Casos favorables sobre casos posibles
Matías Carrasco
26 de febrero de 2018
1. Introducción
Seguramente si te pidieran definir lo que es una pro-
babilidad dirías
número de casos favorables
probabilidad = . (1)
número de casos posibles
Por ejemplo, si lanzamos una moneda la probabilidad
de que salga cara es 1/2 pues se trata de un caso favo-
rable en dos posibles, o si lanzamos un dado la proba-
bilidad de que salga un seis es 1/6 pues solo nos sirve
una de seis posibilidades.
La definición (1) está basada en lo que se conoce co-
mo el principio de indiferencia. El mismo afirma que si
no tenemos razones por las cuales sospechar que un
resultado particular del experimento tienen más chan-
ces de ocurrir que los demás, entonces todos los resul-
tados deben tener la misma probabilidad de ocurrir.
Se debe tener cierto cuidado ya que el principio de
indiferencia no se aplica en todas las situaciones. Si
lanzamos dos dados y miramos la suma de los resul-
tados, podríamos decir que los casos posibles son los
números del 2 al 12, pero parece menos probable que
salga un 2 a que salga un 7. En este caso sería mejor
aplicar el principio de indiferencia a los pares de nú-
meros que representan los resultados de cada dado.
Esto lo veremos en detalle más adelante.
Existe una definición general de probabilidad que
abarca a la definición (1) como caso particular. Sin
embargo, la ecuación (1) aparece con mucha frecuen-
cia y es muy útil en una gran variedad de situaciones.
Vale la pena pasar un poco de tiempo con ella, así
ganamos intuición sobre algunas propiedades básicas
del azar, y de paso nos preparamos para entender me-
jor la definición general.
En este capítulo vamos a partir de la definición de
probabilidad, dada por el principio de indiferencia, y
vamos a desarrollar algunos conceptos importantes.
Veremos algunos cálculos explícitos que dan como re-
sultado probabilidades que chocan un poco con nues-
tra intuición.
1
2. El espacio muestral
Un experimento aleatorio es aquel en el cuál el re-
sultado no está completamente determinado por las
condiciones iniciales del mismo, si no que el resulta-
do del experimento puede ser cualquiera de un cierto
conjunto de resultados posibles. Un ejemplo clásico es
el lanzamiento de una moneda, cuyos dos resultados
posibles son cara o número.
El espacio muestral asociado a un experimento es el
conjunto de todos los resultados posibles. Es costum-
bre denotar al espacio muestral por la letra griega Ω
(omega mayúscula). En el caso del lanzamiento de
una moneda Ω = {C, N }, donde C significa cara y N
número. Encontraremos vários ejemplos a lo largo del
curso de espacios muestrales, pero es importante te-
ner presente que los elementos de Ω pueden ser de
cualquier tipo, por ejemplo números, personas, boli-
tas, conjuntos de números, etc.
Los elementos del espacio muestral, es decir los re-
sultados posibles del experimento, se denotan usual-
mente por la letra griega ω (omega minúscula) y se
llaman eventos simples o elementales. A partir de ellos
podemos construir diversos eventos posibles.
3. Eventos
Un evento es una subcolección de resultados posibles
de un experimento. Dicho en lenguaje matemático, un
evento A es un subconjunto del espacio muestral Ω.
Hay dos eventos particularmente sencillos: el evento
imposible A = ∅ que significa que nada ocurre y el
evento seguro A = Ω que significa que algo ocurre.
La letra ∅ representa al conjunto vacío, esto es, un
conjunto que no tiene elementos1 .
1 Pensar en una bolsa vacía.
Ejemplo: lanzando dos dados
Usemos el siguiente ejemplo como guía para las defi-
niciones que siguen. Supongamos que nuestro experi-
mento consiste en lanzar dos dados, uno rojo y el otro
verde, y observar el resultado de cada dado.
El espacio muestral consiste en todos los pares orde-
nados de números entre uno y seis. Es decir que cada
evento simple es de la forma ω = (d r , d v ) en donde d r
es un número entre uno y seis que indica el resultado
del dado rojo y d v el del dado verde.
En símbolos, podemos decir que
Ω = ω = (d r , d v ) : d r y d v están en {1, . . . , 6}

Podemos visualizar Ω en una grilla de 6 × 6 en el cual
la primer coordenada indica el resultado del dado rojo
y la segunda el del dado verde.
6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
1 2 3 4 5 6
El número de resultados posibles, o el cardinal de Ω
como lo llamaremos más comúnmente, lo denotamos
por |Ω|. En este caso es 36.
Un evento posible es por ejemplo
A = {el dado rojo es mayor que el dado verde}.
Es más cómodo escribir este evento de la siguiente
forma
A = {(d r , d v ) : d r > d v }
y es fácil ver que consiste en la colección de eventos
simples marcados en rojo en el diagrama de abajo.
2
6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
1 2 3 4 6
5
El cardinal de A es en este caso | A| = 15, por lo que
la probabilidad de A es 15/36 ≈ 0,4167. Muchas veces
las probabilidades se expresan en porcentajes, y para
esto hace falta simplemente multiplicar por 100. Por
ejemplo, decimos que A tiene 41,67 % de chances de
ocurrir.
Otro ejemplo es el evento
B = {la suma es par}
que podemos escribir en símbolos como
B = (d r , d v ) : d r + d v = 2̇ .

Los eventos simples que componen el evento B se
muestran rayados en rojo en el diagrama de abajo.
6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
1 2 3 4 5 6
El cardinal de B es |B| = 18, por lo que la probabilidad
de B es 18/36 = 0,5.
Por lo general podemos definir un evento de dos for-
mas distintas:
Especificando sus elementos. Esto es, escribien-
do uno por uno los eventos simples que lo com-
ponen. Por ejemplo, podríamos haber definido el
evento A escribiendo
A = {(2, 1), (3, 1), (3, 2), (4, 1), (4, 2),
(4, 3), (5, 1), (5, 2), (5, 3), (5, 4),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5)}
 A través de alguna condición que sus elementos
deben cumplir. De ésta segunda manera fue que
definimos los eventos A y B en el ejemplo ante-
rior.
Cuando realizamos un experimento y el resultado ob-
servado es un cierto evento simple ω del espacio mues-
tral Ω, decimos que el evento A ha ocurrido si el evento
simple ω pertenece al evento A. Esto último lo escri-
bimos ω ∈ A.
Nos será útil más adelante disponer de una notación
especial para el conjunto de todos los eventos de un
experimento. Es así que denotaremos
E = A : A es un subconjunto de Ω

