Estadística y Diseño

experimental

Profesor: Dr. Osvaldo Fosado Téllez, PhD.

E-mail: osvaldo.fosado@gmail.com
Osvaldo.fosado@utm.edu.ec 1
 Unidad 1: Probabilidades.

Experimento aleatorio, espacio muestral. Eventos o Sucesos Probabilidad

de un suceso, propiedades; operaciones con eventos; probabilidad
condicional; sucesos excluyentes y sucesos independientes.
Variables aleatorias, clasificación, leyes probabilísticas. Características
numéricas de las variables aleatorias.
Distribuciones de Probabilidad; modelos probabilísticos; su utilidad en el
trabajo estadístico:
Distribución de variables discretas: distribución Bernoulli, Binomial y
Poisson.
Distribución de variables continuas: distribución uniforme, Exponencial y
normal. Características e importancia del modelo probabilístico Normal en
el trabajo estadístico. Otros modelos probabilísticos (t-student, 2, F).

2
 ÍNDICE
1. Introducción a la
Teoría de la
Probabilidad.
2. Probabilidad
condicionada.
Teorema de la
probabilidad
compuesta, teorema
de la probabilidad
total y teorema de
Bayes.
Independencia de
sucesos.

3
Introducción
Como ya hemos visto, la Estadística es una Ciencia con la que se pretende
buscar las regularidades existentes en el comportamiento de los datos
Recordad que la Estadística se puede clasificar en tres ramas:

 Estadística Descriptiva
 Cálculo de Probabilidades
 Inferencia Estadística

 (Barnett, 1982) “La Estadística es la Ciencia que estudia cómo debe

emplearse la información y cómo dar una guía de acción en situaciones
prácticas que envuelvan incertidumbre”.

 Una forma de cuantificar esta incertidumbre es haciendo uso de la

Probabilidad.
Antes de definirla es necesario la introducción de una serie de conceptos

4
Fenómenos aleatorios y sucesos
Experimento determinístico
Es aquel que repetido bajo
las mismas condiciones
siempre se obtienen los
mismos resultados.
vs
Experimento aleatorio
Es aquel que repetido bajo
las mismas condiciones NO
siempre se obtienen los
mismos resultados.
Características
1. Puede repetirse indefinidamente bajo
idénticas condiciones.
2. Cualquier modificación mínima de las
condiciones iniciales puede modificar
completamente el resultado final del
experimento.
3. Se puede dar el conjunto de los posibles
resultados del experimento, pero no se
puede predecir previamente un resultado
particular.
4. Si el experimento se repite un número
grande de veces, entonces aparece algún
modelo de regularidad estadística en los
resultados obtenidos.
5
Ejemplos de experimentos aleatorios (I)
Lanzar una moneda al aire
Lanzar dos monedas al aire
Lanzar dos dados simultáneamente
Contar el número de vehículos que llegan a una gasolinera.
Anotar el instante en el que se recibe una llamada telefónica a lo largo del
día.

¿Es el momento de germinación de las semillas igual en un experimento con

condiciones similares? (100 semillas)

¿Tienen el mismo comportamiento morfológico las plantas germinadas bajo las

mismas condiciones?

¿Podemos predecir que, aunque apliquemos una misma metodología en un

laboratorio de biotecnología, los resultados serán los mismos en cada
repetición?

6
Espacio muestral (E)
A cada uno de los posibles resultados del experimento aleatorio se le
denomina resultado elemental

El espacio muestral, que representaremos por E, es el conjunto de todos

los posibles resultados elementales de un experimento aleatorio.

