Captulo 2

Probabilidad condicionada e
independencia.
2.1.

Actualizaci
on de la informaci
on: probabilidad condicionada

El conocimiento de informacion relativa a la ocurrencia de un suceso en un experimento

aleatorio puede modificar nuestro grado de confianza el la ocurrencia de otros sucesos. Podemos
entender facilmente este hecho mediante el siguiente ejemplo.

Ejemplo 2.1.1 Supongamos que se efectua un sorteo para elegir un numero entre 00000 y
64999. En principio la confianza que tenemos en que suceda B = el resultado del sorteo es un
numero menor que 30000es
P (B) =

30000
= 0,4615
65000

(nuestro argumento para efectuar tal cuantificacion es que hay 65000 igualmente probables resultados del sorteo y de ellos 30000 se corresponden con numeros menores que 30000).
Supongamos que, sin decirnos cual ha sido el resultado del sorteo, alguien nos informa de que
la segunda cifra del numero elegido es un 7. Ahora sabemos que el resultado es uno de los 6000
numeros incluidos en el sorteo inicial cuyas primeras dos cifras son 07, 17, 27, 37, 47 o 57. De
esos 6000 numeros hay 3000 menores que 30000 (los que comienzan con las cifras 07, 17, o 27).
Por lo tanto nuestra confianza en que el resultado sea realmente un numero menor que 30000
pasa a ser 3000
= 0,5.

6000

La forma en la que hemos modificado nuestro grado de creencia en el suceso B en el ejemplo

2.1.1 es valida en otros experimentos aleatorios. Consideremos ahora una situacion mas general
como la representada en el siguiente diagrama.
13

14

Captulo 2. Probabilidad condicionada e independencia.

B
C

A
D

Inicialmente la confianza que tenemos en la ocurrencia de B, C y D es P (B), P (C) y

P (D), respectivamente. Supongamos que sabemos que ha ocurrido A. Entonces el resultado no
es ninguno de los elementos de D, por lo que nuestra confianza en que ocurra D pasa a ser 0.
La confianza en los sucesos contenidos en A se ve incrementada, puesto que necesariamente el
resultado esta en A. Sin mayor argumento para aumentar en mayor medida nuestra confianza en
unos sucesos contenidos en A que en otros, debemos afirmar que el nuevo grado de creencia en
que ocurra cada uno de ellos sera proporcional a la anterior, es decir, si P denota este nuevo
grado de confianza,
P (C) = k P (C)
para cualquier suceso C A. Este argumento es aplicable al propio suceso A, con lo que
P (A) = k P (A). Por otra parte si se que ha ocurrido A, mi confianza en que haya ocurrido A
1
y
es 1, con lo que k = P (A)
P (C)
P (C) =
.
P (A)
Finalmente, para un suceso cualquiera, B, la parte que esta fuera de A, A C B, pasa a ser
imposible, mientras que la parte que esta dentro, A B, pasa a tener confianza P (A B)/P (A).
La confianza en que ocurra B pasa por tanto a ser
P (B) =

P (A B)
.
P (A)

El razonamiento anterior motiva la siguiente definicion.

Definici
on 2.1.2 Si A y B son sucesos de un espacio muestral asociado a un experimento
aleatorio y P (A) > 0 se llama probabilidad de B condicionada por A (o probabilidad de B
sabiendo que ha ocurrido A) a
 . 
P (A B)
.
(2.1)
P B A :=
P (A)
Segun hemos visto P (B|A) es la confianza que tenemos en la ocurrencia de B una vez que
sabemos que ha ocurrido A.

2.2. Regla de multiplicacion. Experimentos en etapas sucesivas

15

Ejemplo 2.1.3 En la situacion planteada en el ejemplo 1.13 vamos a calcular la probabilidad de

la pieza elegida al azar no tenga el defecto B sabiendo que tiene el defecto A y la probabilidad
de que tenga el defecto C sabiendo que no tiene ni el defecto A ni el B.
Las probabilidades que queremos calcular son
 . 
 .

C
P B A
y P C AC B C
De acuerdo con la definicion 2.1.2 y las propiedades de la probabilidad estas cantidades son
.  P (A B C )
0,08
C
B
=
= 0,8
y
P
A =
P (A)
0,1
 P (AC B C C)
 .
0,037
P C AC B C =
=
= 0,044.
C
C
P (A B )
0,84


2.2.

Regla de multiplicaci
on. Experimentos en etapas sucesivas

La igualdad (2.1) puede ser reescrita de la siguiente forma: si A y B son dos sucesos de y
P (A) > 0 entonces
 . 
P (A B) = P (A)P B A .
Podemos obtener una expresion similar para la probabilidad de ocurrencia simultanea de 3 sucesos
A, B y C:
 .   .