al conjunto de todos los eventos. La notación estándar
para indicar que A es un subconjunto de Ω es A ⊂ Ω.
Como veremos más adelante, el conjunto E de todos
los eventos posibles es muchos más grande que el es-
pacio muestral Ω. Su cardinal es | E| = 2|Ω| . En el ejem-
plo del lanzamiento de dos dados, el cardinal de Ω es
36 y el cardinal de Ees 236 que es del orden de 7×1010 .
4. Probabilidad como una función
A cada evento le podemos asociar una probabilidad.
La forma en la que lo haremos en este capítulo da
lugar a lo que se conoce como la distribución uniforme
discreta. Es un caso particular de la definición general
de probabilidad que veremos más adelante, pero nos
va a ser más que suficiente por un buen rato.
Se trata simplemente de escribir de forma un poco
más precisa la ecuación (1) que introdujimos al prin-
cipio del capítulo.
Supongamos que estamos interesados en un determi-
nado experimento aleatorio cuyo espacio muestral es
Ω. Vamos a suponer que Ω es finito en todo lo que
sigue.
Si no tenemos razones para sospechar que algún re-
sultado del experimento es más probable que otro,
entonces todos los resultados posibles deben tener la
misma probabilidad. Esto es lo que llamamos casos
equiprobables.
Si cada resultado ocurre con igual chance que los de-
más, la probabilidad de un evento será naturalmente
proporcional a la cantidad de elementos de ese evento
P (A) ∝ | A|.
3
Si además, queremos que las probabilidades sean nú-
meros entre cero y uno, la probabilidad de un evento
A estará dada por
| A|
P (A) = . (2)
|Ω|
Si comparamos esta definición con la ecuación (1), ve-
mos que | A| representa el número de casos favorables
y que |Ω| representa el número de casos posibles.
Es interesante observar que las probabilidades así
definidas determinan una función, cuyo dominio es
el conjunto E de todos los eventos de Ω, a valores
en [0, 1]. Esto último simplemente quiere decir que
0 ≤ P (A) ≤ 1 para todo evento A ∈ E. Toda esta
frase se suele resumir escribiendo
P : E → [0, 1].
La ecuación (2) nos dice cuál es la definición de P (A)
para cualquier evento A. Lo único que debemos hacer
es contar cuántos elementos tiene A y dividirlo por la
cantidad de elementos de Ω.
5. Operaciones con eventos
Existen varias operaciones básicas que podemos ha-
cer con eventos dados, y entender bien lo que signifi-
can será crucial para el resto del curso.
El complemento
Siempre que tenemos un evento A podemos definir el
evento complementario de A que consiste en todos los
eventos simples que no pertenecen a A. Este evento lo
denotaremos por
Ac = {ω ∈ Ω : ω < A}.
Observar que es lo mismo decir que A no ha ocurrido
a decir que Ac ha ocurrido.
Tomar complementos equivale a la negación lógica,
por lo que si un evento ha sido definido a través de
una condición que deben cumplir sus elementos, su
complemento se puede definir usando la negación de
la condición.
Por ejemplo, usando los eventos A y B definidos en
la sección anterior para el lanzamiento de dos dados,
vemos que
Ac = {(d r , d v ) : d r ≤ d v }
y sentido amplio, es decir una cosa o la otra o ambas.
B = (d r , d v ) : d r + d v , 2̇ .
c 
Este evento se llama la unión de A y B y se escribe

C = A ∪ B = {ω ∈ Ω : ω ∈ A o ω ∈ B}.
La intersección
En el ejemplo del lanzamiento de dos dados, la unión
Si tenemos dos eventos, A y B, nos puede interesar es el evento
un tercer evento C que exprese la condición de que
A ∪ B = (d r , d v ) : d r > d v o d r + d v = 2̇

ambos A y B ocurran simultáneamente. Este evento C
se llama la intersección de A y B y se escribe y se indica con los elementos simples rayados en rojo
en el diagrama.
C = A∩ B = ω ∈ Ω : ω ∈ A y ω ∈ B .


6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

En el ejemplo de los dos dados, la intersección entre
A y B es el evento 5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)

4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

A ∩ B = (d r , d v ) : d r > d v y d r + d v = 2̇ .


3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)

Consiste de los elementos simples indicados con raya-
do rojo en el diagrama de abajo. 2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)

6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6) 1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
1 2 3 4 5 6
5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)

4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

Notar que el cardinal es | A ∪ B| = 27, por lo que la
probabilidad de la unión es en este caso 27/36 = 0,75.
3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3) Observar que esta probabilidad no es igual a la suma
de las probabilidades de A y B, lo cual es 15/36 +
2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
18/36 ≈ 0,9167. En general, la probabilidad de que A
1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1) o B ocurra no es igual a la suma de las probabilidades
1 2 3 4 5 6
de A y B. Más adelante veremos cuándo ésto es cierto.

Notar que el cardinal es | A ∩ B| = 6, y por lo tanto su

Las leyes de De Morgan
probabilidad es 6/36 = 1/6 ≈ 0,1667. Esta probabili-
dad no es igual al producto de las probabilidades de
Las leyes de De Morgan son dos reglas útiles que
A y B, el cual es 15/36 · 18/36 ≈ 0,2083. Es decir, la
permiten pasar de uniones a intersecciones tomando
probabilidad de que A y B ocurran simultáneamente
complementos.
no es igual al producto de las probabilidades de A y
B. Más adelante estudiaremos mejor cuándo podemos Complemento de la unión: El complemento de
calcular la probabilidad de una intersección haciendo la unión de dos eventos A y B es la intersección
el producto de las probabilidades de cada evento. de sus complementos. En símbolos
Cuando dos eventos no tienen elementos en común, (A ∪ B)c = Ac ∩ B c
decimos que son incompatibles o disjuntos y escribimos
A ∩ B = ∅. En palabras, ésto quiere decir que si A Ω
ocurre, B no puede ocurrir, y viceversa.
A B
La unión

Otra operación que podemos hacer cuando dispone-

mos de dos eventos A y B, es la de considerar un ter-
cer evento C que expresa la condición de que A o B
ocurran. Debemos entender la conjunción “o” en el

