Guía de estudio.

Elementos de
Probabilidad
Profesora Rita García Rentería

Bloque II. Elementos de probabilidad 3

2.1. Antecedentes históricos 3
2.2. Modelos matemáticos 3
2.3. Fenómenos aleatorios y determinísticos 3
2.4. Espacio muestral 4
2.5. Eventos elementales y compuestos 4
2.6. Álgebra de eventos 4
2.7. Diagramas de árbol 5
2.8. Relaciones y operaciones de los conjuntos 5
2.8.1. Igualdad de eventos 5
2.8.2. Subconjunto de eventos 5
2.8.3. Eventos mutuamente excluyentes 6

1
 2.8.4. Operaciones de eventos 6
2.8.5. Diferencia entre eventos 6
2.8.6. Evento complementario 7
2.8.7. Operaciones entre eventos 7
2.8.8. Ejercicios sugeridos: 8
2.9. Definición estadística, clásica y axiomática de probabilidad 8
2.10. Cálculo de probabilidad 10
2.11. Construcción intuitiva de la probabilidad condicional 11
2.12. Definición de la probabilidad condicional 12
2.13. Teorema de multiplicación y eventos independientes 14
2.14. Teorema de probabilidad total 14
2.15. Teorema de Bayes 15
Referencias 15

2
Bloque II. Elementos de probabilidad

2.1. Antecedentes históricos

Desde el inicio de la humanidad, hemos tenido contacto con situaciones aleatorias. Estas
experiencias, naturales (como conocer el clima) o generadas por el humano (como los
juegos), han sido observadas desde la antigüedad. Por ejemplo, los egipcios practicaban
juegos de azar desde el año 3500 a.C., se han encontrado dados con antigüedad de 2000
a.C. (Gutiérrez & Vladimirovna, 2014). Así, desde su aparición, los juegos con incertidumbre
han promovido la participación de matemáticos para calcular las probabilidades de éxito o
error dentro de un juego o evento. Formalmente la creación de la probabilidad se le atribuye
a Blaise Pascal (1623-1662) y Pierre de Fermat (1601-1665), cuando determinaron las
probabilidades exactas para cierto experimento en juegos de dados.

Los personajes destacados que han contribuido al desarrollo de metodologías probabilísticas

son: Gerolamo Cardano y Galileo Galilei en el siglo XVI; Blaise Pascal, Pierre de Fermat,
Jean y Jacques Bernoulli y De Moivre en el siglo XVII; Daniel Bernoulli, Kart Friedrich Gauss
y Siméon Denis Poisson en el siglo XVIII; A. Markov, Chebyschev y Liapunov en el siglo XX;
y Andréi Kolmogórov, en 1933, quien es considerado como el mayor contribuidor a la
probabilidad, al introducir la teoría de la medida en el cálculo de probabilidades.

Como resultado de estos años de innovación analítica, se desarrolló la Probabilidad, que se

define como “la rama de las matemáticas que se ocupa de determinar cuantitativamente la
posibilidad de que ocurra un determinado suceso” (Gutiérrez & Vladimirovna, 2014).

2.2. Modelos matemáticos

Un modelo matemático es la representación simbólica de un fenómeno en lenguaje algebraico
o matemático, con el fin de analizarlo. Los modelos matemáticos pueden clasificarse en
determinísticos y probabilísticos.

2.3. Fenómenos aleatorios y determinísticos

El modelo determinístico permite manipular los factores que intervienen en el estudio y con
eso predecir los resultados, por ejemplo, un experimento científico donde controlas todos los
parámetros. Mientras que un modelo probabilístico describe situaciones de las que no se
pueden predecir los resultados porque los factores que intervienen no están siendo
controlados, por ejemplo, los juegos de azar, el control de calidad de un producto, calcular el
lugar de caída de un satélite que se salió de órbita y muchos eventos cotidianos.

Un experimento o fenómeno aleatorio es el proceso de obtención de una observación en la

que (Gutiérrez & Vladimirovna, 2014):
a) Todos los resultados posibles son conocidos.
b) El resultado es desconocido con anterioridad.
c) Es posible repetir el experimento en condiciones ideales.

