Teoría de Probabilidades

The Monty Hall Problem

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.
 ¡Bienvenidos al
show de Monty Hall!

Detrás de una de estas Y detrás de las dos

puertas hay un coche. restantes hay una cabra.

3
 Nuestro concursante
seleccionará una puerta ...

Elijo la
puerta A

A B C
 PUERTA
SELECCIONADA

Monty Hall (que conoce

dónde está el coche)
abre la puerta C. A B C
C
Ahora sabemos que el
coche está o bien en A
o bien en B.

Monty Hall nos permite cambiar de elección si

queremos …

¿Es más probable ganar el coche si cambiamos

de puerta? (En este caso de A a B).
 Si el concursante
CAMBIA
su elección A B C A B C A B C
original

A B C Pierde Gana Gana

A C
Gana Pierde Gana

A B C Gana Gana Pierde

 Si el concursante CAMBIA su elección original gana 6
veces de las 9: su probabilidad de ganar es 6/9 = 2/3. Si
no cambia, su probabilidad de ganar es de 3/9 = 1/3.
¡Tiene el doble de posibilidades de ganar si cambia de
puerta!
Pierde Gana Gana

Gana Pierde Gana

Gana Gana Pierde

Juega y compruébalo estadísticamente en

http://math.ucsd.edu/~crypto/Monty/monty.html
Existe una manera intuitiva de
comprender este resultado anti-
intuitivo:

Cuando elijo la puerta, en promedio,

dos de cada tres veces detrás de la
puerta habrá una cabra.

O sea, la mayor parte de las veces

habré elegido una puerta con cabra.

Después Monthy me enseña una puerta

con cabra. Así que es razonable
cambiar mi elección previa...
 Podemos probar este resultado sin hacer una
lista de todos los casos. Usando la noción de
probabilidad condicional. Recuerda que la
probabilidad condicional nos muestra cómo la
ocurrencia de un suceso afecta a la probabilidad
de otro.

En el problema de Monthy Hall, si nosotros

escogemos la puerta A y Monthy abre la puerta B,
por ejemplo, la pregunta que nos estamos
haciendo es: ¿Cuál es la probabilidad de ganar si
cambio a la puerta C, teniendo la información
adicional de que el coche no está en la B?
Lo dejamos como ejercicio.
Probabilidades
Experimentos
y Eventos
Probabilidad Dominar la fortuna
¿Cómo osamos hablar de leyes del azar? ¿No
es, acaso, el azar la antítesis de cualquier ley?
Bertrand Russell

La probabilidad de tener un accidente de

tráfico aumenta con el tiempo que pasas
en la calle. Por tanto, cuanto más rápido
circules, menor es la probabilidad de que
tengas un accidente.

El 33 % de los accidentes mortales

involucran a alguien que ha bebido. Por
tanto, el 67 % restante ha sido causado por
alguien que no había bebido. A la vista de
esto y de lo anterior, esta claro que la
forma más segura de conducir es ir
borracho y a gran velocidad.
 Experimentos y Eventos

• ¿Cuál es la probabilidad de obtener 1 cara si

arrojamos una moneda una vez?
Número de Resultados Favorables
Prob 
Número de Resultados Posibles

c  1  0.5
c, s 2
 Experimentos y Eventos

• ¿Cuál es la probabilidad de obtener 1 cara si

arrojamos una moneda tres veces?
Número de Resultados Favorables
Prob 
Número de Resultados Posibles

(css), ( scs), ( ssc) 3

  0.375
(ccc), (ccs), (csc), (css), (scc), ( scs), (ssc), (sss) 8
 C

C
S

C
C S

S C
S

C
S
ÁRBOL DE
PROBABILIDADES S
 Experimentos y Eventos

• ¿Si lanzamos 2 dados, cuál es la probabilidad

de obtener un puntaje de 7?
Número de Resultados Favorables
Prob 
Número de Resultados Posibles

(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)  6

 0.1667
62 36
 Experimentos y Eventos

• ¿Cuál es la probabilidad de sacar un as al

sacar un naipe de una baraja?
Número de Resultados Favorables
Prob 
Número de Resultados Posibles

As de Corazones, As de Tréboles, As de Diamantes, As de Espadas  4


1
 0.0769
52 Naipes 52 13
 Definiciones

• Experimento
– Actividad que origina un evento.
– Proceso de hacer una observación y obtener un resultado.
• Evento
– Uno o más de los posibles resultados de un experimento.
• Espacio Muestral
– Colección de todos los posibles resultados de un
experimento.
 Experimento Espacio Muestral
Lanzar una moneda Cara, Sello.
Lanzar dos monedas CC, CS, SC, SS
Sacar una carta (valor) 2, 2, ..., A (52)
Sacar una carta (color) Roja, Negra
Lanzar un dado. 1, 2, 3, 4, 5, 6
Jugar un partido Ganar, Empatar, Perder
Inspeccionar una parte Defectuoso, Bueno
Experimento: Lanzar dos monedas
Espacio Muestral: CC, CS, SC, SS

Evento Resultados

1 Cara y 1 Sello CS, SC

Cara en la 1ra. moneda CC, CS
Al menos una Cara CC, CS, SC
Cara en cada lanzamiento CC
 Algunos principios de conteo
PRINCIPIO MULTIPLICATIVO
Si una operación puede efectuarse de n maneras diferentes y
realizada una cualquiera de ellas, una segunda operación puede
efectuarse de p maneras distintas, entonces el número total ( N ) de
maneras diferentes, en que pueden realizarse a la vez ambas
operaciones es:
N=n×p
Ejemplo:
En la etapa final de fútbol profesional de primera, cuatro equipos :
CRISTAL ( C ), BOYS ( B) ,ESTUDIANTES ( E ),
UNIVERSITARIO (U), disputan el primer y segundo lugar
(campeón y subcampeón). ¿De cuántas maneras diferentes estos
equipos pueden ubicarse en dichos lugares?
Algunos principios de conteo

Solución:
•METODO 1: utilizando el diagrama del árbol
 Algunos principios de conteo
Existen 12 maneras diferentes en que estos equipos se pueden
ubicarse en el primer y segundo lugar.
Si se desea realizar una actividad que consta de r pasos, en donde el
primer paso de la actividad a realizar puede ser llevado a cabo de N 1
maneras o formas, el segundo paso de N2 maneras o formas y el r-ésimo
paso de Nr maneras o formas, entonces esta actividad puede ser llevada a
efecto de;
N1 x N2 x ..........x Nr maneras o formas
El principio multiplicativo implica que cada uno de los pasos de la
actividad deben ser llevados a efecto, uno tras otro.
5-37

Algunos principios de conteo

• Fórmula de la multiplicación: si hay m modos

de hacer una cosa y n formas de hacer otra,
existen m x n formas de hacer ambas.
• EJEMPLO: Una persona tiene 10 camisas y 8
corbatas. ¿Cuántos conjuntos de camisas
/corbatas tiene?
(10)(8) = 80.
 Algunos principios de conteo

