You are on page 1of 39

Probabilidad y sus aplicaciones en ingenier´ ıa inform´ atica

V´ ıctor Hern´ andez Eduardo Ramos ˜ ez Ildefonso Y´ an

c V´ ıctor Hern´ andez, Eduardo Ramos, Ildefonso Y´ anez

´ EDICIONES ACADEMICAS

´ INDICE
Pr´ ologo 1. Experimentos aleatorios 1.1. ¿Qu´ e significa “aleatorio”? . . . . . . . . . . . . . . . . . 1.2. C´ alculo de probabilidades y ciencia de los computadores . 1.3. Nuestra experiencia del azar . . . . . . . . . . . . . . . . 1.4. Evidencia emp´ ırica . . . . . . . . . . . . . . . . . . . . . 1.5. Modelo matem´ atico . . . . . . . . . . . . . . . . . . . . . 1.5.1. Espacio muestral . . . . . . . . . . . . . . . . . . ´ 1.5.2. Algebra de sucesos . . . . . . . . . . . . . . . . . 1.5.3. Probabilidad . . . . . . . . . . . . . . . . . . . . 1.6. Propiedades de la probabilidad . . . . . . . . . . . . . . . 1.7. Asignaci´ on de probabilidades . . . . . . . . . . . . . . . . 1.8. Tres t´ ecnicas combinatorias . . . . . . . . . . . . . . . . . 1.8.1. Contar con los dedos de las Matem´ aticas . . . . . 1.8.2. Contar palabras . . . . . . . . . . . . . . . . . . . 1.8.3. Contar subconjuntos con k elementos . . . . . . . 1.9. Los instrumentos del probabilista: dados, monedas y urnas 1.9.1. Monedas . . . . . . . . . . . . . . . . . . . . . . 1.9.2. Dados . . . . . . . . . . . . . . . . . . . . . . . . 1.9.3. Bolas y urnas . . . . . . . . . . . . . . . . . . . . 1.9.4. Ruletas . . . . . . . . . . . . . . . . . . . . . . . 1.10. Plantear y resolver problemas . . . . . . . . . . . . . . . . 1.11. M´ etodo de c´ alculo por el complementario . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modelos aleatorios din´ amicos 2.1. Modelos est´ aticos y modelos din´ amicos . . . . . . . . . 2.2. Probabilidades condicionadas . . . . . . . . . . . . . . . 2.2.1. Propiedades de la probabilidad condicionada . . 2.3. C´ alculo “din´ amico” de la probabilidad de la intersecci´ on ´ rbol . . . . . . . . . . . . . . . . . . . . 2.4. Diagramas de a 2.5. F´ ormula de la probabilidad total . . . . . . . . . . . . . 2.6. F´ ormula de Bayes . . . . . . . . . . . . . . . . . . . . . 2.6.1. An´ alisis de im´ agenes . . . . . . . . . . . . . . . 2.7. Independencia de dos sucesos . . . . . . . . . . . . . . 7 9 9 9 10 11 13 14 15 17 19 21 22 23 23 26 29 30 30 30 31 32 35 39 41 47 47 49 52 52 54 55 56 58 60

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

2.

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

El modelo matem´ atico. Por el contrario. ¿Qu´ e significa “aleatorio”? Casi todos creemos saber lo que significa “aleatorio ”. Pero si meditamos nuestra explicaci´ on. empleamos este t´ ermino con distintos sentidos.2. pueden resultar 66 = 46656 secuencias de resultados distintos. y deja de lado aspectos interesantes de lo aleatorio. 1. c´ omo intentar dar una respuesta a la pregunta que nos hemos formulado en este apartado. no es sencillo dar una pauta o modelo de los fen´ omenos en que interviene el Azar. para colmo. Una de ellas es 666666 otra es 263254. y las reglas para calcular probabilidades a partir del modelo. Por ejemplo. omenos En este libro mostramos el modelo matem´ atico de los experimentos o fen´ aleatorios. por ejemplo.1. Sin embargo. indagaci´ on que afecta a las posibilidades de interpretar los resultados matem´ aticos. “sin patr´ on” o “impredecible”. C´ alculo de probabilidades y ciencia de los computadores El c´ alculo de probabilidades y la ciencia de los computadores confluyen en diversos campos de los que se benefician mutuamente. el movimiento de un planeta o la letra asociada al n´ umero de identificaci´ on fiscal no son aleatorios. como toda abstracci´ on matem´ atica. denominamos “aleatorias” a ciertas secuencias de n´ umeros que calcula el computador mediante algoritmos determinados. Ambas secuencias han sido generadas por un procedimiento aleatorio y tienen ¡la misma probabilidad de ocurrir! Pocas personas aceptar´ an la secuencia 666666 como aleatoria ya que les parece “predecible”. seguramente responder´ ıamos: ¡es f´ acil!. esencialmente. Pensemos en el paradigma de lo que entendemos como fen´ omeno aleatorio: el lanzamiento de un dado. probabil´ ısticas.C A P´ ITULO 1 Experimentos aleatorios 1. es un reflejo de la realidad. en muchas ocasiones. como tampoco lo es definir el concepto de “aleatorio” y. debemos reconocer que “aleatorio” no es un concepto tan simple como parec´ ıa y puede que convenga retirarnos antes de que nos pregunte ¿qu´ e entendemos por “sin regularidad”? o ¿qu´ e significa “impredecible”? Ciertamente. las razones para preferir un algoritmo a otro son. pueden determinarse con exactitud. lo que supone que podemos calcular de antemano qu´ e n´ umero aparecer´ a en cualquier posici´ on de la secuencia. aleatorio significa “sin regularidad”. Si alguien nos preguntara ¿qu´ e es “aleatorio”?. el resultado de lanzar un dado o la duraci´ on de la vida de un circuito electr´ onico son fen´ omenos aleatorios. Si lanzamos un dado seis veces. Por otra .

parte. El an´ alisis de patrones supone que una imagen observada puede provenir de diferentes patrones. 1. como la teor´ ıa de la informaci´ on o la teor´ ıa de la codificaci´ on. con tanta precisi´ on como queramos. ya que abre una nueva perspectiva al c´ alculo. Nuestra experiencia del azar Nuestra primera experiencia del azar proviene de los juegos. La generaci´ on de n´ umeros aleatorios es una de las tareas m´ as importantes que hace el computador. aunque las condiciones iniciales sean id´ enticas. Hay que considerarla como la quinta operaci´ on. Desde hace mucho tiempo. en funci´ on de los inputs.3. La capacidad de c´ alculo no s´ olo se refleja en la posibilidad de resolver problemas ya planteados. An´ alisis de algoritmos. el Azar. es posible hacer los c´ alculos del modelo para cada conjunto de valores concretos. parten de la hip´ otesis de que ese ruido es inevitable. podemos obtener estimaciones de los resultados exactos. Para justificar este hecho. A ellos debemos la noci´ probabilidad como caracter´ ıstica num´ erica de los resultados posibles. nal con exactitud. ´ ltimos cien a˜ En los u nos. ser´ ıan impensables. Transmisi´ on de la informaci´ on. los cient´ ıficos e ingenieros han asumido que cada medida. Para contrastar la eficacia de un algoritmo es determinante conocer la rapidez con que ejecuta la tarea. Generaci´ on de n´ umeros aleatorios. Su objetivo no es reducir el ruido. Los m´ etodos de an´ alisis de im´ agenes son probabil´ ısticos. Si introducimos inputs aleatorios repetidas veces. Nuestras primeras noticias de abordar los fen´ omenos aleatorios desde un punto de on de vista matem´ atico se remontan a CARDANO y a GALILEO. crearon un mito. Otras veces. Desde la antig¨ uedad. Para evaluar su rapidez. el tiempo que tarda en fallar un componente electr´ tiempo que tardar´ a un algoritmo en ordenar la pr´ oxima serie de inputs. hoy somos capaces de realizar c´ alculos que eran inabordables hace unos a˜ nos. Ese est´ a contaminada por cierto ruido que hace imposible recibir la se˜ ruido se modela como una magnitud aleatoria. al que hicieron responsable de cada resultado. suponemos que los datos de entrada son aleatorios y medimos el tiempo que tarda en realizarla. la intervenci´ on de lo “aleatorio” es parte del mismo algoritmo. no conocemos f´ ormulas generales que permitan calcular las variables que interesan. sin el computador. hemos descubierto que los fen´ omenos aleatorios no se ´ tomo de uranio en emitir una part´ reducen a los juegos. Los algoritmos que denominamos “aleatorizados” superan a los correspondientes deterministas. permitan descodificar las se˜ nales con exactitud. Gracias al computador. An´ alisis de patrones. En muchos modelos. Disponer de un buen generador de n´ umeros aleatorios es primordial. La manera racional de establecer un modelo de estos fen´ pasa por considerar que es el Azar quien escoge el instante en que ocurre la emisi´ on . el hombre ha conocido diversos juegos de azar y se ha apasionado por ellos. conforme a unas leyes aleatorias dadas. El tiempo que tarda un a ıcuonico de un computador o el la α . en particular cada transmisi´ on de informaci´ on. sino que nos lleva a desarrollar m´ etodos que. Las teor´ ıas sobre la transmisi´ on de la informaci´ on. pueden conomenos siderarse aleatorios. La teor´ ıa de la probabilidad y la estad´ ıstica aportan los m´ etodos para contrastar si un algoritmo generador de secuencias de n´ umeros aleatorios es aceptable o no. Tal pasi´ on se justifica por lo incierto de su resultado. sino dise˜ nar sistemas que. Simulaci´ on. a pesar del ruido. ya que no podemos asegurar cu´ al ser´ a.

el fallo de la componente o la ordenaci´ on inicial de los inputs. cerca de Florencia. y la teor´ ıa matem´ atica que los sostiemodelos se denominan aleatorios o estoc´ ne se denomina C´ alculo de probabilidades. basta con estudiar una peque˜ na parte (muestra).Girolamo Cardano. no por nosotros. Galileo Galilei. en 1642 de la part´ ıcula.4. Estas indagaciones comenzaron en el siglo XVI. su duraci´ on supere un tiempo dado o podemos asegurar que un algoritmo para ordenar inputs ser´ a mejor que otro. Tambi´ en hemos descubierto que el Azar es ´ til: para obtener informaci´ una herramienta u on de un colectivo. el deseo de hacer fortuna en los juegos de azar ha sido la raz´ on primera que ha llevado a los hombres a indagar acerca de los resultados observados del juego. La afici´ on por el juego y el pen´ poca fomentaron que se coleccionaran largas samiento racionalista y emp´ ırico de la e series de resultados. naci´ o en Pav´ ıa en 1501 y muri´ o en Roma en 1576. 1. a condici´ on de que sus miembros hayan sido elegidos. podemos dise˜ nar un circuito de manera que. Evidencia emp´ ırica Durante siglos. no es necesario analizar exhaustivamente a todos sus componentes. Gracias a ello. sino por el Azar. salvo un caso entre miles. Tales asticos. . podemos controlar la energ´ bre e ıa que libera la desintegraci´ on radioactiva. Lo maravilloso del C´ alculo de probabilidades es que. aunque el resultado de un fen´ omeno aleatorio sea impredecible. es capaz de hacer afirmaciones significativas so´ l. naci´ o en Pisa en 1564 y muri´ o en Arcetri. con la esperanza de descifrar su ley y enriquecerse.