3
2.4. Espacio muestral
Al conjunto de todos los resultados posibles de un experimento se le conoce como espacio
muestral (S) (Walpole, Myers, Myers, & Ye, 2012), cada uno de sus elementos se denominan
puntos muestrales. Como ejemplo tenemos el lanzamiento de una moneda que se realiza tres
veces. El espacio muestral está representado por a, en el caso de águila, y por s, en el caso
de cara o sol. Matemáticamente, el modelo se denota: S = {sss, ssa, sas, ass, saa, asa, aas,
aaa}, los puntos muestrales son todos los posibles resultados y combinaciones.

2.5. Eventos elementales y compuestos

Se define como evento (E) al subconjunto de resultados posibles del espacio muestral, S.
Cuando el evento describe solo a un elemento del espacio muestral, se llama evento simple.
Lo entenderemos con el ejemplo del lanzamiento de moneda: se lanza una moneda tres
veces y se anotan los resultados posibles. Sea el evento E: “Aparece una sola águila”.
E = {ssa, sas, ass}
La probabilidad compuesta es la probabilidad de que ocurran dos eventos. Los eventos
pueden ser dependientes (el resultado del primer evento afecta el resultado del segundo
evento, como retirar un naipe de su baraja, afectará el siguiente tiro) o independientes (el
resultado del primer evento no afecta el resultado del segundo evento, como al retirar un
naipe del mazo, pero reemplazándolo antes de sacar otro, se analizarán con más detalle en
los apartados 2.11 y 2.13.

2.6. Álgebra de eventos

Se conoce como álgebra de eventos a la construcción de un modelo matemático que describa
los resultados obtenidos para los espacios muestrales y eventos. El espacio muestral se
denota como S, los eventos con letras mayúsculas, A, B, C; los resultados del experimento
que cumplen las condiciones del evento se representan con letras minúsculas a, b, c. Los
eventos se representan con llaves, dentro de las que se escriben sus elementos:
A= {x | x es el lado que queda arriba al lanzar un dado}; A= {1, 2, 3, 4, 5, 6}.

Los eventos pueden ser finitos, cuando se conocen los resultados y se pueden contar (por
ejemplo: Evento A= obtener un número par al lanzar un dado; A= {2, 4, 6}); vacíos, cuando
no hay resultados posibles para el evento (A= lanzar 7 en un dado; A= {Ø}) (Gutiérrez &
Vladimirovna, 2014); e infinitos, cuando se desconoce el número de resultados o no es
posible contabilizarlos (ejemplo: Evento A= número de tiros hasta obtener un 6 en un dado,
pueden ser uno o muchos tiros, no se sabe A={1,2,3,…}). La representación gráfica (fig.1) del
concepto de un evento se puede apreciar en el siguiente ejemplo (Rodríguez Ojeda, 2007):
A= Obtener un número par al lanzar un dado.
A= {2,4,6}

4
 Fig. 1. Diagrama de Venn, del evento.

El soporte matemático que sustenta el estudio de eventos es la teoría de conjuntos (σ).

Entendemos por conjunto a una colección de datos que son distinguibles objetivamente, por
ejemplo, los colores del arcoíris, las vocales o las mujeres que conforman la plantilla de una
empresa. Para definir un conjunto de eventos matemáticamente, se enlistan todos los
sucesos posibles. Por ejemplo, las dos tiradas de una moneda serán diferentes, el suceso se
escribe matemáticamente como: A= {CX, XC}, mientras que el conjunto de eventos posibles,
es decir todos los resultados que se pueden obtener al lanzar la moneda dos veces: A= {XX,
XC, CX, XC}.

2.7. Diagramas de árbol

Una herramienta que ayuda a construir la expresión matemática de los conjuntos de eventos
son los diagramas de árbol (fig. 2).

Fig. 2. Diagrama de árbol del lanzamiento de moneda 2 veces.

