UNIVERSIDAD DE COSTA RICA

FACULTAD DE CIENCIAS ECONOMICAS

ESCUELA DE ESTADISTICA
CATEDRA XS-215

NOTAS COMPLEMENTARIAS
II PARTE
PROF: LIGIA MOYA DE MADRIGAL

VII. B.PRINCIPIOS BASICOS DE PROBABILIDAD

Con frecuencia en la conversación diaria, en forma natural, se expresa una opinión

iniciándola con las palabras "es poco probable que..." o "es muy probable que...", por que
en realidad la incertidumbre es el componente común de la vida del hombre. Esta
incertidumbre produce angustia en unos y en otros es el incentivo para la investigación.
Aquellos son supersticiosos, éstos son científicos. Los últimos son capaces de dominar y
canalizar la inseguridad que la incertidumbre produce, y los primeros se dejan dominar
por ella. En otras palabras se vive inmerso en el ambiente de las probabilidades, nunca
se tiene certeza absoluta, y esta realidad debería ser suficiente estímulo para estudiar
este tema con entusiasmo.

Además, si se va a aplicar la Estadística para describir un conjunto con base en sólo una
parte de él, la descripción correcta implica que esta parte sea representativa del todo y
sólo con la ayuda de las probabilidades se puede afirmar o rechazar esta condición
(sección 1.1.2)

Por lo tanto, un tema obligatorio para poder pasar de la Estadística Descriptiva a la

Inferencia Estadística es algún conocimiento básico de la teoría de probabilidad y de sus
aplicaciones, que es lo que pretende dar esta capítulo.

8.B.1.DEFINICIONES DE PROBABILIDAD.

El fenómeno de la probabilidad puede enfocarse desde diferentes puntos de vista, unos

más complejos que otros. Para los objetivos de este curso se revisarán tres conceptos o
definiciones de probabilidad.

Al inicio de este capítulo se esbozó el concepto de probabilidad subjetiva, la cual

depende de la experiencia y conocimiento de la persona que expresa la opinión y puede
variar con éstos; así eventos que son poco probables para un principiante pueden ser
muy probables para un experto, y viceversa. Sobre esta definición se ha construído toda
la teoría bayesiana de probabilidad que lleva a la necesidad de dar un valor numérico a la
probabilidad expresada por el experto de manera que si éste afirma que el evento "es
poco probable", se utiliza un valor cercano a cero y si la opinión es que "es muy
probable", se utiliza un valor cercano a uno. Esto implica que cero es igual a ninguna
posibilidad y uno es certeza absoluta. La magnitud del valor dado a una probabilidad
subjetiva varía conforme se agrega información sobre el mismo tema; por ejemplo la
probabilidad de que se descubra un tratamiento curativo de la cierta enfermedad
importante y hasta la fecha, incurable; va cambiando según la evidencia que se vaya
agregando con las investigaciones pertinentes.

Otros conceptos de probabilidad son básicamente objetivos. En las secciones 6.5. y 6.6. ,
se introdujo uno de ellos, el concepto de probabilidad estadística o frecuencial, el cual
implica recoger y ordenar los datos o repetir muchas veces la experiencia para poder
calcular las frecuencias relativas proporcionales y calcular o estimar así, la probabilidad
de ocurrencia en la población de cada categoría de una característica determinada, cuya
distribución real se desconoce. Como probabilidad, sus valores varían entre 0 y 1.

Este concepto es la aplicación estadística del concepto clásico de probabilidad,

desarrollado por los matemáticos tratando de resolver los problemas de la incertidumbre
inherente a los juegos de azar. La probabilidad clásica implica que su valor se calcula
por razonamiento abstracto, sin necesidad de hacer la experiencia, porque se conoce de
antemano la distribución de la población: las caras diferentes de un dado, las
características de las cartas de la baraja completa, etc. De esta manera, si se llama
casos favorables, al número de elementos que pertenecen a cierta categoría de interés
A en un conjunto de N elementos o casos posibles, la probabilidad (P) de A que se
escribe P(A), es igual al número de casos favorables dividido por el número de casos
posibles, si éstos son igualmente probables, así:

casos favorables a A
P(A)= ___________________________
casos posibles

Ejemplo 8B.1.:

En la comunidad de Santa María, que es de 20.000 habitantes, hay 9.004 personas del
grupos sanguíneo O, ¿cuál es la probabilidad de encontrar una persona del grupo
sanguíneo O, en esa comunidad?.

