LEYES DE

PROBABILIDAD

LEYES DE PROBABILIDAD:

Las relaciones que se dan entre los

eventos al ser aplicadas las operaciones
que se presentaron, se facilitan y
comprenden mejor haciendo uso de los
axiomas y teoremas de probabilidad
(Leyes de Probabilidad).
Axioma: Es una verdad evidente que no
requiere demostracin.
Teorema: Es una verdad que requiere
ser demostrada.

AXIOMA 1:
Sea S un espacio muestral cualquiera y A un evento,
tal que A S, entonces se cumple que
0 P(A) 1
esto significa que la probabilidad de cualquier
evento no puede ser ms grande que uno, ni ser
menor que cero. Si es igual a 1 se llama evento
seguro, y cuando es cero se llama evento imposible.
P(A)
___________________________________

-2
-1
0
1

AXIOMA 2:
La probabilidad del espacio muestral S es un evento
seguro y es uno:
P(S) = 1
Ejemplo.Experimento.- Se lanza un dado.
Si A = S, es decir si el evento A coincide o es igual al
espacio muestral, entonces:

N ( A) N ( S )
P( A)

1
N (S ) N (S )

TEOREMA 1:
Si es el conjunto vaco, entonces la probabilidad de
es igual a cero:

N ( )
0
P( )

0
N (S ) N (S )

Ejemplos:
Una persona que quiere ganar la lotera nacional, pero
no compra boleto.
Que aparezca un siete al lanzar un dado.
Que una persona viva 250 aos.
En estos casos los eventos son vacos.

AXIOMA 3:
Sea S un espacio muestral cualquiera y sean A
y B dos eventos tales que: A S, B S y A B
= , es decir, dos eventos mutuamente
excluyentes, entonces
P(A B) = P(A) + P(B)

EJEMPLO:
Experimento: Se lanzan dos monedas.
Espacio muestral: S = { ss, aa, sa, as}, N(S) = 4
Sean los eventos:
A: Caen dos soles exactamente.
B: Cae un sol exactamente.
Los elementos de A y B son: A = { ss }, B = {sa,
as}.
Se puede ver que para A B = (vaco, no hay
elementos en comn), por lo que los eventos son
mutuamente excluyentes o disjuntos, por tanto
P(A B) = P(A) + P(B)

CONTINUACIN DEL EJEMPLO:

N ( A) 1
P( A)

N () 4
N ( B) 2
P( B)

N () 4
1 2 3
P( A B) P ( A) P ( B )
4 4 4

AXIOMA 4:
Sean A1, A2, A3, A4, ..., An; eventos
mutuamente excluyentes:
P(A1 A2 A3 A4, ... An) = P(A1) + P(A2) + P(A3) + P(A4)
+ ...+ P(An)

Este axioma dice que la probabilidad de

varios eventos mutuamente excluyentes (que
no tienen elementos en comn), es igual a la
suma de sus probabilidades.

CONTINUACIN:
Si los eventos no son mutuamente excluyentes
entonces para n eventos seria:
P ( A1 U A2 U ... U An ) P ( A1 ) P ( A2 ) ... P( An )
n

P( A I
i j

Aj ) P ( Ai I A j I Ak ) ... P ( A1 I A2 I ... I Ak )
i j k

EJEMPLO:
Experimento: Se lanza un dado.
Sean los eventos:
A: Que al lanzar un dado salga el 2 o el 4.
B: Que al lanzar un dado salga un nmero mayor a
4.
C: Que salga el 1 o 3.
Los elementos de A, B y C son

A = {2, 4},
B = {5, 6},
C = {1, 3} ,

N(A) = 2
N(B) = 2
N(C) = 2

CONTINUACIN:
Como A, B y C son mutuamente excluyentes, ya
que:
A B = {}, A C = { }, B C = { }
Por axioma 4:
P(A B C) = P(A) + P(B) + P(C)
N ( A) 2

N ( ) 6
N ( B) 2
P( B)

N ( ) 6
N (C ) 2
P (C )

N ( ) 6
P ( A)

P ( A B C ) P ( A) P ( B ) P (C )

2 2 2 6
1
6 6 6 6

TEOREMA2: LEY ADITIVA DE LA PROBABILIDAD.