n(C )/n. entonces n(A) = n y P(A) = 1. y la frecuencia relativa. n(A). Esta evidencia experimental es la base de una ley emp´ que denominaremos ley de regularidad de las frecuencias. En la gr´ afica de la figura 1. n. y el n´ umero de repeticiones del experimento. Una evidencia similar obtenemos al observar otros experimentos aleatorios. n(A) ≤ 1. Cualesquiera que sean A y n. Si A y B no pueden ocurrir simult´ aneamente. de caras despu´ es de cada lanzamiento en el de ordenadas. Tras unas oscilaciones iniciales. como lanzar un dado o medir la duraci´ on de un circuito y representar la frecuencia relativa de alg´ un suceso relacionado. 1 ≤ n ≤ 100. Las propiedades caracter´ ısticas de la probabilidad emp´ ırica se derivan de las propiedades de las frecuencias. se tiene 0 ≤ n Si A ocurre siempre. se cumple n(A ∪ B) = n(A) + n(B).Seguimos su ejemplo. y que podemos enunciar: si A es un suceso que puede ocurrir o no al realizar un experimento aleatorio y observamos n repeticiones del experimento.1.1: Frecuencia relativa de caras parece aproximarse a un “valor l´ ımite”. . En todos los casos la gr´ afica produce la misma impresi´ on. el cociente n(A) n entre el n´ umero de veces que A ha ocurrido. hemos representado el n´ umero n de lanzamientos realizados en el eje de abscisas. se aproxima a un valor fijo cuando n es grande. lo que implica: P(A ∪ B) ← n(A ∪ B) n(A) n(B) = + → P(A) + P(B) n n n luego debe cumplirse P(A ∪ B) = P(A) + P(B). donde n(C ) es el n´ umero de caras obtenidas en los n primeros lanzamientos. luego 0 ≤ P(A) ≤ 1. Hemos lanzado cien veces una moneda y representado gr´ aficamente los resultados. la frecuencia relaırica tiva se aproxima a un l´ ımite. Ese valor se denomina probabilidad emp´ ırica de A y se representa por P(A). La curva representada Figura 1.

el conjunto de posibles resultados de lanzar una moneda es: { . El resultado de cada prueba pertenece a un conjunto bien definido de posibles resultados. lo que hace que el modelo sea.Por desgracia. Un suceso es un hecho o un acontecimiento que ocurre o no seg´ el resultado. Para poder verificar nuestras hip´ otesis precisamos realizar muchos experimentos. pero no basta para definir matem´ aticamente la probabilidad. es imposible verificar cualquier hip´ otesis sobre el comportamiento del Azar. la noci´ on de probabilidad emp´ ırica no permite construir un modelo. sin justificar con algo m´ as que “parece” la existencia del l´ ımite. Hablaremos de experimentos aleatorios y de pruebas de un experimento. Sugiere un concepto asociado a los experimentos aleatorios. } No confundamos modelo y realidad. tomamos la decisi´ on de despreciar otras posibilidades. Para entendernos. si s´ olo realizamos un sorteo. 3. No depende de las Matem´ aticas que nuestra decisi´ on sea acertada. queda en el misterio. Para abstraer un modelo te´ orico hay que reconocer lo esencial de las propiedades y relaciones de los conceptos intuitivos. Por ejemplo. y son las tres partes del modelo espacio muestral. Por ejemplo. por ejemplo que la moneda quede de canto. No conocemos de antemano su resultado. a su vez. falsable. ser interpretadas en t´ erminos de hechos reales y sus predicciones pueden contrastarse con la realidad. precisaremos m´ as los t´ erminos que vamos a emplear. se interpretan en t´ erminos matem´ aticos. Aqu´ ı es d´ onde interviene la evidencia emp´ ırica de la regularidad de las frecuencias. cada vez que sorteamos. nos referiremos a experimentos aleatorios que cumplan las condiciones: 1. sino del grado de aproximaci´ on a la realidad que tenga el modelo fruto de esa simplificaci´ on. Una vez reconocida esa esencia. Un lanzamiento concreto es un ejemplo de prueba. 1. Adem´ as de los resultados del experimento. Una prueba es una ejecuci´ on de un experimento aleatorio.5. Sus resultados posibles est´ an bien determinados de antemano. Puede repetirse en id´ enticas condiciones tantas veces como queramos. Cuando aceptamos que al lanzar la moneda s´ olo ´ o puede resultar . La tercera componente que apreciamos es la probabilidad. Por el momento y con el fin de elaborar un modelo. que valora la “facilidad” con que ocurre el suceso. a matem´ atico. . en t´ erminos de POPPER. C´ Todav´ ıa m´ as. apreciamos lo que denominaremos suun cu´ al haya sido cesos. Dicho de otro modo. Modelo matem´ atico En el modelo te´ orico que vamos a plantear subyace la intuici´ on de que la probabilidad act´ ua en cada sorteo. el Azar elige. Las abstracciones matem´ aticas de las tres componentes anteriores se denominan: ´ lgebra de sucesos y probabilidad. Esa interpretaci´ on tiene ida y vuelta: las propiedades deducidas mediante razonamientos matem´ aticos pueden. un suceso asociado a lanzar el dado es “sale par”. omo puede hacer tal cosa. o unos pocos. conforme a una “ley de probabilidad ”. 2. Lanzar un dado es un ejemplo de experimento aleatorio.

Espacio muestral El modelo matem´ atico de los experimentos aleatorios comienza cuando planteaun nuestro mos el espacio muestral. 2 1 . un espacio muestral adecuado es: q q q q q q qq q q q} Ω = { q . Imaginemos as razonable que marcamos las bolas con un n´ umero: 1 . seg´ criterio. conviene que el espacio tenga la mayor simetr´ ıa posible y que los resultados posibles sean intercambiables. Un espacio muestral adecuado para el experimento que consiste en lanzar una moneda es: Ω={ . . un posible espacio muestral es: Ω1 = .5. En estos casos de duda. Si lanzamos una vez un dado. . hay un sencillo artificio mental que nos ayuda a formular espacios muestrales lo m´ as sim´ etricos que sea posible. En el espacio Ω1 falla la simetr´ ıa. podemos observar. estos resultados no parecen intercambiables. parece m´ formular el espacio muestral: Ω2 = 1 2 . qq .1. As´ ı. } Emplear estos u otros s´ ımbolos es irrelevante. para definir la probabilidad. q . qqq . 1 2 . ya que el resultado: se puede lograr poniendo la primera bola en la primera urna y la segunda bola en la segunda urna o poniendo la primera bola en la segunda urna y la segunda bola en la primera urna. q q . q donde la correspondencia entre los elementos de Ω y los posibles resultados del lanzamiento resulta evidente. mientras que s´ olo se puede lograr de una manera.1 muestral y conviene pensar un poco antes de escoger Ω. Ahora. El espacio muestral se suele designar por la letra Ω. Lo importante es que s´ olo reconocemos dos posibles resultados del experimento. que es el conjunto de resultados distintos que.1. 2 . Si colocamos dos bolas al azar en dos urnas. 1 2 que tiene todos sus elementos intercambiables. En general. En otras ocasiones no es tan inmediato plantear el espacio EJEMPLO 1.

´ 1. Por ejemplo. A cada suceso A le asociamos el subconjunto formado por los resultados posibles que hacen que A ocurra. on Observemos que el suceso “A o B ocurren” se corresponde con el subconjunto uni´ de A y B: q q q q qq q q “A o B ocurren” = { q . ωn } Si escoge ω . que deno/ y el suceso que ocurre siempre. . q q . escribiremos el signo “igual”: q q q qq q q q} A = “sale par” = { q . que pertenece a un suceso A. . q q . . Esta correspondencia es biyectiva: a cada suceso le corresponde ´ nico subconjunto y cada subconjunto representa un u ´ nico suceso. diremos que A = “sale par” ha ocurrido. denominamos suceso seguro.5. el Azar escoge un elemento (resultado posible) del conjunto Ω = {ω1 . si lanzamos el dado y sale q q . los sucesos poseen una estructura que su modelo matem´ atico debe reflejar. q q qq C3 = “A no ocurre” ←→ { q . Entre los sucesos hay dos casos extremos. El modelo matem´ atico de los sucesos son los subconjuntos del espacio muestral Ω. Por ello. si lanzamos un dado y A es “sale par” y B “sale m´ ultiplo de 3”. qq Por ejemplo. q qq q q C1 = “A y B ocurren” ←→ { q q} q q q qq q q q} A = “sale par” ←→ { q . q y hablaremos de los sucesos como si fueran conjuntos. en el experimento que consiste en lanzar un dado. Si escoge ω . q q . q q . tenemos las correspondencias: q q qq q q} B = “sale m´ ultiplo de 3” ←→ { q q . mientras que B = “sale m´ ultiplo de 3” no ha ocurrido. ω2 . que no pertenece a un suceso A. que minamos suceso imposible y representamos por 0. Por ejemplo. y conserva la un u estructura matem´ atica de los sucesos. Algebra de sucesos La segunda componente del modelo matem´ atico son los sucesos : acontecimientos que ocurren o no. q q q q q qq q q q} C2 = “A o B ocurren” ←→ { q . q q . La intuici´ on que hay detr´ as del modelo es la siguiente: en cada prueba. seg´ un sea el resultado del experimento. y representamos por Ω. disyunci´ on y negaci´ on. q q . q q } = A∪B . q q .2. Los sucesos se pueden combinar mediante las operaciones l´ ogicas de conjunci´ on. en lugar de la flecha ↔. A y B se pueden combinar para obtener tres nuevos sucesos: C1 = “A y B ocurren” C2 = “A o B ocurren” C3 = “A no ocurre” As´ ı. diremos que A ha ocurrido. el suceso que no ocurre nunca. . diremos que A no ha ocurrido. q q q } Acostumbramos a identificar cada suceso con el subconjunto que lo representa.