Para el espacio muestral S= {C, X} (combinaciones posibles al lanzar dos veces la moneda),
el conjunto de eventos se define como: S= {Ø, {C}, {X}, {C, X}}. Dónde {C} y {X} representan
los resultados CC y XX, y {C, X} representa los resultados CX y XC, dando la notación: S=
{CC, CX, XC, XX}. El Ø es considerado en la primera notación porque en el modelo
matemático deben tomarse en cuenta los eventos imposibles o vacíos. Así el número de
eventos que componen al total del conjunto se puede calcular como: |σ|= 2n, siendo n el
número de elementos del posible resultado (cara C o cruz X, dos resultados), en este caso:
|σ|= 22 = 4.

2.8. Relaciones y operaciones de los conjuntos

2.8.1. Igualdad de eventos

Un evento A es igual al evento B si cada elemento de uno es elemento del otro, por ejemplo,
A= {a, b, c, d}, B= {d, b, a, c}. Entonces: A = B.

2.8.2. Subconjunto de eventos

Un conjunto A es subconjunto del conjunto B, si cada elemento de A es elemento de B,
aunque B tenga más elementos, por ejemplo: A= {a, e, f}, B= {a, b, c, d, e, f). Se representa

5
como: A ⊂ B, y se lee como “A está contenido en B” (Gutiérrez & Vladimirovna, 2014). Se
representa en el diagrama de Venn de la fig. 3.

2.8.3. Eventos mutuamente excluyentes

A y B tienen resultados diferentes (A = {a, e, i, o, u}, B = {b,c,d,f,g,h,…,z}). Se representa
como A ∉ B, y se puede apreciar en el Diagrama de la Fig. 4.

Fig 3. Diagrama de Venn de la Fig. 4. Diagrama de Venn de la relación

relación A ⊂ B. A ∉ B.

2.8.4. Operaciones de eventos

Unión de subconjuntos: A y B son parte del mismo experimento, por lo que deben analizarse
juntos, así se consideran la suma o unión de los eventos A y B como A ∪ B (A unión B). Se
aprecia en el diagrama de la fig. 5. El grupo de A y B son del mismo color porque todos los
datos conforman la unión de A y B. Por ejemplo, se tira un dado dos veces, A= {1, 3, 5} y B=
{1, 2, 3, 4}, así A ∪ B = {1, 2, 3, 4, 5}, nótese que el espacio muestral S= {1, 2, 3, 4, 5, 6}.

Intersección de subconjuntos. Uno o algunos elementos de A se encuentran en B, por

ejemplo, A = {2, 4, 6} y B = {4, 5, 6}, tanto en A como B, el subconjunto {4,6} se repite. Esa es
la intersección de A y B y se representa como A ∩ B (A intersección B). Gráficamente se
aprecia en color verde en el diagrama de la fig. 6.

Fig. 5. Diagrama de Venn de Fig. 6. Diagrama de Venn de

la unión A ∪ B. la intersección A ∩ B.

2.8.5. Diferencia entre eventos

Sean los eventos A= {a, e, i, o, u} y B= {e, o, h, w}. A−B= {a, i, u} y B−A= {h, w}. Pero si A es
contenido en B (A ⊂ B), entonces A – B = Ø, por ejemplo: para los conjuntos A= {a, e, i}, B=
{a, b, c, d, e, f, g, h, i}, A – B= Ø. Pero B – A= {b, c, d, f, g, h).

6
2.8.6. Evento complementario
El complemento de un evento A son todos los datos que conforman al espacio muestral, pero
no pertenecen al evento A. Comúnmente se simboliza como Ac o A’. Se aprecia en la fig. 7
en color verde (nótese que incluye a B). Matemáticamente se simboliza como: A’ = {x| x ∈ S
y x ∉ A} (Gutiérrez & Vladimirovna, 2014), que se lee como: “el complemento (A’) del evento
A, son los datos (x) que pertenecen (∈) al espacio muestral (S) y esos datos de x no
pertenecen (∉) al evento A”.

Fig. 7. Representación de A’ (el complemento de A).

