = 50 / 160

P(H / NF) = 20 / 50

1000 / 8000 = 0.1250

P(NF y M)

P(NF) = 50 / 160

P(M / NF) = 30 / 50

1500 / 8000 = 0.1875

TOTAL

1.0000

TEOREMA DE BAYES
PROBABILIDAD A PRIORI.- Es la probabilidad inicial
con base en el nivel actual de informacin.
PROBABILIDAD A POSTERIORI.- Es una
probabilidad revisada con base en informacin
adicional.

P( A1) * P( B / A1)
P( A1 / B)
P( A1) * P( B / A1) P( A2) * P( B / A2) ... P( An) * P( B / An)
Explicaremos la frmula con un pequeo ejemplo:

EJEMPLO:
Se tiene 3 proveedores de bolsas, la empresa compra el
55% del proveedor PEPITO y 30% de JUANCITO y
15% de PEDRITO. La empresa sabe que el 1% de las
bolsas de PEPITO vienen rotas, el 2% de las bolsas de

JUANCITO vienen rotas, y el 3% de las bolsas de

PEDRITO vienen rotas. Entonces Cul la probabilidad

de que una bolsa rota venga del proveedor PEPITO?

Existen 3 eventos, o sea 3 proveedores:

A1: La bolsa que fue comprado a PEPITO.
A2: La bolsa que fue comprado a JUANCITO.
A3: La bolsa que fue comprado a PEDRITO.

Adems sabemos hay bolsas rotas:

B1: La bolsa esta rota.
B2: La bolsa no esta rota.

Las probabilidades a priori son:

P (A1) = 0.55

La probabilidad de que la bolsa sea del

proveedor PEPITO.
P (A2) = 0.30

La probabilidad de que la bolsa sea del

proveedor JUANCITO.
P (A3) = 0.15

La probabilidad de que la bolsa sea del

proveedor PEDRITO.
Se indican las siguientes probabilidades condicionales:
P (B1/A1) = 0.01 La probabilidad de que la bolsa rota

sea de PEPITO.
P (B1/A2) = 0.02 La probabilidad de que la bolsa rota
sea de JUANCITO.

P (B1/A3) = 0.03 La probabilidad de que la bolsa

rota sea de PEDRITO.
Entonces la probabilidad de que una bolsa
rota sea de PEPITO es: P (A1/B1)

P( A1) * P( B1 / A1)
P( A1 / B1)
P( A1) * P( B1 / A1) P( A2) * P( B1 / A2) P( A3) * P( B1 / A3)
Reemplazando:

0.55 * 0.01
P( A1 / B1)
0.34375
0.55 * 0.01 0.30 * 0.02 0.15 * 0.03

En resumen:
Probabilidad
a priori

Probabilidad
condicional

Probabilidad
conjunta

Probabilidad
a posteriori

P(Ai)

P(B1/Ai)

P(Ai y B1)

P(Ai/B1)

0.55

0.01

0.0055

0.34375

2 Juancito

0.30

0.02

0.0060

0.37500

3 Pedrito

0.15

0.03

0.0045

0.28125

P (B1) = 0.0160

1.00000

Evento
Ai

Pepito

1.00

EJERCICIO 1:
Tres mquinas, A, B y C, producen el 45%, 30% y 25%,
respectivamente, del total de las piezas producidas
en una fbrica. Los porcentajes de produccin
defectuosa de estas mquinas son del 3%, 4% y 5%.
a) Seleccionamos

una

pieza

al

azar;

calcula

la

probabilidad de que sea defectuosa.

b) Tomamos, al azar, una pieza y resulta ser defectuosa;
calcula la probabilidad de haber sido producida por la
mquina B.
c) Qu mquina tiene la mayor probabilidad de haber
producido la citada pieza defectuosa?

SOLUCIN:
Sea D = "la pieza es defectuosa" y N = "la pieza no es
defectuosa". La informacin del problema puede
expresarse en el diagrama de rbol adjunto.
0.03
D

A
0.97

0.45

0.04

0.30

B
0.96

0.25

0.05

C
0.95

A) Para calcular la probabilidad de que la pieza elegida

sea defectuosa, P(D).