Clasificación de los espacios muestrales

Discreto
Finito
Cuando tiene un número finito de elementos
Infinito numerable
Cuando tiene un número infinito numerable de elementos

Continuo
Cuando tiene un número infinito no numerable de elementos

Un experimento aleatorio puede tener diferentes espacios muestrales asociados,

dependiendo de la observación que nos interese del experimento.
7
Ejemplos de experimentos aleatorios (II)
Lanzar una moneda al aire
E= {cara, cruz}={C,X}
Discreto y finito
Lanzar dos monedas al aire
E={(CC), (CX), (XC), (XX)}
Discreto y finito
Lanzar dos dados simultáneamente
E={ (1,1), (1,2), (1,3), (1,4),(1,5),(1,6)
(2,1), (2,2), (2,3), (2,4),(2,5),(2,6)
… …
(5,1), (5,2), (5,3), (5,4),(5,5),(6,6) }
Discreto y finito
Contar el número de pedidos al contado en una muestra aleatoria de 10 pedidos
E={0,1,2,3,4,5,6,7,8,9,10}
Discreto y finito
Contar el número de vehículos que llegan a una gasolinera durante un mes.
E={0,1,2,3,4,5,6,7,8,9,10, 11, 12, …}
Discreto e infinito numerable
Anotar el instante en el que se recibe una llamada telefónica a lo largo del día
E={intervalo de tiempo correspondiente a las 24 horas}
Continuo

8
Sucesos
Un suceso es cualquier subconjunto del espacio muestral.

Clasificación
 Suceso elemental

Es cada uno de los resultados posibles del experimento aleatorio. Por lo que
un suceso elemental consta de un solo elemento del espacio muestral E
 Suceso compuesto
Es el que consta de dos o más sucesos elementales
 Suceso seguro
Es el que consta de todos los sucesos elementales del espacio muestral E. Es
por esto que lo llamaremos también E
 Suceso imposible
Es el que no contiene ningún elemento del espacio muestral E y por tanto no
ocurrirá nunca. Lo denotaremos por Ø

9
Ejemplos de sucesos
Sea el experimento aleatorio consistente en lanzar al aire un
dado y anotar el resultado obtenido.

El espacio muestral asociado es E={1,2,3,4,5,6}

Los sucesos elementales son {1}, {2}, {3}, {4}, {5} y {6}

Si defino el suceso A como “el número es par”, entonces

A={2,4,6}. Que es un suceso compuesto
Si defino el suceso B como “el número es primo”, entonces
B={1,2,3,5}. Que es un suceso compuesto
Si defino el suceso “el número es menor que 7” entonces se tiene
que este es el suceso seguro E
Si defino el suceso “el numero es mayor que 7” entonces se tiene
que este es un suceso imposible Ø
10
Operaciones con sucesos. Propiedades
Operaciones
Sean A y B dos sucesos de un experimento aleatorio pertenecientes a un
espacio muestral
Contenido (implica) A  B
Diremos que A está contenido en B, y lo denotaremos por A  B, cuando todo
suceso elemental de A pertenece también a B. Es decir, siempre que ocurre A
también ocurre B
E
B

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado en una
muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos al contado es minoría”  A={0,1,2,3,4}
B=“el número de pedidos al contado es a lo sumo 6”  B={0,1,2,3,4,5,6}
Observamos que A  B pues todo suceso elemental de A también está en B
11
Operaciones
Igualdad de sucesos A = B
Dados los sucesos A y B diremos que son iguales, y lo denotaremos por
A = B, si siempre que ocurre A también ocurre B y siempre que ocurre B
también ocurre A.
Es decir se verifica que A  B y B  A
E
A B

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado
en una muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos al contado es minoría”  A={0,1,2,3,4}
B=“el número de pedidos al contado es a lo sumo 4”  B={0,1,2,3,4}
Observamos que A = B pues todo suceso elemental de A también está
en B y viceversa
12
Operaciones
Unión de sucesos A  B
Dados los sucesos A y B se define la unión de ambos sucesos como otro
suceso, que denotaremos por A  B , formado por los resultados o
sucesos elementales pertenecientes a A, o B, o a los dos a la vez.
Es decir A  B es el suceso que se presenta cuando ocurre A, ocurre B u
ocurren ambos
AB E
B
A

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado
en una muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos es par”  A={2,4,6,8,10}
B=“el número de pedidos al contado es a lo sumo 4”  B={0,1,2,3,4}
A  B = {0, 1, 2, 3, 4, 6, 8, 10} 13
Operaciones
Intersección de sucesos A ∩ B
Dados los sucesos A y B se define la intersección de ambos sucesos
como otro suceso, que denotaremos por A ∩ B , formado por los
resultados o sucesos elementales pertenecientes simultáneamente a A y
a B.
Es decir A ∩ B es el suceso que se presenta cuando A y B ocurren a la
vez
E
B
A