Sean A y B dos eventos no excluyentes, A B

, entonces:
P(A B) = P(A) + P(B) - P(A B)

DIFERENCIA:
Sean A y B dos eventos:
A-B={x|xAyxB}

EJEMPLO:
Experimento.- Se lanza un dado y una moneda.
S = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(S) = 12
Evento A: Que aparezcan el nmero 2 o 3 con sol.
Evento B: Que aparezcan nmeros pares con sol.
A = { 2s, 3s },
N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A B = { 2s }
N(A B ) = 1

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

2
3
1
1

12 12 12 3

TEOREMA 3:
Sea A un evento cualquiera y S un espacio
muestral, tal que A S,

si Ac es el

complemento del evento A, entonces la

probabilidad de Ac es igual a 1 menos la
probabilidad de A, es decir
P(Ac) = 1 P(A)

EJEMPLO:
Experimento.- Se lanza un dado y una moneda.
S = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(S) = 12
Evento A: Que aparezcan el nmero 2 o 3 con sol.
Evento B: Que aparezcan nmeros pares con sol.
A = { 2s, 3s },
N(A) = 2
B = { 2s, 4s, 6s }N(B) = 3
Ac = { 1s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
Bc = { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
2
10

12
12
3
9
P( B C ) 1 P( B) 1

12
12
P ( A c ) 1 P ( A) 1

PROBABILIDAD CONDICIONAL:
Sea A un evento arbitrario de un espacio
muestral S, con P(E) > 0. La probabilidad
de que un evento A suceda una vez que E
ha sucedido o en otras palabras, la
probabilidad condicional de A dado E, se
define como:

P( A E )
P( A / E )
P( E )

EVENTOS INDEPENDIENTES
Se dice que los eventos A y E son
independientes si se cumplen:

P ( A / E ) P ( A)
P ( E / A) P ( E )
P ( A B ) P ( A) P ( B )
Si no se cumplen, se dice que los eventos son
dependientes.

PROBABILIDAD CONDICIONAL:
Ley Multiplicativa de la Probabilidad.
Ya que (A E) = (E A) y despejamos a P(A E),
se tiene que la probabilidad de la interseccin es:

P( A E )
P( A / E )
P( E )
P ( E A)
P ( E / A)
P ( A)
P( A E ) P( A / E ) P( E )
P( E/A ) P( A )

PROBABILIDAD CONDICIONAL:
Si A y B son independientes:

P ( A E ) P( A / E ) P ( E ) P ( A) P ( E )
P( E/A ) P( A ) P(E)P(A)
P ( A E ) P ( A) P ( E )
P( A / E )

P( A)
P( E )
P( E )
P ( E A) P ( E ) P ( A)
P ( E / A)

P( E )
P ( A)
P ( A)

EJEMPLO:
Experimento: Lanzar un dado.
Evento A: Que al lanzar el dado caiga 3.
Evento E: Que al lanzar un dado salga un
impar.
Encontrar la probabilidad de que al lanzar un
dado se obtenga un 3 dado que se obtuvo un
impar.
S = {1,2,3,4,5,6}
1
A = {3},
E = {A 1,3,5},
(AE)
= {3}, P(A) = 1/6
1x 6 1
P A E

P E

3 6 x3 3
6

Otra forma de calcular las probabilidades de

la
interseccin
y
las
probabilidades
condicionales, de dos eventos A y B, tal que:
A AC = S
B BC = S
es elaborando primero la tabla de nmero
de elementos de los eventos y despus la
tabla de sus probabilidades.

Se tienen los eventos A y B y sus

complementos Ac, Bc
B

Bc

Total

AB

A Bc

Ac

Ac B

Ac B c

Ac

Total

Bc

Tabla de nmero de elementos de A, B y sus

complementos Ac, Bc
B

Bc

Total

N(A B)

N(A Bc)

N(A)

Ac

N(Ac B)

N(Ac Bc)

N(Ac)

Total

N(B)

N(Bc)

N(S)

Tabla de probabilidades de A, B, Ac, Bc y sus

intersecciones

Bc

Total

P(AB)

P(ABc)

P(A)

Ac

P(AcB)

P(AcBc)

P(Ac)

Total

P(B)

P(Bc)

P( )