P( D) P( AyD) P( ByD ) P(CyD)

P( D) P( A) * P( D / A) P( B) * P( D / B) P(C ) * P( D / C )

P( D) 0.45 * 0.03 0.30 * 0.04 0.25 * 0.05 0.038

B) Debemos calcular P(B/D). Por el teorema de Bayes:

P( B) * P( D / B)
P ( B / D)
P( A) * P( D / A) P( B) * P( D / B) P(C ) * P( D / C )

0.30 * 0.04
P( B / D)
0.316
0.45 * 0.03 0.30 * 0.04 0.25 * 0.05

C) Calculamos P(A/D) y P(C/D), comparndolas con el

valor de P(B/D) ya calculado. Aplicando el teorema de

Bayes, obtenemos:

0.45 * 0.03
P( A / D)
0.355
0.45 * 0.03 0.30 * 0.04 0.25 * 0.05
0.25 * 0.05
P(C / D)
0.329
0.45 * 0.03 0.30 * 0.04 0.25 * 0.05

La mquina con mayor probabilidad de haber producido

la pieza defectuosa es A.

EJEMPLO: El 20% de los empleados de una empresa

son ingenieros y otro 20% son economistas. El 75% de
los ingenieros ocupan un puesto directivo y el 50% de los
economistas tambin, mientras que los no ingenieros y

los no economistas solamente el 20% ocupa un puesto

directivo.
Cul es la probabilidad de que un
empleado directivo elegido al azar
sea ingeniero?

Nos ayudaremos con un grafico para

entenderlo mejor:

PPK

La probabilidad de que un empleado directivo elegido al

azar sea ingeniero es 0.405

0.20 * 0.75
p( Ing / directivo)
0.2 * 0.75 0.2 * 0.5 0.6 * 0.2

p( Ing / directivo) 0.405

EJEMPLO:
Tenemos tres urnas: U1 con tres bolas rojas y cinco
negras, U2 con dos bolas rojas y una negra y U3 con dos
bolas rojas y tres negras. Escogemos una urna al azar y
extraemos una bola.
Si la bola ha sido roja, Cul es la probabilidad de haber
sido extrada de la primera urna (U1)?

Llamamos R al suceso sacar bola roja. La probabilidad

pedida es p(U1|R). Utilizando el teorema de Bayes, tenemos:

p (U1 | R)
p (U1 ) * p ( R | U1 )
p (U1 ) * p ( R | U1 ) p (U 2 ) * p ( R | U 2 ) p (U 3 ) * p ( R | U 3 )
1 3
*
3 8

0.26
1 3 1 2 1 2
* * *
3 8 3 3 3 5

EJEMPLO:
Tres mquinas, A, B y C, producen el
45%, 30% y 25%, respectivamente, de

el total de las piezas producidas en una

fbrica. Los porcentajes de produccin
defectuosa de estas mquinas son del 3%, 4% y 5%

1) Seleccionamos una pieza al azar; calcula la probabilidad

de que sea defectuosa.
2) Tomamos, al azar, una pieza y resulta ser defectuosa;
calcula la probabilidad de haber sido producida por la B.
3) Qu mquina tiene la mayor probabilidad de haber
producido la citada pieza defectuosa?

Sea D el suceso "la pieza es defectuosa" y sea N el

suceso "la pieza no es defectuosa". La informacin del
problema puede expresarse en el diagrama de rbol
adjunto.

1. Para calcular la probabilidad de que la pieza elegida sea

defectuosa, p(D), por la propiedad de la probabilidad total,

p(D) = p(A) p(D|A) + p(B) p(D|B) + p(C) p(D|C) =

= 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038

2. Debemos calcular p(B|D). Es

sencillo aplicando el teorema
de Bayes:

p(B | D)
p(B) * p(D | B)
p(A) * p(D | A) p(B) * p(D | B) p(C) * p(D | C)
0.30 * 0.04

0.316
0.45 * 0.03 0.30 * 0.04 0.25 * 0.05

3. Calculamos p(A|D) y p(C|D), comparndolas con el

valor de p(B|D) ya calculado.
Aplicando el teorema de Bayes,
obtenemos:

p(A | D)
p(A) * p(D | A)
p(A) * p(D | A) p(B) * p(D | B) p(C) * p(D | C)
0.45 * 0.03

0.355
0.45 * 0.03 0.30 * 0.04 0.25 * 0.05

p(C | D)
p(C) * p(D | C)
p(A) * p(D | A) p(B) * p(D | B) p(C) * p(D | C)
0.25 * 0.05

0.329
0.45 * 0.03 0.30 * 0.04 0.25 * 0.05
De donde deducimos que la mquina con mayor
probabilidad

de

defectuosa es A.

haber

producido

la

pieza

No nos atrevemos a
muchas cosas porque son
difciles, pero son
difciles porque no nos
atrevemos a hacerlas.
Lucio Anneo Sneca
Filsofo Romano