Ejemplos:
1) Una persona desea construir su casa, para lo cuál considera
que puede construir los cimientos de su casa de cualquiera de
dos maneras (concreto o block de cemento), mientras que las
paredes las puede hacer de adobe, adobón o ladrillo, el techo
puede ser de concreto o lámina galvanizada y por último los
acabados los puede realizar de una sola manera ¿cuántas
maneras tiene esta persona de construir su casa?
 Algunos principios de conteo

Solución:
Considerando que r = 4 pasos
N1= maneras de hacer cimientos = 2
N2= maneras de construir paredes = 3
N3= maneras de hacer techos = 2
N4= maneras de hacer acabados = 1
N1 x N2 x N3 x N4 = 2 x 3 x 2 x 1 = 12 maneras de construir la casa
El principio multiplicativo, el aditivo y las técnicas de conteo que
posteriormente se tratarán nos proporcionan todas las maneras o formas
posibles de como se puede llevar a cabo una actividad cualquiera.
 Algunos principios de conteo

PRINCIPIO ADITIVO.
Si se desea llevar a efecto una actividad, la cuál tiene
formas alternativas para ser realizada, donde la primera de
esas alternativas puede ser realizada de M maneras o
formas, la segunda alternativa puede realizarse de N
maneras o formas ..... y la última de las alternativas puede
ser realizada de W maneras o formas, entonces esa
actividad puede ser llevada a cabo de,
M + N + .........+ W maneras o formas
 Algunos principios de conteo

Ejemplos:
1) Una persona desea comprar una lavadora de ropa, para lo cuál ha
pensado que puede seleccionar de entre las marcas Whirpool, Easy y
General Electric, cuando acude a hacer la compra se encuentra que la
lavadora de la marca W se presenta en dos tipos de carga ( 8 u 11
kilogramos), en cuatro colores diferentes y puede ser automática o
semiautomática, mientras que la lavadora de la marca E, se presenta en
tres tipos de carga (8, 11 o 15 kilogramos), en dos colores diferentes y
puede ser automática o semiautomática y la lavadora de la marca GE, se
presenta en solo un tipo de carga, que es de 11 kilogramos, dos colores
diferentes y solo hay semiautomática. ¿Cuántas maneras tiene esta persona
de comprar una lavadora?
 Algunos principios de conteo
Solución:
M = Número de maneras de seleccionar una lavadora Whirpool
N = Número de maneras de seleccionar una lavadora de la marca
Easy
W = Número de maneras de seleccionar una lavadora de la marca
General Electric
M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras

M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una

lavadora
 Algunos principios de conteo

2 ) Rafael Luna desea ir a las Vegas o a Disneylandia en las

próximas vacaciones de verano, para ir a las Vegas él tiene
tres medios de transporte para ir de Chihuahua al Paso
Texas y dos medios de transporte para ir del Paso a las
Vegas, mientras que para ir del paso a Disneylandia él tiene
cuatro diferentes medios de transporte, a) ¿Cuántas maneras
diferentes tiene Rafael de ir a las Vegas o a Disneylandia?, b)
¿Cuántas maneras tiene Rafael de ir a las Vegas o a
Disneylandia en un viaje redondo, si no se regresa en el
mismo medio de transporte en que se fue?.
 Algunos principios de conteo

Solución:
a) V = maneras de ir a las Vegas
D = maneras de ir a Disneylandia
V = 3 x 2 = 6 maneras
D = 3 x 4 = 12 maneras
V + D = 6 + 12 = 18 maneras de ir a las Vegas o a Disneylandia
b) V = maneras de ir y regresar a las Vegas
D = maneras de ir y regresar a Disneylandia
V = 3 x 2 x 1 x 2 = 12 maneras
D = 3 x 4 x 3 x 2 = 72 maneras
V + D = 12 + 72 = 84 maneras de ir a las Vegas o a Disneylandia en un
viaje redondo
 Algunos principios de conteo

¿Cómo podemos distinguir cuando hacer uso del principio

multiplicativo y cuando del aditivo?
Es muy simple, cuando se trata de una sola actividad, la
cual requiere para ser llevada a efecto de una serie de
pasos, entonces haremos uso del principio multiplicativo y si
la actividad a desarrollar o a ser efectuada tiene
alternativas para ser llevada a cabo, haremos uso del
principio aditivo.
5-38

Algunos principios de conteo

• Permutación: un arreglo de r objetos

seleccionados a partir de un grupo único
de n objetos posibles.

• Nota: el orden del arreglo es importante en

las permutaciones.
 Permutaciones

• Supóngase que hay ocho máquinas disponibles, pero

solo tres espacios en el piso del taller donde se han
de instalar tales máquinas. ¿De cuántos modos
diferentes pueden colocarse las ocho máquinas?
 Permutaciones
Permutaciones sin repetición

Denominamos permutaciones ordinarias o sin repetición de n

elementos, a cada uno de los distintos grupos que pueden formarse
de manera que:

-En cada grupo entran todos los n elementos.

- Un grupo se diferencia de otro únicamente en el orden de

colocación de los elementos.
 Permutaciones

Al número de permutaciones ordinarias de n elementos lo representaremos por Pn

y se calculará:

Pn=n.(n-1).(n-2)...3.2.1

a este  número lo llamaremos factorial de n y lo representaremos por n! , esto es:

                                   n!=n.(n-1).(n-2)...3.2.1

Si n = 1, se define 1!=1
Si n = 0  se define 0!=1
 Permutaciones

- ¿ De cuántas formas pueden sentarse 8 amigos en una fila de

butacas de un cine?
 Sol: P8 =8!
- ¿ De cuántas formas diferentes se pueden fotografiar 5 amigos
frontalmente en línea recta?
Sol: P5 = 5!
- Un técnico de sonido tiene que unir 6 terminales en 6
conexiones. Si lo hiciera al azar, ¿ de cuántas formas diferentes
podría completar las conexiones?
Sol: P6 = 6!
 Permutaciones

Permutaciones con repetición.

Denominamos permutaciones con repetición de n elementos en
los que uno de ellos se repite "a" veces, otro "b" veces y así
hasta el último que se repite k veces ( a+b+c+....k = n);

todas las ordenaciones posibles de estos n elementos.

Consideramos dos ordenaciones distintas si difieren en el orden
de colocación de algún elemento ( distinguible ).

Notaremos a este tipo de permutación como:

 Permutaciones

- ¿ De cuántas formas pueden ordenarse en una estantería 5 libros

de lomo blanco, 3 de lomo azul y 6 de lomo rojo?
 Sol:

- ¿ Cuántas palabras de 6 letras con o sin sentido se pueden

formas con las letras de AMASAS ?
Sol:  

- En una carrera por equipos participan 4 españoles, 5 franceses y

3 marroquíes. Si lo único reseñable de cada corredor es su
nacionalidad, ¿ de cuántas formas posibles podrían terminar la
carrera?
Sol:
 Permutaciones

• Primer espacio: 8 posibilidades

• Segundo espacio: 7 posibilidades (una ya se utilizó)
• Tercer espacio: 6 posibilidades.
• 8 x 7 x 6 = 336 permutaciones
• 8x7x6x5x4x3x2x1 8! 8!
 