PROBABILIDADES CONDICIONALES:
P(A/B) = P(A B)/P(B)
P(B/A) = P(A B)/P(A)
P(A/Bc) = P(A Bc)/P(Bc)
P(B/Ac) = P(Ac B)/P(Ac)
P(Ac/B) = P(Ac B)/P(B)
P(Bc/A) = P(A Bc)/P(A)

EJEMPLO:
En cierta ciudad, las mujeres representan el 50% de la
poblacin y los hombres el otro 50%. Se sabe que el
20% de las mujeres y el 5% de hombres estn sin
trabajo. Un economista estudia la situacin de
empleo, elige al azar una persona desempleada. Si la
poblacin total es de 8000 personas,
Cul es la probabilidad de que la persona escogida
sea ?:
a).- Mujer.
b).- Hombre.
c).- Mujer dado que est empleado.
d).- Desempleado dado que es hombre.
e).- Empleado dado que es mujer.

SOLUCIN:
Sean los eventos:
M: Que sea Mujer.
H: Que sea Hombre.
D: Que sea Desempleado.
E: Que sea Empleado
Tabla de elementos de los eventos M, H, D, E Y S.
Desempleados :
D

Empleados:
E

Mujeres: M

800

3200

Hombres:
H

200

3800

4000

Total

1000

7000

8000

Total
4000

TABLA DE PROBABILIDADES:
D

Total

800/8000 = 0.1

3200/8000= 0.4

4000/8000= 0.5

200/8000=
0.025

3800/8000=
0.475

4000/8000= 0.5

Total

1000/8000=
0.125

7000/8000=
0.875

8000/8000= 1

CONTINUACIN:
P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(M/E) = P(ME)/P(E) = 0.40/0.875 = 0.4571
P(D/H) = P(DH)/P(H) = 0.025/0.5 = 0.05
P(E/M) = P(ME)/P(M) = 0.40/0.5 = 0.8
P(M/D) = P(MD)/P(D) = 0.10/0.125 = 0.8
P(H/D) = P(HD)/P(D) = 0.025/0.125 = 0.2

CONTINUACIN:
Eventos dependientes e independientes
En el ejemplo anterior se tiene que:
P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(ME) = 0.40 P(M) P(E)
P(DH) = 0.025 P(D) P(H)
P(MD) = 0.10 P(M) P(D)
P(EH) = 0.475 P(E) P(H)

= 0.4375
= 0.0625
= 0.0625
= 0.4375

CONTINUACIN:
Por tanto los eventos M y E ,
D y H,
M y D,
EyH
son dependientes.

LEY MULTIPLICATIVA:
P ( A1 I A2 I A3 I ... I Ak ) P( A1 ) P( A2 \ A1 ) P( A3 \ A1 I A2 )...P( Ak \ A1 I A2 I ... I Ak 1 )

INDEPENDENCIA DE n EVENTOS

P( A1 I A2 I A3 I ... I Ak ) P ( A1 ) P ( A2 ) P( A3 )...P( Ak )

PROBABILIDAD TOTAL:
Sean A1, A2, A3..., An
eventos disjuntos
(mutuamente excluyentes), que forman una
particin de S. Esto es Ai Aj = para toda i y
toda j, y adems
S = A1 A2 A3 An
A2
A1

A3

A5
A4

A6
An

Y sea E otro evento tal que E S y E Ai

A2
A5
A3
A1

A4

E
A6
An

Entonces:
E = S E = (A1 A2 A3 An) E
= (A1 E) (A2 E) (A3 E)
(An E)
Al aplicar la funcin de probabilidad a ambos
eventos, se tiene que:
P(E) = P(A1E) + P(A2E) +P(A3E) ++P(An E)
Ya que (Ai E) es ajeno a (Aj E) para i j

Como (Ai E) = (E Ai) entonces

P(Ai E) = P(E Ai) = P(E/Ai) P(Ai)
Entonces la probabilidad completa de E es:
P(E) = P(E/A1) P(A1) + P(E/A2) P(A2) + P(E/A3)P(A3)+...+ P(E/An)
P(An)

EJEMPLO:
En una pequea empresa de tejidos, la produccin se
obtiene con tres mquinas hiladoras M 1, M2 y M3 que
producen respectivamente 50%, 30% y el 20% del nmero
total de artculos.

