Tema 1.

Fenómenos aleatorios y cálculo de probabilidades

 Introducción y Fenómenos aleatorios.
 Sucesos y operaciones con sucesos.
 Concepto de probabilidad.
 Definición axiomática de probabilidad.
 Probabilidad condicionada.
 Independencia de sucesos.
 Teorema de la Probabilidad Total.
 Teorema de Bayes.
1. Introducción y Fenómenos Aleatorios
 ¿Cuál es la probabilidad de aprobar Estadística?

 ¿Cuál es la probabilidad de no encontrarme un atasco en la N-II

cuando voy a clase?

 Todos los días nos hacemos preguntas sobre probabilidad e incluso

los que hayáis visto poco de la materia en cursos anteriores, tenéis
una idea intuitiva.

 En este tema vamos a:

 Recordar qué entendemos por probabilidad.
 Recordar algunas reglas de cálculo.
 Teorema de la Probabilidad Total y de Bayes
 Aplicaciones
 El Problema de Monty Hall
Video Monty Hall Problem (TV):
pinchar en imagen para reproducir

Let’s Make a Deal fue un famoso concurso en las décadas 60-70

de la televisión de EEUU presentado por Monty Hall y Carol Merril.

Juego - Simulación Monty Hall (TV) (acceso a página web)

 Fenómenos Aleatorios
En nuestro entorno se producen diferentes situaciones que
llamamos “fenómenos” y que observamos para conocer cómo
funcionan.

Recibimos información del Observaciones

entorno
(Manifestaciones de un fenómeno)

¿Reglas por las que funcionan

estos fenómenos?

Fenómeno (o experimento): Cualquier situación u

operación en la cual se pueden presentar uno o
varios resultados de un conjunto bien definido de
posibles resultados.
  Deterministas: al repetirse en las mismas
condiciones, se produce siempre el mismo resultado
• s=v·t ; H2O
Tipos de
Fenómenos:  Aleatorios: Aunque se repitan en las mismas
condiciones, no siempre ocurre el mismo resultado
• Lanzamiento de un dado; lanzamientos a una diana
• Número de llamadas a una centralita en un día
• Combinaciones genéticas (hermanos con color de ojos
diferente)

En el ámbito de la Estadística y la Probabilidad, interesa el estudio

de los Fenómenos Aleatorios.
El conjunto de posibles resultados de un fenómeno aleatorio
recibe el nombre de Espacio Muestral.
Cada uno de los resultados posibles recibe el nombre de Suceso
Elemental, suceso simple, punto muestral o resultado básico.
E={0, 1, 2}
{0}; {1}; {2}
¿Probabilidad de que la
suma de los dados
sea…
• 3?

• Menor que 3?

• 1?

• Como mucho 12?

• Tipos de Espacios Muestrales:
– Finitos.- cuando presentan un número finito de sucesos
elementales.
• Ej: Puntuación al lanzar un dado
• Ej: Puntuación obtenida al lanzar dos dados
– Infinito Numerables.- Cuando presentan infinitos sucesos
elementales pero se pueden numerar, primero, segundo,
etc.
• Ej: Número de lanzamientos de un dado hasta que aparezca el 1
• Ej: Número de nacimientos hasta que nazcan gemelos siameses.
• Ej: Número de sorteos hasta que salga el número 12345 en la
lotería
– Continuos. Cuando presentan infinitos sucesos
elementales dentro de un intervalo de la recta real (infinito
no numerable).
• Ej: cotización en bolsa de una acción
• Ej: Tiempo que tarda una persona en hacer una tarea
• Ej: Precio del litro de combustible un día determinado
2. Sucesos y operaciones con sucesos
• Suceso. Es cualquier subconjunto del espacio muestral. Se suele
representar con una letra mayúscula. Ejemplo: el suceso A puede ser
“salir impar”: A = {1,3,5}
Diremos que un suceso ocurre (o se realiza o se presenta) cuando en el experimento
aleatorio se obtiene uno de los resultados elementales que forman parte de dicho
suceso. Ej. Si al lanzar un dado se obtiene el número 3, diremos que ha ocurrido o se ha
realizado el suceso A anterior. Si se obtiene un 2, diremos que no se ha realizado el
suceso A.
• Tipos de sucesos:
– Suceso elemental, simple o punto muestral: cada uno de los resultados
posibles del espacio muestral. Ejemplo: {5}.
– Suceso compuesto: el resto de los sucesos; los que constan de dos o
más sucesos elementales. Ejemplo: “salir menor que tres al lanzar un
dado” = {1,2}
– Suceso seguro, cierto o universal (E): es el formado por todos los
sucesos elementales. Es el suceso que siempre sale o se realiza.
Ejemplo: E={1,2,3,4,5,6}
– Suceso imposible: es el que no tiene ningún elemento del espacio
muestral. Se representa mediante el símbolo del conjunto vacío ( ). Es el
suceso que nunca puede ocurrir.
• Suceso contenido en otro A  B.
Se dice que un suceso A está contenido en
otro B, A  B , cuando todo elemento de A
es también elemento de B y, por tanto, la
realización de A implica también la
realización de B. Ejemplo: salir 2 está
contenido en salir par {2, 4, 6} porque si
sale el 2 implica que sale par.