A∩B
Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado
en una muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos es par”  A={2,4,6,8,10}
B=“el número de pedidos al contado es a lo sumo 4”  B={0,1,2,3,4}
A ∩ B = {2,4} 14
Operaciones
Sucesos disjuntos, incompatibles o excluyentes
Dados los sucesos A y B diremos que son disjuntos, incompatibles o
mutuamente excluyentes si su intersección es el conjunto vacío (A ∩ B= Ø )
Es decir, que no tienen ningún suceso elemental en común

E
B
A

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado en una
muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos es par”  A={2,4,6,8,10}
B=“el número de pedidos es impar”  B={1,3,5,7,9}
A ∩ B = Ø por lo son sucesos disjuntos, incompatibles o excluyentes
15
Operaciones
Sistema exhaustivo de sucesos
Si los sucesos A1, A2, A3, … y An son tales que su unión es el espacio
muestral E ,diremos que forman un sistema exhaustivo de sucesos.
Es decir A1  A2  A3  …  An =E E

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado
en una muestra aleatoria de 10 pedidos” y los sucesos:
A1 =“el número de pedidos es par”  A1 ={2,4,6,8,10}
A2 =“el número de pedidos es menor que 4”  A2 ={0,1,2,3}
A3 =“el número de pedidos es mayor que 3”  A3 ={4,5,6,7,8,9,10}
A1  A2  A3 =E, luego A1, A2, A3 forman un Sistema Exhaustivo de
16
sucesos
Operaciones
Sistema completo de sucesos
Si los sucesos A1, A2, A3, … y An forman un sistema exhaustivo de sucesos y los
sucesos son disjuntos dos a dos, se dice entonces que forman un Sistema
Completo de Sucesos.
E
Es decir A1  A2  A3  …  An = E
y Ai ∩ Aj =Ø  i,j=1,2, … n

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado en una
muestra aleatoria de 10 pedidos” y los sucesos:
A1 =“el número de pedidos es par”  A1 ={2,4,6,8,10}
A2 =“el número de pedidos es menor que 4”  A2 ={0,1,2,3}
A3 =“el número de pedidos es mayor que 3”  A3 ={4,5,6,7,8,9,10}

A2  A3 =E y A2∩A3=Ø luego A2 y A3 forman un Sistema Completo de sucesos 17

Operaciones
Suceso complementario
Dado un suceso A, se define el suceso complementario de A, como otro
suceso que ocurre cuando no ocurre el suceso A. O bien, es el suceso
constituido por los sucesos elementales del espacio muestral E que no
pertenecen a A.
Al suceso complementario de un suceso dado A lo representaremos por A
Los sucesos A y A constituyen un Sistema Completo de Sucesos
E
A
A

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado en
una muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos es par”  A={2,4,6,8,10}
A ={0,1,3,5,7,9} 18
Operaciones
Diferencia de sucesos A - B
Dados los sucesos A y B se define la diferencia de ambos sucesos como
otro suceso, que denotaremos por A - B , formado por los resultados o
sucesos elementales pertenecientes A y que no pertenecen a B.
Es decir A - B es el suceso que se presenta cuando ocurre A y no ocurre B
También puede verse como: A  B  A B
E
B
A

A-B
Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado en
una muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos es par”  A={2,4,6,8,10}
B=“el número de pedidos al contado es a lo sumo 4”  B={0,1,2,3,4}
19
A - B = {6,8,10}
Operaciones
Diferencia simétrica de sucesos A  B
Dados los sucesos A y B se define la diferencia simétrica de ambos
sucesos como otro suceso, que denotaremos por A  B , formado por los
resultados o sucesos elementales pertenecientes A , o a B, pero que no
pertenezcan simultáneamente a ambos.
AB E
B
A
B-A A-B