4
 La demostración es muy sencilla. Notar que cuan-
do se quiere probar que dos conjuntos son igua-
les, se debe probar que todo elemento del prime-
ro es también un elemento del segundo, y vice-
versa.
Sea ω un elemento de (A ∪ B)c . Esto quiere decir
que ω no está en A ∪ B. O lo que es lo mismo, ω
no está ni en A ni en B. Pero esto es exactamente
la condición para que ω esté en Ac ∩ B c .
Reíprocamente, si ω ∈ Ac ∩ B c , entonces ω no
está ni en A ni en B, por lo que no está en A ∪ B.
Es decir, ω ∈ (A ∪ B)c .
Complemento de la intersección: El comple-
mento de la intersección de dos eventos A y B es
la unión de sus complementos. En símbolos
(A ∩ B)c = Ac ∪ B c
Ω n(A) + n(B) posibilidades para A o B.
A B
Para demostrarla podemos usar la regla anterior apli-
cada a los eventos Ac y B c . Entonces
(Ac ∪ B c )c = (Ac )c ∩ (B c )c = A ∩ B,
ya que tomar complementos dos veces es como no
hacer nada. Para terminar, basta tomar complementos
en la igualdad anterior.
6. Reglas básicas de conteo
Contar la cantidad de elementos de un conjunto A
puede en la práctica ser bastante difícil. Por eso enun-
ciamos en esta sección algunas reglas básicas de con-
teo que nos serán de gran utilidad. Lo que precisa-
remos para nuestro curso es realmente mínimo, y no
es necesario profundizar demasiado en las diferentes
técnicas de conteo que se pueden encontrar en varios
libros.
Lo más difícil para algunos es saber cuándo debemos
multiplicar y cuándo debemos sumar. Justamente de
eso se tratan las dos reglas básicas del conteo.
5
La primer regla se conoce como regla de la suma y
expresa lo siguiente.
Regla de la suma:
Supongamos que A y B son dos eventos disjun-
tos, entonces | A ∪ B| = | A| + |B|.
Aplicando esta regla repetidas veces se ve que tam-
bién vale para una cantidad cualquiera de eventos. Es
decir, si A1, . . . , An son n eventos disjuntos dos a dos,
lo cual significa que Ai ∩ A j = ∅ para todo i , j,
entonces
| A1 ∪ · · · ∪ An | = | A1 | + · · · | An | .
La regla puede enunciarse con palabras de la siguiente
manera:
si hay n(A) posibilidades para A y, distintas de
éstas, n(B) posibilidades para B, entonces hay
Lo importante es que ninguna de las posibilidades pa-
ra A lo sea para B y viceversa. Esta es la condición de
que los eventos sean disjuntos. Esta regla es muy útil
cuando podemos realizar un conteo separando por ca-
sos que son incompatibles.
La segunda regla es la regla del producto. Para enun-
ciarla correctamente debemos recordar la definición
de producto cartesiano de dos conjuntos. Si A y B son
dos conjuntos, no necesariamente incluidos en un mis-
mo espacio muestral, el producto cartesiano de A y B
es la colección de todos los pares ordenados con la
primer coordenada en A y la segunda en B. Lo deno-
tamos por
A × B = (a, b) : a ∈ A y b ∈ B .

En el ejemplo del lanzamiento de los dos dados, pode-
mos escribir el espacio muestral Ω usando el producto
cartesiano como
Ω = {1, . . . , 6} × {1, . . . , 6}.
Se puede definir de forma similar el producto carte-
siano de n conjuntos A1, . . . , An como el conjunto de
todas las secuencias ordenadas de tamaño n en donde
la i-ésima coordenada pertenece a Ai . Es decir
A1 × · · · × An = {(a1, . . . , an ) : ai ∈ Ai } .
La regla del producto expresa el cardinal de un pro-
ducto cartesiano como producto de los cardinales de
sus factores.
 Regla del producto: 7. Permutaciones y combinaciones
Sean A y B dos conjuntos cualesquiera. Entonces
La pregunta que responderemos en esta sección es
| A × B| = | A| · |B|.
¿de cuántas formas podemos elegir k ele-
La regla se puede aplicar análogamente al producto mentos de una lista de n?
cartesiano de n conjuntos, esto es
Veremos dos situaciones: cuando el orden importa y
| A1 × · · · × An | = | A1 | × · · · × | An | . cuando el orden no importa.

Consideremos una lista

En este caso también podemos enunciar la regla con
palabras: {∗1, . . . , ∗n } (3)
Si hay n(A) posibilidades para A y n(B) posibili-
de n elementos distintos. Los elementos pueden ser
dades para B, entonces hay n(A) · n(B) posibili-
de cualquier tipo, eso no es relevante ahora. Notar
dades para A y luego B.
que la lista original (3) no tiene ningún orden pre-
establecido, lo único que importa es que los elemen-
Es importante aplicar esta regla cuando el número de tos son todos distintos y los hemos numerado arbitra-
posibilidades para A es independiente del número de riamente de 1 a n para poder distinguirlos. Es como
posibilidades para B. Con esto queremos decir que ponerle un nombre a cada uno.
el número de posibilidades para B es siempre el mis-
mo, independientemente de qué posibilidad se haya La cuestión del orden va a ser relevante para nosotros
elegido para A. Esto es así porque cuando las posibi- si al elegir k de ellos queremos arreglarlos en una lista
lidades son independientes, A y luego B se representa ordenada o no.
correctamente por el producto cartesiano.
No hay que confundir el y luego que aparece en la regla
Permutaciones: el orden importa
del producto con el y que parece en la definición de
intersección. En el contexto de la regla del producto,
se debe interpretar como una operación en dos eta- Supongamos primero que el orden es importante. En
pas. Primero se elige una posibilidad para A y luego este caso queremos formar una lista ordenada
se elige una posibilidad para B.
? , |{z}
(|{z} ? , . . . , |{z}
? , |{z}
? )
La última regla que mencionaremos aquí se llama la 1 2 k−1 k
regla de la división. En cierto sentido es como leer la
regla del producto a la inversa. en donde hay un primer elemento, un segundo ele-
ment, etc. Por lo general ponemos paréntesis curvos
Recordar que una correspondencia k a 1 de A a B es para indicar que el orden en una lista es importante.
una función
f : A→B Para contar de cuántas formas posibles podemos ha-
cer esto podemos aplicar la regla del producto.
tal que todo elemento b ∈ B tiene exactamente k pre-
imágenes en A. Cuando k = 1 se dice que la corres- ?
( |{z} , ? , . . ., ? )
pondencia es biyectiva.
|{z} |{z}
n n−1 n−k+1
posibilidades posibilidades posibilidades
Regla de la división:
Si existe una correspondencia k a 1 de A a B, Tenemos n posibilidades para elegir el primer elemen-
entonces to, n − 1 para elegir el segundo, y así sucesivamente
| A| hasta el último para el cual tenemos n−k+1 posibilida-
|B| = .
k des. Entonces, el número total de listas que podemos
formar es n · (n − 1) · (n − 2) · · · (n − k + 1). Este número
Notar que la regla de la división es exactamente la se llama permutaciones de n en k o arreglos de n en k, y
regla del producto leída a la inversa. lo denotaremos por (n)k .