El suceso “A ocurre y B no” es igual a A ∩ Bc y se representa en la figuen se puede poner como A − B. en el ejemplo del que contienen un u lanzamiento del dado. A y B. Es el suceso que ocurre cuando A no ocurre y. q q . La clase de todos los sucesos se designa por George Boole. Como vemos el n´ crece r´ apidamente al crecer el n´ umero de resultados posibles. los trabajos de BOOLE son imprescindibles en la ciencia de los computadores. Hoy. “A no ocurre” = Ac donde Ac es el complementario de A. aparecer´ an otros modelos m´ as complicados en los que no todos los subconjuntos de Ω pueden ser considerados sucesos y A es una subclase del conjunto de las partes. Si se lanza una moneda. As´ ı. on Public´ o en 1854 un trabajo titulado Investigaci´ sobre las leyes del pensamieno. q Consideremos dos sucesos A y B. El suceso A ∩ Bc tambi´ “A ocurre y B no” = A ∩ Bc = A − B 1 Una clase de subconjuntos de Ω es a ´ lgebra de BOOLE si cumple: 1) Ω ∈ A . . / no pueden ocurrir simult´ aneamente y se denominan incompatibles o disjuntos. no ocurre cuando A ocurre. por lo que A es el conjunto de las partes de Ω. } umero de sucesos Si se lanza un dado hay = 64 sucesos distintos. ´ lgebra de BOOLE1 . donde se reconoce la estructura com´ las proposiciones l´ ogicas y los sucesos. entonces A ∪ B ∈ A . mientras que A ∩ B = { q EJEMPLO 1. son compuestos. Ac se denomina suceso contrario de A. A y posee estructura de a En el modelo m´ as sencillo que estudiaremos. al rev´ es. { }. Ω = { . M´ as adelante. Ω es un conjunto finito y todos los subconjuntos de Ω son sucesos.2 a. ra 1. q y q qq q q } es un suceso simple. los sucesos: q q q qq q q q} A = “sale par” = { q . entonces Ac ∈ A y 3) si A ∈ A y B ∈ A . que verifican A ∩ B = 0. Fue un completo autodidacta.De igual manera. ellos Clasificaremos los sucesos en simples y compuestos. { . naci´ o en Lincoln (Inglaterra) en 1815. “A y B ocurren” = A ∩ B. y son de la forma {ω }. Los sucesos simples son aqu´ ´ nico resultado posible.2 q qq qq q} B = “sale m´ ultiplo de 3” = { q q . } y hay 22 = 4 sucesos distintos que son: 0. Si dos sucesos. en que se fundan las teor´ ıas matem´ aticas de la l´ ogica y las probabiun de lidades. 2) si A ∈ A . muri´ o en Ballintemple (Irlanda) en 1864. / 26 { }.

Definici´ on 1 on P : A → [ 0. ya que no tiene que Por u ocurrir ni A ni B (ver figura 1. es una funci´ umero P(A) y cumple las condiciones: a cada suceso A ∈ A le hace corresponder un n´ 1. muri´ o en Mosc´ u en 1987. probabilidad se deben a KOLMOGOROV.2: El suceso “s´ olo uno de los dos conjuntos ocurre” es igual a (A − B) ∪ (B − A) (ver figura 1. por lo que la probabilidad se interpreta como una funci´ on que asocia un n´ umero a cada suceso. naci´ o en Tambov (Rusia) en 1903. Los axiomas de la Andrei Nikolaevich Kolmogorov.3. Probabilidad La tercera componente del modelo matem´ atico de los experimentos aleatorios es la probabilidad. Fundament´ o el c´ alculo de probabilidades en una monograf´ ıa publicada en 1933. Geometr´ ıa. . Tambi´ en lo podemos expresar como: (A ∪ B) − (A ∩ B) ´ ltimo. que interpretamos como la medida de la “facilidad ” con que ocurre el suceso cuando realizamos el experimento. Tambi´ en se cumple: (A ∪ B)c = Ac ∩ Bc ya el contrario de “ocurre alguno” es “ninguno ocurre”.2 c)). y muchos de la F´ ısica.A−B A−B B−A A a B A b B ( A ∪ B ) c = Ac ∩ Bc c Figura 1. Cada suceso tiene una probabilidad de ocurrir. An´ alisis. Probabilidad. P(Ω) = 1.5.2 b). Topolog´ ıa. 1. Ha investigado en todos los campos de la matem´ atica. 1 ]. que Una probabilidad sobre un espacio muestral finito Ω. el suceso “ninguno ocurre” es igual a Ac ∩ Bc .

q q q . Si queremos hallar la probabilidad del suceso: A = “el n´ umero obtenido es mayor que tres”. por la aditividad. Si A y B son disjuntos. Aunque la aditividad se impone a cada par de sucesos disjuntos. el trabajo comienza cuando la funci´ on P ya est´ a definida. qq q} Ω = { q . Sin embargo. EJEMPLO 1. entonces Ai ∩ A j = 0). asignar una probabilidad implica declarar el valor de P(A) para cada A ∈ A . 9 1 q P( q ) = . se cumple: P(A ∪ B) = P(A) + P(B) La segunda propiedad se denomina aditividad. Estos valores deben ser n´ umeros entre 0 y 1. ya que la probabilidad de los sucesos compuestos es la suma de las probabilidades de los simples en que se descomponen. 9 2 P( q q q ) = . es una tarea crucial para plantear correctamente el modelo. basta conocer la probabilidad de los sucesos simples. Por ejemplo. Sin embargo. q q . 9 2 P( qq q q q)= 9 1 q q q q P( q q ) = 9 define una probabilidad sobre Ω ya que cada valor est´ a entre cero y uno. Observemos que la definici´ on de KOLMOGOROV no ayuda a definir P. que denominaremos asignar probabilidades a los sucesos es pre-matem´ Sin embargo. Hay 26 = 64 sucesos. si Ai . y se tiene qq q q q ) + P( qq q q q ) + P( q q)=1 P(Ω) = P( q ) + P( q q ) + P( q q q ) + P( qq q En este modelo. se cumple: P ( A 1 ∪ A2 ∪ A3 ) = P ( A 1 ∪ A2 ) + P ( A 3 ) = P ( A1 ) + P ( A2 ) + P ( A3 ) La intuici´ on que late tras la definici´ on de KOLMOGOROV es la siguiente: cada vez que hacemos una prueba. el Azar interviene. 9 1 q q P( q q ) = . el dado est´ a cargado de modo que cada n´ umero impar es dos veces m´ as probable que cualquier n´ umero par. En una cosa s´ ı ayudan las Matem´ aticas. el conjunto de valores: 2 P( q ) = . . El espacio muestral es: q qq q . para tener definida P. si i = j. sin dificultad se extiende a tres o m´ as. cuya suma sea 1. escogiendo uno de los resultados posibles. Para las Matem´ aticas. qq q y todos los subconjuntos de Ω son sucesos. Por ejemplo.2. para definir una probabilidad basta con dar los valores de las seis probabilidades de los sucesos simples. qq q q q . En principio. definir P.3 Lanzamos una vez un dado. nos ense˜ nan la manera m´ as simple de definir P. / 1 ≤ i ≤ 3 son tres sucesos disjuntos dos a dos (es decir. conforme a la “ley de probabilidad” del experimento. La tarea de atica.

Los elementos de A o pertenecen a B o no pertenecen a B. Las escasas ocasiones que necesitemos de los axiomas strong. Propiedad 2 Se cumple P(A − B) = P(A) − P(A ∩ B). Dado que la ´ P({ qq q q q }). cuando on creciente. se sigue: P(A) = P(A ∩ B) + P(A − B) lo que implica P(A − B) = P(A) − P(A ∩ B). El modelo matem´ atico se resume en una terna (Ω. ya que el suceso simple que s´ on P(ω ) por sultado ω se debe escribir {ω }. Debemos advertir que nuestra versi´ on del espacio de probabilidad esta simplificada. la notaci´ on que hemos empleado no es muy correcta. Sin embargo. esta clasificaci´ on se expresa: A = (A ∩ B) ∪ (A − B) Puesto que (A ∩ B) ∩ (A − B) = 0. se sigue: P ( A ) + P ( Ac ) = P ( Ω ) = 1 / ) = 1 − P(Ω) = 0. probabilidad se define sobre los sucesos.basta calcular: P(A) = ω ∈A ∑ P(ω ) = P( 4 qq q qq q q ) + P( qq q q q ) + P( q qq ) = 9 Lo mismo har´ ıamos para hallar la probabilidad de cualquier otro suceso compuesto. . A . que cumpla lim P(An ) = P(lim An ). Realmente. En este apartado enunciamos las m´ as importantes. Exigen que la probabilidad sea continua respecto de sucesiones mon´ otonas de sucesos. consideremos dos sucesos A y B. hemos pasado por alto. lo haremos notar. Sobre estas bases se asienta la teor´ ıa de la probabilidad matem´ atica. / de la aditividad.6. demostr´ andolas con detalle para que sirvan de ejercicio. de la aditividad. P(0 Propiedad 1 /) = 0 Se cumple P(Ac ) = 1 − P(A). deber´ ıamos poner P({ω }) o q q olo contiene al reen lugar de P(ω ) y P( q q q ). que los matem´ aticos denominan espacio de probabilidad. 1. para formular una teor´ ıa elemental. los axiomas que formul´ o KOLMOGOROV tienen dos condiciones que. Propiedades de la probabilidad De las tres condiciones que caracterizan a la probabilidad se pueden deducir muchas otras que son necesarias para calcular con probabilidades. lo que implica P(Ac ) = 1 − P(A). P). preferimos la notaci´ requerir menos s´ ımbolos. Tambi´ en exigen que A no s´ olo sea cerrada por uniones {An } es una sucesi´ finitas sino tambi´ en por uniones infinitas numerables. pr´ acticamente no necesitamos esas precisiones. Consideremos un suceso A. Puesto que A y Ac son disjuntos y que A ∪ Ac = Ω. Sin embargo. y nos basta con la formulaci´ on elemental que hemos hecho. En particular P(0 Ahora. es decir. por el momento. Sin duda. En particular.

Por ejemplo. Propiedad 3 Si B ⊂ A. se sigue: P(A ∪ B) = P(A) + P(B − A) Ahora.A A−B A∩B B Figura 1. De aqu´ ı se sigue P(B) ≤ P(A). de la propiedad 4. podemos probar que la desidesigualdad que se denomina de BOOLE. Por inducci´ umero de sucesos.3: En particular. de la propiedad 4. se tiene P(A ∩ B) = P(B). on. se deduce P(A ∪ B) ≤ P(A) + P(B). de la propiedad 4. se puede interpretar como la uni´ on de los sucesos A ∪ B y C. se tiene: P(A ∪ B ∪ C ) = P(A ∪ B) + P(C ) − P((A ∪ B) ∩ C ) = P(A) + P(B) + P(C ) − P(A ∩ B) − P((A ∪ B) ∩ C ) Otra vez. si B ⊂ A. lo que implica P(A − B) = P(A) − P(B). se tiene P(B) ≤ P(A). puesto que P(B − A) = P(B) − P(A ∩ B).1. para obtener: P(A ∪ B ∪ C ) = P(A) + P(B) + P(C ) − P(A ∩ B) − P(A ∩ C ) − P(B ∩ C ) + P(A ∩ B ∩ C ) Tambi´ en. / De la aditividad. con lo que se tiene: gualdad de BOOLE se verifica para cualquier n´ (1. resulta: Propiedad 4 Se cumple P(A ∪ B) = P(A) + P(B) − P(A ∩ B). A ∪ B ∪ C. se sigue: P((A ∪ B) ∩ C ) = P((A ∩ C ) ∪ (B ∩ C )) = P(A ∩ C ) + P(B ∩ C ) − P(A ∩ B ∩ C ) Basta reemplazar en 1. La propiedad 4 se generaliza a tres o m´ as sucesos. Los elementos de A ∪ B se clasifican en aqu´ ellos que pertenecen a A y aqu´ ellos que pertenecen a B y no pertenecen a A: A ∪ B = A ∪ (B − A) donde A ∩ (B − A) = 0.1) .