• Igualdad de sucesos A = B
Dos sucesos A y B son iguales cuando todo suceso elemental
de A lo es de B y viceversa, es decir, A  B y B  A.

• Suceso Contrario o Complementario

Se llama suceso contrario (complementario) de un
suceso A al formado por los elementos que no están
en A. El suceso complementario se denota como Ā o
bien Ac. El suceso complementario de A es el que se
realiza cuando no se realiza A. El suceso Ā ocurre
cuando el suceso A no ocurre.
 Operaciones con sucesos
 Unión de sucesos A  B
Es el suceso compuesto por los sucesos que están en A,
en B o son comunes a ambos; es decir, el suceso
formado por los elementos que están en alguno de los
dos.
• Ejemplo: si A={1,2,3} y B={2,3,4} entonces A  B = {1,2,3,4}
Ocurre el suceso AUB si ocurre AL MENOS uno de los
dos sucesos

 Intersección de sucesos A  B
Es el suceso formado por todos los elementos
que pertenecen a A y B simultáneamente.
Ejemplo: con los sucesos anteriores,
A  B ={2,3}

Sucesos incompatibles, excluyentes o disjuntos.

E espacio muestral
Dos sucesos A y B son incompatibles cuando la
realización de uno impide la realización del otro, es decir,
no tienen ningún elemento en común: A  B =  A
– Ejemplo: A={1,2} y B={3,4,5} son sucesos B
incompatibles.
 Diferencia de Sucesos

• Diferencia de sucesos A \ B  A  B c • Diferencia de sucesos B \ A  B  A c

A A B
B

Ejemplo: si A={1,2,3,4} y B={3,4,5} A \ B={1,2} y B \ A={5}

• Diferencia simétrica de sucesos AB

Ejemplo: si A={1,2,3,4} y B={3,4,5} A ∆ B={1,2,5}

 Sistema completo de sucesos
(exhaustivo y excluyente)

A1 A2 Es una colección de n sucesos

A1, A2, A3, A4…,An

Tales que la unión de todos ellos forman el

espacio muestral,

y sus intersecciones dos a dos son disjuntas:

A3 A4
A1
Ejemplo: A={1,2} B={3,4} y C={5,6} son tres
sucesos que forman un sistema completo de E=Suceso A2
sucesos en el espacio muestral formado por la seguro
puntuación al lanzar un dado. A3
En este mismo experimento, los sucesos
A={pares} y B={impares} también forman un A4
sistema completo de sucesos.
3. Concepto de Probabilidad
Intuitivamente tenemos adquirida la idea de probabilidad. Se trata de una
medida numérica de la posibilidad que tiene un suceso de ocurrir.
En los fenómenos aleatorios, la interpretación de probabilidades puede
sintetizarse de la siguiente forma:

 Las probabilidades son números comprendidos entre 0 y 1, ambos

inclusive, que reflejan las expectativas con respecto a que un suceso
físico determinado ocurra.
 Probabilidades próximas a 1 indican que es de esperar que ocurran los
sucesos de que se trate. No indican que el suceso vaya a producirse,
sólo que es un tipo de suceso que generalmente se produce. El suceso
seguro (E) tiene probabilidad 1.
 Probabilidades próximas a 0 indican que no es de esperar que ocurran
los sucesos de que se trate. No indican que el suceso no vaya a
producirse, sólo que este tipo de sucesos se considera raro. El suceso
imposible tiene probabilidad 0.
 Probabilidades próximas a 1/2 indican que es tan verosímil que el
suceso se produzca como que no.
Pregunta-Reflexión:
¿Qué podemos considerar como una probabilidad grande o pequeña?

 La probabilidad de acertar una quiniela de lotería

primitiva es 1/13983816=0,000000071.

La probabilidad de que un paciente supere sin

problemas una gripe es 0,76.

El cirujano nos informa que la probabilidad de que se

complique la operación es 0,15.

Interesante: Kahneman, D. (2011). Pensar rápido pensar despacio. Debate

Kahneman: Premio Nobel de Economía
 El concepto de probabilidad no es único. Existen diferentes enfoques o
nociones de probabilidad. Expondremos sólo algunas. En sus
orígenes la probabilidad aparece vinculada a los juegos de azar.

Este cuadro, pintado por Murillo (1618-

1682), representa a unos niños jugando a los
dados en la calle. Desde la antigüedad, el
hombre se ha distraído con diferentes juegos
de azar.
Los juegos de azar fueron el origen de la
teoría de probabilidades. Ahora bien, esta
teoría matemática no solo se ocupa de los
problemas asociados a este tipo de juegos,
sino que junto con la estadística interviene en
otros ámbitos de la vida como, por ejemplo,
el estudio sobre expectativas de vida con el
fin de fijar las primas de seguros, o el estudio
de las previsiones de voto ante unas
elecciones, o el estudio de marketing a la hora
de lanzar un nuevo producto, etc.
• Siglo XVI Aparecen los primeros estudios sobre la probabilidad

Gerolamo Cardano (1501-1576) como consecuencia de los Galileo Galilei (1564-1642)

estudios sobre combinatoria, desarrollados junto a Tartaglia publica “Considerazioni sopra il
(1500-1557), publica el “liber de ludo aleae” (libro de los gioco di dadi”.
juegos de azar).
• Siglo XVII Origen de la teoría de la probabilidad
– Antonio Gombaud (1610-1685) conocido como el caballero de la Mere, plantea una serie de problemas a
Blaise Pascal (1623-1662) y a Pierre de Fermat (1601-1665) que resuelven de forma separada, dando origen
al cálculo de probabilidades.
– Cristian Huygens (1629-1695) interesado por los trabajos de Pascal y Fermat publica “De ratiociniis in ludo
alea”.
https://www.elmundo.es/elmundolibro/2003/10/24/no_ficci
on/1066995551.html
 Diferentes Enfoques de probabilidad
Enfoque Subjetivo (bayesiano)
Ejemplo 1: Un paciente sufre de cálculos renales. Su médico está
planteándose el llevar a cabo una intervención quirúrgica y debe
responder a la siguiente pregunta:

¿Cuál es la probabilidad de que la operación sea un éxito?

La particular combinación
Juicio de valores: estimación
de factores que intervienen
personal
es una peculiaridad de este
paciente

Enfoque Subjetivo (bayesiano): Grado de certeza que se

posee sobre un suceso. Es personal.
Da lugar a una rama de la Estadística:
Estadística Bayesiana
 Enfoque Frecuentista (objetivo)

Ejemplo 2:

2.1 Un investigador trabaja en un nuevo tratamiento para hacer frente a

una enfermedad. De 200 enfermos sometidos a prueba, 180 presentaron
una mejora después de recibir el tratamiento.