6
 El número total de listas ordenadas de tamaño k Una propiedad interesante de las combinaciones per-
formadas a partir de un conjunto de n elementos mite calcularlas de forma inductiva. La misma afirma
es que
! ! !
n n−1 n−1
(n)k = n · (n − 1) · (n − 2) · · · (n − k + 1) = + .
| {z } k k −1 k
k factores
Se puede verificar con un simple cálculo a partir de la
para 1 ≤ k ≤ n. definición.

Por ejemplo, sabiendo que 32 = 3 y 31 = 3 deducimos

Podemos escribir este número de forma más compacta
que 42 = 6.


usando factoriales
n! Utilizando esta relación podemos construir lo que se
(n)k = .
(n − k)! conoce como el triángulo de Pascal. Las primeras ocho
Podemos extender la definición al caso k = 0 ponien- filas del mismo están representadas en el diagrama a
do (n)0 = 1. continuación. Los números en una misma fila son las
combinaciones con n fijo, variando k desde 0 a n.
En el caso especial en el cual k = n obtenemos to-
das las formas posibles en que podemos ordenar un 1
conjunto de n elementos. En este caso escribimos sim-
plemente n! en lugar de (n)n . 1 1

Combinaciones: el orden no importa 1 2 1

Supongamos ahora que el orden no importa. Quere- 1 3 3 1

mos entonces formar listas no ordenadas
1 4 6 4 1
{ ?, . . . , ? }
| {z }
k elementos 1 5 10 10 5 1
de tamaño k. En este caso escribimos la lista entre
llaves para indicar que el orden no es relevante. 1 6 15 20 15 6 1
Imaginemos que hemos elegido una lista no ordena-
1 7 21 35 35 21 7 1
da de k elementos. Podemos ordenarlos de k! formas
distintas. Además, si las listas no ordenadas son dife-
De todos modos, los números combinatorios crecen
rentes, también lo serán las listas ordenadas que así
muy rápido y se vuelve imposible en la práctica calcu-
formemos. Esto quiere decir que existe una correspon-
larlos. Más adelante veremos una aproximación muy
dencia k! a 1 de las listas ordenadas a las listas no
buena de n! que nos servirá para calcular, al menos
ordenadas.
de forma aproximada, números combinatorios.
Por la regla de la división, tenemos que el número
total de listas no ordenadas que podemos formar es Los números combinatorios aparecen también en el
entonces (n)k /k!. Este número binomio de Newton que establece una fórmula para cal-

se llama combinaciones cular la potencia de una suma de dos números. Si x e
de n en k y lo escribiremos nk .
y son dos reales cualesquiera, entonces
El número total de listas no ordenadas de tama-
n !
ño k formadas a partir de un conjunto de n ele- X n i n−i
(x + y) = n
x y .
mentos es i
i=0
!
n (n)k n!
= = Dos casos particulares de ésta fórmula serán impor-
k k! k!(n − k)!
tantes más adelante.
para 0 ≤ k ≤ n.
El primero es el caso en que x = y = 1. En este caso

7
obtenemos la igualdad Si distribuímos los 2n objetos en los asientos de la
mesa, obtenemos una agrupación en pares en donde
n !
X n cada pareja consiste de dos asientos enfrentados.
2 =
n
. (4)
i=0
i

Esta se puede interpretar de la siguiente manera.

Cada número combinatorio nk representa la cantidad

de subconjuntos (listas no ordenadas) de tamaño k

que podemos formar de un conjunto de n elementos. Supongamos que los asientos están númerados del 1
Si sumamos todos estos números desde 0 (que repre- al 2n de forma arbitraria. Si distinguimos qué objeto se
senta al conjunto vacío ∅) hasta n (que representa al coloca en qué asiento, tenemos (2n)! formas distintas
conjunto entero) obtenemos la cantidad total de sub- de elegir una disposición particular.
conjuntos que tiene un conjunto de n elementos. Notar Si intercambiamos de lugar dos objetos que estén en
que aquí hemos aplicado la regla de la suma. asientos enfrentados, obtenemos la misma división en
pares. Esto se puede hacer de 2n formas distintas, ya
Sin embargo, podemos calcular la cantidad de subcon-
que hay n pares de asientos enfrentados y dos posibi-
juntos de un conjunto de n elementos de otra forma.
lidades (intercambiar o no) para cada par.
Podemos formar un subconjunto eligiendo elemento a
elemento si estará o no en el mismo. Como cada ele-
mento tiene dos posibilidades, estar o no estar, tene-
mos en total 2 · 2 · · · 2 = 2n posibilidades. La igualdad
(4) simplemente establece la equivalencia de las dos
formas de contar la cantidad de subconjuntos.
Lo mismo ocurre si intercambiamos un par de asien-
El segundo caso es cuando x = p e y = 1 − p. En este tos enfrentados por otro par. Esto equivale a ordenar
caso obtenemos la igualdad los pares de asientos enfrentados, y como hay n en
n ! total, esto se puede hacer de n! formas distintas.
X n i
1= p (1 − p)n−i .
i=0
i

La interpretación de esta ecuación la postergamos pa-

ra más adelante.