5x4x3x2x1 5! (8  3)!
n!
n Pr 
(n  r )!
 Permutaciones

• Usted tiene 10 camisas. Suponiendo que cada

camisa que viste va a la ropa sucia y que las
camisas se lavan cada semana, ¿Cuántas
maneras diferentes de seleccionar sus camisas
se producen en una semana?
10! 10!
10 P 7    604,800
(10  7)! 3!
 Permutaciones

• Se desean acomodar cinco libros en un

librero, ¿De cuantas maneras posibles pueden
ser ordenados?
5! 5!
5 P5    120
(5  5)! 0!
5-39

Principios de conteo

• Combinación: el número de modos para elegir

r objetos de un grupo de n objetos
• El orden no interesa.
• Denominamos combinaciones ordinarias o sin
repetición de n elementos tomados de m en
m,  (m<=n) a las distintas agrupaciones de m
elementos de manera que:
 Principios de conteo

- En cada grupo entren m elementos distintos

- Dos grupos son distintos si difieren en algún

elemento.

El número de combinaciones ordinarias de n

elementos tomados de m en m lo notaremos Cn,my
se calcula:
 
 Combinaciones

• En un juego de cartas, usted recibe 5 naipes de una baraja

compuesta por 52 naipes. ¿Cuántas “manos” de cartas
puede usted recibir?
– Primer naipe: 52 posibilidades
– Segundo naipe: 51 posibilidades
– Tercer naipe: 50 posibilidades
– Cuarto naipe: 49 posibilidades.
– Quinto naipe: 48 posibilidades.
• Si fuera una permutación 
52 x 51 x 50 x 49 x 48 = 311’875,200 manos.
 Combinaciones

52! 52!
 
47! (52  5)!

Pero el orden no importa:

52!
(52  5)! 52!
   2'598,960
5! 5!(52  5)!

n!
nC r 
r!(n  r )!
 Combinaciones

• En una clase de 24 alumnos se quieren formar

6 grupos de estudio. ¿Cuántos grupos
diferentes se pueden formar?

24! 24!
24C 4    10,626
4!( 24  4)! 4!*20!
 Clases de Eventos
• Eventos Mutuamente Excluyentes
– Dos o más eventos que no pueden ocurrir al mismo tiempo.
– A: Reina de Corazones; B: Reina de Espadas
• Los eventos A y B son mutuamente excluyentes.
• Eventos No Mutuamente Excluyentes
– Dos o más eventos que si pueden ocurrir al mismo tiempo.
– A: Naipes de Corazones; B: As
• Los eventos A y B no son mutuamente excluyentes.
• El As de Corazones
 Mutuamente Excluyentes

Evento A Evento B

Espacio Muestral
No Mutuamente Excluyentes

Evento A Evento B
5-11

Reglas básicas de probabilidad

• Si los eventos son mutuamente excluyentes, la
ocurrencia de cualquier evento impide que el
otro evento ocurra.

Evento A Evento B
 Regla de la Adición

• Si dos eventos A y B son mutuamente

excluyentes, la probabilidad de que ocurra A o
B es igual a la suma de sus probabilidades
respectivas:
• P(A o B) = P(A) + P(B)
• Probabilidad que al lanzar una moneda salga
cara o sello.
5-14

Regla del complemento

• La regla del complemento se utiliza para

determinar la probabilidad de un evento,
conociendo su probabilidad de No Ocurrencia.
• Se obtiene restando del número 1 la probabilidad
de que No ocurra un evento.
• Si P(A) es la probabilidad del evento A y P(Ac) es el
complemento de A,
– P(A) + P(Ac) = 1
– P(Ac) = 1 – P(Ac).
 Complemento

Complemento de A
Evento A
Ac
5-18

Regla especial de la adición

• Si A y B son dos eventos que no son

mutuamente excluyentes, entonces
P(A o B) se calcula con la siguiente fórmula:
• P(A o B) = P(A) + P(B) - P(A y B)
Regla especial de la Adición

Evento A Evento B

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

 Lanzamos dos dados, uno rojo y otro blanco.
¿Cuál es la probabilidad de que sumen 3?

x
x

P (3)  2 / 36

57
Supongamos que hemos lanzado ya el dado rojo y ha salido
un 1. ¿Cuál es ahora la probabilidad de que sumen 3?

P (de suma 3 | dado rojo 1)  1 / 6

58
Sucesos
A Ac
A = ser hombre (H)
B = edad 20
4 2
B

Bc 2 6

Probabilidades
P(A) = 6/14 = 0.43
P(B) = 6/14 = 0.43
P(A  B) = 4/14 = 0.29
P(A B) = P(A) + P(B) - P(A  B)
6/14 + 6/14 - 4/14 = 0.43+ 0.43 - 0.29 = 0.57

P(AB) = 4/6 = 0.67

 Probabilidades
Independencia y Dependencia
Estadística
 I. Independencia Estadística

• La presentación de un evento
no tiene efecto sobre la
probabilidad de presentación
de cualquier otro evento.
– Probabilidad Marginal o
Incondicional
– Probabilidad Conjunta
– Probabilidad Condicional
 Probabilidad Marginal

• Probabilidad simple de presentación de un

evento. P(A).
• Probabilidad de obtener un as.
• Probabilidad de obtener una carta de
corazones.
• Probabilidad de sacar una cara al lanzar una
moneda.
5-23

Probabilidad Conjunta

• Probabilidad de que dos o más eventos

independientes se presenten juntos o en
sucesión. P(AB) o P(A,B) o P(AyB).
• Probabilidad de sacar un as de corazones.
• Probabilidad de obtener tres caras al lanzar
una moneda tres veces.
5-24

Regla especial de
multiplicación
• La regla especial de multiplicación requiere
que dos eventos A y B sean independientes.
• P(A y B) = P(A ∩ B) = P(A) * P(B).
 Tabla de Contingencia

Evento
Evento B1 B2 Total
A1 P(A1 y B1) P(A1 y B2) P(A1)
A2 P(A2 y B1) P(A2 y B2) P(A2)

Total P(B1) P(B2) 1

Probabilidad Probabilidad Marginal (Simple)

Conjunta
 Tabla de Contingencia

Color
Tipo Rojo Negro Total
As 2 2 4
No As 24 24 48
Total 26 26 52
 Tabla de Contingencia

Color
Tipo Rojo Negro Total
As 1/26 1/26 2/26
No As 6/13 6/13 12/13
Total 13/26 13/26 26/26
 Escoger un artículo
¿Cuál es la Probabilidad?
P (A) =
Evento
P (D) = Evento C D Total
P (C y B) = A 4 2 6
P (A o D) = B 1 3 4
Total 5 5 10
P (A y C) =
A: Artículos en idioma español
B: Artículos en idioma inglés.
C: Artículos sobre estadística.
D: Artículos sobre gestión.
 Solución

Las probabilidades son:

Evento
P (A) = 6/10
Evento C D Total
P (D) = 5/10 A 4 2 6
P (B / C) = 1/ 5 B 1 3 4
Total 5 5 10
P (A o D) = 9/10
P (B y C) = 3/ 10
5-27

Probabilidad Condicional

• Probabilidad condicional es la probabilidad de

que ocurra un evento en particular, dado que
otro evento ya ocurrió. P(A|B). Probabilidad
de A “dado” B.
• En el caso de eventos independientes, como el
evento B no influye en el evento A:
P(A|B) = P(A)
(Sirve para demostrar A y B son independientes)
 II. Dependencia Estadística

• Cuando la probabilidad de
que se presente algún evento
depende o se ve afectada por
la presentación de algún otro
evento.
– Probabilidad Condicional
– Probabilidad Conjunta
– Probabilidad Marginal
Probabilidad condicionada
[...] Quiero decir, para empezar: ¿a
quién le importa si saco una bola
blanca o una bola negra de una
urna? Y segundo: si tan
preocupado estás por el color de la
bola que sacas, no lo dejes en
manos del azar: ¡mira en la
maldita urna y saca la bola del
color que quieras!