Casos posibles= 20.000

Casos favorables= 9.004
P(grupo O)= 9.004= 0,4502
20.000

La probabilidad de ocurrencia del grupo O es 0,4502 que es un nímero entre 0 y 1 y es

bastante alta. Eso quiere decir que en 100 personas escogidas al azar, alrededor de 45
van a ser del grupo O.

La definición de probabilidad clásica, supone un conjunto finito y definido de posibles

sucesos o casos dentro del cual existe un subconjunto particular (categoría) cuya
probabilidad de ocurrencia
se desea calcular y que se denomina evento; a los elementos que pertenecen a ese
subconjunto o categoría se les llama casos favorables al evento y se supone que todos
los elementos del conjunto (favorables o no al evento) tienen igual posibilidad de
comparescencia por lo que, al ser la selección aleatoria, la ocurrencia del evento es
incierta.

De aquí se derivan las tres propiedades matemáticas básicas de la probabilidad.

Obviamente los valores de la probabilidad clásica no cambian, están predeterminados, y
los de la probabilidad frecuencial tienden a la clásica conforme el conjunto de sucesos o
de observaciones tiende a infinito.

8B.2. PROPIEDADES BASICAS DE LA PROBABILIDAD

De la definición clásica de probabilidad se desprenden tres de las propiedades

fundamentales en las que se basan los cálculos:

8B.2.1. La probabilidad de ocurrencia de cualquier evento en un conjunto

dado es un número positivo menor de 1 .

0  P(evento)  1

8B.2.2. Dados varios de estos eventos, si son mutuamente excluyentes, por

ejemplo, Ev1, Ev5, Evk probabilidad de que ocurra cualquiera de los
tres es igual a la suma de cada una de sus probabilidades

P(Ev1 o Ev5 o Evk )= P(Ev1 + P(Ev5) + P(Evk)

8B.2.3. Si en un conjunto hay K eventos mutuamente excluyentes, la suma

de las probabilidades de ocurrencia de cada uno de ellos es igual a
1.

P(Ev1) + P(Ev2) +....+ P(Evk)= 1

Esto es así porque si los K eventos son mutuamente excluyentes, no
pueden ocurrir simultáneamente. Además, para la suma de sus
probabilidades sea igual a uno deben ser exhaustivos; se está
tomando en cuenta todos los eventos posibles.

Ejemplo 8B.2:

Siguiendo con el ejemplo 8B.1, se sabe también que en Santa María, además de las
9004 personas del grupo sanguíneo O, hay 8206 del grupo A, 1992 del B y 728 del AB, y
estos son todos los grupos o subconjuntos conocidos, de manera que la suma de ellos es
igual a 20.000 que son todos los habitantes de Santa María. Si cada uno de estos grupos
sanguíneos se define en un momento dado como evento favorable se tiene que:

a. La probabilidad de encontrar una persona con sangre del grupo O es 0,4502; por
lo tanto se puede decir que :

O < P(O) < 1 (primera propiedad)

b. Como los tipos de sangre son mutuamente excluyentes, la probabilidad de

 encontrar una persona del grupo A o del grupo B es:

P(A o B)= P(A) + P(B)= 8206 + 1992

20.000 20.000
= 0,4103+0,0996= 0,5099 (segunda propiedad)

c. La suma de las probabilidades de todos los grupos, (4 eventos) es :

P(O) + P(A)+ P(B) + P(AB)= 0,4502+0,5099+798 = 1

20.000
(tercera propiedad)

8B.3. TABLA DE PROBABILIDAD

El conjunto de los eventos posibles con su probabilidad constituye una tabla de

probabilidad.

Ejemplo 8B.3.

DISTRIBUCION DE PROBABILIDAD DE
LOS GRUPOS SANGUINEOS

GRUPO PROBABILIDAD

O 0,4502
A 0,4103
B 0,0996
AB 0,0399
-------
1,0000

A este conjunto de todos los eventos posibles y sus probabilidades se le llama en

Estadística espacio muestral, que es el concepto fundamemtal de la inferencia.

Como se ha visto, la definición clásica de probabilidad implica que todos los eventos son
igualmente probables, esto debe interpretarse como que todos los elementos del
conjunto, (no sólo los que pertenezcan a la categoría de interés), tienen igual
probabilidad de presentarse.