Concluimos entonces que existen

8. Más ejemplos (2n)!
2n n!
Antes de seguir indagando sobre las propiedades del formas distintas de agrupar en pares 2n objetos dis-
azar, haremos un paréntesis para explicar con algunos tintos. Dejamos como ejercicio verificar qué reglas de
ejemplos más cómo se usan las reglas de conteo. conteo hemos usado.
Podemos aplicar este cálculo a los sorteos de cruces en
Ejemplo: agrupando de a pares copas de fútbol. Si X e Y son dos equipos particulares
entre 2n equipos que se cruzarán de a pares para jugar
Disponemos de 2n objetos distintos. ¿De cuántas ma- una fase de play-offs, y si suponemos que el sorteo
neras distintas los podemos agrupar en n pares? se realiza al azar de modo que todas las formas de
agruparlos en cruces son equiprobables, entonces la
Imaginemos a los 2n objetos dispuestos en una mesa
probabilidad de que X se cruce con Y es
rectangular que tiene n asientos de cada lado. ,
(2(n − 1))! (2n)! 1
n−1 n
= .
2 (n − 1)! 2 n! 2n − 1
n
Podríamos haber llegado a esta fórmula más fácilmen-
te ya que equivale a elegir el rival de X entre los 2n − 1

8
rivales restantes al azar, y solamente el rival Y cuenta
como caso favorable.
Si nos interesa calcular la probabilidad de que se den
dos cruces particulares, X1 con Y1 y X2 con Y1 , enton-
ces la respuesta es
,
(2(n − 2))! (2n)! 1
n−2 n
= .
2 (n − 2)! 2 n! (2n − 1)(2n − 3)
También podríamos haber llegado de forma más fácil
a esta respuesta viendo que hay 2n−1 formas de elegir
el rival de X1 , y por cada una de estas hay 2n−3 formas
de elegir el rival de X2 .
Supongamos que de los 2n equipos hay n “grandes” y
n “chicos”. ¿Cuál es la probabilidad de que los grandes
no se crucen entre ellos?
Llamemos A al evento “los grandes no se cruzan en-
tre ellos”. Observar que podemos construir los agru-
pamientos de a pares en los cuál los grandes no se
cruzan de la siguiente manera. Primero establecemos
un orden fijo de los n grandes de forma arbitraria, y
luego ordenamos los chicos. El primero se cruza con
el primero, el segundo con el segundo, etc. Al variar
los órdenes posibles de los equipos chicos, obtenemos
todas las formas posibles de cruzar equipos grandes
con equipos chicos.
los grandes fijos
los chicos varian
Luego | A| = n!. Es decir que
2n n!2
,
(2n)!
P (A) = n! n = .
2 n! (2n)!
Por ejemplo, la probabilidad de que esto ocurra en
octavos de final (n = 8) es 128/6435 ≈ 0,0199, en cuar-
tos de final (n = 4) es 8/35 ≈ 0,2286, y en semifinales
(n = 2) es 2/3 ≈ 0,6667. Notar que en semifinales es
más probable que los grandes no se crucen, ya que un
sólo cruce de tres posibles es favorable a tal situación.
Observar también que estas probabilidades son más
difíciles de calcular por otros métodos que las dos an-
teriores.
Ejemplo: coincidencias
Ana y Beto son dos personas que no se conocen y vi-
ven en la misma ciudad de n habitantes. Ambos tienen
k conocidos en la ciudad. ¿Cuál es la probabilidad de
9
que no tengan conocidos en común? En la pregunta
se asume implícitamente que los conjuntos de conoci-
dos, tanto de Ana como de Beto, pueden ser cualquier
subconjunto de habitantes de la ciudad y que todos tie-
nen la misma probabilidad. Naturalmente, para que la
pregunta no sea trivial debemos suponer que n > 2k.
Es instructivo antes de hacer cálculos intentar adivi-
nar si esta probabilidad es chica, moderada o gran-
de. Por ejemplo, si la ciudad es Montevideo con n =
1 500 000 y Ana y Beto tienen k = 700 conocidos, ¿se-
rá más bien cercana a 1 %, 25 %, 50 %, 75 %, ó 99 %?
En este ejemplo veremos que en muchos problemas
de conteo una astucia o “truquito” puede simplificarlo
enormemente. El truco en este caso consiste en ima-
ginarnos que numeramos los habitantes de la ciudad
de forma tal que los k primeros son los conocidos de
Ana. Luego basta elegir al azar los conocidos de Beto
y ver si hay coincidencias.
habitantes de la ciudad
conocidos de Ana desconocidos de Ana
¿De cuántas formas distintas podemos elegir los cono-
cidos de Beto? La respuesta es simple, debemos dar
una lista no ordenada de tamaño k construida a par-
tir de los n habitantes de la ciudad. Como vimos en la
sección anterior esto se puede hacer de nk maneras


distintas.
¿De cuántas formas distintas podemos elegir los co-
nocidos de Beto entre los no conocidos de Ana? Ra-
zonamos igual que en la pregunta anterior salvo que
en este caso debemos elegir a partir de los n
− k habi-
tantes desconocidos por Ana. Es decir n−k k .
Luego, la probabilidad p de que Beto y Ana no tengan
conocidos en común es
n−k
!, !
n
p=
k k
Si la ciudad es razonablemente grande, las combina-
ciones son difíciles de calcular. Este es un problema
frecuente en probabilidad, así que aprovechamos este
ejemplo para mostrarles un método con el cual pode-
mos aproximar esta probabilidad.
Usando la fórmula de las combinaciones con factoria-
les, podemos escribir esta probabilidad como
(n − k)!2
,
(n − k)! n!
=
k!(n − 2k)! k!(n − k)! (n − 2k)!n!
Este cociente de factoriales lo podemos escribir como Ejemplo: el problema de los cumpleaños
(n − k)! (n − k)!
· , Imaginemos un grupo de n personas. ¿Cuál es la pro-
(n − 2k)! n! babilidad de que al menos dos de ellas cumplan años
que se reduce a el mismo día? Por ejemplo, cuál es tu pronóstico si
n = 23 la cantidad de personas en un partido de fút-
1 bol contando al juez.
(n − k) · · · (n − 2k + 1) · .
n · · · (n − k + 1)
Llamemos pn a esta probabilidad que ciertamente de-
Podemos re-escribir este último como pende de la cantidad de personas n. Vamos a supo-
ner que los años tienen 365 días (no consideramos los
k−1 k−1 k−1
Y Y 1 Y n−i− k años bisiestos) y que una persona tiene igual chances
(n − i − k) · =
n − i i=0 n − i de cumplir años en cualquiera de estos días.
i=0 i=0
k−1 !
Numeramos a las personas de 1 a n de forma arbi-
Y k
= 1− . traria, simplemente con el objetivo de distinguirlas.
i=0
n−i
El total de posibilidades distintas para elegir los cum-
He aquí otro truco ingenioso: siempre que tenemos pleaños de las n personas es entonces
un producto podemos pasarlo a una suma tomando
logaritmos. Si tomamos logaritmos llegamos a 365 · |{z}
|{z} 365 = 365n
365 · · · |{z}
primer segunda n-ésima
persona persona persona
k−1 ! k−1 !
Y k + X k
log(p) = log * 1− = log 1 − .
, i=0 n − i - i=0
n−i pues hay 365 posibilidades para la primer persona,
365 posibilidades para la segunda, etc.
Recordar que
log(1 + x) ≈ x (5) Es más fácil calcular la probabilidad de que no haya
dos personas que cumplan el mismo día. Es decir, si A
cuando x es chico. es el evento “al menos dos personas cumplen el mismo
Si el tamaño de la ciudad n es mucho más grande día”, entonces
que 2k (esto lo escribimos n  2k), podemos usar (5) | A| |Ω| − | Ac |
para obtener pn = P (A) = = = 1 − P (Ac )
|Ω| |Ω|
k−1
X k donde Ac es el evento “todas las personas cumplen en
log(p) ≈ − .
i=0
n−i días distintos”.