Stephanie Plum, después

(suponemos) de pasar por un curso
de probabilidad y estadística.
 Una caja contiene 10 bolas, 3 son rojas. Escogemos dos
bolas al azar. Encuentra la probabilidad de que ninguna
de ellas sea roja: (a) con reemplazo y (b) sin reemplazo.

Consideremos los sucesos:

A: Primera bola no-roja
B: Segunda bola no-roja
P(A) = 7/10
Si el muestreo es con reemplazo, la situación para la segunda elección
es idéntica que para la primera, y P(B) = 7/10.
Los sucesos son independientes y la respuesta es:
P(A  B) = P(A)  P(B) = 0.7  0.7 = 0.49

Si es sin reemplazo, hemos de tener en cuenta que una vez extraída la

primera bola, quedan solo 9 y 3 deben ser rojas.
Así: P(B|A) = 6/9 = 2/3. En este caso la respuesta es:
P(A  B) = P(A)  P(B|A) = (7/10)  (2/3)  0.47
Color: C Puntos: P
Grises: G Rayas: R
• P(P|C) = 3/4
– P(P,C) = 3/10
– P(C) = 4/10 3
P ( P, C ) 10 3
P( P | C )   
P(C ) 4 4
10
• P(R|C) = 1/4
– P(R,C) = 1/10
– P(C) = 4/10 1
P ( R, C ) 10 1
P( R | C )   
P(C ) 4 4
10
• P(P|G) = 2/6 = 1/3
– P(P,G) = 2/10
– P(G) = 6/10 2
P ( P, G ) 10 1
P( P | G )   
P(G ) 6 3
10
• P(G|P) = 2/5
– P(G,P) = 2/10
– P(P) = 5/10 2
P (G , P ) 10 2
P(G | P)   
P( P) 5 5
10
• P(C|R) = 1/5
– P(C,R) = 1/10
– P(R) = 5/10 1
P (C , R ) 10 1
P(C | R )   
P( R) 5 5
10
 Probabilidad Condicional
(Dependencia Estadística)
P( A, B)
P( A | B) 
P( B)

P ( B, A)
P ( B | A) 
P ( A)
 Probabilidad Conjunta
(Dependencia Estadística)

P ( A, B )  P ( A | B ) * P ( B )
P ( B, A)  P ( B | A) * P ( A)
 P ( A, B)  P ( A | B ) * P ( B)
• P(C,R) = P(C|R)*P(R) = 1/5 * 5/10 = 1/10
• P(C,P) = P(C|P)*P(P) = 3/5 * 5/10 = 3/10
 Probabilidad Marginal
(Dependencia Estadística)
• Suma de las probabilidades de TODOS los
eventos CONJUNTOS en los que se presenta el
evento sencillo.
 P(C,R) = P(C|R)*P(R) = 1/5 * 5/10 = 1/10
 P(C,P) = P(C|P)*P(P) = 3/5 * 5/10 = 3/10

P(C) = P(C,R) + P(C,P) = 1/10 + 3/10 = 4/10

 Ejercicio

¿Cuál es la probabilidad?
P (A|D) = Evento
Evento C D Total
P (C|B) =
A 4 2 6
Son C y B B 1 3 4
independientes?
Total 5 5 10
A: Artículos en idioma español
B: Artículos en idioma inglés.
C: Artículos sobre estadística.
D: Artículos sobre gestión.
 Evento
Evento C D Total
A 4 2 6
B 1 3 4
Total 5 5 10

2
P(A y D) 10 2
P(A | D)   
P(D) 5 5
10
1
P(C y B) 10 1
P(C | B)   
P(B) 4 4
10
5 1 6 2
P(C)   P(A)  
10 4 10 5
 Tipos de Probabilidades

Tipos de Condiciones de Condiciones de

Probabilidad Símbolo Independencia Estadística Dependencia Estadística

Marginal P(A) P(A)  P (A,Bi)

Conjunta P ( A,B ) P(A) x P (B) P (A | B) x P (B )
Condicional P ( A|B ) P(A) P (A,B) / P ( B )
 Teorema de la probabilidad total

Si conocemos la probabilidad
A1 A2
de B en cada uno de los
componentes de un sistema
exhaustivo y excluyente de
sucesos, entonces podemos
B
calcular la probabilidad de B
como la suma:

A3 A4

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

A1
P(B) = P(B|A1)P(A1) + P(B|A2)P(A2) + P(B|A3)P(A3) + P(B|A4)P(A4)
 La ley de probabilidad total

Supongamos que A1, A2, ... ,An son una partición de E,

es decir que los sucesos son mútuamente excluyentes entre sí
(AiAj= para todo par) y su unión es E entonces:
n
A1 A2 P ( B )   P( B  Ai )
i 1

B n
P( B)   P ( B | Ai ) P( Ai )
i 1
A3 A4
90
 Ejemplo: En este aula el 70% de los alumnos son hombres. De ellos el
10% son fumadores. El 20% de las mujeres son fumadoras.
¿Qué porcentaje de fumadores hay en total?

Podemos aplicar la ley de

la probabilidad total:
Mujeres
Hombres y mujeres forman Hombres
un sistema exhaustivo y
excluyente de sucesos.

Fumadores
 Fuma
0,1

Hombre
0,7
No fuma
0,9
Estudiante

0,2
0,3 Fuma
Mujer

0,8
No fuma

P(F) = P(F∩H) + P(F∩M) = P(F|H) P(H) + P(F|M) P(M)

= 0,1 · 0,7 + 0,2 · 0,3 = 0,13
La diferencia básica en el papel de la Probabilidad
matemática en 1946 y en 1988 es que hoy en día es aceptada
como Matemática, mientras que en 1946, para la mayoría de
los matemáticos, la Probabilidad era a las Matemáticas como
el mercado negro es al mercado: esto es, la Probabilidad era
una fuente de matemáticas interesantes, pero el análisis del
contexto de fondo era algo poco recomendable.

J. L. Doob, A Century of Mathematics in America, Part II

(Peter Duren, ed.)
 Teorema de Bayes
Revisión de Probabilidades

Posibilidades Información Teorema Posibilidades

a priori Nueva de Bayes posteriores

P(B  A)
P(B | A) 
P(A)
 Thomas Bayes nació en Londres, Inglaterra.
Su padre fue ministro presbiteriano.
Posiblemente De Moivre fue su maestro
particular, pues se sabe que por ese entonces ejercía
como profesor en Londres.