Ejemplo
Sea el experimento aleatorio “Contar el número de pedidos al contado en
una muestra aleatoria de 10 pedidos” y los sucesos:
A=“el número de pedidos es par”  A={2,4,6,8,10}
B=“el número de pedidos al contado es a lo sumo 4”  B={0,1,2,3,4}
A  B = {0,1,3,6,8,10}
20
Propiedades de las operaciones con sucesos
1 E   E A A
2 E AE  A A A AE
E A A  A A A
3 Propiedad idempotente A A A A A A
4 Propiedad conmutativa A BB A A BB A
5 Propiedad asociativa A B C    A B C
A B C    A B C
6 Propiedad distributiva A B C    A B A C
A B C  A B  A C 
7 Propiedad simplificativa A A B  A A  A B  A
8 Leyes de Morgan  A B  A B  A B  A B
21
Probabilidad. Definiciones

Introducción
Todos poseemos un concepto intuitivo del término
Probabilidad. Con toda seguridad responderemos a
estas preguntas:
• ¿Cuál es la probabilidad de obtener cara en el lanzamiento
de una moneda?
• ¿Qué probabilidad tengo de aprobar si me he estudiado la
mitad del temario?
• ¿Qué probabilidad existe de acertar un número entero
entre 1 y 10?

22
Probabilidad. Definiciones
Introducción
Una vez introducidos los conceptos de experimento aleatorio,
sucesos, etc. , nos va a interesar una medida numérica de la
posibilidad de que ocurra un suceso A cuando se realiza un
experimento aleatorio.
A esta medida la llamaremos probabilidad del suceso A y la
representaremos por P(A).

La probabilidad es una medida que varía entre 0 y 1. El valor 0

se corresponde con el suceso imposible y el valor 1 con el suceso
seguro.
A los sucesos restantes les asignaremos una probabilidad
comprendida entre 0 y 1. De tal manera que un suceso será más
probable cuanto mayor sea su probabilidad

23
Probabilidad. Definiciones

Recordatorio
• La probabilidad tiene sentido en experimentos
aleatorios
• Mide la posibilidad de ocurrencia de un suceso
• Es una medida numérica comprendida entre 0 y 1

Veamos ahora las cuatro definiciones conocidas de

Probabilidad

24
Definiciones de Probabilidades (I)
Clásica (A priori)
Sean E un espacio muestral finito, en el que cada suceso elemental tiene la
misma probabilidad de ocurrir. Se define la probabilidad del suceso A
como:
Casos Favorables
P(A) =
Casos Posibles
Que es conocida como Regla de Laplace (1900)

Propiedades:
• 0  P(A)  1
• P(E) = 1
• La probabilidad de la unión de varios sucesos excluyentes es igual a la suma
de las probabilidades de cada uno de los sucesos P(A1A2  … Ar ) = P(A1) +
P(A2) + …+ P(Ar)

25
Ejemplo

n(E)=6

n(A)=3

n(B)=2

26
Definición de probabilidad (II)
Frecuentista ( a posteriori )

n( A)
P( A)  lim
n  n
donde n(A) es el número de veces que ha
aparecido el suceso A en las n repeticiones del
experimento.

27
ENFOQUE OBJETIVO A POSTERIORI
Definimos PROBABILIDAD DEL SUCESO A, P(A), en un espacio muestral finito y
compuesto de sucesos elementales distintos, como

# Casos favorables en N repeticiones

P( A)  lim N 
N
Propiedades:
(1) 0  P( A)  1
(2) Solo es posible calcular probabilidades a posteriori.
(3) Observaríamos cómo se estabilizan las frecuencias relativas de un suceso al repetirlo un
número elevado de veces y no infinitas veces.
Ejemplo: Simulamos el lanzamiento de una moneda un total de 500 veces. Los
resultados parciales del número de caras en los primeros N lanzamientos son:

Lanzamientos de 10 50 100 250 500

una moneda (N)
#Caras 7 18 45 121 245
P(Cara) 0.7 0.36 0.45 0.484 0.49
Ejemplo:

Se conoce, por estudios realizados, que de la variedad de

semilla X germina el 87%.
Si se selecciona una semilla al azar ¿Cuál es la probabilidad de
que la misma germine?