2.8.7. Operaciones entre eventos

Con base en las interacciones descritas en los puntos anteriores, se pueden efectuar las
operaciones entre eventos, a continuación, tenemos algunos ejemplos: Para los grupos de
datos: A= {2, 3, 5, 7, 11, 13, 17}, B= {5, 6, 7, 8, …, 30}, C = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}, D=
{−6, −4, …, 10, 12}. Calcular:

a) S = {-6, -4, -2, 0, 1, 2, 3, …, 30}

b) A ∪ B = {2, 3, 5, 7, 11, 13, 17} ∪ {5, 6, 7, 8, …, 30} = {2, 3, 5, 6, 7, 8, 9, …, 30}
c) A ∩ B = {2, 3, 5, 7, 11, 13, 17} ∩ {5, 6, 7, 8, …, 30} = {5, 7, 11, 13, 17}
d) C ∩ A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} ∩ {2, 3, 5, 7, 11, 13, 17} = {2, 3, 5, 7}
e) C ∪ D = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} ∪ {−6, −4, …, 10, 12}
= { -6, -4, -2, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12}.
f) A ∩ D = {2, 3, 5, 7, 11, 13, 17} ∩ {−6, −4, …, 10, 12} = {2}
g) A – B = {2, 3, 5, 7, 11, 13, 17} - {5, 6, 7, 8, …, 30} = {2, 3}
h) C – A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} - {2, 3, 5, 7, 11, 13, 17} = {0, 1, 4, 6, 8, 9}
i) AC = (S – A) = {-6, -4, -2, 0, 1, 2, 3, …, 30} - {2, 3, 5, 7, 11, 13, 17} =
= { -6, -4, -2, 0, 1, 4, 6, 8, 9, 10, 12, 14, 15, 16, 18, 19, 20, …, 30}
j) (A – B) ∩ C = [S - (A - B)] ∩ C = {-6, -4, -2, 0, 1, 2, 3, …, 30} – {2, 3} ∩ C
C

= {-6, -4, -2, 0, 1, 4, 5, 6, 7, 8, 9, …, 30} ∩ {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}

= {0, 1, 4, 5, 6, 7, 8, 9}
k) (A ∩ B) – (A ∩ D) C = {5, 7, 11, 13, 17}C – {2}C
C

= {-6, -4, -2, 0, 1, 2, 3, 4, 6, 8, 9, 10, 12, 14, 16, 18, 19, 20, …,
30} – {-6, -4, -2, 0, 1, 3, 4, 5, 6, …, 30}
= {2}
l) (B ∩ D) C ∩ C = {{5, 6, 7, 8, …, 30} ∩ {−6, −4, …, 10, 12}}C ∩ C
= {6, 8, 10,12}C ∩ C
= {-6, -4, -2, 0, 1, 2, 3, 4, 5, 7, 9, 11, 13, 14, 15, …, 30} ∩ {0, 1, 2, 3, 4,
5, 6, 7, 8, 9}
= {0, 1, 2, 3, 4, 5, 7, 9}

7
Una herramienta importante, en la resolución de operaciones en álgebra de eventos, son las
leyes que la rigen, Pueden ser apreciadas en la tabla siguiente:
Tabla 1. Leyes del álgebra de eventos (Walpole, Myers, Myers, & Ye, 2012).

2.8.8. Ejercicios sugeridos:

Para los eventos:
A= {0, 2, 4, 6, 8}
B = {1, 3, 5, 7, 9}
C = {2, 3, 4, 5}
D = {1, 6, 7}

1. Represente los conjuntos en un diagrama de Venn:

2. Calcule:
a. S
b. A ⋃ C
c. A ⋂ B
d. Cc
e. (Cc ⋂ D) ⋃ B
f. A ∩ C ∩ DC

2.9. Definición estadística, clásica y axiomática de probabilidad

La probabilidad indica el grado de certidumbre o certeza de que suceda un fenómeno o un
hecho, dadas determinadas circunstancias. Se expresa como un porcentaje.