Obsérvese también que el supuesto implícito en las propiedades enunciadas es que los
eventos son mutuamente excluyentes, o sea que no pueden presentarse
simultáneamente. Esto en Estadística significa que un mismo elemento no puede
pertenece simultáneamente a dos o más de las categorías que se definieron como
"eventos". En la práctica estas categorías pertenecen casi siempre a la misma
característica: las categorías femenino y masculino pertenecen a la característica sexo,
por ejemplo y son exhaustivas y mutuamente excluyentes ( sec. 2.5. , 3.4.2, 4.1., 6.5,
6.7). En el ejemplo 8B.2. la característica es grupo sanguíneo y los eventos mutuamente
excluyentes son sus categorías (O,A,B,y AB) que son todas las diferencias maneras en
que el grupo sanguíneo se manifiesta; pero un mismo un individuo no pertenece a más
de uno de ellos.

De aquí se desprende finalmente el concepto de probabilidad complementarias, que

se utiliza intuitivamente al interpretar los percentiles (sec. 9.4) y que se seguirá utilizando
todo el curso.

8B.4. PROBABILIDAD COMPLEMENTARIA

El complemento de un evento de interés es el evento opuesto o el subconjunto que no le

es favorable o sea que lo ocurre sino ocurre el evento de interés, de manera que:

Probabilidad Complementaria= 1-P(evento).

El complemento también se puede expresar como Evento y, por lo tanto:

_
P(E)= 1-P(E)= Probabilidad complementaria

Ejemplo 8B.4.

En el ejemplo 8B.1. el complemento del grupo sanguíneo O es el subconjunto de las

personas que no tienen grupo O, por lo tanto, la probabilidad complementaria o
probabilidad de encontrar una persona que no sea del grupo O es:
_
P(O)= 1-P(O)= 1-0,4502 = 0,5498

En este caso, como se sabe que en Santa María hay 20.000 personas, se sabe también
que las que no tienen grupo O son 20.000-9004 = 10.996, por lo que la probabilidad
complementaria puede calcularse directamente
_
P(O)= 10.996= 0,5498
20.000

_
Como P(O) no es muy alta, P(O) es más alta.

Si el conjunto fuera infinito o su tamaño desconocido, siempre se

_
puede calcular P(O), si se conoce P(O), y viceversa. Obviamente _
P(O)+P(O)= 1

8B.5. MULTIPLICACION DE PROBABILIDADES

8B.5.1. PROPIEDAD BASICA DE MULTIPLICACION

Hasta el momento se ha estado aprendiendo a calcular la probabilidad de que el evento

se presente una vez, se verá ahora cómo se hace si se pretende que suceda dos veces o
más: tirar dos dados, extraer tres cartas de una baraja; que se presenten cuatro personas
del grupo sanguíneo O, que se presente una persona de cada grupo sanguíneo; que de
cinco personas dos sean del grupo A y tres del AB, etc., manteniéndo siempre la premisa
de que los eventos son mutuamente excluyentes y agregando la condición de que son
independientes.

Los eventos son independientes cuando la ocurrencia de un evento no altera la

probabilidad de que éste vuelva a ocurrir o de que ocurra otro de los eventos. Si este es
el caso se dice que la probabilidad de ocurrencia de dos o más de estos eventos es igual
al producto de sus probabilidades:

P( E1 y E5 y Ek ) = P(E1) * P(E2)* P(Ek)=

Ejemplo 8B.5

a. Cuál es la probabilidad de que si se toman cuatro personas al azar de la

comunidad del ejemplo 8B.2 todos sean del grupo O?

P(O y O y O y O)= P(O) * P(O) * P(O) * P(O)=

= (0,4502)4 = 0,0411

b. Cuál es la probabilidad de que en cuatro personas tomadas al azar, la primera sea

del grupo AB, la segunda del grupo O, la tercera del grupo B y la cuarta del A, en
ese orden?

P(AB y O y B y A)= P(AB) * P(O) * P(B) * P(A)=

=(0,0399) (0,4502) (0,0996) (0,4103)= 0,000734

c. Cuál es la probabilidad de que en siete personas tomadas al azar haya 3 del

grupo O, 2 del grupo A, una del grupo B y otra del AB en ese orden?

P(O) * P(O) * P(O) * P(A) * P(A) * P(B) * P(AB)=

=(0,4502)3 * (0,4103)2 * (0,0996)(0,0399)=
= 0,000061

Valores tan pequeños como estos obviamente se interpretan como probabilidades

bajísimas.

