Unidad II Bioestadística Clase 3 Probabilidad Condicional y Bayes

MM241 Bioestadística
UNIVERSIDAD NACIONAL AUTONOMA DE HONDURAS

Escuela de Matemática
Mario Antúnez Murillo
Cubículo 9
MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 1

Probabilidad condicional
Teorema de Bayes
Teoría y ejemplos

Probabilidad Condicional
Sean los eventos A y B de un espacio muestral E con P(A)0, la probabilidad de
que el evento B ocurra si (dado que) ya ocurrió A la llamaremos probabilidad
condicional y se define
P(A  B) P(A y B)
P(B/ A)  o bien P(B da do A) 
P(A) P(A)

P(A  B) P(A y B)
P(A) P(A)
Se utiliza cuando se sabe algo que ya ocurrió

P(A  B) P(A y B)
P(A) P(A)
La probabilidad de que un turista haya visitado Copán Ruinas (evento D) es

0.7, que haya visitado Islas de la Bahía (evento E) es 0.6 y la probabilidad que
haya visitado ambos sitios es de 0.5. ¿Cuál es la probabilidad de que un turista
visite Copán Ruinas (D) siendo que ya visitó Islas de la Bahía (E)?

P(A  B) P(A y B)
P(A) P(A)

P(D E) 0.5
P(D/ E)   0.8333 83.33%
P(E) 0.6

P(A  B) P(A y B)
P(A) P(A)

P(D E) 0.5
P(D/ E)   0.8333 83.33%
P(E) 0.6

P(A  B) P(A y B)
P(A) P(A)

P(D E) 0.5
P(D/ E)   0.8333 83.33%
P(E) 0.6
Existe un 83.33% de posibilidad de que un turista visite Copán Ruinas
si ya visitó Islas de la Bahía

Tabla de contingencia
Es una tabla utilizada para clasificar observaciones de una muestra de acuerdo
con dos o más características identificables (Variables Cualitativas)
Hombres (H) Mujeres (M) Total

Fuman (F) 24 10 34
No fuman (Fc) 36 20 56
Total 60 30 90


Fuman (F) 24 10 34
Total 60 30 90
34
La probabilidad de fumar es P(F)  0.3778 37.78%
90


Fuman (F) 24 10 34
Total 60 30 90
34
90
24
La probabilidad de que sea hombre y fume es P(H  F)  0.2667 26.67%
90


Fuman (F) 24 10 34
Total 60 30 90
34
90
24
90
La probabilidad de que sea hombre si fuma


Fuman (F) 24 10 34
Total 60 30 90
34
90
24
90
La probabilidad de que sea hombre si fuma

P(H  F) 0.2667
P(H / F)   0.7059 70.59%
P(F) 0.3778

La sensibilidad y la especificidad son dos estadísticas importantes de dicha
ayuda en la interpretación de los resultados de las pruebas de diagnóstico.
La definición de la sensibilidad y la especificidad depende de la comprensión
de los conceptos de aspectos positivos y negativos, verdaderos y falsos:

Los verdaderos positivos: Prueba de positivo y tiene la enfermedad
Paciente enfermo
Si (Verdadero) No (Negativo)
Prueba Positivo VP FP
Prueba Negativa FN VN


Falsos positivos: Prueba de positivo, pero no tiene la enfermedad
Verdadero negativo: Prueba negativas y no tiene la enfermedad
Falso negativo: Pruebas de negativo, pero tiene la enferme
Paciente enfermo
Prueba Positivo FP
Prueba Negativa


Paciente enfermo
Prueba Positivo
Prueba Negativa VN


Falso negativo: Pruebas de negativo, pero tiene la enferme
Paciente enfermo
Prueba Positivo
Prueba Negativa FN


Paciente enfermo
Prueba Positivo VP FP VP+FP
Prueba Negativa FN VN FN+VN
VP+FN FP+VN

Paciente enfermo
VP+FN FP+VN
Sensibilidad:
Es la probabilidad de el test de positivo sobre una persona que sabemos que
padece la enfermedad (la prueba para detectar la enfermedad en sujetos enfermos)


Paciente enfermo
VP+FN FP+VN
Sensibilidad:

Especificidad:
Es la probabilidad que el test de negativo sobre una persona que no la padece
(Con la especificidad lo que se detecta lo son los individuos sanos)


Paciente enfermo
VP+FN FP+VN
Sensibilidad:

Especificidad:

Lo que interesa saber en la práctica es, predecir si una persona está sana o enferma,
a partir del resultado del test diagnóstico, es decir, las cantidades:

Paciente enfermo
VP+FN FP+VN
Sensibilidad:

Especificidad:

Valor predictivo positivo: Es la probabilidad de que un individuo esté enfermo

si el test dio resultado positivo

Paciente enfermo
VP+FN FP+VN
Sensibilidad:

Especificidad:

Valor predictivo positivo: Es la probabilidad de que un individuo esté enfermo

si el test dio resultado positivo
Valor predictivo negativo: Es la probabilidad que un individuo no esté enfermo

si el test dio negativo
Un estudio investigo 1250 hombres, con sospecha de cáncer de próstata, a los cuales se
les realizó una biopsia, 920 dieron positivo a la biopsia, al finalizar el seguimiento del
estudio se confirmó que realmente 750 hombres tenían cáncer de próstata y la prueba
tuvo 40 resultados falsos negativos. Encontrar la sensibilidad, especificidad, valor
predictivo negativo, valor predictivo positivo

Paciente enfermo
Si (V) No (F)
Prueba positivo (P) 750 (VP) 170 (FP) 920
Prueba negativa (N) 40 (FN) 290 (VN) 330
790 460 1250

Paciente enfermo
Si (V) No (F)
790 460 1250

Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
Es la probabilidad de el test de positivo
sobre una persona que sabemos que
padece la enfermedad

Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
VP 750
S  94.94%
VP  FN 750  40

Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
Especificidad:
Es la probabilidad que el test de negativo
sobre una persona que no la padece
VP 750
S  94.94%
VP  FN 750  40

Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
Especificidad:
VP 750 VN 290
S  94.94% E  63.04%
VP  FN 750  40 VN  FP 290  170

Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
Especificidad:
VP 750 VN 290
S  94.94% E  63.04%
VP  FN 750  40 VN  FP 290  170
VPP:
Es la probabilidad de que un individuo esté
enfermo si el test dio resultado positivo

Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
Especificidad:
VP 750 VN 290
S  94.94% E  63.04%
VP  FN 750  40 VN  FP 290  170
VPP:
Es la probabilidad de que un individuo esté
enfermo si el test dio resultado positivo
VP 750
VPP   81.52%
VP  FP 750  170
Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
Especificidad:
VP 750 VN 290
S  94.94% E  63.04%
VP  FN 750  40 VN  FP 290  170
VPP: VPN
Es la probabilidad de que un individuo esté Es la probabilidad que un individuo no
enfermo si el test dio resultado positivo esté enfermo si el test dio negativo
VP 750
VPP   81.52%
VP  FP 750  170
Paciente enfermo
Si (V) No (F)
790 460 1250
Sensibilidad:
Especificidad:
VP 750 VN 290
S  94.94% E  63.04%
VP  FN 750  40 VN  FP 290  170
VPP: VPN
Es la probabilidad de que un individuo esté Es la probabilidad que un individuo no
enfermo si el test dio resultado positivo esté enfermo si el test dio negativo
VP 750 VN 290
VPP   81.52% VPN   87.88%
VP  FP 750  170 VN  FN 290  40
Regla de la multiplicación
Sean los eventos A y B de un mismo espacio muestral P(A  B) P(A)P(B / A)

P(A  B)
Tenemos que P(B / A)  de donde P(A  B) P(A)P(B / A)
P(A)

P(A  B)
P(A)
En un experimento de preferencia de color, ocho juguetes se ponen en
un recipiente. Los juguetes son idénticos excepto por el color, dos son
rojos y seis son verdes. Se pide a un niño que escoja dos juguetes al azar.
¿Cuál es la probabilidad de que el niño escoja dos juguetes rojos?

P(A  B)
P(A)
Sean los eventos
A: la primera bola es roja
B: la segunda bola es roja
P(AB) = P(A) P(B/A)

P(A  B)
P(A)
Primera Segunda
Evento Sean los eventos
selección selección
R : 17
RR B: la segunda bola es roja
R : 28
1R P(AB) = P(A) P(B/A)
6V V : 67
RV
2R R : 27
6V VR
V : 68 2R
5V V : 75
VV
P(A  B)
P(A)
Primera Segunda
Evento Sean los eventos
selección selección
R : 17
RR B: la segunda bola es roja
R : 28
1R P(AB) = P(A) P(B/A)
6V V : 67
RV 2 1 1
2R P(A  B)    0.0357
R : 27 8 7 28
6V VR
V : 68 2R
5V V : 75
VV
Eventos Independientes
Se dice que los eventos A y B son independientes si P(B)=P(B/A)