Además, como n es muy grande comparado con i, ¿De cuántas formas podemos elegir los cumpleaños
podemos suponer que n−i ≈ n para todos los términos de las n personas de modo tal que todas cumplan en
de la suma, de donde días distintos? La respuesta es fácil: tenemos 365 po-
sibilidades para la primer persona, una vez elegido
k2 el cumpleaños de la primer persona tenemos 364 po-
log(p) ≈ − , sibilidades para la segunda, y así sucesivamente. Es
n
decir
o lo que es equivalente
2 /n 364 · · · (365 − n + 1) = (365)n .
365 · |{z}
p ≈ e−k . |{z}
primer segunda
| {z }
n-ésima
persona persona persona
Para apreciar esta fórmula, supongamos que Ana y
Beto viven en Montevideo, es decir n = 1 500 000 y que Entonces
tienen k = 700 conocidos. Entonces p ≈ 0,72. Dicho (365)n
pn = 1 − .
de otro modo, hay aproximadamente 28 % de chances 365n
de que Ana y Beto tengan un conocido en común. Para valores chicos de n estas probabilidades se pue-
¿Coincide este número con tu respuesta intuitiva que den calcular sin problema. Por ejemplo, los primeros
diste al principio del ejemplo? 25 valores de pn son

10
 recordando que log(1 + x) ≈ x para x chico.
n pn n pn n pn n pn n pn
2 0,0027 7 0,0562 12 0,1670 17 0,3150 22 0,4757 La suma de los primeros n−1 enteros se puede calcular
3 0,0082 8 0,0743 13 0,1944 18 0,3469 23 0,5073
explícitamente y vale
4 0,0163 9 0,0946 14 0,2231 19 0,3791 24 0,5383
5 0,0271 10 0,1169 15 0,2529 20 0,4114 25 0,5687
n−1
6 0,0404 11 0,1411 16 0,2836 21 0,4437 26 0,5982 X n(n − 1)
i= .
Notar que cuando n = 23 es más probable que al i=0
2
menos dos personas cumplan el mismo día que to-
das cumplan en días distintos. ¿Qué tan bueno fue tu Entonces
pronóstico al respecto? n−1
1 X n(n − 1)
Algunos valores más se pueden calcular con una cal- log (1 − pn ) ≈ − i=− .
365 i=0 730
culadora científica. Sin embargo, para n = 50 esto ya
no es más posible. Tomando exponencial a ambos lados llegamos a la
Una computadora portátil puede hacer los cálculos siguiente aproximación para pn :
hasta n = 120. En el gráfico de abajo se muestra la
pn ≈ 1 − e−n(n−1)/730 .
probabilidad pn en función de n, desde n = 2 hasta
n = 120.
Por ejemplo, para n = 23 el valor aproximado de pn
es 0,5.
1.0

0.010
0.8

0.002 0.004 0.006 0.008

0.6

pn − 1 − e−n(n−1)/730
pn
0.4
0.2
0.0

0.000

0 20 40 60 80 100 120
n
0 20 40 60 80 100 120
n

Si no disponemos de una computadora para hacer es-

tos cálculos, podemos usar el mismo método de apro-
En el gráfico de arriba se muestra el error de aproxi-
ximación que usamos en el ejemplo anterior.
mación  
Observar que podemos escribir pn de la forma pn − 1 − e−n(n−1)/730

(365)n Y
n−1
i
! en función de n. El error más grande para n ≤ 120 es
1 − pn = = 1− 0,0103 y se da en n = 33.
365n i=0
365

Si tomamos logaritmos a ambos lados de la ecuación Ejemplo: un argumento de simetría

anterior obtenemos
n−1 ! n−1
Ana lanza n + 1 monedas y Beto lanza n monedas.
X i X i ¿Cuál es la probabilidad de que Ana obtenga más ca-
log (1 − pn ) = log 1 − ≈−
i=0
365 i=0
365 ras que Beto?

11
Asumimos que la moneda es honesta. Entonces Ana
tiene 2n+1 posibilidades, todas las secuencias posibles
de largo n+1 formadas con “C” y “X”, todas igualmen-
te probables. Del mismo modo, Beto tiene 2n . Pero
además, juntos tienen 2n+1 2n = 22n+1 posibilidades,
todas igualmente probables.
Llamemos C A y X A el número de caras y cruces que
obtiene Ana, y de igual forma, llamemos CB y X B los
de Beto. Entonces C A + X A = n + 1 y CB + X B = n. Los
eventos
{C A > CB } y {X A > X B }
tienen el mismo número de elementos. De hecho, si
tenemos una secuencia en {C A > CB }, cambiando to-
das las C por X y viceversa, obtenemos una secuencia
en {X A > X B }. Por otro lado, una secuencia verifica
que C A > CB si, y solo si, verifica que n −CB > n −C A .
Pero esto es lo mismo que X B > X A − 1, de donde
X B ≥ X A pues son cantidades enteras.
En conclusión, el evento {C A > CB } es igual al evento
{X B ≥ X A }. Dicho en palabras, si Ana tiene más caras
que Beto, entonces necesariamente Beto tiene más o
igual cruces que Ana.
Cualquiera sea el resultado de los lanzamientos, de-
bemos tener una de dos: o bien X A > X B o X B ≥ X A .
Es decir que el número de secuencias en el evento
{X A > X B } es igual a 22n+1 menos el número de se-
cuencias en {X B ≥ X A }.
Juntando todo, vemos que
1 = P (X A > X B ) + P (X B ≥ X A )
= P (X A > X B ) + P (C A > CB ) = 2P (C A > CB ) ,
de donde P (C A > CB ) = 1/2.
¿Te sorprende la respuesta? De hecho, hay una forma
muy simple de calcular esta probabilidad usando un
argumento de simetría.
Al terminar los lanzamientos, una de dos debe ocu-
rrir: o bien Ana tiene más caras que Beto, o bien Ana
tiene más cruces que Beto. Es decir, uno de los dos
eventos {C A > CB } o {X A > X B } debe ocurrir. Esto
es así pues Ana tiene más lanzamientos que Beto, y
no puede por lo tanto tener a la vez menos (o igual)
caras y cruces que él.
Además son incompatibles, pues Ana tiene un solo
lanzamiento más que Beto. Cambiando las cruces por
las caras, como hicimos antes, vemos que estos even-
tos tienen la misma probabilidad.
12
Si llamamos p a la probabilidad de {C A > CB }, y q a
la de {X A > X B }, entonces
1. p + q = 1,
2. p = q,
de donde p = q = 1/2.
Como ejercicio para ver si entendieron bien, pueden
buscar dónde falla el argumento, si en lugar de Ana
lanzar una vez más que Beto, lanza dos veces más.
Ejemplo: apretados en el cine
En un cine de Montevideo, la gente se sienta al azar en
la primera fila. La fila tiene N ≥ n asientos. ¿Cuál es
la probabilidad de que no haya dos personas sentadas
una al lado de la otra?
Un espacio muestral para este problema puede ser
el formado por todos los subconjuntos de tamaño n
de un conjunto de N elementos. Los N elementos co-
rresponden a númerar los asientos de la primer fila, y
un subconjunto de éstos corresponde a las elecciones
posibles que puede hacer la gente. Así, en total hay
N