Obsérvese que son más bajas que la probabilidad de cada evento por separado y que,
además de las condiciones establecidas de que los eventos son excluyentes e
independientes, se exige " en ese orden" en (b) y (c).
Lógicamente es posible darse cuenta de que si el orden no importa, hay varias maneras
de que en cuatro o en siete personas, los grupos sanguíneos se presentan en la cantidad
deseada. Cuanto mayor sea el número de elementos que se desee examinar o el
número de eventos que se desea o la frecuencia con que éstos se presenten, mayor será
el número de maneras.

8B.5.2. PERMUTACIONES

Si no interesara el orden de aparición, sino el hecho de que en un número determinado

de elementos se presentan dos o más eventos con una cierta frecuencia, la manera de
calcular el número de arreglos posibles en las partes (b) y (c) del ejemplo 8B.5. puede ser
muy complejo si se trata de hacerlo empíricamente (dibujando cada una de las formas),
sin embargo, recurriendo al álgebra se encuentra la solución a este problema con el
cálculo de permutaciones según la fórmula siguiente:

nPr1,... rk= n!
r1!...rk!

Donde n es el número de elementos y las r1 la frecuencia con que se quiere el evento (i)
n! se lee como "n factorial" y se calcula así:

n!= 1*2*3*4*...*n
Por convención 0!=1

Ejemplo 8B.6

a. Volviendo a la parte (b) del ejemplo 8B.5 se tiene que si sólo se desea calcular la
probabilidad de que en cuatro personas aparezca los cuatro grupos sanguíneos
simultáneamente en cualquier orden, ésta sería:

(4 P1,1,1,1)(0,4502)(0,4103)(0,00996)(0,0399)=

= 4! (0,000734)= 1*2*3*4*(0,000734)=
1!1!1!1!

=24(0,000734)=0,017616

A pesar de que no interesa el orden y hay 24 maneras distintas de que en cuatro

personas se presenten los cuatro grupos sanguíneos, esta probabilidad sigue siendo
bajísima si la selección de las 4 personas es al azar.

b. En la parte (c) del ejemplo 8B.5. se trata de siete personas y se desea que
algunos de los grupos sanguíneos se repitan. Como ahora no interesa el orden, el
 cálculo es el siguiente:

(7 P3,2,1,1)(0,4502)3(0,4103)2 (0,0996)(0,0399)

= 7! (0,000061)=
3!2!1!1!

= 420(0,000061)=0,02562

Al aumentar el número de personas y la frecuencia deseada de algunos grupos

sanguíneos, el número de posibilidades se aumentó en 20 veces las de (a); pero la
probabilidad, aunque aumentó, sigue siendo muy baja. Es muy difícil (pero no imposible)
que, si la escogencia es aleatoria, en 7 personas hayan exactamente 3 del grupo O, 2
del grupo A y una de cada uno de los grupos B y AB.

8B.5.3.EVENTOS NO EXCLUYENTES

Se tratará en esta sección sobre el cálculo de probabilidades cuando los eventos no son
excluyentes , situación muy común en la práctica de la Estadística y de sumo interés en
la aplicación de ésta a la Epidemiología.

Los eventos no excluyentes son aquellos que pueden ocurrir simultáneamente, o sea
que dentro de los casos posibles hay subconjuntos de casos favorables a dos o más
eventos a la vez, algunos de ellos son independientes, otros no.

Ejemplos de eventos no excluyentes se encuentran en los cuadros cruzados, de doble,

triple o más entradas en las que hay elementos del conjunto que pertenecen a una
categoría de peso y a un sexo determinado, o a un tipo de bocio y tienen cáncer, o a
cierto grupo de edad y a uno de los dos sexos, etc.

8B.5.3.1. PROBABILIDADES CONJUNTAS Y MARGINALES

Cuando hay eventos no excluyentes, a la probabilidad de ocurrencia simultáneamente de

dos o más se le denominará probabilidad conjunta y a la probabilidad de ocurrencia de
cada evento por separado se le llamará probabilidad marginal.

A estas alturas el lector ya habrá caído en la cuenta de que proporción, porcentaje, tasa y
probabilidad son básicamente lo mismo y requieren, por lo tanto, basarse en grandes
conjuntos, y que esto es particularmente importante si se trata de eventos no
excluyentes.