Sabemos que P(A∩B)=P(A)•P(B/A ), en eventos independientes se tiene que

P(B/A)=P(B) por lo que P(A∩B)=P(A)•P(B)


Ej:
No tiene que ver quién es campeón de fútbol de Honduras con quién es
campeón de España.
Si lanzamos un dado y una moneda es que salga cara o cruz en la moneda
no depende del resultado que se obtenga en el dado


Ej:
No tiene que ver quién es campeón de fútbol de Honduras con quién es
campeón de España.
Si lanzamos un dado y una moneda es que salga cara o cruz en la moneda
no depende del resultado que se obtenga en el dado
Una forma de entender la independencia consiste en suponer que los

eventos A y B ocurren en diferentes tiempos. Por ejemplo, cuando el
evento B ocurre después del evento A, ¿influye A en la probabilidad de
que el evento B ocurra? Si la respuesta es no, entonces A y B son eventos
independientes.

¿Cuál es la forma preferida de la gente para ordenar comida rápida?
Se realizó una encuesta y los resultados fueron los siguientes:
Comer adentro (A) 21 12 33
Ordenar adentro para llevar (B) 19 10 29
Ordenar desde el automóvil (C) 60 78 138
Total 100 100 200

Total 100 100 200
Si es hombre ¿Cuál es la probabilidad que prefiera ordenar desde el automóvil?

P(C H) 60
P(C / H)   0.60 60%
P(H) 100

Total 100 100 200

P(C H) 60
P(C / H)   0.60 60%
P(H) 100
¿Cuál es la probabilidad que sea mujer dado que come adentro?
P(M A) 12
P(M/ A)   0.3636 36.36%
P(A) 33

Total 100 100 200

P(C H) 60
P(C / H)   0.60 60%
P(H) 100
P(M A) 12
P(M/ A)   0.3636 36.36%
P(A) 33
¿La preferencia de comer adentro es independiente del género? Justificar

Total 100 100 200

P(C H) 60
P(C / H)   0.60 60%
P(H) 100
P(M A) 12
P(M/ A)   0.3636 36.36%
P(A) 33
21 33 100
P(A H)  0.105 P(A)  0.1652 P(H)  0.5
200 200 200

Total 100 100 200

P(C H) 60
P(C / H)   0.60 60%
P(H) 100
P(M A) 12
P(M/ A)   0.3636 36.36%
P(A) 33
21 33 100
P(A H)  0.105 P(A)  0.1652 P(H)  0.5
200 200 200
Como P(AH)P(A)P(H) la preferencia de comer adentro y el género
no son independientes
Cien adultos fueron entrevistados en una encuesta por teléfono. El interés
fue la opinión de ellos con respecto a la carga que implican los préstamos
para estudiantes universitarios y si quienes respondieron tenían un hijo
actualmente, sus respuestas fueron
Carga de préstamo
Hijo en la universidad Alta (A) Recomendable (B) Baja (C) Total
Si (D) 20 9 1 30
No (E) 41 21 8 70
Total 61 30 9 100

Carga de préstamo
Si (D) 20 9 1 30
No (E) 41 21 8 70
Total 61 30 9 100
¿Son los eventos A y D independientes?

20 61 30
P(A  D)  0.20 P(A)  0.61 P(D)  0.30
100 100 100

Carga de préstamo
Si (D) 20 9 1 30
No (E) 41 21 8 70
Total 61 30 9 100
¿Son los eventos A y D independientes? NO

20 61 30
P(A  D)  0.20 P(A)  0.61 P(D)  0.30
100 100 100

Carga de préstamo
Si (D) 20 9 1 30
No (E) 41 21 8 70
Total 61 30 9 100

20 61 30
P(A  D)  0.20 P(A)  0.61 P(D)  0.30
100 100 100
¿Son los eventos B y D independientes?

9 30 30
P(B  D)  0.09 P(B)  0.30 P(D)  0.30
100 100 100

Carga de préstamo
Si (D) 20 9 1 30
No (E) 41 21 8 70
Total 61 30 9 100

20 61 30
P(A  D)  0.20 P(A)  0.61 P(D)  0.30
100 100 100
¿Son los eventos B y D independientes? SI

9 30 30
P(B  D)  0.09 P(B)  0.30 P(D)  0.30
100 100 100

Carga de préstamo
Si (D) 20 9 1 30
No (E) 41 21 8 70
Total 61 30 9 100

20 61 30
P(A  D)  0.20 P(A)  0.61 P(D)  0.30
100 100 100

9 30 30
P(B  D)  0.09 P(B)  0.30 P(D)  0.30
100 100 100
¿Son los eventos C y D independientes?