sino que deben verificar las condiciones: 1. porque los sucesos simples son mes. asePor ejemplo. Si consideramos que los sucesos simples son intercambiables.Propiedad 5 Dados n sucesos Ai . nuestro pr´ oximo paso ser´ a mostrar una serie de t´ ecnicas combinatorias imprescindibles. en una moneda equilibrada. lo anterior no responde a la gran pregunta: cuando establecemos un modelo. Se trata de los modelos que denominaremos uniforıa. . estar´ ıamos diferenciando unos de otros. La igualdad: P(A) = ω ∈A ∑ P(ω ) expresa que P(A) se calcula como suma de las probabilidades de los sucesos simples {ω }. tales que ω ∈ A. Puesto que la suma de todos los sucesos simples es 1. somos capaces de formular una soluci´ on general. lo que contradice la intercambiabilidad que hemos supuesto. ¿c´ omo asignar una probabilidad a cada suceso simple? No podemos dar una respuesta v´ alida en todos los problemas que se nos plantean. el experimento ser´ ıa id´ entico.7. debemos asignarles la misma probabilidad (deben ser equiprobables). Sin embargo. Por ello. erminos peculiares. donde #(Ω) es el n´ umero de elementos de Ω o cardinal de Ω. su probabilidad com´ un debe ser 1/#(Ω). En otro caso. Si todos los casos posibles son equiprobables. La f´ ormula de LAPLACE supone que calcular probabilidades en un modelo uniforme equivale a contar casos. se cumple: n P( i=1 Ai ) ≤ i=1 ∑ P ( Ai ) n 1. En los modelos uniformes. m´ as exactamente. 0 ≤ P(ω ) ≤ 1 ω ∈Ω ∑ P(ω ) = 1 Pero. la probabilidad umero de de un suceso es igual al cociente entre el n´ umero de casos favorables y el n´ casos posibles. se enuncia: Regla de Laplace. la probabilidad de un suceso A se obtiene mediante la suma: 1 #(A) = (1. Para que P sea una probabilidad. 2.3 se sigue que una probabilidad P en un modelo finito queda definida si conocemos su valor en cada suceso simple. cara y cruz son intercambiables.2) P(A) = ∑ # ( Ω ) # (Ω) ω ∈A Esta f´ ormula se conoce como regla de LAPLACE. Asignaci´ on de probabilidades De lo expuesto en el apartado 1. 1 ≤ i ≤ n.5. para una clase muy importante de modelos finitos. Se caracterizan por su simetr´ intercambiables. En estos t´ erminos. Denominaremos casos favoraLa regla de LAPLACE tiene sus t´ bles a los resultados que pertenecen a A (son favorables a que A ocurra) y casos posibles a todos los resultados posibles. Si llam´ mos cara a la cruz y cruz a la cara. los valores P(ω ) no pueden ser arbitrarios.

8. q qqq . Los problemas de combinatoria elemental. q q q q q q q q q q q q q q q q q qq q. En el C´ alculo de probabilidades. qq q . qq q q } A={ q q Hay 36 casos posibles (#(Ω) = 36) y 6 casos favorables (#(A) = 6) y su probabilidad vale: P(A) = 6 #(A) = #(Ω) 36 3 36 puesto que s´ olo hay tres casos favorables a que el primer resultado sea el doble del segundo: qq q q q q . La principal dificultad para resolverlos es la pretensi´ on de reducirlos a tres modelos: com´ sta es la experiencia del lector. . podemos obtener 6 × 6 = 36 resultados distintos intercambiables. As´ ı. q q qq q. q q q . Utilizaremos el adjetivo “equilibrado ” para designar a un dado. qq q q . debe entenderse que cada elemento puede ser escogido con igual probabilidad. una moneda o cualquier otro ingenio cuyos resultados posibles sean intercambiables. le rogamos binaciones. qq q qq qq q. q q q q. permutaciones y variaciones. Un espacio muestral adecuado para definir un modelo es: q q q q . As´ ı. q q q .3 est´ a desequilibrado.EJEMPLO 1. el dado del ejemplo 1.4 Si lanzamos dos veces un dado equilibrado. Naturalmente. qq q q q q q . q q q q q. q q . 1. qq q qqq P(“el primer resultado es el doble del segundo”) = y 36 casos posibles. con ser sencillos. P( q q El suceso A = “la suma de los resultados es 7” es igual a: q q qq q qq q. 1/36. la expresi´ on “lanzamos un dado equilibrado ” nos informa que cada uno de los seis resultados posibles tiene la misma probabilidad de ocurrir. q q q . q q q q q Puesto que son intercambiables. q q q q q q q q q q q q q q q q q q q q. Si e se plantee este estudio como si fuera la primera vez que lo emprende. cada suceso simple tiene probabilidad igual a qqq q ) = 1/36. qq q qq qq q . En este apartado estudiaremos tres t´ ecnicas combinatorias elementales para contar que bastan para resolver casi cualquier problema de nivel elemental y medio. qq q q q q . tambi´ en consideraremos modelos no uniformes. Si decimos “se escoge al azar un elemento entre los elementos de Ω”. no son banales. q q q. q q q. q q q q. qq qq . q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q . es costumbre reservar la expresi´ on “al azar” para definir un experimento aleatorio uniforme. q q q . qq q . q q . q q Ω= qq q.5. qq q q q q q . qqq q qq q . La Combinatoria es el arte de contar. por ejemplo. q q q qqq q . qq q q q q . Tres t´ ecnicas combinatorias Contar es hallar el n´ umero de elementos de un conjunto. q q qqq q. qq q q q q qq q q . q q q q. qq q q q q q . q q q . q q q q. qq qqq . q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q . qq q qq qqq q . .

1. 0... Otro ejemplo. n = m + n−m 1 2 3 . Nuestros dedos sirven de patr´ on para contar cualquier conjunto peque˜ no..5 incluidos. B. ecnica para contar es La Matem´ atica nos proporciona otros dedos y la primera t´ establecer una correspondencia biyectiva entre el conjunto problema A y un conjunto patr´ on de la forma {1. los pasos que dar´ ıamos si tuvi´ eramos que escribir todas las palabras. . Por ejemplo. . . 22 25 23 y concluimos que hay 23 n´ umeros. . . n−m+1 nos demuestra que entre m y n.2. que cumple las restricciones que se han impuesto al password. la correspondencia biyectiva: m m + 1 m + 2 . n}. C.. . podemos contar el n´ umero de palabras mediante un proceso que reproduce mentalmente. ambos incluidos.. . para contar cu´ antos n´ umeros pares son mayores que 1 y menores que 123. 2} de manera que el primer s´ ımbolo no sea num´ erico y que no haya s´ ımbolos repetidos. Contar con los dedos de las Matem´ aticas La primera vez que contamos lo hacemos con los dedos. de modo que cumplan ciertas restricciones... 122 = 2 · 61 . . .. .. 61 1. Contar palabras Muchas veces los elementos del conjunto cuyo cardinal queremos hallar se pueden ımbolos que perteinterpretar como secuencias o palabras formadas por diferentes s´ necen a un alfabeto. .8. . . si m ≤ n. Cuando esto ocurre. establecemos la correspondencia biyectiva: 2 = 2·1 1 luego hay 61 n´ umeros.8. formada por s´ ımbolos de Σ. imaginemos que queremos saber cu´ antas palabras distintas pueden ımbolos pertenecientes al alfabeto: servir de password.. .1. 2. si la clave debe contener cuatro s´ Σ = {A. hay n − m + 1 n´ umeros. establecemos la correspondencia biyectiva: 3 1 4 2 5 3 . Para contar cu´ antos n´ umeros enteros hay entre 3 y 25. ambos EJEMPLO 1. M´ as general. 4 = 2·2 2 6 = 2·3 3 . 24 . Establecemos una correspondencia biyectiva entre el conjunto problema y un subconjunto de dedos. . . Cada elemento del conjunto de claves posibles se puede interpretar como una palabra... . . 1. .... .

alfab´ etico = resto . Marcamos la segunda celda con 5. ¿C´ omo formar un subconjunto? Podemos imaginar que los elementos est´ an puestos en fila y que. en este caso la primera: ¿cu´ antos s´ ımbolos que cumplan las restricciones pueden ocupar la celda? La respuesta es tres: A. siempre hay 3 maneras de escoger uno para la cuarta. Por ejemplo. Escribimos cuatro celdas vac´ ıas.4).4: Password de cuatro caracteres con restricciones Vamos a mostrar un procedimiento de representaci´ on gr´ afica que servir´ a para el c´ alculo. Por 3 alfab´ etico = resto 5 = resto 4 = resto 3 = resto Figura 1. hay 4 elecciones del tercero. sucesivamente. escogemos la segunda. Marcamos la tercera celda con 4. Luego. ¿Cu´ antos subconjuntos tiene un conjunto de n elementos? Para contarlos. Si hay varias. hay 4 maneras de colocar un s´ ımbolo ´ ltimo repetimos el an´ en la tercera. contamos cu´ antas palabras hay (segundo m´ etodo). Marcamos la cuarta celda con 3. escogemos la celda que tenga m´ as restricciones. Comenzamos el an´ alisis por la celda que tiene m´ as restricciones. Representemos por 1 la acci´ on de escoger un elemento dado y por 0 la de rechazarlo. Despu´ es de nuestro an´ alisis. ¿cu´ antos s´ ımbolos que cumplan todas las restricciones pueden ocupar la segunda celda? La respuesta es cinco. Con esta conEJEMPLO 1. establecemos una correspondencia biyectiva entre los subconjuntos y cierto conjunto de palabras (primer m´ etodo). segundo y y del segundo.6 . hay 5 elecciones del segundo. Imaginemos que la primera y segunda ya est´ an ocupadas. que simbolizan los cuatro s´ ımbolos de la palabra y..5: cada elecci´ on del primero. debajo de las celdas. = resto . = resto Figura 1. B o C. hay 3 elecciones del cuarto. B o C. = resto . Por u alisis con la cuarta celda. Por cada elecci´ tercero. vale una cualquiera. Luego. Vamos a la tercera celda. las celdas aparecen marcadas como se muestra en la figura 1. Concluimos que cualesquiera que sean los s´ ımbolos que se coloquen en las tres primeras celdas.5. tomamos la decisi´ on de escoger o rechazar cada uno. ¿cu´ antos s´ ımbolos que cumplan todas las restricciones pueden ocupar esta posici´ on? La respuesta es: cualesquiera que sean los s´ ımbolos que ocupen las celdas primera y segunda. anotamos las restricciones que debe cumplir el s´ ımbolo que ocupe la celda (ver figura 1. Entre las restantes. La observaci´ on crucial es: cualquiera que sea el s´ ımbolo que ocupe la primera celda. hay 3 × 5 × 4 × 3 = 180 palabras distintas. Marcamos la celda con 3. hay cinco maneras de escoger el s´ ımbolo de la segunda. El resumen del an´ alisis es: hay 3 maneras de elegir el primer s´ ımbolo. Por cada elecci´ on del primero on del primero. Imaginemos que la primera celda ya est´ a ocupada por uno de los tres s´ ımbolos A. en total.