Bayes fue ordenado ministro presbiteriano y muere en

1761. Sus restos descansan en el cementerio londinense
de Bunhill Fields. La traducción de la inscripción en su
tumba es:          

"Reverendo Thomas Bayes.

Hijo de los conocidos Joshua y Ann Bayes.
7 de abril de 1761. En reconocimiento al
importante trabajo que realizó Thomas
Bayes en probabilidad. Su tumba fue
restaurada en 1969 con donativos de
estadísticos de todo el mundo".
 Teorema de Bayes
Si conocemos la probabilidad de B en
cada uno de los n componentes de un
A1 A2 sistema exhaustivo y excluyente de
sucesos, entonces…

…si ocurre B, podemos calcular la

probabilidad (a posteriori) de
B ocurrencia de cada Ai, (i = 1, 2, ... , n):

P(B  Ai )
P(Ai|B) 
P(B)

A3 A4

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

total: n
P ( B)   P ( B  Ai )
i 1
 Fuma
0,1
En el problema anterior:
Se elige a un individuo al
Hombre
0,7 azar y resulta fumador.
No fuma
0,9 ¿Cuál es la
Estudiante probabilidad de que sea
0,2 una mujer?
0,3 Fuma
Mujer

0,8
No fuma

P(M) = 0,3, P(F) = 0,13

P(M|F) = P(F ∩ M) / P(F)
= P(F|M) · P(M) / P(F)
0,2 · 0,3 / 0,13 = 0,46
 Teorema de Bayes
• En un pueblo alejado, 5% de la población padece una
enfermedad originaria de dicho lugar. A priori podemos
afirmar que la probabilidad de que una persona seleccionada
al azar padezca la enfermedad es 5%, y de que no la padezca
es 95%.
• Existe una prueba de diagnóstico para detectar la
enfermedad.
– Si una persona tiene la enfermedad, la prueba sale positiva en 90% de
los casos.
– La estadística muestra además que en 15% de los casos, a pesar de
que la persona no padecía la enfermedad, la prueba salió positiva.
• Si escogemos a una persona, y al hacerle la prueba de
diagnóstico, ésta sale positiva, ¿Cuál es la probabilidad de que
la persona tenga realmente la enfermedad?
 P(P|E) sitiva P(E,P)=0.05x0.90=0.0450
Po
e b a 0
Pru 0.9
Pru
eba
P(E) N
o 0.1 egat
m 0 iva 0.0450 +
f er P(E,N)=0.05x0.10=0.0050 0.1425
en 05
tá 0. P(N|E)
Es 0.1875

NO
es P(P|noE)
tá
0.
95
en
fe si tiva P(noE,P)=0.95x0.15=0.1425
rm P o
b a
o rue 15
P(no E) P 0.
Pru
eb
a
0.8 Neg
5 ati
va
P(N|noE) P(noE,N)=0.95x0.85=0.8075

P ( E , P ) 0.0450
P( E | P)    0.24
P( P) 0.1875
 Observaciones -¿Qué probabilidad
tengo de estar
enfermo?
• En el ejemplo anterior, al llegar un
- En principio un 5%. Le
individuo a la consulta tenemos una haremos unas pruebas.
idea a priori sobre la probabilidad de
que tenga una enfermedad.

• A continuación se le pasa una prueba

diagnóstica que nos aportará nueva
información: Está enfermo o no.

• En función del resultado tenemos una

- La prueba salió
nueva idea (a posteriori) sobre la positiva. La probabilidad
probabilidad de que esté enfermo. ahora es del 24%.
– Nuestra opinión a priori ha sido
modificada por el resultado de un
experimento.
 La probabilidad de que una mujer con edad comprendida entre los 40-50
tenga cáncer de mama es 0.8%. Si una mujer tiene cáncer de mama, la
probabilidad de positivo en test = 90%. Si una mujer no tiene cáncer de
mama, la probabilidad de positivo en test = 7%. Supongamos que una
paciente da positivo en un test. ¿Cuál es la probabilidad de que tenga
cáncer de mama?
P(enf)  0.008, P (no enf)  0.992, P(pos | enf)  0.90, P(pos | no enf)  0.07
P(enf)P(pos | enf)
P(enf | pos)   0.09
P(enf)P(pos | enf)  P(no enf)P(pos | no enf)

1000 mujeres

8: enfermas 992: no enfermas

7: positivos 1: negativo 69: positivos 923: negativos

p(enferma | positivo) = 7 / (7+69) = 0.09

 Teorema de Bayes

• Una manufacturera recibe embarques de piezas de dos

proveedores. El 65% de las piezas adquiridas provienen del
proveedor 1 y el 35% restante del proveedor 2. Según la
estadística existente, de las 100 últimas piezas recibidas del
proveedor 1, 98 estuvieron buenas y 2 estuvieron malas. En el
caso del proveedor 2, 95 piezas de 100 estuvieron buenas y 5
fueron malas. Suponga que una de las piezas recibidas de los
dos proveedores está mala, ¿cuál es la probabilidad que
provenga del proveedor 1? ¿Cuál es la probabilidad que
provenga del proveedor 2?
 P(B|1) P(1,B)=0.65x0.98=0.6370

u ena 0.98
B
Ma
la
P(1)
0.0
r 1 2
edo P(1,M)=0.65x0.02=0.0130
v e . 65
o 0 P(M|1)
Pr
Pr
ov
ee P(B|2) 0.0130 +
0. dor P(2,B)=0.35x0.95=0.3325 0.0175
35 2
e n a
Bu 5 0.0305
P(2) 0.9
Ma
la
0.0
5
P(M|2) P(2,M)=0.35x0.05=0.0175

P(1, M ) 0.0130 P (2, M ) 0.0175

P(1 | M )    0.4262 P(2 | M )    0.5738
P( M ) 0.0305 P(M ) 0.0305
 Tabla de Excel
Pr. Marginal Pr. Condicional Pr. Conjunta
Evento P(Evento) P(Mala|Evento) P(Evento,Mala)
Proveedor 1 0.65 0.02 0.0130 P(1,Mala)
Proveedor 2 0.35 0.05 0.0175 P(2,Mala)
0.0305 P(Mala)