Es natural suponer, entonces, que la probabilidad de que ocurra lo mismo en

otro enfermo que reciba el mismo tratamiento es de, aproximadamente,
180/200=0.90

Sobre la base de este estudio, se informa de que el tratamiento es efectivo

en un 90% de los casos  Frecuencia Relativa (%)

Enfoque Frecuentista (objetivo): Probabilidad de un suceso se

define como la frecuencia relativa de veces que ocurriría el
suceso al realizar un experimento un número (n) muy elevado
de veces.
 2.2

Enfoque Frecuentista

nA
P  A  lim
número de veces que ocurre A
 lim
n  n n  número de veces que se realiza el experimento

La probabilidad de un suceso A es el límite al que tiende la frecuencia

relativa del suceso cuando el número de experimentos tiende a infinito.
(Bernouilli)
A esta definición frecuentista de probabilidad se le llama también
probabilidad a posteriori ya que sólo podría darse la probabilidad de un
suceso después de repetir y observar un número grande de veces el
experimento.
 Enfoque Laplaciano (clásico)
Ejemplo 3:

 3.1 Lanzamiento de un dado

     3 1
P    1
  ; P( par)  P   ó

ó     0.5
   6         6 2

 3.2 ¿Cuál es la probabilidad de que un niño nacido de una pareja,

cada uno de cuyos miembros posee alelos para ojos castaños y para
ojos azules, tenga los ojos castaños?

Posibilidades en niño:
(castaño, azul) (azul, castaño) (azul, azul) (castaño, castaño)
(el alelo que aparece en primer lugar en cada pareja procede del padre)

 Alelo dominante: castaño 3 de las 4 combinaciones dan como

resultado ojos castaños

 Las cuatro alternativas son equiprobables: P(hijo con ojos castaños)=3/4=0.75

 Enfoque Laplaciano (clásico) : En los experimentos con un
conjunto finito de posibles resultados equiprobables, la probabilidad
de un suceso A se calcularía como el número de resultados que
son favorables al suceso A dividido por el número posible de
resultados del experimento.

Regla de Laplace:
número de casos favorables al suceso A
P( A) 
número de casos posibles de E
 4. Definición Axiomática de Probabilidad
(Kolmogorov, 1933)

En particular si A y B son sucesos incompatibles, entonces p(AB) = p(A) + p(B)

Propiedades de la Probabilidad
(consecuencias de los axiomas o teoremas elementales)

 Teorema 1. P()  0
 Teorema 2. P( Ac )  1  P( A)
 Teorema 3. Si A  B  P( A)  P( B)
y además P ( B \ A)  P( B)  P( A)

 Teorema 4. P( A)  1

 Teorema 5. Si A y B son dos sucesos cualesquiera , entonces

P( A  B)  P( A)  P( B)  P( A  B)

 Teorema 6. Siempre se verifica que P( A  B)  P( A)  P( B)

 Teorema 7. P( A  B  C )  P( A)  P( B)  P(C )
 P( A  B)  P( A  C )  P( B  C )
 P( A  B  C )
Ejemplo





 E espacio muestral Se puede imaginar la probabilidad de un suceso como el
A tamaño relativo con respecto al total (suceso seguro)

5. Probabilidad Condicionada
 Dado un suceso B con P(B)>0, se define la probabilidad de A
condicionada a B, o probabilidad de A sabiendo que se ha realizado B:
E espacio muestral

P( A  B)
P( A / B)  A
P( B) B

 Se puede comprobar que la probabilidad condicionada verifica los axiomas de

Kolmogorov
 Error frecuentíiiiiiisimo:
 Confundir probabilidad condicionada con intersección.
 En ambos casos se mide, efectivamente, la intersección, pero…
 En P(A∩B) con respecto a P(E)=1

 En P(A|B) con respecto a P(B)

Intuir la probabilidad condicionada

A A

B
B

P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(A∩B) = 0,10 P(A∩B) = 0,08

¿Probabilidad de A sabiendo que ha pasado B?