1 9 30
P(C  D)  0.01 P(C)  0.09 P(D)  0.30
100 100 100

Carga de préstamo
Si (D) 20 9 1 30
No (E) 41 21 8 10
Total 61 30 9 100

20 61 30
P(A  D)  0.20 P(A)  0.61 P(D)  0.30
100 100 100

9 30 30
P(B  D)  0.09 P(B)  0.30 P(D)  0.30
100 100 100
¿Son los eventos C y D independientes? NO

1 9 30
P(C  D)  0.01 P(C)  0.09 P(D)  0.30
100 100 100

Ejemplo
El Gerente de una Estación de Servicio, sabe por su experiencia que el 70%

de los clientes usan Tarjeta de Crédito para cargar combustible.- ¿Cuál es la
probabilidad de que los dos clientes siguientes que compren combustible
usen tarjetas de créditos?.

Ejemplo

Solución
Sea A: el primer cliente use tarjeta de crédito.
Sea B: el segundo cliente use tarjeta de crédito.

Ejemplo

Solución
Sea A: el primer cliente use tarjeta de crédito.
Sea B: el segundo cliente use tarjeta de crédito.
Nos piden que los dos paguen con tarjeta de crédito

P (A ∩ B) = P (A) * P (B) = 0.70 * 0.70 = 0.49=49%

Probabilidad total o partición
Sean A1,A2,A3...,An eventos disjuntos (mutuamente excluyentes), que forman
una partición de S, esto es
Ai  Aj =  para toda i y toda j
S = A1  A2  A3  An
Entonces P(B) =  P(BAK)=P(A1 )P(B / A1 )  P(A2 )P(B / A2 )   P(An )P(B / An )

S = A1  A2  A3  An

S = A1  A2  A3  An
BA1 BA2
BA3
B
BA4

S = A1  A2  A3  An
BA1 BA2
BA3
B
BA4
B= (BA1)  (BA2)  (BA3)  (BA4)

S = A1  A2  A3  An
BA1 BA2
BA3
B
BA4
B= (BA1)  (BA2)  (BA3)  (BA4)

P(B) = P(BA1) + P(BA2) + P(BA3) + P (BA4)

S = A1  A2  A3  An
BA1 BA2
BA3
B
BA4
B= (BA1)  (BA2)  (BA3)  (BA4)

P(B) = P(BA1) + P(BA2) + P(BA3) + P (BA4)
P(A1 )P(B / A1 )  P(A2 )P(B / A2 )  P(A 3 )P(B / A 3 )  P(A 4 )P(B / A 4 )

Supongamos que en unas elecciones las probabilidades de que ganen los
partidos políticos A y B son de 0.55 y 0.45 respectivamente, en el caso que
ganara A, la probabilidad de que suban los impuestos es 0.8, mientras que
en el caso en que salga elegido B la probabilidad que suban los impuesto es
de 0.6, Construir un diagrama de árbol indicando las probabilidades
correspondientes

Supongamos que en unas elecciones las probabilidades de que ganen los
partidos políticos A y B son de 0.55 y 0.45 respectivamente, en el caso que
ganara A, la probabilidad de que suban los impuestos es 0.8, mientras que
en el caso en que salga elegido B la probabilidad que suban los impuesto es
de 0.6, Construir un diagrama de árbol indicando las probabilidades
correspondientes
0.8 Suben los impuestos si gana A
0.55 A
0.2 No suben los impuestos si gana A
0.6 Suben los impuestos si gana B
0.45 B
0.4 No suben los impuestos si gana B

Consideremos los eventos A: Gana las elecciones A
B: Gana las elecciones B
C: Suben los impuestos
¿Cuál es la probabilidad de que suban los impuestos?
Gana A y suben los impuestos

0.8
probabilidad = 0.55*0.8 = 0.44
0.55 A
0.2
Gana A y no suben los impuestos
0.6 Gana B y suben los impuestos

0.45 B
Gana B y no suben los impuestos
0.4
Los impuestos subirán si gana A o B, en este caso 0.44 + 0.27 = 0.71 =71%
P(C) P(A)P(C/ A)  P(B)P(C/ B) 0.55 0.8  0.45 0.6 0.71