La primera definición formal de probabilidad aparece en 1812, en la obra “Théorie Analytique

des Probabilités”, de Pierre Simon de Laplace. Esta definición está basada en el principio de
indiferencia, que establece que, en cualquier situación de incertidumbre, las distintas
alternativas deben considerarse equiprobables si no hay razón para esperar una más que
otra, es decir, cada evento simple del espacio muestral tiene la misma probabilidad de ocurrir.
Esta se consideró por mucho tiempo como la definición clásica de la probabilidad. Entonces,
el valor de la probabilidad de un evento puede ser asignada de la siguiente manera
(Rodríguez Ojeda, 2007):

8
Para S: espacio muestral, A: evento de interés, N(S) y N(A) representa el número de puntos
muestrales del espacio muestral y del evento.
𝑵(𝑨)
P (A) = 𝑵 (𝑺)
Por ejemplo: Calcule la probabilidad de lanzar un dado y una moneda al mismo tiempo y se
obtenga un número impar y cruz (X).
S = {1C, 2C, 3C, 4C, 5C, 6C, 1X, 2X, 3X, 4X, 5X, 6X}
A = {1X, 3X, 5X}
𝑵(𝑨)
P (A) = 𝑵 (𝑺) = 3/12 = 0.25 = 25%
25 % es la probabilidad de obtener un número impar y cruz al lanzar una moneda y un dado
al mismo tiempo.

Ejercicio: En un grupo de 15 personas, 7 leen la revista A, 5 la B y 6 ninguna. Encuentre la

probabilidad que al elegir al azar una persona, ésta lea al menos una revista (E). Nota: puede
haber personas que leen las dos revistas.

Solución: Para este tipo de ejercicios, conviene tabular los datos, para encontrar el total de
los puntos de muestreo (los datos en color azul son calculados por restas.
Leen B No leen B
Leen A 3 4 7
No leen A 2 6 8
5 10 15

Así tenemos que 3 personas leen A y B; 4 personas no leen B, pero leen A y 2 personas Leen
B y no A.
N (S) = 15
N (E) = 3 + 2 + 4 = 9
𝑵(𝑬)
P (E) = = 9/15 = 0.6 = 60 %
𝑵 (𝑺)

En 1933, Andréi Kolmogórov estableció las bases de una teoría axiomática de la probabilidad.
Un axioma, para los filósofos griegos, era aquello que parecía ser verdadero sin ninguna
necesidad de prueba. Estos axiomas permitieron definir una medida de la posibilidad de
ocurrencia de un evento.

En la grafía de los axiomas, la letra P se utiliza para designar la probabilidad de un evento,

siendo P(A) la probabilidad de ocurrencia de un evento A en un experimento. Con eso
podemos definir los 3 axiomas:
1. P (A) ≥ 0. La probabilidad de un evento no puede ser negativa.
2. P (S) = 1; P (A) + P (B) = 1. La suma de las probabilidades de todos los eventos
mutuamente excluyentes dentro del espacio muestral (A no contiene a B, ni B contiene
a A), es = 1.
3. P (A ⋃ B) = P (A) + P (B). Si dos eventos son mutuamente excluyentes, la
probabilidad de obtener A o B es igual a la suma de la probabilidad de A y la
probabilidad de B. Por ejemplo:

P (A ⋃ B) = P (A) + P (B)
P (A ⋃ B) = 0.5 + 0.5 = 1

9
Existen algunos teoremas que son aseveraciones que se cumplen en todos los cálculos de
probabilidad, están fundamentados en los axiomas y conocerlos es fundamental en el análisis
probabilístico:
a) La probabilidad de un evento vacío es cero. P(Ø) = 0
b) La probabilidad de un evento complemento EC es igual a 1 menos la probabilidad
de E: P (EC) = 1 – P (E)
c) Si el evento A está contenido en B (A ⊂ B), entonces la probabilidad de B será
mayor que la de A. P (A) ≤ P (B).
d) La probabilidad de un evento está entre cero y uno: 0 ≤ P(A) ≤ 1
e) La probabilidad de la diferencia de eventos:
P (A – B) = P(A)– P (A ⋂ B) = P (A ⋂ BC)
f) Regla aditiva de la probabilidad de eventos: P (A ⋃ B) = P (A) + P (B) – P (A ⋂ B),
para su comprensión, en la fig. 8 se representa la razón por la que se resta el elemento
P (A ⋂ B).