P (A B) P (A B C)
B
C
P (A B C) = P (A)
= P (A)P
A P
AB .
P (A)
P (A B)
En general, la probabilidad de ocurrencia simultanea de n sucesos puede calcularse de forma analoga en terminos de probabilidades condicionadas. A esa propiedad, que enunciamos a
continuacion, se le conoce con el nombre de regla de multiplicacion:
Regla de multiplicaci
on: Si A1 , A2 , ..., An son sucesos de un espacio muestral tales que P (A1
A2 ... An1 ) > 0 entonces
 .   .

 .

P (A1 A2 ... An ) = P (A1 )P A2 A1 P A3 A1 A2 P An A1 A2 ... An1
(2.2)
La igualdad (2.2) es muy u
til a la hora de construir modelos probabilsticos para experimentos
que de desarrollan en varias etapas. Podremos entender esto facilmente a traves de los siguientes
ejemplos.
Ejemplo 2.2.1 Supongamos que en un concurso el participante obtiene su premio escogiendo
una papeleta de una de dos urnas (etiquetadas A1 y A2 respectivamente). La urna es a su vez
elegida mediante un sorteo que tiene como resultado A 1 el 30 % de las veces. Las papeletas

16

Captulo 2. Probabilidad condicionada e independencia.

que hay dentro de las urnas son de dos tipos B1 y B2 . Las de tipo B1 otorgan un premio de
1.000.000 euros y las de tipo tipo B2 nada. En la urna A1 hay 7 papeletas de tipo B1 y 3 de
tipo B2 , mientras que en la urna A2 hay 3 de tipo B1 y 7 de tipo B2 . Que probabilidad tiene
un participante en el concurso de llevarse el premio de un millon de euros?
Lo que queremos es calcular P (B1 ) y lo que sabemos es que P (A1 ) = 0,3, P (A2 ) = 0,7,
P (B1 |A1 ) = 0,7, P (B1 |A2 ) = 0,3. De ello se deduce que
 . 
P (A1 B1 ) = P (A1 )P B1 A1 = 0,3 0,7 = 0,21
 . 
P (A2 B1 ) = P (A2 )P B1 A2 = 0,7 0,3 = 0,21
y por lo tanto
P (B1 ) = P (A1 B1 ) + P (A2 B1 ) = 0,42.

Ejemplo 2.2.2 En las actas del Congreso de Estados Unidos se recoge la siguiente intervencion:
La mayor parte de la discusion sobre la iniciativa de defensa cocida como Guerra de las
Galaxias asume un sistema de defensa multi-estratificado, con tres o cuatro distintos niveles. La
idea que hay detras de tener diferentes niveles es que la la defensa total puede ser casi perfecta
de esta forma incluso si los niveles individuales son menos perfectos. Por ejemplo, si cada nivel
tiene una efectividad del 80 % (lo que significa que uno de cada cinco misiles puede atravesarlo)
una combinacion de tres de tales niveles tendra una efectividad global de mas del 99 %, lo que
significa que no mas de uno de cada 100 proyectiles alcanzara su objetivo
Supogamos que un misil encuentra sucesivamente los distintos niveles. El misil tiene probabilidad del 20 % de pasar el primer niveles sin ser desviado; superado el primer nivel la probabilidad
de superar el segundo es del 20 %; superados los dos primeros la probabilidad de superar el tercero
es del 20 %. Si Ei denota el suceso consistente en que el misil supere el nivel i, lo anterior, junto
a la regla de multiplicacion (2.2) nos dice que
 .   .

E
E
2
3
P (E1 E2 E3 ) = P (E1 )P
E1 P
E1 E2 = 0,2 0,2 0,2 = 0,008.
Por lo tanto la probabilidad de que el misil sea desviado del objetivo es, tal como se afirmaba,
1-0.008=0.992.

2.3.

La probabibilidad condicionada como medida de probabilidad.

Al introducir el concepto de probabilidad condicional incidimos en que esta era la probabilidad actualizada al disponer de informacion parcial. Conviene comprobar que, efectivamente la
aplicacion


P A : P()
R
(2.3)
P (BA)
B
7
P (A)
es una probabilidad sobre . Recogemos este resultado en el siguiente Teorema, cuya demostracion se propone como ejercicio:

2.4. Independencia de sucesos.

17

Teorema 2.3.1 Si (, P ) es un

espacio de probabilidad y A es un suceso tal que P (A) > 0

entonces la aplicacion P
A definida por (2.3) es una probabilidad sobre .

2.4.

Independencia de sucesos.

Asociada de una manera natural a la idea de probabilidad condicionada esta la idea de independencia de sucesos para representar aquellas situaciones en las que el conocimiento de que ha
ocurrido un suceso no modifica la incertidumbre sobre la ocurrencia del otro.
Expresando esta idea en terminos formales, diremos que dos sucesos A y B son independientes
si
 . 
P B A = P (A)
siempre que P (B) > 0.
Aternativamente (y equivalentemente) se puede dar la siguiente definicion, en la que se observa
claramente que la independencia es una relacion recproca entre los sucesos.
Definici
on 2.4.1 Diremos que los sucesos A y B son independientes si
P (A B) = P (A) P (B).
La independencia de dos sucesos supone la independencia de sus complementarios: si saber que
ha ocurrido un suceso no me dice nada sobre la ocurrencia de otro tampoco me dira nada sobre
su no ocurrencia. Es un ejercicio sencillo comprobar formalmente que si A y A son independientes
entonces son tambien independientes
A y BC

AC y B

AC y B C .