. la palabra 11 . es 2 2 × 2 × · · · × 2 = 2n . . tomados del alfabeto binario Σ = {0. ωn−1 .. En particular. As´ ı sucesivamente. . hay dos maneras de elegir el de la segunda. Si queremos seguir escrupulosamente la explicaci´ on anterior. as´ ı. elecci´ on del s´ ımbolo de la primera celda. . esa correspondencia es biyectiva: cada subconjunto se corresponde con una palabra y cada palabra con un subconjunto. El resultado del an´ alisis se muestra en la figura 1. dibujamos las celdas que. ω2 . . El s´ ımbolo de la primera celda puede ser uno cualquiera de .. cada subconjunto se corresponde con una palabra de n caracteres. Por cada elecci´ on del primero y del segundo. Se sigue que el n´ umero de ordenaciones posibles es . ωn−1 0 ω1 ω2 ωn se corresponde con el subconjunto {ω1 }. podemos elegir el tercero de n − 2 maneras. 1}.venci´ on. . 0 . . . 2 ······ 2 2 EJEMPLO 1. Por ejemplo. El n´ umero de palabras y el de subconjuntos. si el conjunto es Ω = {ω1 . . . = resto . . Por cada elecci´ on del primero. n}.7 Tenemos n tarjetas numeradas de 1 a n. . 00 con 0. podemos elegir el segundo de n − 1 maneras. ωn }. la palabra: 1 0 . sucesivamente. . 2. todos distintos y pertenecientes al alfabeto Σ = {1. en este caso. . 1}. Por cada . 11 se corresponde con Ω y la palabra 00 . Contar el n´ umero de ordenaciones en fila equivale a contar el n´ umero de palabras distintas que se pueden formar. = resto ······ .7. ······ . no tienen restricciones: Podemos elegir el s´ ımbolo de la primera celda de dos maneras. .. / Hemos transformado el problema en otro equivalente que se puede resolver mediante el segundo m´ etodo: hallar las palabras distintas de n caracteres que se pueden formar con los s´ ımbolos del alfabeto Σ = {0. = resto Figura 1. ..6: los n del alfabeto. ¿De cu´ antas maneras las podemos ordenar en fila? Podemos entender una fila de tarjetas como una palabra de n caracteres. . = resto .

ω2 . 2. ya que aparecen a menudo en los c´ alculos combinatorios. 73 = 7 · 6 · 5. Los subconjuntos de A ⊂ Ω con k elementos se pueden clasificar en los que contienen a ω1 y los que no contienen a ω1 . que tiene n ≥ k elementos. Por ejemplo. . 2. Los subconjuntos de Ω con k elementos que contienen a ω1 son tantos como −1 on. Por ello. Contar subconjuntos con k elementos La tercera t´ ecnica nos ense˜ na a contar el n´ umero de maneras en que podemos seleccionar un grupo de k elementos entre los elementos de un conjunto. n. En Combinatoria cuando una sucesi´ on de n´ umeros aparece con frecuencia. tos tiene un conjunto de n elementos. puesto que el u n = 1. con 0 < m ≤ n. luego. Designemos por n k a ese n´ El s´ ımbolo n k se lee “n sobre k” y se denomina coeficiente binomial porque.7: n(n − 1) · · · 2 · 1. . otros ejemplos de n´ umeros combinatorios son los de BERNOULLI . CATALAN o STIRLING . . como veremos. se convierte en un modelo. se ha inventado una notaci´ on para expresarlos: n!. n ´ nico subconjunto con cero elementos es 0. nm = n(n − 1)(n − 2) · · · (n − m + 1) m factores Por ejemplo. / y n 0 = 1. Para hallar esa relaci´ on. ωn } Con un lenguaje m´ as t´ ecnico. . La propiedad principal que cumple n el u k es una relaci´ on recursiva que permite calcularlo. Los subconjuntos de Ω con k elementos que no contienen a ω1 son tantos como los 1 on. se trata de calcular cu´ antos subconjuntos de k elemenumero desconocido. por definici´ k−1 . n! = n(n − 1)(n − 2) · · · 2 · 1 Las ordenaciones en fila de objetos. . .n = resto n−1 = resto ······ 2 = resto 1 = resto Figura 1. . Tambi´ en conviene una notaci´ on especial para los productos de m factores menores o iguales que n. por ejemplo ω1 . Emplearemos el s´ ımbolo nm . que se lee “n factorial ”. en particular de los n´ umeros 1. minan permutaciones. Ω. .3. por definici´ k . Con frecuencia aparecen n´ umeros de la forma n(n − 1) · · · 2 · 1. aparece en el desarrollo de la potencia de un binomio. Es un comportamiento semejante al del C´ alculo infinitesimal cuando define las funciones trascendentes. Ω = {ω1 . ya que ´ nico subconjunto con n elementos es Ω. hay n los subconjuntos con k − 1 elementos de Ω − {ω1 }. De la definici´ on de n k se siguen algunos valores de forma inmediata.8. n. . . El n´ umero n k es un ejemplo de n´ umero combinatorio. supongamos 1 ≤ k ≤ n y fijemos un elemento de Ω. Hemos deducido que hay n! permutaciones de los n´ . hay n− subconjuntos con k elementos de Ω − {ω1 }. . luego. 1. se denoumeros 1. . producto de todos los enteros menores o iguales que uno dado.

. . Por ejemplo. A primera vista. 1 . . que corresponde a n = 2. significa resolver la relaci´ directo al problema de contar cu´ antos subconjuntos con k elementos tiene Ω. . (1.3. Desde un punto de vista on recursiva 1. la de n y contiene los n + 1 n´ umeros n 0 .El razonamiento anterior nos lleva a poner: n n−1 n−1 = + . Los valores de quier n´ umero n k k se pueden organizar en un esquema triangular 1 1 1 1 1 1 1 4 3 6 2 3 4 1 1 1 1 1 1 5 10 10 5 6 15 20 15 6 Figura 1. La tercera fila. . k ´ k=n si k = 0.4) si 0 < k < n. Los valores exy 1 = 1.3. Luego vienen 1 0 =1 1 as interesante. Desde el v´ 0 primera fila corresponde a n = 0 y s´ olo tiene un n´ umero: 0 = 1. ωi1 ωi2 . ωin−1 ωin elementos elegidos Pero pronto comprendemos que la soluci´ on no es tan simple: distintas permutaciones producen el mismo subconjunto de k elementos. El valor central es 1 que. . . 0 = 1. o (1. . ωik−1 ωik ωik+1 . . . ωin−1 ωin y nos quedamos con los k primeros de la fila. por este orden. dada una ordenaci´ on. parece un problema f´ acil: si ordenamos en fila todos los elementos ωi1 ωi2 . n . . por la f´ verifica 2 1 1 = + =2 1 0 1 ´ luego es igual a la suma de los n´ umeros inmediatos de la fila anterior. . Lo haremos mediante un ataque matem´ atico. obtendremos un subconjunto de k elementos del conjunto Ω dado. Cada fila del tri´ angulo corresponde a un valor fijo n n ertice. Esta es la interpretaci´ on en el tri´ angulo de la relaci´ on 1. k k−1 k mientras que n = 1.8: Tri´ angulo de PASCAL denominado tri´ angulo de PASCAL. . es m´ 2 2 tremos son 2 ormula de recursi´ on. 2 = 1.3) Esta relaci´ on recursiva se programa f´ acilmente y permite calcular sin dificultad cualn . ωik−1 ωik ωik+1 . Tambi´ en podemos hallar una expresi´ on expl´ ıcita de n k .

al menos.5 obliga a calcular n´ umeros muy grandes y produce k mediante la f´ errores num´ ericos.9: Baraja francesa Una mano de p´ oker son cinco cartas. si permutamos los k primeros ´ ltimos. K. obtendremos el mismo subconjunto. que consta de cuaeboles ). n k ! (n − k ) ! = n! k lo que implica: n n! = k ! (n − k ) ! k (1.´ ltimos elementos. En resumen. Para que dos subconjuntos sean distintos. Como consecuencia.8 El p´ oker se juega con una baraja francesa. en un elemento entre los k primeros lugares. Para nosotros no es m´ as que un subconjunto de 5 cartas escogidas entre las 52 de la baraja: en el p´ oker hay 52 5 manos distintas. Tambi´ en. ♦ (diamantes ) y ♥ (corazones ).3. manteniendo fijos los n − k u ro el mismo subconjunto. Ahora. permutar los restantes n − k elementos. son distintas. mediante las operaciones que hemos descrito: permutar los k elementos del subconjunto en los primeros lugares y. manteniendo los k primeros en sus posisi permutamos los n − k u ciones. es evidente que las permutaciones obtenidas de subconjuntos distintos. . El c´ alculo de n ormula 1. ♣ (tr´ tiene trece cartas que se denominan: As. 2. Cada palo tro palos: ♠ (picas ). el n´ umero de subconjuntos con k elementos que tiene un conjunto de n umero cumple elementos. Este n´ la relaci´ on recursiva 1. ya que se diferencian.5) Puede parecer que este resultado es preferible a la relaci´ on recurrente. A ♠ A ♥ ♥ 2 3 4 5 6 7 8 9 10 J Q K A ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ ♠ A ♦ A ♣ ♣ 2 3 4 5 6 7 8 9 10 J Q K A ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ ♦ . de cada subconjunto de k elementos se obtienen k!(n − k)! permutaciones. y verifica la f´ ormula 1. obtenemos permutaciones distintas peelementos. No es as´ ı. EJEMPLO 1. . 3. 10. J. debe haber alg´ un elemento que pertenezca a uno pero no al otro. Q. .5. 2 3 4 5 6 7 8 9 10 J Q K A ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ ♣ 2 3 4 5 6 7 8 9 10 J Q K A ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ ♥ Figura 1. a continuaci´ on. A partir de un subconjunto de k elementos podemos obtener distintas permutaciones. no por el orden en que se presentan. el n´ umero de subconjuntos multiplicado por k!(n − k)! es igual al n´ umero de permutaciones. es un n´ umero combinatorio que se representa por n k . As´ ı. . comprendemos lo caracter´ ıstico de este problema: los subconjuntos se caracterizan por los elementos que los componen. Por otra parte.