Teorema de Bayes.
Supóngase que A1, A2, A3,...,An es una partición de un espacio muestral S.
En cada caso P(Ai) ≠ 0. La partición es tal que A1, A2, A3,...,An, son eventos
mutuamente exclusivos. Sea B cualquier evento, entonces para cualquier
Ai ,
P(Ai )P(B/ AI )
P(Ai / B) 
P(A1 )P(B/ A1 )  P(A2 )P(B/ A2 )   P(An )P(B/ An )

Teorema de Bayes.
Ai ,
P(Ai )P(B/ AI )
P(Ai / B) 
Tenemos que
P(Ai  B)
P(Ai / B) 
P(B)

Teorema de Bayes.
Ai ,
P(Ai )P(B/ AI )
P(Ai / B) 
Tenemos que
P(Ai  B)
P(Ai / B) 
P(B)
P(Ai )P(B/ Ai )

P(B)

Teorema de Bayes.
Ai ,
P(Ai )P(B/ AI )
P(Ai / B) 
Tenemos que
P(Ai  B)
P(Ai / B) 
P(B)
P(Ai )P(B/ Ai )

P(B)
P(Ai )P(B/ AI )

Del teorema de la partición

El Teorema de Bayes se emplea cuando en un proceso hay dos pasos, se
conoce el resultado del segundo paso y se quiere saber la probabilidad
de ocurrencia del primer paso, es una probabilidad condicional

Retomando el ejemplo de las elecciones y los impuestos.
Supongamos que subieron los impuestos, queremos saber la probabilidad

de que haya ganado al candidato A


P(ganó A y subieron los impuestos)

P(ganó A dado qué subieron los impuestos) =
P(subieron los impuestos)



P(A  C) P(A)P(C/ A) 0.44

P(A/C) =   0.6197
P(C) P(A)P(C/ A)  P(B)P(C/ B) 0.71



P(A  C) P(A)P(C/ A) 0.44

P(A/C) =   0.6197
P(C) P(A)P(C/ A)  P(B)P(C/ B) 0.71

Unidad II Bioestadística Clase 3 Probabilidad Condicional y Bayes

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad II Bioestadística Clase 3 Probabilidad Condicional y Bayes

Cargado por

Copyright:

Formatos disponibles

MM241 Bioestadística

UNIVERSIDAD NACIONAL AUTONOMA DE HONDURAS

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 1

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 2

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 3

Se utiliza cuando se sabe algo que ya ocurrió

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 4

Se utiliza cuando se sabe algo que ya ocurrió

La probabilidad de que un turista haya visitado Copán Ruinas (evento D) es

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 5

Se utiliza cuando se sabe algo que ya ocurrió

La probabilidad de que un turista haya visitado Copán Ruinas (evento D) es

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 6

Se utiliza cuando se sabe algo que ya ocurrió

La probabilidad de que un turista haya visitado Copán Ruinas (evento D) es

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 7

Se utiliza cuando se sabe algo que ya ocurrió

La probabilidad de que un turista haya visitado Copán Ruinas (evento D) es

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 8

Hombres (H) Mujeres (M) Total

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 9

Hombres (H) Mujeres (M) Total

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 10

Hombres (H) Mujeres (M) Total

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 11

Hombres (H) Mujeres (M) Total

La probabilidad de que sea hombre si fuma

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 12

Hombres (H) Mujeres (M) Total

La probabilidad de que sea hombre si fuma

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 13

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 14

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 15

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 16

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 17

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 18

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 19

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 20

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 21

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 22

Valor predictivo positivo: Es la probabilidad de que un individuo esté enfermo

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 23

Valor predictivo positivo: Es la probabilidad de que un individuo esté enfermo

Valor predictivo negativo: Es la probabilidad que un individuo no esté enfermo

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 25

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 26

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 27

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 28

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 29

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 30

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 31

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 32

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 36

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 37

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 38

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 39

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 42

Sabemos que P(A∩B)=P(A)•P(B/A ), en eventos independientes se tiene que

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 43

Sabemos que P(A∩B)=P(A)•P(B/A ), en eventos independientes se tiene que

MARIO ANTUNEZ MM241 BIOESTADISTICA PAGINA 44

Sabemos que P(A∩B)=P(A)•P(B/A ), en eventos independientes se tiene que

Una forma de entender la independencia consiste en suponer que los