P(1|M) 0.4262

P(2|M) 0.5738

P (1, M ) P(2, M )
P (1 | M )  P(2 | M ) 
P( M ) P( M )
 Teorema de Bayes

• En una fábrica existe una máquina que produce

automáticamente engranajes. Si la máquina está
correctamente calibrada producirá 90% de piezas buenas. Si
está mal calibrada producirá sólo 40% de piezas buenas. La
experiencia pasada indica que el 70% de los trabajos de
calibración dan buenos resultados. Luego de un trabajo de
mantenimiento, la máquina produce 3 engranajes buenos,
como las primeras tres piezas.
• Se desea conocer la probabilidad revisada que la calibración
halla sido buena?
 P(BBB|C)
ena P(C,BBB)=0.70x(0.90)3=0.5103
P(BB|C) u
B 0.90
uena 0
P(B|C) B .90 Ma .10
a 0 la
e n 0 . 0.5103 +
Bu .90 M a
10
0 la 0.0192
P(C) 0.10
Mal
0.7 ada

a 0.5295
r
ib
0
l
Ca

ena0 P(NC,BBB)=0.30x(0.40)3=0.0192
u
B 0.4
No

ena Ma 0.60
0.3 bra

u
Ca

B .40
0 la
0 da

ena
li

P(NC) u 0.60
B .40 Mal
0 a
0.60
Ma la

P(C , BBB) 0.5103

P(C | BBB)    0.9637
P( BBB) 0.5295
 Tabla de Excel
Pr. Marginal Pr. Condicional Pr. Condicional Pr. Conjunta
Evento P(Evento) P(B|Evento) P(BBB|Evento) P(Evento,BBB)
Calibrada 0.70 0.90 0.7290 0.5103 P(Calibrada, BBB)
No Calibrada 0.30 0.40 0.0640 0.0192 P(No Calibrada, BBB)
0.5295 P(BBB)

P(Calibrada|BBB) 0.9637

P(No Calibrada|BBB) 0.0363

P(Calibrada, BBB)
P(Calibrada | BBB) 
P( BBB)

P( No Calibrada , BBB)
P ( No Calibrada | BBB) 
P( BBB)
 Supongamos que la incidencia del consumo de drogas
en la población es del 5%. Hacemos una prueba de
drogas, que tiene una fiabilidad del 95%, a un sujeto
escogido al azar y el resultado es positivo.
¿Cuál es la probabilidad de que consuma drogas?

95 5 5 95 95
P( positivo )   
100 100 100 100 1000
P (drogadicto  positivo )
P(drogadicto | positivo )  
P( positivo )
5 95
100 100  0,5
95
1000
Spotck, la gata de Data
en Start Treck, ha tenido
un camada de 4
cachorros. El capitán
Piccard le pregunta
cuántos son macho y
cuántos hembra. Data
le responde que, basándose en el cálculo de
probabilidades, lo más probable es que sean dos
gatitos y dos gatitas. Piccard llama
inmediatamente a seguridad para que detengan a
Data. ¿Qué ocurre?
 Si un gato puede ser macho o hembra y
hay cuatro gatos, tenemos 24 = 16 posibilidades:

HHHH MMMM
•Probabilidad de que todos sean del mismo sexo = 2/16 = 1/8

HHHM HHMH HMHH MHHH

MMMH MMHM MHMM HMMM
•Probabilidad descomposición (3-1) = 8/16 = 1/2

HHMM HMHM HMMH MHHM MHMH MMHH

•Descomposición (2-2) = 6/16 = 3/8

Hemos contado los 16 casos posibles y 1/8 + 1/2 + 3/8 = 1.

A casi todo el mundo le sorprende que en familias de

cuatro hijos haya tres del mismo sexo.
 Probabilidad de que todos sean del mismo sexo:
4 4 4
1 1 1 2 1
P(4 H  4M )  P(4 H )  P(4M )        2     
2 2  2  16 8

Probabilidad descomposición (3-1):

P (3H 1M 1H 3M )  P(3H 1M )  P (1H 3M ) 

4 4 4
 1  1   3  1  1 8 1
         2  4     
 4  2   4  2   2  16 2

Probabilidad descomposición (2-2):

4
 2  1  6 3
 
P(2 H 2M )      
 4  2  16 8
La probabilidad de contraer el SIDA se estima en 1/500 en
1 contacto heterosexual sin protección con alguien
enfermo. ¿Cuántos contactos son necesarios en promedio
para que la probabilidad de infección alcance el 50%?
11 499
499
PP((no contagiars e en 1 contacto)  1 
no contagiars e en 1 contacto)  1  1  499 
P(no contagiars e en 1 contacto)  1  500 1  500
500 500
499
P (no contagiars e en 1 contacto)  1  500 22 500
 499
5002 500
499
PP((no contagiars e en 2 contactos) 
no contagiars e en 2 contactos)   499 2
P(no contagiars e en 2 contactos)   500 500 
499
P (no contagiars e en 2 contactos)   500 500 

 nn
  499
499 n
PP((no
no contagiars
contagiarsee en en nn contactos)
contactos)   499 n  00,,55
P(no contagiars e en n contactos)   500 500   0,5
499
P (no Ln
contagiars
0 ,5 e en n contactos)   500   0,5
nn  LnLn 0,5  346  500 
0 , 5  346
n  LnLn 499
 499
0, 5   346
n  Ln 500
499   346
500 
Ln 499
Utilizando condón la probabilidad de contraer el SIDA por
vía heterosexual baja de 1/500 en 1 contacto a 1/5000.
¿Cuántos contactos son necesarios ahora en promedio
para que la probabilidad de infección alcance el 50%?

1 4999
P (no contagiarse en 1 contacto)  1  
5000 5000

n
 4999 
P (no contagiarse en n contactos)     0,5
 5000 
Ln 0,5
n  3465
 4999 
Ln 
 5000 
 Si no conocemos el estado de salud de nuestra
pareja, pero sabemos con certeza que no
pertenece a ningún grupo de riesgo conocido, las
probabilidades pasan a ser de 1/5.000.000 sin
preservativo y 1/50.000.000 con preservativo,
riesgos muy inferiores a morir en un accidente de
tráfico volviendo de la cita, que es de alrededor de
1/5300.

El hombre anumérico,
John Allen Paulos.

http://www.math.temple.edu/~paulos/

114
115
 ¿Si sospechamos que una moneda está trucada (probabilidad
no simétrica) cómo utilizarla para echar suertes de manera
justa? Por ejemplo, supongamos que la moneda sale cara (C)
un 60% de las veces y sale cruz (+) un 40% de las veces.
¿Qué experimento aleatorio daría las mismas posibilidades a
dos sujetos A y B? (John von Newmann)

Cada jugador lanza la moneda dos veces:

(1) Si sale CC o ++, se vuelve a lanzar dos veces.

(2) Si sale C+ gana A.
(3) Si sale +C gana B.
6 4 24
P (C )  
10 10 100
4 6 24
P ( C )  
10 10 100
 El hombre del tiempo:

La probabilidad de que llueva este sábado es del 50%

y de que llueva en domingo también es del 50%.
Así que la probabilidad de que llueva el fin de
semana es del 100%.

¿Cuál es la probabilidad de que llueva el fin de semana

suponiendo independencia entre los sucesos: "lloverá
el sábado" y "lloverá el domingo"?

P  1  (1  0.5) 2  0.75

117
 Antoine Gambaud, Chevalier de Mère, planteó uno de los
problemas más antiguos de la teoría de probabilidad al filósofo
y matemático francés Blaise Pascal: ¿Qué es más probable?
(a) Sacar al menos un 6 al tirar 4 veces un solo dado o
(b) sacar un 12 en 24 tiradas de 2 dados.
A pesar de que Pascal había renunciado a las matemáticas por
considerarlas una forma de deleite sexual (¡!), aceptó resolver
el problema:

4 4
5 5
P(ningún 6)    ; P(al menos un 6)  1     0,52
6 6
24 24
 35   35 
P(ningún 12)    ; P(al menos un 12)  1     0,49
 36   36 
 Morir de ...
P(no morir de accidente de coche) = 99%
P(no morir de accidente doméstico) = 98%
P(no morir de enfermedad pulmonar) = 95%
P(no morir de locura) = 90%
P(no morir de cáncer) = 80%
P(no morir de enfermedad cardiaca) = 75%
La probabilidad de librarse individualmente de cada una de estas
formas de muerte es alentadora, pero: ¿Cuál es la probabilidad
de morir a causa de alguna de ellas?