Para obtener un t´ ermino en xk hay que multiplicar k veces el sumando x por n − k veces el sumando 1. Esta observaci´ on nos permite afirmar: hay tantas ordenaciones. conservando ´ ıntegra su esencia. para desbastar los problemas. como maneras de escoger n celdas. entre las gunda: hay n+ n m ordenaciones. Imaginemos que hacemos este producto. necesariamente. El probabilista tiene sus instrumentos propios: dados.EJEMPLO 1. una manera peculiar de abordar los problemas. ¿Cu´ antas ordenaciones distintas podemos formar? Interpretemos una ordenaci´ on como una palabra formada con n s´ ımbolos y m s´ ımbolos . No podemos programar un computador para que sustituya al probabilista. Este estilo se adquiere con la experiencia y la pr´ actica. Como se ve. En efecto. 1. es decir. como arte. aplicaremos la sem maneras de escoger un subconjunto de n celdas. para de xk ser´ multiplicar la x de esos factores y el 1 de los restantes. Para hacer esta extracci´ on. Debemos poner en evidencia su estructura sin perder so de extracci´ informaci´ on. entre las n + m. cartas. Para hacer un primer modelado. De este modo. tarjetas numeradas. mostrando c´ omo pueden modelarse en t´ erminos de los instrumentos citados. supone un estilo de pensamiento. El coeficiente a igual al n´ umero de maneras de escoger k factores. ya que las negras. Los instrumentos del probabilista: dados.9. para poner en ellas las bolas blancas. entre los n. . el contexto particular estorba. como subconjuntos de n celdas. Para obtener una ordenaci´ on debemos decidir en qu´ e celdas colocaremos las bolas blancas. Los instrumentos del probabilista sirven. Calcular probabilidades es un arte y. hemos aplicado la primera t´ ecnica. Crear un modelo matem´ atico a partir del enunciado de un problema es un proceon y depuraci´ on. Ahora. En este apartado examinaremos algunos problemas. el coeficiente de xk es igual a n k . ruletas. bolas y urnas. monedas. Luego hay n+ n EJEMPLO 1. ocuparan las restantes. etc. Cualquier problema elemental de probabilidades admite esa reformulaci´ on.9 Una urna contiene n bolas blancas y m bolas negras. n + m. Por ello. la estructura del problema es m´ as clara y estamos m´ as cerca de su soluci´ on. monedas y urnas El c´ alculo de probabilidades no puede ser reducido a una serie finita de t´ ecnicas infalibles. probaremos que se cumple: n n k (x + 1)n = ∑ x k =0 k La potencia (x + 1)n = (x + 1)(x + 1) · · · (x + 1) es un polinomio de grado n.10 [Coeficientes binomiales] Los coeficientes n k se denominan binomiales porque aparecen en el desarrollo de (x + 1)n . fundamentalmente. El primer modo de evitar el contexto es re -formular el problema en t´ erminos de los instrumentos del probabilista. Extraemos las bolas una a una y las dejamos ordenadas en una fila sobre la mesa.

hay una probabilidad p de que ocurra un error en la transmisi´ on (ruido ) y se reciba el d´ ıgito cambiado. Si sale cruz. por lo que ´ 1. imaginemos que un duende tiene una moneda con probabilidad de cara igual a p. el dispositivo. Suponemos que los mensajes est´ an codificados en binario. Generar d´ ıgitos al azar equivale a lanzar. equivale a preguntarse la probabilidad de transmitir un mensaje de 106 d´ que el duende obtenga alguna cara si lanza la moneda 106 veces. 5o 1. . a la tercera.11 1. el duende tira la moneda. si sale o ´ 6. realmente transmite d´ ıgitos 0 o Al otro lado del canal de transmisi´ on hay un receptor. Repartir las bolas entre varias urnas vac´ ıas. el registro pertenece a la primera lista. Sin reemplazamiento: la bola extra´ ıda se deja fuera.9. Hay dos modos principales de usarlos: Extraer bolas de una urna que las contiene. si sale 3 o ´ 4. la transmisi´ on es correcta. Monedas Es el m´ as sencillo de nuestros aparatos. sin ninguna dificultad. Para premodelar este problema. Analizar los errores que ocurren. EJEMPLO 1. EJEMPLO 1.2. equivale a estudiar el n´ umero de caras que aparecen al lanzar la moneda repetidas veces. Dados Son m´ as generales que las monedas. Cada vez que se transmite un d´ ıgito. Elegir un registro al azar y mirar a qu´ e lista pertenece equivale a lanzar un dado. cada una con n registros.3. Cada vez que transmitimos un d´ ıgito. No debemos limitarnos a pensar en dados con 6 caras. Si sale 1 ´ 2. EJEMPLO 1. Un dispositivo transmite mensajes.9. Ruido en un canal de transmisi´ on.1. lo que equivale a un modelo con dados. Por ejemplo.9. podemos imaginar uno que tenga n caras. Los algoritmos que emplea el computador para generar los d´ ıgitos pretenden imitar al dado. repetidas veces.12 un dado con diez caras numeradas de 0 a 9. Si sale cara. a la segunda y. Por lo que respecta a las extracciones. distinguiremos dos procedimientos: Con reemplazamiento: la bola extra´ ıda se devuelve a la urna a antes de la siguiente extracci´ on. Nuestros dados son utensilios virtuales y. se produce un error en la transmisi´ on.1.13 Tenemos tres listas. preguntarse por la probabilidad de que haya alg´ un error al ıgitos. sin importar lo que se haya transmitido antes. Sirve para modelar las pruebas repetidas en id´ enticas condiciones (precisaremos esto al estudiar el concepto de independencia). Bolas y urnas Con estos dos aparatos podemos crear una infinidad de modelos. ya que el experimento admite m´ as de dos resultados posibles.

. La asignaci´ sublista equivale a un modelo de colocar bolas al azar en tres urnas. con igual probabilidad. Ruletas Aunque. Cada registro tiene probabilidades p1 . p2 y p3 (con p1 + p2 + p3 = 1) de pertenecer a cada sublista. el espacio muestral adecuado para describir el experimento es el intervalo “continuo ” (0.15 1. una con los registros cuyo primer apellido comience por una letra de la A a la H. hasta aqu´ ı. En una ruleta. Interesa destacar aqu´ ı que gracias a la ruleta podemos simular sorteos discretos con probabilidades desiguales. s´ olo hemos considerado el modelo discreto de la probabilidad.4. Modelo continuo que consideraremos m´ as tarde. ´ ptimos cuando las tres probabilidades son aproximaEstos m´ etodos son o on de cada registro a una damente iguales: p1 = p2 = p3 = 1/3.10. la aguja 1 1 GA NA PIERDE 3 4 1 4 3 4 1 2 (A) Figura 1. la ruleta del diagrama (B) de la figura 1. Cada urna es una sublista. Si la ruleta est´ a bien equilibrada. Por ejemplo. las sublistas se forman aleatoriamente. Si la circunferencia tiene longitud 1. es una m´ aquina capaz de elegir al azar un n´ umero del intervalo (0.10 tiene la circunferencia dividida en tres partes. Por ejemplo. EJEMPLO 1. 1 ].10: puede detenerse en cualquier punto de la circunferencia. Como la longitud de PIERDE es el doble de GANA y SIGUE. eficientes denominada divide y vencer´ Imaginemos que los registros de una base de datos se clasifican en sublistas.Este ejemplo trata de una t´ ecnica para lograr algoritmos m´ as as. EJEMPLO 1. En el cap´ ıtulo 5 formularemos un modelo matem´ atico de este sorteo. si el registro lleva los apellidos de la persona. El criterio de MARSAGLIA prueba que los los algoritmos denominados de FIBONACCI no son aceptables. que consiste en colocar n bolas al azar en m urnas. parece apropiado mencionar entre los instrumentos a la ruleta. 2 P(GANA) = P(SIGUE) = 1 4 SIG 1 2 UE (B) . otra con las letras de la I a la M y la tercera con los restantes. Si los registros de la base de datos los elige el azar. hacemos tres sublistas. como la representada en el diagrama (A) de la figura 1.14 Uno de los contrastes que sirven para verificar los un generadores de n´ umeros al azar se basa en un criterio introducido por MARSAGLIA en 1984.9. Cada bola representa un registro dado y. 1 ]. puede ir a parar a cada urna. que es un aparato para escoger n´ umeros al azar en un intervalo. parece justo poner: P(PIERDE) = 1 .

Plantear y resolver problemas En un problema. . se discute m´ as el planteamiento que la resoluci´ on. pronto se incrementar´ an las herramientas a nuestra disposici´ on. ya que s´ olo hay dos resultados posibles: la bola extra´ ıda es blanca o es negra. Ωprimer intento = { . . Hemos preferido los enunciados tradicionales. el proceso completo hasta la soluci´ on del problema: plantear y resolver. 2 } . En alg´ un caso. que la bola sea blanca o que sea negra no son sucesos intercambiables. 3 . } Este espacio muestral no es sim´ etrico. p2 . Los ejemplos de este apartado muestran. 1. este espacio no nos permite calcular la probabilidad. escogiendo adecuadamente las longitudes de los arcos de circunferencia. para mostrar c´ omo se reducen a otros equivalentes expresados en t´ erminos de los instrumentos antes comentados.16 urna que contiene tres bolas blancas y dos negras. Un mismo experimento aleatorio puede ser modelado mediante distintos espacios muestrales y la elecci´ on de un planteamiento nos fuerza a adoptar un m´ etodo para resolverlo.11 (b). Primer intento: planteamos un espacio muestral con dos elementos. Esta escasez de herramientas nos limita la elecci´ tral.10. Por fortuna. planteamiento y m´ etodo de resoluci´ on est´ an relacionados. lo que da a entender que consideramos este paso crucial. Segundo intento: planteamos el espacio muestral: Ωsegundo intento = { 1 . . podemos decir “pintorescos”. 1 . con cierto detalle. cuyos resultados posibles sean intercambiables y utilizar las t´ ecnicas combinatorias para evaluar la probabilidad. Imaginemos que numeramos las bolas blancas y las negras. con una ruleta podemos simular un sorteo de k casos posibles con probabilidades p1 . . Por las condiciones del enunciado. Un experimento consiste en escoger una bola al azar de una EJEMPLO 1. Tras esta operaci´ on. pk . Mientras no aumentemos los m´ etodos disponibles. Queremos plantear un mo- 1 2 1 2 3 (a) (b) Figura 1. Por el momento. respectivamente. No parece que eso cambie la probabilidad de extraer cada bola. 2 . debemos plantear un espacio completamente sim´ etrico.11: delo y calcular la probabilidad de que la bola extra´ ıda sea blanca.F´ acilmente se comprende que. la urna tiene la composici´ on que se ve en la figura 1. En nuestras condiciones. s´ olo conocemos un procedimiento para resolver problemas: la reon del espacio muesgla de LAPLACE.

3 } resulta P(“extraer una bola blanca”) = 3 5. La interpretaci´ on secuencial se modela as´ ı: de una urna que contiene n bolas numeradas de 1 a n. 1 ≤ i ≤ n − 1} ∪ {(i + 1. el espacio muestral est´ a formado por todas las parejas ordenadas (i. Con la interpretaci´ on secuencial hay n(n − 1) casos posibles. hay (n − 1) maneras de elegir el segundo). 4) o ´ (i + 1. con i = j. i + 1) . i) son parejas distintas. se elige un subconjunto de dos bolas.17 Una lista contiene n registros. i) . se tiene {i. j} = { j. puesto que “extraer una bola blanca” = { 1 . de dos maneras: 1 5 Secuencial : los registros se eligen sucesivamente. j ≤ n. A = “los registros son consecutivos” = {(i. El n´ umero de parejas distintas es n · (n − 1) (hay n maneras de elegir el primer n´ umero y. i + 1) o i puede variar entre 1 y n − 1. j ) y ( j. i). se extraen dos bolas sin reemplazamiento. entre n registros. j ). Primero elegimos uno al azar. Elegimos dos registros al azar. donde casos favorables son todas las secuencias de la forma (i. En este modelo (i. Hay tantos casos posibles como subconjuntos distintos de dos elementos: n 2 . al azar. Bajo la interpretaci´ on secuencial. Los Secuencias de registros consecutivos son. y luego elegimos otro. (3. 5). 1 ≤ i ≤ n − 1} Hay (n − 1) + (n − 1) = 2(n − 1) secuencias favorables. j}. ´ (6. ¿Cu´ al es la probabilidad de que sean consecutivos? ¿C´ omo podemos interpretar “se eligen dos registros al azar”? Esencialmente. {i. El espacio muestral est´ a formado por todos los subconjuntos de dos elementos posibles. EJEMPLO 1. lo que implica elegir un subconjunto de 2 elementos del conjunto de registros. En este modelo. entre los que quedan tras elegir el primero. por cada manera de elegir el primero. por ejemplo. La probabilidad de que dos registros elegidos al azar sean consecutivos es P(A) = 2(n − 1) /n(n − 1) = 2/n La interpretaci´ on simult´ anea se modela as´ ı: de una urna que contiene n bolas numeradas de 1 a n. 2 . donde 1 ≤ i.La condici´ on “se escoge una bola al azar” garantiza que cada uno de los resultados posibles de Ωsegundo intento son intercambiables y se tiene: P( 1 ) = P( 2 ) = P( 3 ) = P( 1 ) = P( 2 ) = Ahora. . Simult´ anea : los registros se eligen al mismo tiempo. i}.