Fig. 8. Representación en diagrama de Venn de la regla aditiva de la probabilidad de eventos.

2.10. Cálculo de probabilidad

La probabilidad de un evento se evalúa utilizando un conjunto de números reales,
denominados pesos o probabilidades, que van de 0 a 1. La asignación de probabilidades a
cada evento del espacio muestral debe cumplir con los axiomas probabilísticos, de esta
manera es posible resolver:

1. Una moneda se lanza dos veces. ¿Cuál es la probabilidad de que ocurra al menos
una cara (C)?
Solución: para el lanzamiento de la moneda dos veces, el espacio muestral se define
por:
S = {CC, CX, XC, XX} (Revisar sección 2.7. Diagramas de árbol)
Asumimos que la moneda está balanceada, entonces cada uno de los resultados
tendrá las mismas probabilidades de ocurrir. Por lo tanto, asignamos una probabilidad
de ω a cada uno de los puntos muestrales, considerando los axiomas. Así tenemos
que:
4 ω = 1; ω = ¼.
Con este cálculo determinamos la probabilidad del evento A, la probabilidad de que
ocurra al menos una cara:
A = {CC, CX, XC}; P (A) = ¼ + ¼ + ¼ = ¾ = 0.75
2. Se lanza un dado con lados balanceados. Calcule la probabilidad de que salga 2 o 5
en este tiro.
S = {1, 2, 3, 4, 5, 6}; 6 ω = 1; ω = 1/6
A= {2,6}; P(A) = 1/6 + 1/6 = 2/6 = 1/3 = 0.33
3. Se lanza el dado del ejemplo anterior, en dos ocasiones. Calcule la probabilidad de
que en el primer tiro se obtenga un número par y en el segundo intento se obtenga

10
 un número divisible entre 3. Calcule la probabilidad de obtener A o B, P (A ∪ B), y la
probabilidad de obtener A y B, P (A ∩ B).
S = {1, 2, 3, 4, 5, 6}; 6 ω = 1; ω = 1/6
A= {2, 4, 6}, B= {3, 6}
P (A ∪ B) = {2, 3, 4, 6} y P (A ∩ B) = {6}
P (A ∪ B) = 1/6 + 1/6 + 1/6 + 1/6 = 4/6 = 0.66
P (A ∩ B) = 1/6 = 0.17
4. ¿Cuál es la probabilidad de obtener un total de 7 (evento A) u 11 (Evento B) al lanzar
dos dados al mismo tiempo?
S = {(1,1), (1,2), (1,3), …, (6,6)}; N (S) = 62 = 36
A = {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}; N(A) = 6
B = {(5,6), (6,5)}; N (B) = 2
Podemos resolverlo de manera axiomática:
36 ω = 1; ω = 1/36
P (A) = 6 * (1/36) = 6 /36 = 1/6
P (B) = 2 * (1/36) = 2/36 = 1/18
P (A ∪ B) = P (A) + P (B) = 1/6 + 1/18 = 2/9 = 0.22
También se puede resolver de manera clásica:
𝑵(𝑨)+𝑵 (𝑩) 𝟔+𝟐
P (A ∪ B) = 𝑵 (𝑺)
= 𝟑𝟔
= 8/36 = 2/9 = 0.22

2.11. Construcción intuitiva de la probabilidad condicional

La probabilidad condicional permite incorporar cambios en nuestro grado de certeza sobre
los sucesos aleatorios cuando adquirimos nueva información (Díaz & De la Fuente, 2005). En
otras palabras, el valor de probabilidad de un evento (A) depende de los valores de
probabilidad de otro evento (B). De manera intuitiva, se escribe la probabilidad condicional
como:
P (A / B) = P (A ∩ B) / P (B), siempre que P(B) >0.

Podremos entender la fórmula anterior, mediante la construcción de una tabla de eventos,

donde A es evento dependiente de B, n son los puntos muestrales de cada evento y N es el
número de elementos en el espacio muestral:

B BC
A n1 n2
AC n3 n4
N
Fig. 9. Diagrama de Venn
Entonces: que representa al evento A
dependiente de B.