P(no morir por ninguna de las causas) =

= 0,99 • 0,98 • 0,95 • 0,9 • 0,8 • 0,75 = 0,50

P(morir a causa de alguna) = 1 – 0,5 = 0,50.

 ¿Si durante 6 semanas seguidas recibieras por carta las
predicciones correctas sobre si suben o bajan determinadas
acciones, estarías dispuesto a pagar 500 dólares por la
información a la séptima semana? Observación: la
probabilidad de que el
broker acierte por azar es (1/2)6 = 0,008.
Nuestro astuto asesor de bolsa envía
32.000 cartas: 16.000 predicen
subida y 16.000 bajada. A la mitad
adecuada les envía a la semana
siguiente 8.000 con subida y 8.000
con bajada, etc. Al final 500
personas han recibido 6
predicciones correctas dispuestas a
pagar 500 euros por la séptima: 500
x 500 = 250.000 euros de beneficio
para el timador.
121
122
123
124
125
126
 2/ Se lanza una moneda si sale cara se saca una canica de la caja I que
contiene 3 rojas y 2 azules, si sale cruz se saca una canica de la caja II
que contiene 2 rojas y 8 azules. a) Determinar la probabilidad de que se
saque una canica roja. b) Habiendo sacado bola roja, ¿cuál es la
probabilidad de que haya salido cara?

1
 
a) 2
Caja I
3
 
5 P  P ( I ) P( R | I )  P ( II ) P( R | II ) 
 1  3   1  2   2 
        
1
  Caja II
2
 
 10 
 2  3  2   2  2  8   5 
2

b)
 1  3 
  
 P( I ) P( R | I )  2
  3  2  3
P     
 P ( I ) P( R | I )  P ( II ) P ( R | II )   1  3    1  3  4
 2  3  2   2  2  8 

127
 8/ Un ladrón es perseguido por un coche de policía y al llegar a un
determinado cruce se encuentra tres posibles calles por las que huir (A, B y
C), de tal manera que las dos ultimas son tan estrechas que por ellas no cabe
el coche de policía, de lo cual el ladrón no se da cuenta
Si huye por la calle A le atrapan seguro puesto que la final de la misma hay
otra patrulla de policía. Si huye por la calle C se escapa seguro puesto que no
está vigilada. Si huye por la calle B se encontrará que esta se bifurca en dos
callejuelas: la BA, que conduce a A y la BC que conduce a C-
a) ¿Cuál es la probabilidad de que el ladrón sea atrapado?
b) Sabiendo que escapó, ¿cuál es la probabilidad de que huyera por la C
entrando por la B y llegando a C por la callejuela BC?

Policía
a)
A Atrapado
1
3 1
A
BA

Policía Ladrón B
1 2
BA Atrapado
3
C B
BC

1
BC Escapa
2
1
Vía 3 Escapa
C
libre
128
P (atraparle)  P(A)  P (atraparle en A) 
 P(B)  P(BA)  P (atraparle en BA)  P (BC)  P (atraparle en BC) 
1 1 1 1  1 1 1 1
 P(C)  P (atraparle en C)  1   1   0   0   
3 3 2 2  3 3 6 2

b)
1 1
 1
P (B)  P(BC)  P(escapar C) 3 2 1
P (escapar por BC)   
P(escapar) 1 3
2
1 1
P(escapar)  1 - P(ser atrapado)  1 - 
2 2

129
13/ Dados los sucesos A y B , tales que P(A)=0,4 y P(B)=0,3 y P(A∩B)=0,1 , calcúlense las
siguientes probabilidades:

a) P( A / B )
b) P(A/A U B)
c) P(A/A ∩ B)
d) P( A /B)

a)
P( A  B)
P( A / B)  ; ( A  B )  ( A  B)  E
P( B )
P (( A  B )  ( A  B ))  P ( A  B )  P ( A  B )  P ( E )  1
P ( A  B )  1  P ( A  B )  1  ( P ( A)  P ( B )  P ( A  B )) 
1  (0, 4  0, 3  0,1)  0, 4
0, 4 4
P ( B )  1  P ( B )  1  0,3  0, 7 ; P( A / B )  
0, 7 7
b)
P ( A  ( A  B )) P (( A  A)  P ( A  B )) P ( A  ( A  B ))
P( A / A  B)    
P ( A  B) P( A  B ) P ( A  B)
P ( A) 0, 4 2
 
P ( A  B ) 0, 6 3

c)
P ( A  ( A  B )) P ( A  B )
P( A / A  B )   1
P( A  B ) P( A  B)

d)
P ( A / B )  1  P ( A / B ), ya que ( A / B )  ( A / B )  E
P( A  B) 0,1 2
P( A / B)  1   1 
P( B) 0, 3 3
130
17/ En unos laboratorios se preparan tres vacunas contra la misma enfermedad. Las probabilidades de obtener
en el mercado cada una de ellas son: vacuna 1=1/6; vacuna 2=1/3; vacuna 3=1/2. Las probabilidades de
inmunidad con cada una son: vacuna 1=0,90; vacuna 2=0,94; vacuna 3=0,88. Calcúlese la probabilidad de que,
utilizando cualquiera de ellas, el sujeto vacunado resulte inmune.

Para calcular la probabilidad de inmunización aplicamos el teorema de la probabilidad total:

P ( I )  P (V1 ) P ( I / V1 )  P (V2 ) P ( I / V2 )  P (V3 ) P ( I / V3 ) 

1 1 1
  0,90   0,94   0,88  0,903
6 3 2

131
19/ Sean las urnas de bolas U1 = (5b, 8n) y U2 = (6b, 9r). Se toma una bola de U1 y se pasa a U2 y seguidamente
una de U2 y se pasa a U1. ¿cuál es la probabilidad de que esta última sea roja?
(b = bola blanca, n = bola negra, r = bola roja)

Las posibles dobles extracciones de U1 son: bb, br, nn, nb y nr ; cuyas probabilidades respectivas son:
5 7 5 9 8 1 8 6 8 9
 ,  ,  ,  y 
13 16 13 16 13 16 13 16 13 16

Sea B el suceso cuya probabilidad queremos calcular. Por el teorema de la probabilidad total tenemos que:

P ( B)  P( B / bb) P (bb)  P( B / br ) P(br )  P ( B / nn) P (nn)  P ( B / nb) P (nb) 

35 1 45 8 48 1 72 117
 P ( B / nr ) P (nr )  0     0  0     0, 043
208 13 208 208 208 13 208 2704