Para ilustrar el tema podría utilizarse el cuadro 6.7; pero en él el conjunto es muy
pequeño; podría ampliarse como en el ejemplo 16.9 o tomar el cuadro 5.2. o el 5.3.; sin
embargo por razones prácticas se utilizará el cuadro utilizado en el ejemplo 7.7 y que es
el resultado de la evaluación de una prueba de tamizaje, el cual permitirá explicar
también los conceptos de probabilidad condicional y de independencia en las secciones
siguientes.

Ejemplo

Si se toma el procedimiento utilizado en el cuadro 6.7. del ejemplo 6.3. para calcular las
proporciones y se aplica al cuadro del ejemplo 7.7., se obtiene la tabla siguiente que es
una distribución de probabilidades o tabla de contingencia; con lo cual se puede
contestar las preguntas al pie.

DIAGNOSTICO PRUEBA DE TAMIZAJE

FINAL POSITIVA NEGATIVA TOTAL

POSITIVO 0,0034 0,0116 0,0150

NEGATIVO 0,0020 0,9830 0,9850
----------------------------------------------------------
TOTAL 0,0054 0,9946 1,0000

PREGUNTAS

a. Cuál es la probabilidad de que el diagnóstico final (DF) sea negativo(-)?

P(DF-)=0,9850

Esta es una probabilidad marginal, puesto que no toma en cuenta el resultado

de la prueba de tamizaje.

b. Cuál es la probabilidad de que la prueba de tamizaje sea positiva?

P(PT+)=0,0054

Esta es otra probabilidad marginal puesto que no toma en cuenta el diagnóstico

final.

c. Cuál es la probabilidad de que la prueba de tamizaje sea negativa y el diagnóstico

final también?

P(PT- y DF-)= 0,9830

Esta es una probabilidad conjunta, para calcular se tomó como casos favorables
al subconjunto de personas que además de tener la prueba de tamizaje negativa
también tuvo diagnóstico final negativo, ya que ambos eventos pueden ocurrir en
el mismo individuo, no son excluyentes.
d. Cuál es la probabilidad de que la prueba de tamizaje sea positiva o el diagnóstico
final sea positivo?

P(PT+ o DF+)= P(PT+) + P(DF+)-P(PT+ y DF+)

= 0,0054+0,0150-0,0034=
= 0,0170

Dado que los eventos no son excluyentes si se suman las probabilidades

marginales se estarán tomando en cuenta dos veces los casos simultáneamente
favorables a ambos eventos, por lo que es necesario corregir restando una vez la
probabilidad conjunta respectiva. En el ejemplo 8B.2(b) esto no fue necesario
porque si los eventos son mutuamente excluyentes, la probabilidad conjunta
es igual a cero.

8B.4.3.2. INDEPENDENCIA Y PROBABILIDAD CONDICIONAL

Eventos que no son excluyentes, porque pueden ocurrir simultáneamente, pueden ser o
no independientes.

Se dice que dos eventos no excluyentes son independientes si la probabilidad de que

ocurran conjuntamente es igual al producto de sus probabilidades marginales; esto
significa que la probabilidad de que uno ocurra no se altera por la presencia del otro.
Como se verá más adelante, este es uno de los conceptos de la teoría de probabilidad
más importante en la Estadística de la salud y fue una condición exigida en las secciones
8B.5.1. y 8B.5.2.

Ejemplo 8B.8

Como ilustración, puesto que el resultado es predecible, se va a determinar si hay

independencia entre los resultados de la prueba de tamizaje y el diagnóstico final, con los
datos del ejemplo 8B.7.

Si hay independencia, entonces P(DF+ y PT+)= P(DF+)*P(PT+)

Cálculo: 0,0034 comparar 0,0054(0,0150)

0.0034 = 0,000081

Conclusión: Dado que la probabilidad conjunta es diferente al producto de las

marginales se concluye que los resultados de la prueba de tamizaje no son
independientes del diagnóstico final ( que es lo que se esperaba ). Esta conclusión
puede expresarse también como "los resultados de la prueba de tamizaje están
asociados al resultado final."

Con mucha frecuencia interesa calcular la probabilidad de que en un subconjunto de

casos favorable a un evento (A) se presente otro evento de interés (B); las tasas
específicas (sec. 8.1.2) son ejemplos muy usados de esta situación, que en teoría de
probabilidades se denomina probabilidad condicional.