La nocion de independencia se puede considerar tambien en relacion a mas de dos sucesos. De

tres sucesos A, B y C dire que son independientes si el conocimiento de la ocurrencia de alguno
de ellos no modifica la incertidumbre sobre la ocurrencia de otros. Esto significa, por ejemplo,
que A debe ser independiente de B y de C y que B y C deben ser independientes, con lo que
debe verificarse que
P (A B) = P (A)P (B)

P (A C) = P (A)P (C)

P (B C) = P (B)P (C).

(2.4)

Sin embargo estas tres condiciones no garantizan la independencia entre tres sucesos.
Ejemplo 2.4.2 Consideremos el experimento aleatorio consistente en el lanzamiento de dos
dados. Llamaremos A =Obtener resultado par con el primer dado, B =Obtener resultado
par con el segundo dado y C =La suma de los dos resultados es par. Obviamente estos tres
sucesos no son independientes: saber, por ejemplo, que han ocurrido A y B hace que sepamos que,
necesariamente, ha ocurrido C. Sin embargo, es facil comprobar que P (A) = P (B)P (C) = 1/2
y P (A B) = P (A C) = P (B C) = 1/4 lo que significa que A, B y C verifican las tres
igualdades (2.4).

18

Captulo 2. Probabilidad condicionada e independencia.

Para que realmente la ocurrencia de alguno de los tres sucesos no aporte informacion sobre la
ocurrencia de los otros deberan darse mas condiciones. Por ejemplo, saber que han ocurrido A y B
no debera modificar el grado de confianza en C, es decir, debe ocurrir que P (C|A B) = P (C).
Esta condicion, junto con (2.4) nos dice que
P (A B C) = P (A)P (B)P (C).
No es difcil comprobar que esta condicion es la que faltaba para que los tres sucesos sean
independientes. En otras palabras, si los sucesos A, B y C verifican
P (A B)
P (A C)
P (B C)
P (A B C)

=
=
=
=

P (A)P (B)
P (A)P (C)
P (B)P (C)
P (A)P (B)P (C)

entonces de la ocurrencia de alguno de ellos no se extrae ninguna informacion sobre la ocurrencia

de otros.
Un razonamiento similar nos sirve para extender la definicion formal de independencia a
cualquier cantidad de sucesos.
Definici
on 2.4.3 Diremos que los sucesos A1 , ..., An son independientes si para cualquier subconjunto de ndices {i1 , ..., ir } {1, ..., n} se cumple que
P (Ai1 Air ) = P (Ai1 ) P (Air ).
La interpretacion del concepto es analogo al de independencia a dos sucesos: n sucesos son independientes si el conocimiento de la ocurrencia de alguno de ellos no modifica la incertidumbre
sobre la ocurrencia de otros. Tener presente esta interpretacion nos ayudara a manejar convenientemente la nocion de independencia. Por ejemplo, nos servira para afirmar que si A, B y C son
independientes entonces AC , B C y C C son independientes, A B y C son independientes, etc.
Veamos algun ejemplo de utilizacion de la independencia para el calculo de probabilidades.
Ejemplo 2.4.4 Un deposito de agua tiene dos dispositivos de seguridad, A y B, que impiden
la llegada de mas agua cuando esta alcanza cierto nivel. Ambos dispositivos funcionan independientemente, estimandose que el dispositivo A funciona el 90 % de las ocasiones y el B el 70 %.
Calcular:
a) la seguridad del dispositivo en conjunto (la probabilidad de que funcione algun dispositivo).
b) la probabilidad de que solo funcione uno de los dos dispositivos.
Las probabilidades que debemos calcular son: a) P (AB) b) P (AB) = P (AB C )+P (AC B).
Por la independencia
P (A B) = P (A) + P (B) P (A B) = P (A) + P (B) P (A)P (B) = 0,9 + 0,7 0,63 = 0,97
P (AB) = P (A)(1 P (B)) + (1 P (A))P (B) = 0,27 + 0,07 = 0,34.

2.4. Independencia de sucesos.

19

Ejemplo 2.4.5 (Fiabilidad de sistemas) Supongamos que un sistema esta formado por n componentes A1 , ..., An que funcionan independientemente. Denotemos por R i la fiabilidad del componente i, es decir, la probabilidad de que no este estropeado. Vamos a calcular la fiabilidad total
del sistema en dos situaciones distintas:
a) Sistema acoplado en serie (el sistema funciona si y solo si funcionan todos los componentes).

A1

An

A2

b) Sistema acoplado en paralelo (el sistema funciona si funciona al menos un componente).