se ordenan al azar. Por eso hay La probabilidad pedida es: n−1 k−1 n−1 k−1 n k casos favorables. .Las parejas favorables son los subconjuntos de la forma {i. Luego hay (n − 1)! ordenaciones favorables y se tiene: P(A) = (n − 1) ! 1 = n! n Otro ejemplo. 3 .18 Hay tantas ordenaciones que comienzan por 1 como permutaciones de los n´ umeros 2. El suceso A = “el 1 aparece en primer lugar”. . El n´ umero de casos favorables es n − 1 y la probabilidad de A es igual: P(A) = n−1 2 = n n 2 Desde luego P(A) es la misma con ambas interpretaciones. ¿Cu´ al es la probabilidad de que el 1 aparezca en primer lugar? El espacio muestral contiene n! elementos. i + 1}. ··· .. Despu´ es de pegarlas tenemos n − 1 tarjetas: 1 2 3 4 ··· n ´ que podemos ordenar de (n − 1)! maneras. .. tantos como permutaciones de los n´ umeros 1. . La probabilidad pedida es (n − 1)!/n! = 1/n. . ¿Cu´ al es la probabilidad de que 1 est´ e entre las elegidas? ´ El conjunto de n bolas tiene n k subconjuntos distintos de k bolas. .. Los n´ umeros 1. Una urna contiene n bolas numeradas de 1 a n. k n = . 2. 3. . imaginemos que pegamos las tarjetas que llevan los n´ umeros 1 y 2. Los subconjuntos que contienen a 1 los podemos imaginar compuestos de esa bola y de un subconjunto formado por k − 1 bolas del conjunto: EJEMPLO 1. n. 1 ≤ k ≤ n. Extraemos al azar un subconjunto de k bolas. n. .19 2 . ¿cu´ al es la probabilidad de que 1 y 2 aparezcan consecutivos y por este orden? Para contar las ordenaciones favorables. n que tiene n − 1 bolas. Estas son las ordenaciones favorables a que 1 y 2 aparezcan consecutivos y por ese orden. (casos posibles). Estos son los casos posibles. es el conjunto de ordenaciones que comienzan por 1: 1 . EJEMPLO 1. . . . . n. donde i puede variar entre 1 y n − 1. . 2.

Por el contrario. No siempre lo liviano es superfluo. es preferible calcular la probabilidad de su complementario. Por ejemplo. Ser´ ıa l´ ogico imponer .11. despreciamos los a˜ nos bisiestos y consideramos que hay 365 fechas y. el enunciado deja algunos cabos sueltos. ya que hay que contar por separado los elementos que cumplen p y ¬q. q. el suceso: A = “al menos uno de los resultados es mayor que 3” es una uni´ on de dos sucesos: A = “el primero es mayor que 3” o “el segundo resultado es mayor que 3” Para calcular la probabilidad de A. el suceso formado por los elementos que una disyunci´ cumplen p o q. ¿Cu´ antas fechas distintas de cumplea˜ nos debemos considerar? ¿365?. EJEMPLO 1. 2 o 3/4. Por ejemplo. es preferible calcular la probabilidad de su complementario: Ac = “ambos resultados son menores o iguales que 3” ya que se trata de una conjunci´ on de condiciones. ¿366? ¿Cu´ al es la probabilidad de que una persona nazca en una fecha determinada? Para establecer un modelo. segundo. A pesar de su aspecto de adivinanza o de juego. El problema de los cumplea˜ nos esconde un modelo que tiene importancia pr´ actica. consideramos que cada persona puede nacer en cualquier fecha con igual probabilidad p = 1/365. el lector no debe tomar a broma estos enunciados. hacemos dos simplificaciones: primero. Resulta P(Ac ) = (3/6)2 = 1/4. ¿cu´ al es la probabilidad de que al menos dos de ellas celebren su cumplea˜ nos el mismo d´ ıa? ´ Este es un buen ejemplo de problema enunciado con el lenguaje “pintoresco” del c´ alculo de probabilidades. Los sucesos definidos por una condici´ on “al menos” son de esta forma. y los que cumplen p y q. si se trata de dos condiciones p. que la probabilidad pedida es k/n. Hallemos la probabilidad: hay 62 casos posibles y 32 favorables a Ac (el primer y ´ 3). el suceso definido por “se cumple p y se cumple q”. M´ etodo de c´ alculo por el complementario El recuento de los casos favorables de un suceso es m´ as simple si la condici´ on que on de condiciones. 1. otra vez. si los elementos del sucesos define el suceso es una conjunci´ deben cumplir todas las condiciones que se impongan simult´ aneamente. Esta hip´ otesis es muy discutible.Si repetimos los c´ alculos suponiendo que las bolas se eligen una a una sin reemplazamiento. recuento suele ser m´ as dif´ ıcil cuando el suceso est´ a definido por on de condiciones. Por otra parte. esto es. los que cumplen ¬ p y q. M´ etodo 1 (C´ alculo por el complementario) on de Si el suceso cuya probabilidad queremos hallar est´ a definido por una disyunci´ condiciones. Ambos modelos son equivalentes.20 En una reuni´ on hay k personas. encontraremos. luego P(A) = segundo resultados pueden ser 1. Si lanzamos un dado dos veces.

una soluci´ on que sigue siendo aceptable aunque los par´ ametros del problema se desv´ ıen de las hip´ otesis se denomina una soluci´ on robusta. En total. hay La probabilidad de Ac k es: P(Ac k) = 365 · 364 · 363 · · · 365 − (k − 1) 365k 365 − (k − 1) 364 363 · ··· = 365 365 365 1 2 k−1 = 1− 1− ··· 1− 365 365 365 Vamos a calcular esta probabilidad para varios valores de k. ya que la experiencia indica que los nacimientos son m´ as frecuentes en unos meses que en otros. ya que cumplen la recursi´ P(Ac k) = 1 − k−1 P(Ac k−1 ) 365 c y. de nacer en la fecha i sea igual a la proporci´ on de nacidos en ese d´ ıa. resulta m´ as f´ acil calcular la probabilidad de Ac k Ac en en urnas diferentes” k = “todas las bolas est´ Los casos posibles son 365k (hay 365 maneras de escoger una urna para colocar la primera bola y. Los valores de on: P(Ac k ) se calculan con facilidad. as´ ı sucesivamente. La tabla 1. hasta la k-´ esima urna. calculamos P(Ak ) = 1 − P(Ak ). una vez colocada.). una vez colocada. hay 363 urnas donde podemos colocar la tercera. para la que tenemos 365 − (k − 1) urnas disponibles (todas menos las k − 1 urnas ocupadas por las bolas anteriores). Una formulaci´ on equivalente en t´ erminos de bolas y urnas es la siguiente: tenemos 365 urnas y k bolas. hay 365 maneras de escoger otra urna para la segunda bola. de cinco en cinco. Favorables a Ac k hay: 365 · 364 · 363 · · · 365 − (k − 1) . ¿Cu´ al es la probabilidad de que al menos dos bolas est´ en en la misma urna? Sea en en la misma urna” Ak = “al menos dos bolas est´ queremos calcular P(Ak ). pi . Colocamos las bolas al azar en las urnas. ¿Hasta qu´ e punto el modelo simplificado es v´ alido en la realidad? La respuesta depende de lo sensible otesis que sea la soluci´ on cuando haya desviaciones de las pi respecto de la hip´ p = 1/365. a partir de P(Ac k ). 1 ≤ i ≤ 365. una vez colocadas la primera y la segunda. etc. que la probabilidad de Ak .1 muestra los valores de P(Ak ) para los valores de k comprendidos entre 5 y 90. casos ya que hay 365 maneras de escoger una urna para la primera bola. nos quedan 364 urnas para colocar la segunda bola. En estad´ ıstica.que la probabilidad. Observemos que con k = 70 es pr´ acti- . Como Ak est´ a definido por la condici´ on “al menos”.

25290 0.94098 0.75 0.99991 0.50 0.81438 0.99916 0. obtenemos la curva de la figura 1.99412 k 65 70 75 80 85 90 P(Ak ) 0. Esta curva tiene una forma caracter´ ıstica de muchos problemas probabil´ ısticos.70632 k 35 40 45 50 55 60 P(Ak ) 0.98626 0.11695 0.12: Gr´ afica de k → P(Ak ) cumple P(Ak ) = 0.44369.56870 0.12.50730.99768 0. Es interesante hallar el valor de k que P ( Ak ) 1 0. Tras un crecimiento lento.53834 As´ ı.25 10 30 50 70 90 k Figura 1. Si representamos gr´ aficamente los valores anteriores. Si calculamos las probabilidades de los valores intermedios.02714 0.1: camente seguro que habr´ a dos personas que cumplan a˜ nos el mismo d´ ıa. como si fuese una funci´ on continua de k. Resulta sorprendente que s´ olo con 23 personas podamos asegurar que la probabilidad de que al menos dos tengan su cumplea˜ nos el mismo d´ ıa es mayor que 0. el primer valor de k tal que P(Ak ) ≥ 1/2 es k = 23.97037 0. la curva crece r´ apidamente hasta volverse plana al final. P(A22 ) = 0.k 5 10 15 20 25 30 P(Ak ) 0. P(A23 ) = 0.5. . Estas gr´ aficas mueson : en determinado punto.89123 0. se pasa r´ apidamente tran un fen´ omeno de saturaci´ de lo poco probable a lo muy probable.47570 P(A24 ) = 0.41144 0.99998 0. A la vista de los valores de la tabla.99972 0. debe estar comprendido entre 20 y 25.99999 Tabla 1.5. obtenemos: P(A21 ) = 0.

.