La probabilidad condicional se calcula dividiendo la probabilidad conjunta de los eventos

entre la probabilidad marginal del evento en cuyo subconjunto se espera que ocurra el
otro, así:

P(A/B)= P(A y B) y se lee "Probabilidad de A dado B"

P(B)

Esto se aclara con un ejemplo:

Ejemplo 8B.9

Una combinación de los ejemplos 7.7. y 8B.7 permite calcular las cuatro probabilidades
condicionales típicas de la evaluación de las pruebas de tamizaje.

a. La sensibilidad de la prueba es la probabilidad de que ésta sea positiva en el

subconjunto con diagnóstico final positivo, y por definición se calcula así:

P(PT+/DF+)= P(PT+ y DF+)= O,OO34 = 0,2267= Sensibilidad

P(DF+) 0,0150

La probabilidad de que la prueba de tamizaje salga positiva dado que se tiene la

enfemerdad es 0,2267; o de cada 100 realmente enfermos sólo 22,67 tendrán positiva la
prueba de tamizaje (baja sensibilidad).

b. La especificidad de la prueba es la probabilidad de que ésta sea negativa en

aquellos con diagnóstico final negativo.

P(PT-/DF-)=P(PT- y DF-)= O,9830 = 0,9980= Especificidad

P(DF-) 0,9850

La probabilidad de que la prueba de tamizaje resulte negativa dado que o si no se tiene la

enfermedad es 0,9980 (alta especificidad)

c. El valor predictivo de la prueba positiva es la probabilidad de que el diagnóstico

final sea positivo cuando la prueba de tamizaje haya resultado positiva.

P(DF+/PT+)= P(PT+ y DF+)= 0,0034 = 0,6296

P(PT+) 0,0054

Valor predictivo PT+= 0,6296

La probabilidad de que los que salen positivos por tamizaje estén realmente enfermos es
0,6296 o la probabilidad de estar realmente enfermo dado que la prueba de tamizaje es
positiva.

d. El valor predictivo de la prueba negativa es la probabilidad de no tener la

enfermedad si la prueba de tamizaje es negativa.

P(DF-/PT-)= P(DF- y PT-)= 0,9830= 0,9003

P(PT-) 0,9946

La probabilidad de no tener la enfermedad dado que la prueba de tamizaje es negativa

es 0,9883, o de cada 100 personas cuya prueba de tamizaje resulte negativa 98,8 no
están enfermos.

Conociendo los concepto de probabilidad marginal y condicional se tiene otra manera de

enunciar en forma más directa el concepto de independencia, expresando que dos
eventos son independientes si la probabilidad de que el primero ocurra habiendo ocurrido
el segundo (probabilidad condicional), es igual a la probabilidad marginal del primero que
es lo mismo que decir que la ocurrencia del segundo no altera la probabilidad de
ocurrencia del primero.

Ejemplo 8B.10:

Con base en la tabla de probabilidad del ejemplo 8B.7., determinar si hay independencia
entre los resultados de la prueba de tamizaje y el diagnóstico final.

Si son independientes: P(PT+/DF+)= P(PT+)

Cálculo: P(PT+ y DF+)= P(PT+)
P(DF+)
0,0034/0,0150 ? 0,0054
0,2267 = 0,0054

Conclusión:
Dado que la probabilidad condicional es diferente a la probabilidad marginal,
queda demostrado una vez más(ej. 8B.8.) que los resultados de la prueba de
tamizaje no son independientes del diagnóstico final. Esto quiere decir que la
probabilidad de que la prueba de tamizaje, sea positiva depende de la frecuencia
con que la enfermedad esté presente en el grupo tamizado.

8B.6. FORMULAS GENERALES

Para facilitar el estudio de la teoría de probabilidades necesaria en este curso se incluyen

a continuación las fórmulas más importantes:

8B.6.1. Sean A y B dos eventos excluyentes e independientes

P(A o B)= P(A)+P(B)

_
P(A)=1-P(A)

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

P(A y A y A)= P(A)*P(A)*P(A)

P(A1 y A2 y...Ar1 y B1 y B2 y ... y Br2)=

= n Pr1, r2 [P(B)] r1 * [P(B)] r2 =

n Pr1, r2... rk = n!
r1!r2!...rk!

8B.6.2. Sean A y B dos eventos no excluyentes

P(A o P)= P(A)+P(B)-P(A y B)

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

8B.6.3. A y B son independientes entre si:

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

P(A/B)= P(A)
P(B/A)= P(B)