11
2.12. Definición de la probabilidad condicional
En un esfuerzo por definir la probabilidad condicional, (Peña, 1986) establece que: “la
frecuencia relativa de A está condicionada a la ocurrencia de B, donde A ⋂ B representa la
ocurrencia del suceso conjunto de A y B”.

P (A / B) = P (A ∩ B) / P (B), siempre que P(B) >0.

Para comprender esta definición, debemos tomar en cuenta las siguientes propiedades:
1. P (A ∩ B) no es lo mismo que P (A / B), porque esta última depende también de la
probabilidad del evento de B.
2. La probabilidad conjunta P (A ∩ B) es siempre menor que las probabilidades simples
de P (A) y P (B).
3. La probabilidad condicionada P (A / B) puede ser mayor, menor o igual que P (A).
4. El espacio muestral de la probabilidad condicional P (A / B) se reduce al espacio
muestral de B, pues en esta probabilidad se considera solamente la probabilidad de
B y la probabilidad conjunta de P (A / B).

Reforzaremos los conceptos de la probabilidad condicional con los siguientes ejercicios:

1. Las enfermedades A y B son comunes entre las personas de una región. Se conoce que
10 % de la población contraerá la enfermedad A, 5 % B y 2 % ambas. Calcule la
probabilidad que cualquier persona:
a) Contraiga al menos una enfermedad
b) Contraiga A, pero no B
c) Contraiga A dado que ya contrajo B
d) Contraiga B dado que NO contrajo A
e) Contraiga ambas dado que ya contrajo al menos 1.
Para resolver, debemos recordar la notación algebraica de los eventos, los axiomas de la
probabilidad y la definición de la probabilidad condicional. Para empezar, tabularemos los
eventos:
B BC
A 0.02 0.1
AC
0.05 1
Recordemos que P (A) + P (B) = 1. Por lo que 10 % de 1 es: 0.1 (contrajo A), 0.05 contrajo B
y 0.02 ambas. Con esos datos se calculan los demás conceptos de la tabla:
B BC
A 0.02 0.08 0.1
AC 0.03 0.87 0.9
0.05 0.95 1

Con estos datos, podemos resolver los incisos, expresando cada pregunta de forma
algebraica y encontrando cada expresión en la tabla:
a) P (A ⋃ B) = P (A) + P (B) – P (A ⋂ B) = 0.1 + 0.05 – (0.02) = 0.13 = 13 %
b) P (A ⋂ BC) = 0.08 = 8 %
c) P (A / B) = P (A ∩ B) / P (B) = 0.02 / 0.05 = 0.4 = 40 %
d) P (B / AC) = P (B ∩ AC) / P (AC) = 0.03 / 0.90 = 0.3 = 3 %
e) P (A ∩ B) / P (A ⋃ B) = 0.02 / 0.13 = 0.15 = 15 %

12
Podemos notar que la dificultad en el cálculo de la probabilidad condicional radica en la
construcción de la tabla y la traducción de las preguntas en lenguaje algebraico. Para eso,
podemos ayudarnos de los siguientes consejos:
a) En la construcción de la tabla, siempre se consideran los complementos de los
eventos. La suma de P (A) + P (AC) = 1
B BC
A n1 n2 P (A)
AC n3 n4 P (AC)
P (B) P (BC) N=1

b) Para la traducción algebraica:

- Cuando se quiere saber la probabilidad de que ocurra A o B (en el ejemplo, “que una
persona contraiga al menos una enfermedad”), la notación es P (A U B).

- Cuando se busca la probabilidad de que ocurra A y B, la notación es P (A ⋂ B).

- Cuando se quiere calcular la probabilidad de que ocurra A, pero no B, la notación

es: P (A ⋂ BC). B complemento es todo el espacio muestral que no es B, que sí
considera que ocurra A.

- Cuando se quiere conocer la probabilidad de que ocurra A, dado que B suceda, se

usa la probabilidad condicional P (A / B). La diferencia de esta notación, con la de
arriba se aprecia en la fig.10 y 11.

Fig. 10. Diagrama de Venn para la probabilidad de que ocurra A, pero no B.