Calcular: 1. Extraemos 100 bolas sin reemplazamiento. seis tarjetas numeradas de 1 a 6. una a una sin reemplazamiento. Plantear un espacio muestral para el experimento que consiste en extraer una primera bola. .9 Plantear un modelo para el experimento que consiste en lanzar seis veces un dado. de una urna que contiene n bolas blancas y m bolas negras. Hallar: 1. de que haya al menos dos iguales? Representar gr´ aficamente P(k) para 2 ≤ k ≤ 10. S´ olo A ocurre.6 Una urna contiene 1000 bolas.3 Sean A. sucesivamente. 2. 3.4 Barajamos bien una baraja francesa y levantamos cartas. Ejercicio 1. ¿cu´ al es la probabilidad. La probabilidad de que la tercera carta que levantemos sea un as.8 Plantear un modelo para el experimento aleatorio que consiste en lanzar un dado hasta que la suma de los resultados obtenidos sea mayor que seis y observar el n´ umero de veces que lo hemos lanzado. 2. La probabilidad de que haya una negra entre las cien elegidas. ¿Cu´ al es la probabilidad que aparezca alg´ un 1? ¿Cu´ al es la probabilidad de que aparezcan los seis resultados del dado? ¿Cu´ al es la probabilidad de que no aparezca ning´ un 2? Ejercicio 1. Ninguno de los tres ocurre. . 9. La probabilidad de que no haya ninguna bola negra entre las cien elegidas. Ejercicio 1. La probabilidad de que el primer as aparezca al levantar la tercera carta. Si generamos k d´ ıgitos. 10 negras y 990 blancas. Ejercicio 1. Exactamente dos de ellos ocurren.7 A y B lanzan una moneda equilibrada tres veces cada uno.5 Un algoritmo genera d´ ıgitos 0. 4. 2. B y C de los siguientes sucesos: 1. . sin devolver las levantadas al mazo. Hallar las expresiones en t´ erminos de A. ¿Podemos simular este sorteo con un dado? Ejercicio 1. al azar. ¿Cu´ al es la probabilidad de que A obtenga tantas caras como B? Ejercicio 1. y extraer una segunda bola. .2 Formular un espacio muestral adecuado para el experimento que consiste en extraer todas las bolas. Al menos uno de los tres sucesos ocurre.Ejercicios Ejercicio 1. ¿Cu´ al es la probabilidad de que las tarjetas 1 y ´ ltima tarjeta sea la n´ 2 est´ en consecutivas? ¿Cu´ al es la probabilidad de que la u umero 1? . 1. B y C tres sucesos.1 Una urna contiene dos bolas blancas y una negra. al azar.10 Plantear un modelo para el experimento que consiste en ordenar en fila. P(k). Ejercicio 1. Ejercicio 1. devolverla a la urna. Ejercicio 1.

.

52 × 51 × 50 52 . la primera puede ser una cualquiera de las 51 restantes y. basta que lanzar el dado ´ 3.2 Si escribimos 0 por cada bola blanca y 1 por cada bola blanca. razonaremos as´ ı: para formar uno de estos n´ umeros debemos decidir en qu´ e n posiciones. Un espacio muestral puede ser el conjunto de estos n´ umeros. Que exactamente dos ocurren equivale a decir que o bien A y B ocurren y C no. Soluci´ on del ejercicio 1. es decir. 2 o ´ 6. una vez elegida la tercera. El n´ umero de casos posibles es 52 × 51 × 50. } Con el dado podemos simular las extracciones de las dos bolas. 5 o Soluci´ on del ejercicio 1. se tiene {“ninguno de los tres ocurre”} = Ac ∩ Bc ∩ Cc 2. bola negra cuando aparece 4. Se sigue que hay n+m n n´ umeros u ordenaciones. Casos favorables a que la tercera carta sea un as hay 4 × 51 × 50. Hay tantas ordenaciones de las bolas como n´ umeros binarios de n + m bits. formada por n ceros y m unos. {“s´ olo A ocurre”} = A ∩ Bc ∩ Cc 3. y que ha salido dos veces e interpretar que ha salido bola blanca cuando aparece 1. Ninguno de los tres ocurre equivale a decir que A no ocurre. o bien A y C ocurren y B no. elegidas la tercera y la primera. La probabilidad pedida es 4 4 × 51 × 50 = . por ello. o bien B y C ocurren y A no. elegidas entre las n + mn posiciones. que contengan n ceros y m unos. {“al menos uno de ellos ocurre”} = A ∪ B ∪ C 4.1 Parece razonable considerar como espacio muestral el conjunto: { . .3 1. Si queremos contar cu´ antos elementos tiene este espacio muestral. aparecen los ceros. Que s´ olo A ocurra equivale a que decir que A ocurre y B y C no. Basta razonar sobre las tres primeras cartas. Que ocurra al menos uno de los sucesos es equivalente a decir que alguno de ellos ocurre. una ordenaci´ on de n bolas blancas y m bolas negras es una secuencia de longitud n + m. hay tantos n´ umeros binarios de esta clase como subconjuntos de n posiciones tiene un subconjunto de n + m posiciones. la segunda puede ser una cualquiera de las 50 restantes. {“exactamente dos ocurren”} = (A ∩ B ∩ Cc ) ∪ (A ∩ Bc ∩ C ) ∪ (Ac ∩ B ∩ C ) Soluci´ on del ejercicio 1.Soluciones Soluci´ on del ejercicio 1. B no ocurre y que C no ocurre. ya que la tercera carta puede ser una de cuatro.4 1. .

1.98186 0.4 0.69760 k 6 7 8 9 10 P(k ) 0.3 0.0 0. una vez elegida la primera. Luego hay 10 · 9 · 8 · · · (10 − k + 1) casos favorables a Ac k.2 0. es 52 × 51 × 50. etc.068 52 × 51 × 50 Soluci´ on del ejercicio 1.99964 .10000 0. por u carta debe ser uno de los cuatro ases.84880 0. Hay 10 maneras del Ac son aquellas secuencias que tienen todos los d´ elegir el primer d´ ıgito. .8 0. 9. 9 de elegir el segundo (debe ser distinto del primero). ´ ltimo. El n´ umero de casos posibles es 48 × 47 × 4.28000 0. La probabilidad pedida es 48 × 47 × 4 ≈ 0. que tampoco puede ser as. formadas por los d´ ıgitos 0.6 0.5 Un modelo consiste en 10k casos posibles.49600 0. Para calcular la probabilidad del suceso: ıgitos iguales al extraer k bolas} Ak = {que haya al menos dos d´ debemos aplicar el m´ etodo de c´ alculo por el complementario. 2. Los casos favorables a ıgitos diferentes.. la tercera hay 47 maneras de elegir la segunda. .5 0. . El n´ umero de casos favorables.93952 0. .7 0. Otra vez basta razonar acerca de las tres primeras cartas. como antes. 1. 8 el tercero.00000 0. ya que la primera carta no puede ser as y hay 48 maneras de elegirla. tantos como posibles secuencias de longitud k.9 0.99637 0. hasta 10 − k + 1 maneras de elegir el k-´ esimo d´ ıgito. La probabilidad pedida es: 10 · 9 · 8 · · · (10 − k + 1) 10k 10 − (k − 1) 10 10 − 1 10 − 2 · · ··· = 1− 10 10 10 10 k−1 i = 1− ∏ 1− 10 i=0 P ( k ) = P ( Ak ) = 1 − En la figura siguiente se muestra la gr´ afica y la tabla de los valores de P(k).1 0 0 1 2 3 4 5 6 7 8 9 10 k 1 2 3 4 5 P(k ) 0. sin ninguna restricci´ on.Observemos que la probabilidad de que la tercera carta sea un as es igual a la probabilidad de que la primera lo sea.

. x2 . y consideramos como caso posible cada una de las secuencias de siete resultados que podemos obtener. Esta probabilidad se calcula f´ acilmente P(A = k . por obtenidos sea mayor que seis var´ ıa entre 2.7 Pongamos que P(A = k. B = 0) + P(A = 1. Ω2 = {todas las secuencias (x1 . cuando alguno de los resultados es ejemplo y 7. El n´ umero de casos favorables a que haya una bola negra es 10 1 mos elegir la bola negra de 10 1 maneras y las 99 bolas blancas de probabilidad pedida es 10 990 1 99 1000 100 990 99 . cuyo espacio muestral sea Ω = {2. Podemos plantear un espacio cuyos casos sean intercambiables si lanzamos el dado siete veces.Soluci´ on del ejercicio 1. tantos como subconjuntos de 100 bolas tiene un conjunto de 1000 bolas. porque no es razonable aceptar que estos casos sean Pero este espacio no es muy u intercambiables. B = k) es la probabilidad de que A y B obtengan k caras cada uno. Esta observaci´ on nos puede llevar a plantear un modelo con seis casos posibles. La probabilidad pedida es 990 100 1000 100 2. 5. con 1 ≤ xi ≤ 6} Este espacio muestral contiene 6 × 6 × · · · × 6 = 67 7 veces . B = 3) = 2−6 k =0 ∑ 3 3 k 2 Soluci´ on del ejercicio 1. con lo que es seguro que alguna suma parcial de resultados ser´ a mayor que seis. x7 ). 3. . B = k ) = 3 2 k 26 La probabilidad de que A y B obtengan el mismo n´ umero de caras es igual a P(A = B) = P(A = 0. 6. tantos como subconjuntos de 100 bolas tiene el conjunto de bolas blancas. B = 2)+ + P(A = 3. . La Soluci´ on del ejercicio 1. B = 1) + P(A = 2. 4. El n´ umero de casos favorables es 990 100 .8 El n´ umero de veces que tenemos que lanzar los dados para que la suma de los resultados . . 7} ´ til.6 1. cuando los seis primeros resultados son . El n´ umero de casos posibles es 1000 100 . 990 99 ya que podemaneras.

cada una de esas secuencias debe ser una permutaci´ on de estos n´ umeros. les asignamos la misma probaSabemos que hay 66 secuencias distintas. En las unidades posteriores volveremos sobre este modelo. Designemos por B al suceso “aparecen todos los resultados del dado”.13: casos posibles contiene un suceso. . . etc. Soluci´ on del ejercicio 1.11 del libro de texto). ya que es igual al suceso “aparece un 1 etodo en el primer lanzamiento. el suceso C definido por “no aparece ning´ Por u un 2” tiene la misma probabilidad un 1”. con 1 ≤ xi ≤ 6}. Naturalmente. ya que si cambiamos los unos que el suceso Ac definido por “no aparece ning´ P(B) = . Ahora es razonable suponer que todos los casos posibles tienen la misma probabilidad. El n´ umero de secuencias favorables suceso Ac se define as´ a este suceso es 56 . 3. la probabilidad de Ac es P ( Ac ) = 5 6 6 y P(A) = 1 − (5/6)6 . Este suceso est´ a compuesto de todas las secuencias de seis resultados que contienen a 1. Designemos por A al suceso “aparece alg´ un 1”. . x6 ). el ı: “ning´ un resultado es 1”.9 Consideremos como caso posible cualquier secuencia formada por 6 resultados de lanzar el dado. que est´ a definido por una disyunci´ on de condiciones. as´ ı. Por simetr´ bilidad a cada una. 5 y 6. x2 . Hay 6! casos favorables a B.casos posibles que son intercambiables. 4. El espacio muestral es Ω = {todas las secuencias (x1 . o en el segundo. ya que el primer resultado puede ser elegido de cinco maneras. ıa. el segundo de cinco. 2.13. Este es un suceso compuesto. . En este modelo. tiene el inconveniente de que puede ser dif´ ıcil contar cu´ antos {N = 7} = { } Figura 1. es razonable aplicar el m´ de c´ alculo por el complementario (apartado 1. que haya que lanzar el dado siete veces (N = 7) es un suceso compuesto de los seis casos posibles que aparecen en la figura 1. La probabilidad de B es 6! 66 ´ ltimo. Con palabras.. etc. por eso.”.