Los porcentajes de
productos defectuosos
producidos por estas
mquinas son 3%, 4% y
5%. Si se selecciona un
artculo al azar, Cul es
la probabilidad de que el
artculo sea defectuoso?

SOLUCIN:
Sea
D el evento: Que sea un artculo defectuoso.
P(M1) = 0.50
P(D/M1) = 0.03
P(M2) = 0.30
P(D/M2) = 0.04
P(M3) = 0.20
P(D/M3) = 0.05
P(D) = P(D/M1) P(M1) + P(D/M2) P(M2) + P(D/M3)
P(M3)

= 0.03(0.50) + 0.04(0.30) + 0.05(0.20) =

0.037

Mquina 1

Maquina 2

Maquina 1

Defectuos
o
No
defectuos
o
Defectuos
o
No
defectuos
o
Defectuos
o
No
defectuos
o

P(D/M1) =
0.03

D
P(M1) =
0.50

M1

P(M1) x P(D/M1) = 0.5 x 0.03

= 0.015

ND
P(ND/M1) =
0.97

P(D/M2) =
0.04

P(M2) =
0.30

P(M2) x P(D/M2) = 0.3 x 0.04

= 0.012

M2
ND
P(ND/M2) =
0.96

P(D/M3) =
0.05

D
P(M3) =
0.20

M3
ND
P(ND/M3) =
0.95

P(M1) x P(D/M1) = 0.2 x 0.05

= 0.01
P(D) = 0.015 + 0.012 + 0.01 =
0.037

TEOREMA DE BAYES:
Supngase que A1, A2, A3,...,An es una particin
de un espacio muestral S. En cada caso P(A i)
0. La particin es tal que A1, A2, A3,...,An, son
eventos mutuamente excluyentes. Sea E
cualquier evento, entonces para cualquier A i,
P( Ai / E )

P( Ai ) P( E / AI )
P( A1 ) P( E / A1 ) P( A2 ) P( E / A2 ) P( An ) P( E / An )

CONTINUACIN:
Comola probabilid
ad completade E es:
P(E) P(A1 )P(E/A1 ) P(A2 )P(E/A2 ) P(An )P(E/An )
entonces
P(Ai )P(E/AI )
P(Ai /E)
P(E)

EJEMPLO:
En una pequea empresa de tejidos, la produccin se
obtiene con tres mquinas hiladoras M 1, M2 y M3 que
producen respectivamente 50%, 30% y el 20% del nmero
total de artculos.

Los porcentajes de
productos defectuosos
producidos por estas
mquinas son 3%, 4% y
5%. Si se selecciona un
artculo al azar, Cul es
la probabilidad de que el
artculo sea defectuoso?

SOLUCIN:
Sea
D: Que el artculo sea defectuoso.
ND: Que el artculo no sea defectuoso.
M1: Que haya sido producido por la mquina 1.
M2: Que haya sido producido por la mquina 2.
M3: Que haya sido producido por la mquina 3.
P(M1) = .50
P(M2) = .30
P(M3) = .20

P(D/M1) = .03
P(D/M2) = .04
P(D/M3) = .05

P(D/M1) =
0.03

D
P(M1) =
0.50

M1

P(M1) x P(D/M1) = 0.5 x 0.03

= 0.015

ND
P(ND/M1) =
0.97

P(D/M2) =
0.04

P(M2) =
0.30

P(M2) x P(D/M2) = 0.3 x 0.04

= 0.012

M2
ND
P(ND/M2) =
0.96

P(D/M3) =
0.05

D
P(M3) =
0.20

M3
ND
P(ND/M3) =
0.95

P(M1) x P(D/M1) = 0.2 x 0.05

= 0.01
P(D) = 0.015 + 0.012 + 0.01 =
0.037

CONTINUACIN:
Por teorema de Bayes se tiene:

P ( M 1 / D)

P(M 1 ) P( D / M 1 )
P(M 1 ) P( D / M 1 ) P(M 2 ) P( D / M 2 ) P(M 3 ) P( D / M 3 )
P(M 1 ) P( D / M 1 )
P ( D)

(.50)(.03)
.037

.4054

La probabilidad de que el artculo defectuoso se

haya producido en la M1 es del 40.54%