Fig. 11. Diagrama de Venn para la probabilidad de que ocurra A, dado que suceda B.

Ejercicio sugerido:
En una encuesta, se busca identificar las preferencias en sistemas operativos
computacionales de los usuarios comunes. 10 personas prefieren utilizar Microsoft
Windows, otros 7 utilizan Mac OS, mientras que 4 usan ambos sistemas operativos.
5 personas indican que no usan ninguno de ellos, pues prefieren Linux, una opción
que no está considerada en el estudio. Si se elige una persona al azar, determine la
probabilidad que:

13
 a) Al menos uno utilice Windows o Mac
b) No utilice Windows
c) Use Windows y no Mac
d) Use Mac dado que no usa Windows

2.13. Teorema de multiplicación y eventos independientes

Esta regla permite calcular las probabilidades de que ocurran dos eventos. “La probabilidad
de ocurrencia simultánea de dos sucesos independientes es igual al producto de sus
probabilidades simples” (Rodríguez Ojeda, 2007). Se dice que 2 eventos son independientes
cuando P (B / A) = P (B) o P (A / B) = P (A). Quiere decir que la ocurrencia de B no influye
en las probabilidades de ocurrencia de A.

Entonces la regla de multiplicación establece que la probabilidad de que ocurran A y B es

igual a la probabilidad de que ocurra A multiplicada por la probabilidad condicional de que
ocurra B, dado que ocurre A. Es decir, que dos eventos están condicionados por la ocurrencia
de alguno de ellos. Su notación es:

Si en un experimento pueden ocurrir A y B, P (A ∩ B) = P (A) * P (B / A)

Para usar esta fórmula debe esta explícito en el texto que los experimentos son
independientes o al aplicar la fórmula de la probabilidad condicional, resulte que:
P (B / A) = P (B) o P (A).
Esta fórmula se puede usar para más de 2 eventos:
P (A ∩ B ∩ C) = P (A) * P (B / A) * P (C / A ∩ B)

2.14. Teorema de probabilidad total

La ley de multiplicidad funciona cuando un evento influye en la ocurrencia de dos o más, el
teorema de probabilidad total evalúa la ocurrencia de un evento A, que está condicionada a
la ocurrencia de varios eventos independientes (B1, B2, B3, …, Bn), pero que forman parte
de S (incluyendo A). Se puede apreciar en la siguiente figura:

Fig. 3 Diagrama de Venn para la probabilidad

de que ocurra el evento A, dada la ocurrencia
de los eventos B1, B2, …, Bn.

Entonces, la probabilidad total estará dada por (Rodríguez Ojeda, 2007):

14
2.15. Teorema de Bayes
Este teorema se aplica para experimentos en dos etapas. En la primera, los sucesos A1, A2,
…, An, son excluyentes y su probabilidad suma 1. En la segunda etapa, los resultados de B1,
B2, …, Bn, dependen de los resultados de la primera etapa, es decir, se conoce la
probabilidad condicional de P (Bn / An). En otras palabras, este teorema permite calcular la
probabilidad de que ocurran varios eventos, condicionada por otros varios eventos, que
conforman S.

De igual manera que los teoremas anteriores, implica el concepto de la probabilidad

condicional, que se aplica a varios eventos (por eso se aplica una sumatoria de probabilidades
condicionales).

Referencias
Díaz, C., & De la Fuente, I. (2005). Razonamiento sobre la probabilidad condicional e
implicaciones para la enseñanza de la estadística. Epsilon, 59, 245 -260.

Gutiérrez, E., & Vladimirovna, O. (2014). Probabilidad y estadística. Aplicaciones a la

ingeniería y las ciencias. Ciudad de México, México: Editorial Patria.

Peña, D. (1986). Estadística: Modelos y métodos I. Fundamentos. 71 -76.

Rodríguez Ojeda, L. (2007). Probabilidad y estadística básica para ingenieros. Guayaquil,

Ecuador: Instituto de Ciencias Matemáticas. Escuela Superior Politécnica del Litoral.

Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2012). Probabilidad y estadística para
ingeniería y ciencias (Novena edición ed.). Estado de México, México: Pearson.

15