P(A|B)=1 P(A|B)=0,8
Intuir la probabilidad condicionada

A A

B
B

P(A) = 0,25 P(A) = 0,25

P(B) = 0,10 P(B) = 0,10
P(A∩B) = 0,005 P(A∩B) = 0
¿Probabilidad de A sabiendo que ha pasado B?
P(A|B)=0,05 P(A|B)=0
Probabilidad Compuesta (Regla de la multiplicación)
Si P(B)  0 ,
P( A  B) P( A  B)  P( A | B) P( B)
P( A | B) 
P( B)
Si P( A)  0 ,
P( A  B) P( A  B)  P( B | A) P( A)
P( B | A) 
P( A)

En general, si A1 , A2 , A3 ,..., An con P( A1  A2  ...  An1 )  0 ,

tenemos

P( A1  A2  ...  An ) 
 P( A1 ) P( A2 | A1 ) P( A3 | A1  A2 )·....·P( An | A1  ...  An 1 )
 Ejemplos
 Para solicitar una prestación social acuden 10 personas, 6 de ellas son
hombres ¿cuál es la probabilidad de que las tres primeras personas que
sean atendidas en la consulta sean mujeres?
Solución:
4 3 2 24
P( M 1  M 2  M 3 )  P( M 1 ) P( M 2 / M 1 ) P( M 3 / M 1  M 2 )    0, 0333
10 9 8 720

 Una empresa de productos lácteos elige a sus proveedores de la siguiente

manera: en cada ganadería selecciona al azar cinco reses a las que somete
a un examen veterinario exhaustivo. La empresa firma un contrato con
esta ganadería si todas las reses seleccionadas superan el examen.
a) Calcule la probabilidad de que se firme el contrato con una ganadería
compuesta por 150 reses de las que sólo 30 no están en condiciones
de superar el examen
b) ¿Cuál será la probabilidad de que se descarte firmar el contrato al
examinar la tercera res?
 Solución:

a ) P( firmar contrato)  P(las 5 reses sup eran examen) 

 P( S1  S 2  S3  S 4  S5 )
 P( S1 ) P( S 2 / S1 ) P( S3 / S1  S 2 ) P ( S 4 / S1  S 2  S3 ) P ( S5 / S1  S 2  S3  S 4 )
120 119 118 117 116
 · · · ·  0,3221
150 149 148 147 146

b)
120 119 30
P( S1  S 2  S3 )  P ( S1 ) P( S 2 / S1 ) P( S3 / S1  S 2 )  · ·  0,1295 0,13
150 149 148

 6. Independencia de Sucesos
 Dos sucesos son independientes si el que ocurra uno, no añade
información sobre el otro. Es decir, la realización o no realización de uno
de ellos no tiene efecto alguno sobre la realización del otro.

 Con las probabilidades condicionadas se tiene lo siguiente:

 cuando P(A/B) > P(A), entonces el suceso B favorece al suceso A;
es decir, la información que se tiene sobre la ocurrencia del suceso B
tiene algún efecto sobre la ocurrencia del suceso A haciéndolo más
probable.
Ej. : si se sabe que ha salido par al lanzar un dado, aumenta la probabilidad de que
salga 2
P( {2} / par ) = 1/3 > 1/6 = P( {2} )

 cuando P(A/B) < P(A), entonces el suceso B “perjudica” al suceso

A; la ocurrencia de B hace menos probable la ocurrencia del A
Ej. : si se sabe que ha salido impar al lanzar un dado
P( {2} / impar ) = 0 < 1/6 = P( {2} )

 cuando P(A/B) = P(A), entonces la ocurrencia del suceso B no tiene

ningún efecto sobre la ocurrencia del suceso A
Caracterización de la Independencia
Dos sucesos A y B son independientes si se verifica una
cualquiera de las siguientes condiciones equivalentes:

• P(A|B) = P(A) , P(B)>0

• P(B|A) = P(B) , P(A)>0
• P(A ∩ B) = P(A) P(B)
Observación: las tres condiciones son equivalentes; si se verifica una
de ellas se verifican las tres.
https://errorjurado.blogspot.com/2013/03/caso-sally-
clark.html
Ejemplo
7. Teorema de la Probabilidad Total
En un sistema completo de sucesos A1, A2, A3, A4… (exhaustivos y
excluyentes) , Todo suceso B, puede ser descompuesto en componentes
de dicho sistema.
B = (B∩A1) U (B∩A2 ) U ( B∩A3 ) U ( B∩A4 )
A1 A2
sucesos disjuntos
(“Divide y vencerás”)

A1 B
B
A2 B
Suceso
seguro
A3 A4 A3 B

A4 B
Nos permite descomponer el problema B en
subproblemas más simples.
 Si conocemos la probabilidad de B en cada uno de
los componentes de un sistema exhaustivo y
excluyente de sucesos, entonces…
A1 A2
… podemos calcular la probabilidad de B.
P(B|A1)
A1 B
P(A1)

B P(A2) P(B|A2)
A2 B
Suceso
seguro P(A3)
P(B|A3)
A3 B
A3 A4 P(A4)
P(B|A4)
A4 B

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

=P(A1) P(B|A1) + P(A2) P(B|A2)+ …

 Teorema de la probabilidad total
Dado un sistema completo de sucesos, es decir:
A1  A2  A3  ...  An = E y Ai  Aj =  si i ≠ j,
y tales que P(Ai)>0 , i=1,2,…,n,
entonces, para cualquier suceso B se verifica:
n
P( B)   P( Ai ).P( B / Ai )
i 1
Demostración:
B  B  E  B  ( A1  A2  ...  An ) 
 ( B  A1 )  ( B  A2 )  ...  ( B  An )
unión de sucesos disjuntos
Entonces, utilizando el axioma 3º de Kolmogorov y la
regla de la multiplicación se tiene :
P( B)  P  ( B  A1 )  ( B  A2 )  ...  ( B  An )  
 P( B  A1 )  P( B  A2 )  ...  P( B  An ) 
 p ( A1 ). p ( B / A1 )  p( A2 ). p( B / A2 )  ...  p( An ). p( B / An )
Ejemplo (I): En un aula el 70% de los alumnos son mujeres. De ellas
el 10% son fumadoras. De los hombres, son fumadores el 20%.

T. Prob. Total.
Hombres y mujeres forman un sist. Exh. Excl. de Fuma
sucesos 0,1
¿Qué porcentaje de fumadores hay?
P(F) = P(M∩F) + P(H∩F) Mujer
0,7 0,9
No fuma
= P(M)P(F|M) + P(H)P(F|H)
Estudiante
=0,7 x 0,1 + 0,3 x 0,2
0,3 0,2
Fuma
= 0,13 → 13% Hombre

•Los caminos a través de nodos representan 0,8

intersecciones. No fuma

•Las bifurcaciones representan uniones disjuntas.

Ejemplo (II): En un centro hay dos quirófanos. El 1º se usa el 75%
de veces para operar. En el 1º la frecuencia de infección es del
5% y en el 2º del 10%.

Infec
0,05
 ¿Qué probabilidad de infección hay?
 P(I) = P(Q1∩I) + P(Q2∩I) Q1
0,95
0,75
= P(Q1)P(I|Q1) + P(Q2)P(I|Q2) No infec

=0,75 x 0,05 + 0,25 x 0,1 Paciente

= 0,0625 0,25 0,1

Infec
Q2

0,9
T. Prob. Total.
Los dos quirófanos forman un sist. Exh. Excl. de No infec
sucesos
Ejemplo (III): El 20% del tiempo que se está en una casa transcurre
en la cocina, el 10% en el baño y el resto entre el salón y el
dormitorio. Por otro lado la probabilidad de tener un accidente
doméstico estando en la cocina es de 0,30 de tenerlo estando en
el baño es de 0,20 y de tenerlo fuera de ambos de 0,10. ¿Cuál
es la probabilidad de tener un accidente doméstico?
Acc
0,30