A1
A2

An

Si denotamos por Bi el suceso consistente en que el componente i funcione, por R S la

fiabilidad del sistema conectado en serie y por RP la fiabilidad del sistema en paralelo, es claro
que
RS = P (B1 B2 Bn )
RP = P (B1 B2 Bn ).
Por la independencia en el funcionamiento de los componentes se tiene
RS = R 1 R2 Rn
y si los componentes tienen la misma fiabilidad entonces
RS = R1n .
La independencia de los distintos componentes y las propiedades de la probabilidad nos sirven
para concluir tambien que
RP = 1 P (B1C B2C BnC ) = 1 (1 R1 ) (1 R2 ) (1 Rn )
y en caso de que los componentes tengan la misma fiabilidad
RP = 1 (1 R1 )n .

20

Captulo 2. Probabilidad condicionada e independencia.

Es importante senalar que el hecho de que dos o mas sucesos sean independientes obedece
en muchas ocasiones a una necesidad fsica o funcional. Esto ocurre especialmente cuando nos
encontramos con un experimento organizado en varias etapas fsicamente independientes y estudiamos la independencia de sucesos cuya realizacion involucra a etapas diferentes para cada uno
de los sucesos. En estos casos la independencia sera algo obvio que no necesitara comprobacion.
Por el contrario, en otras ocasiones la independencia es fruto de una mera coincidencia numerica, a veces inesperada. En estos casos tendremos que recurrir necesariamente a las formulas para
su comprobacion. Veamos ejemplos de las dos situaciones.
Ejemplo 2.4.6 Se lanzan dos dados equilibrados. El espacio muestral asociado es el conjunto
de pares = {(1, 1), (1, 2), ..., (6, 6)} que consta de 36 puntos. Asumiendo que los dados estan
1
equilibrados la asignacion de probabilidades debe ser 36
para cada uno de esos 36 posibles resultados. Consideremos los sucesos A = {con el primer dado sale 1} y B = {con el segundo dado
sale 1}. Estos sucesos pueden considerarse fsicamente independientes en el sentido de que no
parece razonable esperar ningun tipo de relacion entre la ocurrencia de ambos al definirse cada
uno de ellos a partir del resultado de un dado diferente.
El Calculo de Probabilidades corrobora este hecho al resultar que
P (A B) = P {(1, 1)} =
P (A) P (B) =

1
,
36

6
6
1

= .
36 36
36

Ejemplo 2.4.7 Una empresa de servicios tiene clientes en tres zonas: rural (R), semiurbana (SU)
y urbana (U) en proporciones 0.1, 0.3 y 0.6 respectivamente. Entre los servicios que presta la
empresa, el servicio S es demandado de forma de manera desigual por los clientes segun la zona
de residencia. En la zona R el servicio es demandado por el 20 % de los clientes; en la SU por el
40 % y en la U por el 10 %. Si el experimento aleatorio consiste en escoger un cliente al azar, los
sucesos S (demandar el servicio S) y R (habitar en zona rural) son independientes.
Para comprobarlo vamos a calcular P (S):
P (S) = P (S R) + P (S SU ) + P (S U )
 . 
 . 
 . 
= P (R)P S R + P (SU )P S SU + P (U )P S U
= 0,1 0,2 + 0,3 0,4 + 0,6 0,1 = 0,2.
Tenemos entonces que P (S) = P (S|R) = 0,2, de modo que S y R son independientes.

2.5.

Regla las Probabilidades Totales. Regla de Bayes.

Supongamos que en el espacio muestral asociado a un experimento aleatorio se plantea la

siguiente situacion.

2.5. Regla las Probabilidades Totales. Regla de Bayes.

21

A1

A2

...

A3

An ...

A1 , A2 , ..., An son sucesos que forman una particion de , es decir,

[
Ai = , Ai Aj = si i 6= j.
i

Supongamos ademas que se conocen las probabilidades

P (Ai ), i = 1, 2, ..., (probabilidades a priori)
 . 
P B Ai , i = 1, 2, ...
Entonces, combinando las reglas de la probabilidad se pueden calcular
P (B), (incondicional)
 . 
P Ai B , i = 1, 2, ... (probabilidades a posteriori)
Las probabilidades a priori representan la medida de la incertidumbre inicial sobre la ocurrencia
de cada uno de los sucesos Ai . Las probabilidades a posteriori representan la incertidumbre sobre
la ocurrencia de dichos sucesos tras incorporar al modelo la informacion de que ha ocurrido el
sucesos B y reflejan el cambio producido tras incorporar dicha infromacion.
Combinando las reglas que verifica la probabilidad y la probabilidad condicionada podemos
calcular las probabilidades incondicionales y a posteriori a partir de las probabilidades a priori y
las condicionadas.
S
Para calcular P (B) basta darse cuenta de que, en las condiciones descritas, B = j (Aj B)
y que en esta union los sucesos que intervienen son disjuntos dos a dos. Como consecuencia
 . 
X
X
P (B) =
P (Aj B) =
P (Aj )P B Aj .
j

Para calcular ahora P (Ai |B) valen los siguientes calculos:

 . 
 .  P (A B)
P (Ai )P B Ai
i
A
 . .
=X
P iB =
P (B)
P (Aj )P B Aj
j

Por la importancia que tienen estos dos sencillos resultados en el Calculo de Probabilidades
es habitual referirse a ellos con dos nombres particulares: Regla de la Probabilidad Total y Regla

22

Captulo 2. Probabilidad condicionada e independencia.

de Bayes. Enunciamos a continuacion ambas reglas especificando las condiciones necesarias para
su validez.
S
Regla de las Probabilidades Totales. Si A1 , A2 , ..., An son sucesos tales que i Ai = ,
Ai Aj = si i 6= j y P (Ai ) > 0 y B es cualquier otro suceso, entonces
 . 
X
P (B) =
P (Ai )P B Ai
(2.5)
i

S
Regla de Bayes. Si A1 , A2 , ..., An son sucesos tales que i Ai = , Ai Aj = si i 6= j y
P (Ai ) > 0 y B es cualquier otro suceso tal que P (B) > 0, entonces
 . 
 . 
P (Ai )P B Ai
 . 
P Ai B = X
(2.6)
P (Aj )P B Aj
j

Ejemplo 2.5.1 Tres maquinas A, B, y C fabrican la misma pieza con una produccion aceptable
del 70 %, 80 % y 90 % respectivamente. Del total de la produccion, el 40 % de la produccion
corresponde a la maquina A, el 45 % a la B y el 15 % a la C. Calcular
a) la probabilidad de que una pieza elegida al azar sea aceptable.
b) la probabilidad de que una pieza defectuosa proceda de la maquina A.
Emplearemos la siguiente notacion: A, B o C representara el suceso consistente en que una
pieza elegida al azar haya sido producida por la maquina A, B o C respectivamente; D sera el
suceso la pieza es defectuosa. Estamos en la situacion descrita anteriormente: los sucesos A,
B y C forman una particion del espacio muestral y conocemos las siguientes probabilidades:
P (A) = 0,4, P (B) = 0,45, P (C) = 0,15 y
 . 
 . 
 . 
D
D
D
P
A = 0,3 P
B = 0,2 P
C = 0,1.
En a) nos piden calcular P (D C ). Con la Regla de la Probabilidad Total tenemos que
 . 
 . 
 . 
P (D) = P (A)P D A +P (B)P D B +P (C)P D C = 0,40,3+0,450,2+0,150,1 = 0,225,
con lo que P (D C ) = 0,775.
Lo que se pide en b) es calcular P (A|D). Aplicando la Regla de Bayes obtenemos esta
probabilidad:
 . 
 . 
P (A)P D A
 . 
 . 
 . 
P AD =
D
D
P (A)P
A + P (B)P
B + P (C)P D C
0,4 0,3
0,12
=
=
= 0,533
0,4 0,3 + 0,45 0,2 + 0,15 0,1
0,225

2.6. Independencia condicional. Paradoja de Simpson.

23

Ejemplo 2.5.2 Una maquina produce artculos que pueden ser defectuosos con probabilidad 0.1.
Para mejorar la calidad se somete la produccion a una inspeccion de tal manera que
1) un artculo defectuoso es detectado y rechazado con probabilidad 0.99.
2) un artculo no defectuoso es rechazado por error con probabilidad 0.02.
a) Determinar cual es la calidad final del producto, es decir, la probabilidad de que un artculo
sea no defectuoso despues de superada la inspeccion.
b) Determinar la probabilidad de que un artculo desechado por no superar la inspeccion sea
aceptable.
En el experimento consistente en seleccionar un artculo al azar denotaremos D =el artculo
es defectuoso, R =el artculo es rechazado por la inspeccion. Lo que se pide en el apartado a)
es calcular P (D C |RC ). Aplicando la Regla de Bayes tenemos que
 . 
C
 C. 
P (D C )P R D C
0,9 0,98
 . =
 . 
P D RC =
= 0,9988.
C
C
0,1

0,01
+
0,9

0,98
C
R
R
C
P (D)P
D
D + P (D )P
Para el apartado b) lo que hay que calcular es P (D C |R). De nuevo usamos la Regla de Bayes:
 . 
C
R DC
 . 
P
(D
)P
0,9 0,02
C
D
 . 
 . =
= 0,1538.
P
R =
0,1 0,99 + 0,9 0,02
P (D)P R D + P (D C )P R D C

2.6.

Independencia condicional. Paradoja de Simpson.

Existen situaciones en las que dos (o varios) sucesos son aparentemente independientes, pero
en realidad estan afectados por la accion de un factor de manera que, bajo un estado concreto de
ese factor, los sucesos mencionados son efectivamente independientes pero, sin tener en cuenta
la informacion proporcionada por este factor no son independientes. En este tipo de situaciones
hablaremos de independencia condicional.
Definici
on 2.6.1 Diremos que dos sucesos A y B son condicionalmente independientes dado un
tercer suceso C (que verifica P (C) > 0) si

. 
 .   . 
P AB C =P A C P B C .
Ejemplo 2.6.2 Supongamos que, en la situacion planteada en el Ejemplo 2.5.2, los artculos se
someten dos veces a inspeccion y se supone independencia entre las dos inspecciones. Determinar
la probabilidad de que un artculo sea defectuoso tras superar las dos inspecciones.