A: Que la semilla germine.

P(A)= 0.87

29
Definición de probabilidad (III)
Subjetiva
La probabilidad subjetiva representa un juicio
personal sobre el resultado de un experimento
aleatorio, pudiendo ser muy diferente del juicio
personal o probabilidad subjetiva asignada por otra
persona.

Aparece en situaciones en las que no se puede

repetir el experimento. Por ejemplo un partido de
fútbol.

30
Definición de probabilidad (IV)
Axiomática
Sea un espacio probabilístico (E,, P), donde E es el espacio
muestral,  es un -álgebra de sucesos y P : A  [0,1] cumple
los siguientes axiomas (de Kolmogorov):
• Axioma 1: P(A)≥0
• Axioma 2: P(E)=1
• Axioma 3: Si A1,A2 … An es un conjunto de sucesos incompatibles,
entonces:

 
P  Ai    P(Ai )
 iI  iI
donde I   , con I finito o infinito numerable

31
Propiedades

32
Probabilidad condicionada
Sea un espacio probabilístico (E,, P), y A y B dos sucesos
pertenecientes a . Se define la probabilidad de A
condicionada a B, o probabilidad de A sabiendo que ha
ocurrido B como: (siempre que P(B)>0)
E
P( A  B) B
P( A | B)  A
P( B)

Nota importante
• No debemos confundir probabilidad condicionada con la
probabilidad de la intersección.
• En ambos medimos la intersección, pero…
• En P(A∩B) con respecto a P(E)
• En P(A|B) con respecto a P(B)
33
Ejemplo:
La probabilidad de obtener un 2 (suceso B)
E 1 A 2 B cambia si lo condicionamos al suceso “Se ha
obtenido un número par” (suceso A)
3 4
1 1
5 6 P( B)  P( B / A) 
6 3

34
Teorema de la probabilidad compuesta

Sea (E,, P) un espacio probabilístico y A1, A2, A3, …

 n 1 
y An  tales que P  Ai   0 entonces
 i 1 

 n  n 1
P  Ai  = P(A1 )P(A 2 |A1 )P(A 3 |A1 A2 ) P(A n | Ai )
 i 1  i 1

35
Teorema de la probabilidad total

Sea (E,, P) un espacio probabilístico y A1, A2,

A3, … y An  tales que P(Ai) > 0 para todo
i=1,2,…n un sistema completo de sucesos y
sea B  E entonces:

36
Recordemos qué es un Sistema Completo de Sucesos
A1 A2 A3
Son una colección de sucesos, por ejemplo
formada por A1, A2, y A3, tales que la unión de
todos ellos forman el espacio muestral, y sus
intersecciones son disjuntas dos a dos.

Veamos como todo suceso B , puede ser descompuesto en sucesos del sistema
completo de sucesos.
A1 A2 A3

B B = (B∩A1) U (B∩A2 ) U ( B∩A3 )

B∩A1 B∩A2 B∩A3

37
 Teorema de la Probabilidad Total
Si conocemos la probabilidad de B en cada uno de los componentes de un sistema
completo de sucesos, entonces, …, podemos calcular la probabilidad de B.

A1 A2 A3 B
P(B/A1)
A1
P( /A1)
P(A1)
B
B
P(B/A2)
P(A2) A2
P( /A2)
B∩A1 B∩A2 B∩A3
P(A3)
B = (B∩A1) U (B∩A2 ) U ( B∩A3 ) B
P(B/A3)
A3
P( /A3)

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

38
TEOREMA DE LA PROBABILIDAD TOTAL
Sea A1 , A2 ,..., Anun sistema completo de sucesos. Entonces para cualquier suceso B, cuyas
probabilidades condicionadas son conocidas, se verifica que:

P ( B )   P ( B  Ai )   P ( Ai ) P ( B / Ai )
Ejemplo: Una compañía aseguradora conoce las
probabilidades de que se registre un accidente según
A1 A2 A3 A4 el sexo. Por tanto la probabilidad de que se registre
un accidente es:
P( Accidente / Hombre)  0.18
B
P( Accidente / Mujer)  0.14
P( Hombre)  0.48
P( Mujer)  0.52
Luego, P( Accidente)  0.48  0.18  0.52  0.14
 0.0864  0.0728  0.1592
 Ejemplo (I): En esta aula el 70% de los alumnos son mujeres. De ellas el
10% son fumadoras. De los hombres, son fumadores el 20%.