132
20/ Un test detecta la presencia de un cierto tipo T de bacterias en el agua con probabilidad 0,9 en caso de
haberlas. Si no las hay, detecta la ausencia con probabilidad 0,8. sabiendo que la probabilidad de que una
muestra de agua contenga bacterias de tipo T es 0,2 , calcular la probabilidad:

a) De que realmente haya presencia de bacterias cuando el test ha dado resultado positivo
b) Ídem cuando del resultado del test es negativo
c) De que haya bacterias y el test sea positivo
d) De que, o haya bacterias, o el test sea positivo

Designaremos por T el suceso “que haya bacterias tipo T” y por C el suceso “el test dio positivo”.
a) Por el teorema de Bayes:
P (C / T ) P(T ) 0,9  0, 2 9
P(T / C )   
P (C / T ) P (T )  P (C / T ) P (T ) 0,9  0, 2  0, 2  0,8 17

P (C / T ) P (T ) 0,1  0, 2 0, 02 1
b) P (T / C )    
P (C / T ) P (T )  P (C / T ) P (T ) 0,1 0, 2  0,8  0,8 0, 66 33

c) P(T  C )  P (T ) P(C / T )  0, 2  0,9  0,18

P (T  C )  P (T )  P (C )  P(T  C )  0, 2  0, 34  0,18  0,36

d) ya que la probabilidad de que el test sea positivo es:
P (C )  P(C / T ) P (T )  P (C / T ) P (T )  0,9  0, 2  0, 2  0,8  0,34

133
21/ A un puesto aduanero llegan periódicamente misiones diplomáticas procedentes de un determinado país y que
están constituidas por 10 miembros. El citado país es un gran productor de marihuana, circunstancia que, de vez
en cuando, es aprovechada por sus misiones diplomáticas para introducir algún que otro cargamento en el país
que visitan, siendo la forma de hacerlo el que dos de los diez miembros lleven en sus maletas la hierba.
Los aduaneros tienen ya información del truco, pero, para no producir incidentes diplomáticos, se limitan a
inspeccionar dos de las diez maletas dejando pasar a la misión si en las maletas inspeccionadas no encuentran
droga. Su experiencia les dice además que el 10% de las misiones portan la droga.
Si una misión inspeccionada no arroja resultado positivo, ¿cuál es la probabilidad de que realmente dicha misión
no lleve droga alguna?

Denominaremos:
A1 al suceso “la delegación porta droga”
A2 al suceso “la delegación no lleva droga”
B al suceso “una misión inspeccionada arroja resultado negativo”

Conocemos:

P ( A1 )  0,1 P ( A2 )  0,9
8   2
  
2 0 28
P ( B / A1 )       P( B / A2 )  1
 10  45
 
2 

Y nos pide P(A2/B). Esta probabilidad podemos calcularla con ayuda del teorema de Bayes:

P ( A2 ) P ( B / A2 )
P ( A2 / B )   0,9353
P ( A1 ) P ( B / A1 )  P ( A2 ) P( B / A2 )

134
22/ Una caja contiene 3 monedas, 2 normales y una con dos caras. Se elige una moneda al azar y se efectúa una
tirada. Si sale cara se tira otra vez. Si sale cruz se elige una de las otras dos que quedan en la caja y se tira. Se pide:

a) Probabilidad de que hayan salido dos caras

b) En este caso, ¿cuál es la probabilidad de que la moneda que se ha lanzado dos veces sea la que tiene dos
caras?
c) ¿cuál es la probabilidad de que salgan dos cruces?

P (dos caras)  P( B )  P ( B  A1 )  P ( B  A2 )  P ( A1 ) P ( B / A1 )  P ( A2 ) P( B / A2 ) 
a) 2 1 1 1 1
   1    0,5
3 4 3 6 3

(donde A1 es el suceso consistente en que la moneda extraída sea normal y A2 que la moneda extraída sea la especial)

1
P ( A2  B ) P ( A2 ) P( B / A2 ) 3 2 2 1 1 1 1
b) P ( A / B )     P ( H )  P ( M 1 ) P (C / M 1 ) P ( M 2 / M 1 ) P (C / M 2 )     
P( B) P( B) 1 3 3 2 2 2 12
2

c) Saldrán dos cruces si la primera moneda era normal y el lanzamiento fue cruz y la segunda moneda era también normal y asimismo arrojó
cruz. Llamaremos:

Mi : La moneda extraída en el lugar i-ésimo es normal , i = 1 , 2

C : Salir cruz al lanzar una moneda
H : Salir dos cruces

2 1 1 1 1
P ( H )  P ( M 1 ) P (C / M 1 ) P ( M 2 / M 1 ) P ( C / M 2 )     
3 2 2 2 12

135
23/ Una urna contiene 2 bolas blancas, 5 negras y 4 rojas, y de ella extraemos tres bolas, una a continuación de
otra. La primera que se extrajo resultó roja, la segunda no se miró y la tercera fue negra.
Determinar la probabilidad de que la bola extraída en segundo lugar sea blanca.

La información de que la primera bola extraída fue roja reduce el problema inicial a este otro:
Una urna con 2 bolas blancas, 5 negras y 3 rojas y de ella extraemos 2 bolas, una después de la otra. La primera no se miró y la segunda era
negra. ¿cuál es la probabilidad de que la bola extraída en primer lugar sea blanca?
Llamamos B, N y R a los sucesos salir bola blanca, negra o roja en primer lugar y C al suceso “segunda bola extraída sea negra”

5 4 5
P (C / B )  P (C / N )  P (C / R ) 
9 9 9
2 5 3
P( B)  P( N )  P( R) 
10 10 10

Y pretendemos calcular es P(B/C) lo que haremos con ayuda del teorema de Bayes. Así tenemos:

P (C / B ) P( B ) 2
P( B / C )  
P (C / B) P( B)  P(C / N ) P( N )  P(C / R) P( R ) 9

Análogamente se calcula que: P(N/C) = 4/9 P(R/C) = 3/9

136
Sean tres urnas con las siguientes posiciones de bolas blancas y negras:
U1: (3 blancas y 2 negras)
U2: (4 blancas y 2 negras)
U3: (1 blanca y 4 negras)
Calcúlese:
a) Probabilidad de extraer bola blanca
b) Probabilidad de que una bola negra que se ha extraído proceda de la segunda
urna.
SOLUCIÓN:
a) Suponemos que las tres urnas son equiprobables:
P(U1) = P(U2) = P(U3) = 1/3.
Por el teorema de la probabilidad total:
P(blanca) = P(blanca/U1) P(U1) + P(blanca/U2) P(U2) + P(blanca/U3) P(U3) = 3/5 x 1/3+
4/6 x 1/3 +1/5 x 1/3 = 22/45 = 0,48888
b) P (U2/negra) = P (negra/ U2)P (U2)/P(negra) =
= (P(negra/U2) P(U2)/(P(negra/U1)P(U1)+P(negra/
2 1
U2) P ( U2)+P(negra/U3) P/U3) =

6 3 5

2 1 2 1 4 1 23
    
5 3 6 3 5 3
También se podría haber obtenido con la probabilidad del complementario:
P (negra) = 1 – P (blanca) = 1 – 22/45 = 23/45
137