24

Captulo 2. Probabilidad condicionada e independencia.

Esta claro que la independencia entre las dos inspecciones es condicionalmente tanto a que el
artculo sea defectuoso como a que sea no defectuoso, es decir, que, denotando por R i el suceso
el artculo es rechazado en la inspeccion i, i = 1, 2, lo que ocurre es que
. 

 .   . 
P R1 R 2 D = P R1 D P R2 D

. 
 . 
 . 
P R1 R 2 D C = P R1 D C P R2 D C .
Logicamente se da la misma propiedad para los sucesos R 1C yR2C . La probabilidad que nos piden calcular es P (D C |R1C R2C ). Utilizando la Regla de Bayes y la independencia condicional
obtenemos

. 
C
C
 C.

P (D C )P R1 R2 D C
 C
. 
 C
. 
P D R1C R2C
=
C
C
C
R

R
R

R
P (D)P 1
2 D + P (D )P
1
2 DC
 .   . 
C
C
P (D C )P R1 D C P R2 D C
 .   . 
 .   . 
=
C
C
C
C
P (D)P R1 D P R2 D + P (D C )P R1 D C P R2 D C
0,9 0,98 0,98
=
= 0,999988.
0,1 0,01 0,01 + 0,9 0,98 0,98

Tal como comentabamos al comentar la seccion puede ocurrir que dos sucesos A y B sean
condicionalmente independientes dado un tercer suceso C y y tambien dado su complementario,
C C , pero que, en realidad, no sean independientes.
Ejemplo 2.6.3 En cierta Licenciatura en Matematicas el 50 % de los alumnos de Calculo de
Probabilidades va asiduamente a clase (suceso C). Por los resultados de cursos anteriores se sabe
que un alumno que va habitualmente a clase tiene probabilidad 0.9 de resolver un problema de
examen de la asignatura y que hay independencia entre la resolucion de distintos problemas de
este tipo por tales alumnos. Algo parecido ocurre con los alumnos que no van a clase, pero
estos tienen probabilidad 0.1 de resolver cada problema. El examen consiste en dos problemas
de los mencionados. Elegimos un alumno al azar y consideramos los sucesos P 1 =resuelve
correctamente el primer problema y P2 =resuelve correctamente el segundo problema. Estudiar
la independencia de P1 y P2 .
Los sucesos P1 y P2 podran parecer, en principio, independientes, pero solo son condicionalmente independientes tanto respecto de C como de C C . Veamos que no son independientes. Por
una parte,

. 

. 
P (P1 P2 ) = P (C)P P1 P2 C + P (C C )P P1 P2 C C
 .   . 
 .   . 
C
P
P
1
2
= P (C)P
C P
C + P (C )P P1 C C P P2 C C
= 0,5 0,9 0,9 + 0,5 0,1 0,1 = 0,41,

2.6. Independencia condicional. Paradoja de Simpson.

25

mientras que
 . 
 . 
C
P
P
1
P (P1 ) = P (C)P
C + P (C )P 1 C C = 0,5 0,9 + 0,5 0,1 = 0,5 y
 . 
 . 
P (P2 ) = P (C)P P2 C + P (C C )P P2 C C = 0,5 0,9 + 0,5 0,1 = 0,5,
de modo que, P (P1 )P (P2 ) = 0,25 6= 0,41 = P (P1 P2 ). Efectivamente, los sucesos P1 y P2 no
son independientes.
Evidentemente, observar si el alumno resuelve bien o no el primer problema da informacion
sobre si va a clase y, por lo tanto, sobre las posibilidades de resolver bien el segundo problema.
Esto se refleja en la no independencia.

La posibilidad de que sucesos que son condicionalmente independientes tanto dado un suceso
como su complementario debe conducirnos a manejar con cierta precaucion la nocion de independencia. Vamos a concluir la seccion con otro ejemplo de situacion en la que la intuicion nos
puede llevar a conclusiones precipitadas.
Ejemplo 2.6.4 (Paradoja de Simpson) Dos medicamentos contra la misma enfermedad, a los
que nos referiremos como medicamento A y medicamento B, son sometidos a examen mediante
un ensayo clnico. De los 200 pacientes que fueron tratados con A 60 se curaron, mientras que
de los 1100 que recibieron el tratamiento B consiguieron la curacion 170.
De los datos recogidos por el ensayo clnico podemos concluir que, denotando A =el paciente
es tratado con A, B =el paciente es tratado con B y C =el paciente se cura(y centrandonos
en la poblacion que participo en el estudio)
 . 
60
= 0,3
P CA =
200

 . 
170
P CB =
= 0,1545,
1100

lo que nos puede llevar a afirmar que el tratamiento A es mejor que el B.