Fuma Teorema de la Probabilidad Total

0,1
Hombres y Mujeres forman un Sistema
Completo de sucesos
Mujer
0,7 0,9
No fuma
Estudiante Si elegimos un estudiante al azar,
¿Qué probabilidad hay de que fume?
0,3 0,2
Fuma P(F) = P(M∩F) + P(H∩F)
Hombre
= P(M)P(F|M) + P(H)P(F|H)
0,8
• Los caminos a través de nodos No fuma = 0,7 x 0,1 + 0,3 x 0,2 = 0,13
representan intersecciones.
• Las bifurcaciones representan
uniones disjuntas. 40
Teorema de BAYES

Sea (E,, P) un espacio probabilístico y A1, A2,

A3, … y An  tales que P(Ai) > 0 para todo
i=1,2,…n un sistema exhaustivo o completo de
sucesos y sea B  E entonces:

41
 Ejemplo (continuación): Se elije a un individuo al azar y resulta ser fumador
¿Cuál es la probabilidad de que sea un hombre?

Fuma
0,1
Teorema de BAYES
Mujer
0,9 P( H  F )
0,7 P( H | F )  
No fuma P( F )
Estudiante P( H )  P( F | H )
 
P( F )
0,3 0,2
Fuma 0,3  0, 2
Hombre   0, 46
0,13
0,8
No fuma

42
TEOREMA DE BAYES

Sea A , A ,..., A
1 2 n un sistema completo de sucesos tal que P ( Ai )  0 . Entonces para
cualquier suceso B, cuyas probabilidades condicionadas son conocidas, se verifica que:

P( B  Ai ) P( Ai ) P( B / Ai )
P( Ai / B)  
P( B)  P( A j ) P( B / A j )
A1 P ( B / A1 ) Ejemplo: Una compañía aseguradora conoce las
probabilidades de que se registre un accidente según el sexo.
P ( B / A1 ) Sabiendo que ha habido un accidente, la probabilidad de que
A2 P( B / A2 )
lo haya cometido un hombre es:
P( B / A2 ) P ( Accidente / Hombre)  0.18
E P ( B / A3 )
A3 P ( Accidente / Mujer)  0.14
P ( B / A3 )
P ( Hombre)  0.48, P ( Mujer)  0.52
 
0.48  0.18
P( B / An ) P ( Hombre / Accidente)   0.5427.
An 0.1592
P( B / An ) De igual forma, P ( Mujer / Accidente)  0.4573.
 Independencia de sucesos

• INTUITIVAMENTE: dos sucesos son independientes si

el que ocurra uno, no añade información sobre el otro.

• FORMALMENTE
• Definición: los sucesos A y B son independientes
si P(A/B) = P(A) o equivalentemente si P(B/A)=P(B)
• Teorema: los sucesos A y B son independientes si
y sólo si P(A∩B)=P(A)P(B)

44
 INDEPENDENCIA DE SUCESOS
Dos sucesos A y B son independientes si se verifica una cualquiera de las siguientes
condiciones equivalentes:
1. P (B/A) = P(B), si P(A) > 0.
2. P (A/B) = P(A), si P(B) > 0.
3. P (A B) = P(A) P(B).

Ejemplo: Lanzamiento de 2 dados

Suceso A = “Suman 7”, Suceso B = “Primer dado par”, Suceso C = “Primer dado 2”
Se cumple que: A y B son independientes, A y C también, mientras que B y C no lo son.
6 1 1
P( A)   P( A / C )   P( A)
36 6 6
18 1 3 1
P( B)   P( A / B)    P( A)
36 2 18 6
6 1
P(C )   P( B / C )  1  P( B)
36 6