n posibilidades, todas igualmente probables, pues
las personas no tienen preferencia por dónde sentar-
se.
Debemos contar de cuántas formas podemos sentar n
personas en N asientos, de forma tal que no haya dos
consecutivos. Miremos la fila de izquierda a derecha,
suponiendo que el asiento número 1 se encuentra en
la punta izquierda.
Veamos primero cuán chico puede ser n. Si las per-
sonas logran sentarse sin vecinos consecutivos, vere-
mos que a la derecha de cada persona hay un espacio
vacío, exceptuando eventualmente a quien está senta-
do en el borde derecho de la fila. Tal configuración
ocupa en total al menos 2n − 1 lugares, por lo que si
N < 2n − 1, la probabilidad es cero.
¿Qué pasa si N ≥ 2n − 1? Una forma de asignar asien-
tos a las personas de forma que no queden vecinos
consecutivos es la siguiente.
Para ser más concretos, supongamos que n = 4 y que
N es muy grande. Los asteríscos representarán a las
cuatro personas:
∗ ∗ ∗∗
Tenemos que colocar al menos un espacio entre las
personas que no están en los bordes: formas distintas.

∗ _ ∗ _ ∗ _ ∗ ¿Como se resuelve el caso general? Supongamos que

|{z} |{z} |{z}
algún algún algún
n es cualquier otro número, con la sola condición N ≥
espacio espacio espacio 2n − 1. Cada persona tendrá un espacio a su derecha,
exceptuando posiblemente la persona sentada más a
¿Cómo se asignan los espacios? Elegimos tres núme- la derecha. Nos quedan así N − (2n − 1) espacios para
ros enteros, todos no nulos, cuya suma sea igual a repartir entre n + 1 celdas. Esto último se puede hacer
N − 4. Por ejemplo, si N = 11 y elegimos los números de
2, 4, y 1, obtendremos la disposición N −n+1
!

n
∗__ ∗ ____ ∗ _∗
formas distintas. Así que la probabilidad de no tener
Pero hay un problema. Claramente, éstas no son to- vecinos al lado es
N −n+1

das las formas posibles de asignar los lugares, pues n
.
podrían no haber personas sentadas en los bordes. N

n
Para arreglar este desperfecto, en lugar de elegir tres
números todos no nulos, elegimos cinco números con
la posibilidad de que el primero y el segundo sean nu-
9. Experimentos secuenciales y re-
los. Así, por ejemplo, si elegimos los números 1,2,3,1,0 peticiones independientes
obtenemos la disposición
Muchos experimentos consisten de varias etapas. En
_ ∗ __ ∗ ___ ∗ _∗
esta sección veremos como construir el espacio mues-
Notar que siempre hay N − 4 espacios y 4 asteríscos. tral cuando las diferentes etapas del experimento son
Algunos espacios son obligatorios y otros no, y de he- independientes entre sí.
cho de los N − 4 espacios hay 3 que deben ir necesa- Supongamos que Ω1 es el espacio muestral de un pri-
riamente a la derecha de un asterísco: mer experimento E1 y que Ω2 es el espacio muestral
de un segundo experimento E2 . Si realizamos un ex-
_ ∗_ _ ∗_ _ ∗_ _ ∗ _
|{z} |{z} |{z} |{z} |{z} perimento que consista en E1 y luego E2 , ¿cuál es el
posible posible posible posible posible
espacio espacio espacio espacio espacio espacio muestral correspondiente?

Así que quedan N − 7 espacios para repartir entre
las cinco “celdas” representadas por las llaves en el
diagrama.
¿Cómo podemos contar todas las formas posibles de
hacer ésto? Representemos por una barra vertical los
bordes de una celda. Por ejemplo, si N = 11, la asigna-
ción representada con los números 1,2,3,1,0 que usa-
mos arriba queda
|_|_|_ _|||
Supondremos que el experimento E2 se realiza de for-
ma independiente del E1 , en el sentido de que sin im-
portar el resultado de E1 cualquier resultado de E2 es
posible. Entonces el espacio muestral Ω(1,2) de E1 y
luego E2 consiste de todos los pares ordenados de la
forma (ω1, ω2 ) en donde ω1 ∈ Ω1 y ω2 ∈ Ω2 . Es decir
Ω(1,2) = Ω1 × Ω2 = {(ω1, ω2 ) : ωi ∈ Ωi }
el producto cartesiano de los dos espacios originales.