Motivado por las quejas de la industria farmaceutica fabricante de B, se llevo a cabo un
analisis mas completo de los resultados del ensayo clnico. En realidad, de los 200 pacientes
tratados con A 100 eran hombres (de los que 50 sanaron) y 100 mujeres (de las que se curaron
10). Por su parte, de los 1100 que recibieron el medicamento B 100 eran hombres (de estos 60
se curaron) y 1000 eran mujeres (de las que se curaron 110).
Lo que tenemos ahora, denotando H =el paciente es hombre y M =el paciente es mujer,
es que
 .

 .

50
60
P C AH =
= 0,5
P C BH =
= 0,6,
100
100
es decir, que entre hombres el tratamiento B es mejor. Si atendemos a los datos relativos a
mujeres vemos que
 .

10
P C AM =
= 0,1
100

 .

110
P C BM =
= 0,11,
1000

26

Captulo 2. Probabilidad condicionada e independencia.

de forma que para mujeres tambien es mejor el medicamento B.

La aparente contradiccion que observamos en este ejemplo se conoce habitualmente como
Paradoja de Simpson. En terminos matematicos tal paradoja consiste en que puede ocurrir que
 .

 .

P C E F > P C EC F
y que
 .

 .

P C E F C > P C EC F C
y que, sin embargo,
 . 
 . 
C
C C .
P
E <P
E
En el ejemplo la contradiccion procede de la comparacion global de cosas no comparables.
En este caso los hombres responden mejor a cualquiera de los dos tratamientos que las mujeres.
Al asignar el tratamiento B a muchas mas mujeres que hombres (mientras que el A se aplica a
cantidades iguales) estamos provocando que en la comparacion global B obtenga peores resultados. La leccion que debemos extraer de este ejemplo es que debemos proceder con cuidado a la
hora de disenar un experimento, tratando de que las comparaciones se efectuen dentro de grupos
homogeneos de individuos.

2.7.

Problemas.

2.1.- Se busca a un ladron que con probabilidad p se encuentra en un inmueble de siete pisos,
siendo igual la probabilidad de que se encuentre en cada uno de los pisos. Se ha buscado en
vano en los seis primeros pisos. Cual es la probabilidad de que se encuentre en el septimo?.
Si denotamos esta probabilidad por f (p), representa f (p) en funcion de p.
2.2.- Dos cazadores, A y B, divisan una pieza. Las probabilidades de acertarla estan en la
proporcion 2 a 1 favorable a A. Sabiendo que la probabilidad de que tirando los dos la
pieza sea abatida es de 5/8. Calcula
a) la probabilidad de que la pieza sea abatida por A.
b) la probabilidad de que la pieza sea abatida por B.
c) la probabilidad de que la pieza sea abatida por A y por B.
2.3.- Un deposito de agua tiene dos dispositivos de seguridad que impiden la llegada de mas agua
cuando esta alcanza un cierto nivel. Ambos dispositivos funcionan independientemente,
estimandose que el primero funciona el 90 % de las ocasiones y el segundo el 70 % de las
ocasiones. Calcula:
a) la fiabilidad del sistema de seguridad en conjunto.
b) la probabilidad de que solo funcione uno de los dispositivos.

2.7. Problemas.

27

2.4.- El sistema de refrigeracion de un reactor consta de cuatro bombas identicas que funcionan
independientemente, con una fiabilidad de 0.99 y con una capacidad de bombeo de 100 l/s.
Las normas de seguridad del reactor requieren que como mnimo lleguen 300 l/s. Hallar la
fiabilidad del sistema de seguridad.
2.5.- Los sistemas que se dibujan a continuacion estan formados por subsistemas identicos que
funcionan independientemente con fiabilidad R 0 . Obtener la fiabilidad de cada sistema.

A
C
B
A

E
F
D

C
E

B
A

D
E

2.6.- Se lanza una moneda sucesivas veces, hasta que por primera vez aparece el mismo resultado
dos veces seguidas. Describir el espacio muestral y calcular la probabilidad de los siguientes
sucesos:
a) El experimento finaliza antes de la sexta tirada.
b) Se necesitan para finalizar un numero par de tiradas.
2.7.- Se lanza una moneda n veces. Sea A el suceso salir al menos 2 cruces. Sea B el suceso
salir 1 o 2 caras. Demostrar que A y B son independientes cuando n = 3 pero no cuando
n = 4.
2.8.- Dos maquinas A y B fabrican la misma pieza, con una produccion aceptable del 70 % y
80 % respectivamente. Del total de la produccion el 40 % corresponde a la maquina A y el
resto a la B. Se elige una pieza al azar y resulta no ser aceptable. Calcular la probabilidad
de que haya sido producida por la maquina A.

28

Captulo 2. Probabilidad condicionada e independencia.