No Acc P(A) = P(A∩C) + P(A∩B) + P(A∩R) =

Cocina
0,20 0,70
P(C)P(A|C) + P(B)P(A|B) + P(R)P(A|R)
Acc

0,10
0,20 =0,2 x 0,3 + 0,1 x 0,2 + 0,7 x 0,1 =
Casa Baño No Acc
0,15 15%
0,80

0,70 0,10 Acc

Resto
No Acc
0,90
 8. Teorema de Bayes
Si conocemos la probabilidad de B en
cada uno de los componentes de un
sistema exhaustivo y excluyente de
A1 A2 sucesos, entonces…

…si ocurre B, podemos calcular la

probabilidad (a posteriori) de ocurrencia
de cada Ai.
B
P(B  A i ) P(B /A i )P(A i )
P(A i |B)  
P(B) P(B)
A3 A4

donde P(B) se puede calcular usando el teorema de la probabilidad total:

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

=P(B|A1) P(A1) + P(B|A2) P(A2) + …

 Teorema de Bayes
Dado un sistema completo de sucesos, es decir:
A1  A2  A3  ...  An = E y Ai  Aj =  si i ≠ j,
y tales que tales que P(Ai)>0, i=1,2,…,n
entonces, para cualquier suceso B, se verifica:
P( Ai ).P( B / Ai )
P( Ai / B)  n

 P( A ).P( B / A )
i 1
i i

en donde:
p(Ai) se denominan “probabilidades a priori”.
P(Ai/B) se denominan “probabilidades a posteriori” y
P(B/Ai) se denominan “verosimilitudes”.

Demostración:
P( Ai  B) P( Ai ).P( B / Ai ) P ( Ai ).P ( B / Ai )
P( Ai / B)    n
 P( Ai ).P( B / Ai )
P( B) Multiplic
regla P( B) T .Pr ob
Total
i 1
Ejemplo (IV): En un aula el 70% de los alumnos son mujeres. De ellas
el 10% son fumadoras. De los varones, son fumadores el 20%.

 ¿Qué porcentaje de fumadores hay?

 P(F) = =0,7 x 0,1 + 0,3 x 0,2 = 0,13
 (Resuelto antes) Fuma
0,1
 Se elije a un individuo al azar y es… fumador
¿Probabilidad de que sea un hombre? 0,7 Mujer
0,9
No fuma
Estudiante

0,3 0,2
P( H  F ) P( H )  P( F | H ) Fuma
P( H | F )    Hombre
P( F ) P( F )
0,3  0,2
  0,46 0,8
0,13 No fuma
Ejemplo (V): En un centro hay dos quirófanos. El 1º se usa el 75%
de veces para operar. En el 1º la frecuencia de infección es del
5% y en el 2º del 10%.
 ¿Qué probabilidad de infección hay? P(I) = 0,0625 (ya calculado
antes)
 Se ha producido una infección, ¿Qué probabilidad Infec
0,05
hay de que sea en el Q1?
Q1
0,75 0,95
No infec
Paciente

0,25 0,1
P (Q1  I ) P (Q1)  P ( I | Q1) Infec
P(Q1 | I )    Q2
P( I ) P( I )
0,75  0,05 0,9
  0,6
0,0625 No infec
Ejemplo (VI): El 20% del tiempo que se está en una casa transcurre
en la cocina, el 10% en el baño y el resto entre el salón y el
dormitorio. Por otro lado la probabilidad de tener un accidente
doméstico estando en la cocina es de 0,30 de tenerlo estando en
el baño es de 0,20 y de tenerlo fuera de ambos de 0,10. Se ha
producido un accidente, ¿cuál es la probabilidad de que haya
sido en la cocina?
P(A) = 0,15 (ya calculado)
Acc
0,30

P(C  A) P(C )  P( A | C )
0,20
Cocina
0,70
No Acc
P(C | A)   
P( A) P( A)
0,20  0,30
Acc

0,10
0,20
  0,4
Casa Baño No Acc 0,15
0,80

0,70 0,10 Acc

Resto
No Acc
0,90
Ejemplo (VII):