Esto lo leemos así: un espacio en la primer celda, un
espacio en la segunda (es solo uno y no dos, pues
hay uno que ya lo pusimos), dos espacios en la tercer
celda, y las dos últimas celdas vacías.
Lo único que debemos hacer es entreverar los espacios
y las barras, teniendo en cuenta que los dos bordes
deben ser barras. Como hay N − 7 espacios y 4 barras
(sacando las dos de los bordes), esto lo podemos hacer
de
(N − 7 + 4)!
!
N −3
= es |Ω| n .
(N − 7!)4! 4
Muchas veces el experimento E2 es el mismo que el E1 .
Es decir, E1 y E2 son dos repeticiones independientes
de un mismo experimento. En general, si realizamos
n ensayos independientes de un mismo experimento
cuyo espacio muestral es Ω, el espacio muestral co-
rrespondiente lo escribimos
Ωn = |
Ω × {z }.
···×Ω
n veces
Notar que por la regla del producto el cardinal de Ωn

13
Ejemplo: n lanzamientos de una moneda
Lanzamos n veces una moneda. El experimento de
base es el lanzamiento de una moneda una sola vez,
y por lo tanto Ω = {C, N } donde C significa cara y N
número. El espacio muestral para n lanzamientos es
entonces Ωn que consiste de las secuencias de largo n
cuyas entradas son C 0 s o N 0 s.
¿Cuál es la probabilidad de que nunca salga cara? Hay
una sola secuencia que no tiene caras y es
(N, . . . , N )
| {z }
n veces
por lo que la probabilidad es 1/|Ω| n = 1/2n .
Notar que esta probabilidad tiende rápidamente a ce-
ro cuando n → +∞. Podríamos decir que si lanzamos
una moneda infinitas veces, la probabilidad de que
nunca salga cara es cero. Esto lo justificaremos mejor
más adelante, pero por el momento nos basta con esta
idea intuitiva.
Ejemplo: bolitas y urnas
Imaginemos una fila de n urnas que llamaremos
Llamemos Ωi al espacio muestral de sacar una bola de
la i-ésima urna. Esto es, Ωi es un conjunto de i + 1 bo-
las distintas (las podemos numerar para diferenciarlas
por ejemplo) de las cuales i son negras y una sola es
blanca.
El espacio muestral de nuestro experimento es enton-
ces
Ω = Ω1 × · · · × Ω n .
Notar que el cardinal de Ω es
|Ω| = |Ω1 | · · · |Ωn | = 2 · 3 · · · (n + 1) = (n + 1)!.
El evento A que nos interesa es que ninguna bola sea
blanca, y por lo tanto
| A| = 1 · 2 · · · n = n!.
Entonces
n! 1
P (A) = = .
(n + 1)! n + 1
Notar que esta probabilidad también tiende a cero
cuando n → +∞, aunque menos rápidamente que en
el caso anterior. Es decir, a pesar de que las bolas
blancas son cada vez menos frecuentes en las urnas,
de todos modos la probabilidad de que nunca salga
una bola blanca sigue siendo cero.

U1, U2, . . . , Un
las cuales tienen bolitas negras y blancas.
Supongamos que la k-ésima urna tiene k bolas negras
y una blanca. Por ejemplo, U1 tiene 1 bola negra y
1 blanca, U2 tiene 2 bola negras y una blanca, y así
sucesivamente.
U48 =
10. Algunas propiedades básicas de
la probabilidad
Las reglas de conteo se traducen en propiedades im-
portantes que son muy útiles para calcular probabi-
lidades. En esta sección enumeraremos algunas de
ellas, y las probaremos en el caso particular que esta-
mos considerando (modelos equiprobables). Sin em-
bargo son propiedades que valen en general.
Las dos propiedades más importantes, de las cuales
se siguen todas las demás, son las siguientes.
Probabilidad de Ω: P (Ω) = 1.
Esto es claro ya que

|Ω|
El experimento consiste en sacar una bola de la pri- P (Ω) = = 1.
|Ω|
mer urna, una de la segunda, y así hasta la última ur-
na. ¿Cuál es la probabilidad de que nunca saquemos
una bola blanca? Regla de la suma: si A y B son dos eventos dis-
juntos, entonces
Antes de seguir leyendo conviene pensar en una res-
puesta intuitiva, ¿es esta probabilidad grande o chica? P (A ∪ B) = P (A) + P (B) .

14
 De hecho, por la regla de la suma para cardinales Esto se deduce de las reglas de la suma y de la
sabemos que | A ∪ B| = | A| + |B|, por lo que resta aplicadas a la unión disjunta
| A ∪ B| | A| |B| A ∪ B = [A \ (A ∩ B)] ∪ [B \ (A ∩ B)] ∪ [A ∩ B] .
P (A ∪ B) = = + = P (A) + P (B) .
|Ω| |Ω| |Ω|
La cota de la unión: si A y B son dos eventos
Existen otras propiedades que enumeramos a conti- cualesquiera, entonces
nuación. Observar con atención que las demostracio-
nes solamente utilizan la validez de las dos propieda- P (A ∪ B) ≤ P (A) + P (B)
des anteriores.
Esto se sigue del principio de inclusión y exclu-
Complemento: si A es un evento, la probabili-
sión ya que P (A ∩ B) ≥ 0.
dad de su complemento es

P (Ac ) = 1 − P (A) .
Lecturas recomendadas
Esto se sigue de que A ∪ Ac = Ω y de que esta
unión es disjunta. Si aplicamos la regla de la suma I. Stewart, ¡Qué coincidencia!, Investigación y Cien-
obtenemos cia, Julio 1998, No 262.
1 = P (Ω) = P (A) + P (Ac ) , A. Rayo, ¿Qué es la probabilidad?, Investigación y
Ciencia, Junio 2011, No 417.
y de aquí despejamos la probabilidad de Ac .
G. Uzquiano, Prisioneros y permutaciones, Investi-
División en casos: Si podemos dividir el espacio gación y Ciencia, Marzo 2012, No 426.
muestral Ω en subconjuntos C1, . . . , Cn que son
disjuntos dos a dos, entonces la probabilidad de B. Luque, El problema del cumpleaños y la seguri-
cualquier evento A se descompone como dad de nuestras contraseñas, Investigación y Cien-
cia, Noviembre 2016, No 482.
n
X
P (A) = P (A ∩ Ci ) .
i=1

La demostración consiste en aplicar la regla de

la suma a los conjuntos A ∩ Ci cuya unión es A.
Regla de la resta: si A es un subconjunto de B
(esto lo escribimos A ⊂ B), entonces

P (B \ A) = P (B) − P (A) .

En esta fórmula el evento B \ A consiste de aque-

llos elementos ω que están en B pero no en
A. Para demostrarla notar que podemos escribir
B = A∪ B \ A, y que esta unión es disjunta. Luego
por la regla de la suma P (B) = P (A) + P (B \ A).
Monotonía: si A es un subconjunto de B, enton-
ces
P (A) ≤ P (B) .
Esto se sigue inmediatamente de la regla de la
resta ya que P (B \ A) ≥ 0.
Principio de inclusión y exclusión: si A y B son
dos eventos cualesquiera, entonces

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) .

15