2.9.- Se tienen 20 dados normales y 2 cargados. La probabilidad de obtener 6 en estos u

ltimos
es el doble que la de cualquier otra cara de los mismos dados. Se lanza un dado al azar y
sale 6. Hallar la probabilidad de que sea un dado cargado.
2.10.- Tres maquinas M1 , M2 y M3 fabrican en serie piezas, siendo sus producciones horarias
2000, 1000 y 1000, y sus fracciones defectuosas 0.05, 0.10 y 0.15. De la produccion de un
da se toman dos piezas al azar con reemplazamiento y resultan ambas buenas. Calcular la
probabilidad de que ambas procedan de la misma maquina.
2.11.- Una maquina produce artculos que pueden ser defectuosos con probabilidad 0.1. Para
mejorar la calidad se somete la produccion a una inspeccion de tal manera que
- un artculo defectuoso es detectado y rechazado con probabilidad 0.99
- un artculo no defectuoso es rechazado por error con probabilidad 0.02
Determinar cual es la calidad final del producto, es decir, la probabilidad de que un artculo
sea defectuoso despues de pasada la inspeccion.
2.12.- Un estudiante se sabe una proporcion p de las preguntas de una asignatura. Se realiza
un examen tipo test donde cada pregunta cuenta con r respuestas igualmente verosmiles
cuando no se conoce la respuesta correcta. Determina:
a) la probabilidad de acertar una pregunta cualquiera.
b) la probabilidad de que conociese la respuesta de una pregunta acertada.
2.13.- Un emisor E0 emite senales punto y raya en proporciones 3/7 y 4/7 respectivamente.
Debido a la presencia de ruidos, cierto receptor E1 tiene probabilidad 1/16 de que un punto
emitido por E0 sea recibido como raya, mientras que la probabilidad de que una raya sea
recibida como un punto es 1/12. El receptor E1 emite a su vez las senales recibidas que
son recibidas por otro receptor E2 . El ruido en esta transmision es identico al de la primera.
Calcular la probabilidad de que E0 haya emitido un punto sabiendo que E2 ha recibido un
punto y la probabilidad de que E0 haya emitido una raya sabiendo que E2 ha recibido una
raya .
2.14.- Se sabe que el 2 % de las unidades que llegan a un almacen son defectuosas. Se lleva
a cabo un control sobre las piezas del almacen de forma que se obtiene un 3 % de falsos
positivos y un 5 % de falsos negativos en los resultados de la prueba (se entiende por falso
positivo que el control de por buena una pieza que es defectuosa. De forma analoga se
define falso negativo).
a) Si una pieza supera el control, cual es la probabilidad de que sea defectuosa?.
b) Las unidades que no pasan el control se venden a una empresa pirata que aplica un
procedimiento corrector que no afecta a las unidades sin defecto y corrige el 90 %
de las defectuosas. Un cliente compra una unidad procedente de la empresa pirata,
que resulta ser buena. Obtener la probabilidad de que originariamente esa pieza fuese
defectuosa.

2.7. Problemas.

29

2.15.- En una fabrica conservera mexicana se envasan 4 variedades de chile, a saber : serranos,
pasilla, habaneros y poblanos. La fabrica consta de 3 cadenas de produccion, 1, 2 y 3.
La 1 produce diariamente tres veces mas que cada una de las otras dos, que producen la
misma proporcion. En cada cadena de produccion se envasan las 4 variedades en diferentes
proporciones segun se detalla a continuacion:
serranos
1
10 %
2
30 %
3
40 %

pasilla habaneros
30 %
50 %
40 %
10 %
10 %
20 %

poblanos
10 %
20 %
30 %

a) De la produccion diaria se toma al azar una lata, calcular la probabilidad de que sea
de la variedad serrano o pasilla.
b) Si tomamos una lata al azar y sabemos que no es pasilla ni proviene de la planta
segunda, cual es la probabilidad de que provenga de la primera planta y sea de la
variedad habanero?
c) Supongamos que la primera planta produce un 10 % de conservas defectuosas, la segunda un 20 % y la tercera un 15 % y que se elige una conserva que resulta defectuosa.
Calcular la probabilidad de que provenga de la tercera planta. Calcular la probabilidad
de que esa conserva que ha resultado defectuosa sea pasilla.
2.16.- Un alumno va a realizar un examen oral consistente en exponer uno de los 6 primeros
temas de una asignatura. Para elegir el tema, el alumno propone lanzar un dado que el
mismo lleva. El profesor, sospechando que el dado pudiese estar trucado, propone renumerar
al azar los temas antes de lanzar el dado. Demostrar que de esta forma todos los temas
tienen la misma probabilidad de ser elegidos.
2.17.- Sean A y B sucesos de un espacio probabilstico (, P ). Se dice que el suceso A
esta atrado por el suceso B si P (A /B ) > P (A).
a) Probar que si A esta atrado por B entonces B esta atrado por A.
b) Probar que los sucesos A y B son mutuamente atrayentes si y solo si P (B /A ) >
P (B /Ac ) .
c) Probar que si A y B no son mutuamente atrayentes ni independientes entonces A y B c
son mutuamente atrayentes.
2.18.- Demuestra que si A1 , . . . , An son sucesos independientes entonces
P (A1 An ) = 1

n
Y
i=1

(1 P (Ai )).